Na-doped Ni-rich LiNi0.5Co0.2Mn0.3O2 cathode material, Li0.97Na0.03Ni0.5Co0.2Mn0.3O2, is synthesized by a hydroxide co-precipitation route. The structural characterization reveals that the substitution of Na for Li results in a more ordered α-NaFeO2 structure, enlarges Li layer spacing, and reduces the degree of cation mixing. The Li0.97Na0.03Ni0.5Co0.2Mn0.3O2 material has a high tap density of 2.17 g cm−3 that meets the commercial requirement in lithium ion batteries (LIBs). The galvanostatic charge/discharge results show that the electrochemical performance of the Li0.97Na0.03Ni0.5Co0.2Mn0.3O2 is significantly improved. At 0.2, 1, 10, 30 and 50 C, the specific capacities of the Li0.97Na0.03Ni0.5Co0.2Mn0.3O2 are 228.43, 163.12, 121.43, 95.56 and 60.09 mA h g−1, respectively, which are superior to those of the undoped LiNi0.5Co0.2Mn0.3O2 due to the enlargement of Li layer spacing, the decreased degree of cation mixing, and the rapid diffusion of Li-ion in the bulk lattice after the substitution of Na for Li. Therefore, the Na-doped Ni-rich LiNi0.5Co0.2Mn0.3O2 material is a promising cathode candidate for the next generation of LIBs.

Model order reduction (MOR)-based neuro-transfer function (neuro-TF) method has become a trendy modeling technique for parametric modeling of microwave components. This article proposes a novel electromagnetic (EM) parametric modeling method for microwave filters incorporating multivalued neural networks (MNNs) and transfer functions (short for MNN-TFs). The original poles/zeros directly extracted through MOR are mismatched in different sequences for different geometrical samples, which is called the mismatch issue. In the proposed modeling approach, we develop an MNN-based pole-/zero-sorting algorithm to solve this issue. The proposed sorting algorithm introduces MNN to guide the sorting of poles and zeros with respect to geometrical variations. A classification method is proposed to divide the poles/zeros into subgroups for more effective sorting using MNNs. After the classification process, the poles/zeros in all the subgroups are automatically sorted using separate MNNs. Then the pole-/zero-matching is performed between the original poles/zeros and the predicted poles/zeros. The proposed sorting algorithm can obtain more continuous and smoother poles/zeros without EM sensitivity information. After the proposed sorting process, the sorted poles and zeros are used for preliminary training of neural networks, which can provide good initialization weights for the overall model. Finally, we perform overall neural network training to establish the MNN-TF model. The proposed method can obtain a more accurate overall model than the existing MOR-based neuro-TF methods, especially in cases of large geometrical variations. The trained MNN-TF model can be used for advanced circuit design, greatly accelerating the speed of high-level system design. The effectiveness of the proposed method is verified by two microwave examples of parametric modeling.