在线亚洲无码在线观看,国产传媒欧美日精品成人

Littelfuse超小型和表面貼裝磁簧開關(guān)，可提供更大靈敏度范圍

電路保護(hù)、電源控制和傳感技術(shù)制造商Littelfuse，Inc. 宣布推出采用7毫米長(zhǎng)玻璃外殼的全密封型A型（單極單擲常開或SPST-NO）開關(guān)MITI-7系列超小型磁簧開關(guān)。MITI-7系列具有6 AT至20 AT的靈敏度范圍，范圍遠(yuǎn)大于同等尺寸的電磁開關(guān)（僅為6 AT至10 AT）。借助新型自動(dòng)化組裝設(shè)備，Littelfuse得以提高這些小型開關(guān)的生產(chǎn)能力，從而幫助電路設(shè)計(jì)人員節(jié)省元件密集的電路板上的空間。

發(fā)表于：12/15/2020

德承嵌入式系統(tǒng)直闖智能安全監(jiān)控，大容量高速度更高效

現(xiàn)代生活逐漸趨于便利化與智能化，人們對(duì)于安全的議題也更加重視。智能安全監(jiān)控系統(tǒng)的運(yùn)用大致可分為裝設(shè)在移動(dòng)式載體和固定式載體這兩類。移動(dòng)式載體的監(jiān)控使用環(huán)境較為嚴(yán)苛，監(jiān)控設(shè)備必須能承受長(zhǎng)時(shí)間震動(dòng)、高低溫差等多重考驗(yàn)，如：車載、公共安全車輛（警車/救護(hù)車/消防車）、大眾運(yùn)輸（火車/輪船/飛機(jī)）等監(jiān)控應(yīng)用。而固定式載體的監(jiān)控又可再分為架設(shè)于室內(nèi)或戶外，如：監(jiān)控中心、道路監(jiān)測(cè)等。智能安全監(jiān)控系統(tǒng)不論何種使用環(huán)境，都需具備影像與物體辨識(shí)、動(dòng)作偵測(cè)、畫面警示等功能，以幫助災(zāi)害應(yīng)變、交通管理與信息搜集整合。

發(fā)表于：12/15/2020

?？怂箍抵ΣＡе破纺＞咧圃焐虤W米茄提升工藝效率

自1993年開業(yè)以來，玻璃制品模具制造商歐米茄公司一直致力于玻璃瓶及模具相關(guān)的加工和維修服務(wù)。為了進(jìn)一步的減少生產(chǎn)周期和成本，歐米茄公司采用Primescan掃描儀和EDGECAM智能編程解決方案來改進(jìn)和提升加工工藝。

發(fā)表于：12/15/2020

普發(fā)真空DREEBIT 離子束系統(tǒng)進(jìn)入德國(guó)達(dá)姆施塔特工業(yè)大學(xué)

近日，普發(fā)真空獲得來自德國(guó)達(dá)姆施塔特工業(yè)大學(xué)的一份重要訂單，將向該校交付一套 DREEBIT 離子束系統(tǒng)，以供其核物理研究所使用。達(dá)姆施塔特LaserSpHERe（Laser Spektroskopie an hochgeladenen Ionen und exotischen radioaktiven Nukliden，高電荷離子和外來放射性核素激光光譜測(cè)量）工作組的研究人員將在該研究所開展各種前沿原子物理、核物理和粒子物理精密實(shí)驗(yàn)，其中，高電荷離子和外來短壽命同位素的激光光譜測(cè)量是研究重點(diǎn)。此次研究計(jì)劃獲得德國(guó)科學(xué)基金會(huì)（DFG）SFB 1245 特殊科研部門支持。

發(fā)表于：12/15/2020

服務(wù)和維護(hù)進(jìn)入數(shù)字化所面臨的挑戰(zhàn)

技術(shù)人員曾經(jīng)使用筆記板和筆來記錄，而現(xiàn)在遠(yuǎn)程監(jiān)控設(shè)備、帶有適當(dāng)應(yīng)用程序、軟件解決方案和實(shí)時(shí)信息的智能手機(jī)和平板電腦成了他們的首選工具。

