EG8010 是一款數字化的、功能很完善的自帶死區控制的純正弦波逆變發生器芯片，應用于 DC-DC-AC 兩級功率變換架構或 DC-AC 單級工頻變壓器升壓變換架構，外接 12MHz 晶體振蕩器，能實現高精度、失真和諧波都很小的純正弦波 50Hz 或 60Hz 逆變器專用芯片。該芯片采用 CMOS 工藝，內部集成 SPWM 正弦發生器、死區時間控制電路、幅度因子乘法器、軟啟動電路、保護電路、RS232 串行通訊接口和 12832 串行液晶驅動模塊等功能。
標簽： 正弦波逆變器
上傳時間： 2022-05-31
上傳用戶：
概述CK3866S 是一款工業級 120 度電角度有感三相直流無刷電機驅動控制 IC ，集成限流控制， 過流保護，堵轉保護，軟換向，緩啟動可調，其外圍電路簡單，低成本，應用方便；配合不同 的 MOSFET 和電源電路，可以適配各種電壓及各種功率的電機；芯片集成過流保護，堵轉保護， 限流驅動等多種保護控制機制。 特性? 工作電壓范圍：2.5V～5.5V ? 適用于有霍爾電機? 緩啟動速度調節? 轉速信號輸出? 過載保護? 限流驅動 ? 堵載保護 ? 工作溫度范圍：-40～85 度? 正反轉轉向控制? 轉向軟換向控制? 緩啟動功能 ? 轉速調節（0.03VDD～VDD 線性調節） ? SOP16 無鉛封裝
上傳時間： 2022-06-15
上傳用戶：XuVshu
TM1809是9通道LED（發光二極管）驅動控制專用電路，內部集成有MCU 數字接口、數據鎖存 器、LED 高壓驅動等電路。通過外圍 MCU控制實現該芯片的單獨輝度、級聯控制實現戶外大屏 的彩色點陣發光控制。本產品性能優良、質量可靠.
上傳時間： 2022-06-24
上傳用戶：crystal008
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2015-04-24
上傳用戶：R50974
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2015-04-24
上傳用戶：ryb
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2014-12-19
上傳用戶：TRIFCT
Trie樹既可用于一般的字典搜索，也可用于索引查找。對于給定的一個字符串a1,a2,a3,...,an.則采用TRIE樹搜索經過n次搜索即可完成一次查找。不過好像還是沒有B樹的搜索效率高，B樹搜索算法復雜度為logt(n+1/2).當t趨向大，搜索效率變得高效。怪不得DB2的訪問內存設置為虛擬內存的一個PAGE大小，而且幀切換頻率降低，無需經常的PAGE切換。
上傳時間： 2016-07-06
上傳用戶：sk5201314
1.針對一類參數未知的非線性離散時間動態系統，提出了一種新的基于神經網絡的MMAC方法。首先，將系統分為線性部分和非線性部分。針對系統線性部分采用局部化方法逮立多個固定模型覆蓋系統的參數范圍，在此基礎上，建立自適應模型來提高系統性能；針對系統非線性部分建立非線性神經網絡預測模型來邏近系統的非線性。然后，針對每個子模型設計相應的擅制器。最后，設計基于誤差范數形式的性能指標函數對控制器進行硬切換。仿真結果表明，所提出的MMAC方法與傳統的在參數空間均勻分布的MMAC方法相比能顯著提高非線性系統的暫態性能。2針對一類具有參數跳變的非線性離散時間動態系統，提出子一種基才聚類方法和神經網絡的MMAC方法，首先，采用模糊c均值聚類算法對系統先驗數據進行分類處理，再分別對每類數據采用RLS算法建立多個固定模型。在此基礎上，建立兩個白適應模型來提高系統響應速度和控制品質，建立神經網絡預測模型來補償系統非線性。然后，分別針對相應的子模型設計線性魯棒自適應控制器和神經網絡控制器。最后，采用基于信號有界和測量誤差的性能切換指標對控制器進行切換，并證明閉環系統的穩定性。仿真結果表明，所提出的算法能更好地解決非線性系統發生參數跳變問題，使得系統具有良好的控制品質3.針對MMAC方法中的模型庫優化問題，考慮系統實際運行數據，提出了種基于相似度準則和設置最大模型數的動態優化模型庫方法。該方法能對新數據進行綜合考量并判斷是否應該將該數據納入子模型建模，并通過設置最大模型數來確保系統用最少的子模型就能保證系統的控制性能。仿真結果表明，所提出的算法能極大地減少子模型數量且具有較好的控制效果。關鍵詞：非線性系統；多模型方法；自適應控制；模糊聚類；神經網絡
標簽： 自適應控制
上傳時間： 2022-03-11
上傳用戶：
交直流傳動系統的自適應控制
上傳時間： 2013-06-16
上傳用戶：eeworm
模糊自適應控制理論及其應用
上傳時間： 2013-05-28
上傳用戶：eeworm