發(fā)表于：12/15/2020

被西門子收購(gòu)的Mentor正式更名為Siemens EDA

日前，Siemens EDA的IC-EDA執(zhí)行副總裁Joseph Sawicki先生在一篇博客文章里透露，Mentor將于2021年1月起正式更名為Siemens EDA，更名后將繼續(xù)作為西門子數(shù)字化工業(yè)軟件的旗下業(yè)務(wù)提供領(lǐng)先的EDA解決方案，同時(shí)作為支持?jǐn)?shù)字孿生技術(shù)的重要組成部分。

發(fā)表于：12/15/2020

基于疲勞駕駛的人眼定位方法研究

人眼定位是疲勞駕駛的研究關(guān)鍵。由粗到精，先后進(jìn)行了人臉檢測(cè)、瞳孔定位。針對(duì)現(xiàn)有方向梯度直方圖人臉檢測(cè)算法泛化能力不佳的問題，提出了一種基于信息熵加權(quán)的HOG特征提取算法，該算法將待分類的人臉特征進(jìn)行信息熵閾值加權(quán)，形成新的HOG特征，然后通過支持向量機(jī)進(jìn)行分類；針對(duì)現(xiàn)有瞳孔定位算法準(zhǔn)確率不高的問題，提出了多算法協(xié)同工作的瞳孔定位方法，以自商圖為基準(zhǔn)尋找二值分割點(diǎn)，實(shí)現(xiàn)了眼部區(qū)域光照不變性，以灰度積分投影為依據(jù)實(shí)現(xiàn)了瞳孔精確定位。實(shí)驗(yàn)結(jié)果表明，該文提出的人臉檢測(cè)算法在CelebA驗(yàn)證數(shù)據(jù)集準(zhǔn)確率可達(dá)到98.26%，較傳統(tǒng)識(shí)別方法有更高的準(zhǔn)確率；而瞳孔定位算法也可達(dá)到令人滿意的精確度，提高了瞳孔定位的準(zhǔn)確性。

發(fā)表于：12/15/2020

干線動(dòng)態(tài)協(xié)調(diào)控制的深度Q網(wǎng)絡(luò)方法

為有效降低城市交通干線的車均延誤與停車次數(shù)，將深度Q網(wǎng)絡(luò)引入干線協(xié)調(diào)控制，給出了一種干線動(dòng)態(tài)協(xié)調(diào)控制的DDDQN(Dueling Double Deep Q Network)方法。該方法結(jié)合雙重深度Q網(wǎng)絡(luò)與基于競(jìng)爭(zhēng)架構(gòu)深度Q網(wǎng)絡(luò)，并將干線作為整體處理，通過深度神經(jīng)網(wǎng)絡(luò)挖掘干線各交叉口協(xié)調(diào)控制的相關(guān)性，基于Q學(xué)習(xí)進(jìn)行交通信號(hào)控制決策。通過仿真實(shí)驗(yàn)，在近飽和流量和干線存在初始排隊(duì)的情況下，將DDDQN方法與現(xiàn)有綠波方法，以及經(jīng)典深度Q網(wǎng)絡(luò)、雙重深度Q網(wǎng)絡(luò)、基于競(jìng)爭(zhēng)架構(gòu)深度Q網(wǎng)絡(luò)的干線協(xié)調(diào)控制算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明基于DDDQN的干線動(dòng)態(tài)協(xié)調(diào)控制算法性能優(yōu)于其他四種方法。

發(fā)表于：12/15/2020

基于云平臺(tái)的壓磚設(shè)備健康狀態(tài)分析方法設(shè)計(jì)

基于運(yùn)行數(shù)據(jù)對(duì)壓磚設(shè)備健康狀態(tài)進(jìn)行分析，對(duì)于降低設(shè)備故障率、提升壓磚成品質(zhì)量具有重要意義。現(xiàn)有方案大多數(shù)局限于離線人工分析，實(shí)時(shí)性差且推廣效率低。針對(duì)上述問題，基于阿里云機(jī)器學(xué)習(xí)平臺(tái)設(shè)計(jì)了壓磚設(shè)備健康狀態(tài)分析方法，基于聚類方法構(gòu)建了壓磚設(shè)備健康狀態(tài)模型，在無需先驗(yàn)知識(shí)的情況下，對(duì)于壓磚設(shè)備的工作、待機(jī)、異常等健康狀態(tài)實(shí)現(xiàn)了建模。進(jìn)而，將該模型部署于云計(jì)算平臺(tái)上，通過周期性的數(shù)據(jù)導(dǎo)入與分析實(shí)現(xiàn)了壓磚設(shè)備健康狀態(tài)的在線分析。最后通過實(shí)例證明了該方法的有效性。

發(fā)表于：12/15/2020

基于機(jī)器學(xué)習(xí)的Modbus_TCP通信異常檢測(cè)方法研究

針對(duì)工業(yè)控制系統(tǒng)中Modbus_TCP協(xié)議存在的諸多安全隱患問題，提出了基于機(jī)器學(xué)習(xí)的Modbus_TCP通信異常檢測(cè)方法，分析了Modbus_TCP報(bào)文類型與結(jié)構(gòu)特點(diǎn)，介紹了機(jī)器學(xué)習(xí)中決策樹分類模型算法的實(shí)現(xiàn)過程，建立了Modbus_TCP協(xié)議的模擬通信，使用了Scapy工具構(gòu)造偽報(bào)文實(shí)現(xiàn)異常檢測(cè)。設(shè)置了樸素貝葉斯分類模型、邏輯回歸分類模型和傳統(tǒng)支持向量機(jī)分類模型的實(shí)驗(yàn)與之對(duì)比，并且對(duì)模型的準(zhǔn)確率、誤報(bào)率、漏報(bào)率和時(shí)間性能進(jìn)行分析。分析結(jié)果表明，決策樹分類模型準(zhǔn)確率高，消耗時(shí)間短，具有一定的優(yōu)越性。

發(fā)表于：12/15/2020

基于BIM與GIS數(shù)據(jù)融合的智慧地鐵運(yùn)維系統(tǒng)研究

建筑信息模型(BIM)和地理信息系統(tǒng)(GIS)的融合為智慧地鐵運(yùn)維系統(tǒng)的實(shí)現(xiàn)提供了強(qiáng)有力的技術(shù)支持。論證了將BIM+GIS運(yùn)用到地鐵設(shè)備運(yùn)維系統(tǒng)中的優(yōu)勢(shì)和可行性，從BIM和GIS模型的數(shù)據(jù)規(guī)范入手，提出了一種有效的BIM和GIS數(shù)據(jù)融合方案。通過運(yùn)用BIM和GIS，實(shí)現(xiàn)了設(shè)備智慧巡檢、設(shè)備故障預(yù)警與智能維修和應(yīng)急智能處置等智慧功能。BIM和GIS數(shù)據(jù)的成功融合，為智慧地鐵運(yùn)維系統(tǒng)的建成提供了一種強(qiáng)有力的技術(shù)手段。

發(fā)表于：12/15/2020

橡膠-金屬緩沖彈簧在飛機(jī)舵機(jī)電液伺服系統(tǒng)中的應(yīng)用

針對(duì)飛機(jī)舵機(jī)電液伺服系統(tǒng)在抑制多余力干擾時(shí)，緩沖裝置無法實(shí)現(xiàn)變剛度連續(xù)加載的問題，采用在系統(tǒng)結(jié)構(gòu)中設(shè)置橡膠金屬緩沖彈簧的結(jié)構(gòu)補(bǔ)償方法。首先，設(shè)計(jì)橡膠金屬緩沖彈簧結(jié)構(gòu)，利用ANSYS仿真軟件構(gòu)建有限元模型并對(duì)其進(jìn)行性能分析。通過構(gòu)建飛機(jī)舵機(jī)電液伺服系統(tǒng)各元件數(shù)學(xué)模型，從而得到系統(tǒng)整體數(shù)學(xué)模型。最后，利用MATLAB仿真軟件驗(yàn)證該方法的可行性和有效性。研究結(jié)果表明，橡膠金屬緩沖彈簧能夠達(dá)到技術(shù)指標(biāo)要求，改善系統(tǒng)穩(wěn)定特性，具有較高的工程實(shí)踐價(jià)值。

發(fā)表于：12/15/2020

一種低相位噪聲的正交電感電容壓控振蕩器的設(shè)計(jì)

在相同的功耗下，串聯(lián)耦合正交電感電容壓控振蕩器相位噪聲性能優(yōu)于并聯(lián)耦合電感電容壓控振蕩器。但是在傳統(tǒng)的串聯(lián)耦合正交電感電容壓控振蕩器中，LC諧振腔中存在45°的相位偏移使得其相位噪聲被惡化。因此提出一種交流偏置的串聯(lián)耦合正交電感電容壓控振蕩器。該振蕩器中的LC諧振腔的相移接近0°,并且耦合MOS管的低頻噪聲上變頻的相位噪聲部分受到抑制。所以該交流偏置的串聯(lián)耦合正交電感電容壓控振蕩器可以獲得較好的相位噪聲性能。所提出的正交電感電容壓控振蕩器在TSMC 180 nm CMOS工藝下設(shè)計(jì)完成。其輸出頻率調(diào)諧范圍為2.34 GHz~2.60 GHz，電源電壓為1.8 V，功耗約為11.2 mW。輸出頻率為2.58 GHz時(shí)，3 MHz頻偏處的相位噪聲為-140.1 dBc/Hz，相較于傳統(tǒng)串聯(lián)耦合正交振蕩器優(yōu)化了6.4 dB。該振蕩器的品質(zhì)因子為188.3 dBc/Hz，平均相位誤差為0.05°。

發(fā)表于：12/15/2020

基于AQPSO-LSTM-BN的APU故障診斷模型

針對(duì)飛機(jī)APU的常見故障，提出了一種基于量子粒子群優(yōu)化的長(zhǎng)短期記憶網(wǎng)絡(luò)與批規(guī)范化相結(jié)合的飛機(jī)APU故障診斷模型。從QAR數(shù)據(jù)庫(kù)中整理出需要的APU故障數(shù)據(jù)，將其進(jìn)行歸一化處理并分為訓(xùn)練集和測(cè)試集兩部分，建立CSV文檔數(shù)據(jù)庫(kù)；對(duì)量子粒子群進(jìn)行改進(jìn)，使用改進(jìn)后的量子粒子群對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)的隱含層單元數(shù)目進(jìn)行尋優(yōu)；將優(yōu)化參數(shù)后的長(zhǎng)短期記憶網(wǎng)絡(luò)與批規(guī)范化相結(jié)合搭建網(wǎng)絡(luò)模型，并在網(wǎng)絡(luò)最頂層加入Softmax模型，生成AQPSO-LSTM-BN故障診斷模型，使用訓(xùn)練集對(duì)故障診斷模型進(jìn)行訓(xùn)練，然后使用測(cè)試集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該模型可以有效識(shí)別APU故障，與單一長(zhǎng)短期記憶網(wǎng)絡(luò)模型、支持向量機(jī)模型、循環(huán)神經(jīng)網(wǎng)絡(luò)模型和極限學(xué)習(xí)機(jī)模型相比，識(shí)別準(zhǔn)確度有所提高。

發(fā)表于：12/15/2020

融合懲罰因子和時(shí)間權(quán)重的協(xié)同過濾推薦算法

協(xié)同過濾算法是一種經(jīng)典的推薦算法，思想是依據(jù)近鄰用戶或者相似物品對(duì)目標(biāo)進(jìn)行推薦，常被應(yīng)用在各類推薦系統(tǒng)中。但傳統(tǒng)算法過分考慮熱門物品對(duì)評(píng)分的影響，而忽略了冷門物品對(duì)用戶興趣特征度量的貢獻(xiàn)，也未考慮用戶興趣動(dòng)態(tài)變化的問題。對(duì)此，提出一種新的相似度改進(jìn)算法，改進(jìn)后的協(xié)同過濾算法將物品熱門懲罰因子和時(shí)間數(shù)據(jù)權(quán)重進(jìn)行加權(quán)計(jì)算，優(yōu)化了用戶相似度計(jì)算方法，形成了一種新的相似性度量模型。利用MovieLens電影推薦數(shù)據(jù)集驗(yàn)證改進(jìn)后的算法，實(shí)驗(yàn)結(jié)果表明，該算法將推薦平均絕對(duì)誤差(MAE)與傳統(tǒng)算法相比降低了13.2%，推薦質(zhì)量有了明顯提升。

發(fā)表于：12/15/2020