您好, 歡迎來到化工儀器網(wǎng)
| 產(chǎn)地類別 | 進口 | 電動機功率 | 3800kW |
|---|---|---|---|
| 讀出方式 | SSI | 工作原理 | 模擬量 |
| 外形尺寸 | 35*75mm | 外型尺寸 | 25*68mm |
| 應用領域 | 農(nóng)業(yè),煙草,航天,制藥,電氣 | 重量 | 3kg |
產(chǎn)品簡介
詳細介紹
1057691編碼器的多關(guān)系網(wǎng)絡嵌入秉銘DFS60B-TJEL00050試引入知識圖譜和圖信號處理的相關(guān)技術(shù)。首先嘗試將知識圖譜中的多種關(guān)系處理方式*引入多關(guān)系網(wǎng)絡嵌入中,結(jié)合變分自編碼器模型,并改進了損失函數(shù),從而提出了基于關(guān)系變分自編碼的多關(guān)系網(wǎng)絡嵌入模型PR-VAE;由于PR-VAE使用的圖表示方法仍然會損失部分網(wǎng)絡信息,本文嘗試通過劃分子圖來保留更多網(wǎng)絡信息,為此設計出了符合圖表示要求的全新得分函數(shù),借助變分自編碼器的改進模型變分圖自編碼器,提出基于變分圖自編碼的多關(guān)系網(wǎng)絡嵌入模型MR-VGAE。后,由于MR-VGAE模型在“多對多”、“多對一”、“一對多”關(guān)系上的嵌入效果不佳,本文嘗試引入圖信號處理中常見的濾波器來表示多種關(guān)系,從圖表示方法和關(guān)系計算上進行了相應改進,同時保留了MR-VGAE的嵌入框架,由此提出了基于譜分解的多關(guān)系網(wǎng)絡嵌入模型SDVGAE。通過相關(guān)的實驗驗證,證明了本文提出的方法相較于大多數(shù)基線模型在嵌入效果和嵌入穩(wěn)定性上表現(xiàn)更為優(yōu)異。近年來提出的多關(guān)系網(wǎng)絡嵌入方法由于圖表示方法和損失函數(shù)設計上的問題,在嵌入效果和訓練難易程度上大多是無法令人滿意的。本文的研究方法中嘗試引入全新的設計思想,設計全新的圖表示方法,并提出具有較好效果且合適的得分函數(shù)。同時結(jié)合嵌入過程中遇到的實際問題,改進變分自編碼器的網(wǎng)絡模型和損失函數(shù)以更好地完成多關(guān)系網(wǎng)絡的嵌入工作。
隨著雷達技術(shù)的不斷發(fā)展,多功能軟件化雷達應運而生。多功能軟件化雷達具有需求可定義,軟件可重構(gòu),部分硬件可重組等特點。未來戰(zhàn)場上,多功能軟件化雷達必將對現(xiàn)有的雷達信號與輻射源分析造成了巨大挑戰(zhàn)。本文針對多功能軟件化雷達輻射源分析難題,提出了一種基于深度學習的多功能軟件化雷達輻射源認知新方法,將對多功能軟件化雷達輻射源的認知分為功能識別與個體識別兩個方面進行研究。本文的主要研究內(nèi)容主要包括雷達輻射源發(fā)射信號以及射頻功放的建模,基于深度學習的雷達輻射源信號功能識別以及基于深度學習的雷達輻射源個體識別三個方面。首先,本文針對幾種常見的調(diào)制方式進行雷達信號的仿真。同時,針對多功能軟件化雷達的特點,以射頻功率放大器的非線性特性作為進行雷達輻射源個體識別的依據(jù),完成對五部已知及一部未知多功能軟件化雷達輻射源的建模與仿真。在進行雷達輻射源信號的功能識別時,提出分別使用自編碼器網(wǎng)絡,卷積神經(jīng)網(wǎng)絡以及支持向量機三種方法,并對三種方法在測試集的識別率進行分析比較。結(jié)果表明,自編碼器網(wǎng)絡15d B信噪比下識別率在低信噪比下識別情況也較好,且網(wǎng)絡結(jié)構(gòu)簡單,訓練時間很短,是用于雷達輻射源信號功能識別的方法。在進行雷達輻射源個體識別時,仍然分別使用自編碼器網(wǎng)絡,卷積神經(jīng)網(wǎng)絡以及支持向量機三種方法,并對三種方法在測試集的識別率進行分析比較。結(jié)果表明,在15d B信噪比下,卷積神經(jīng)網(wǎng)絡對測試集的識別率,是用于雷達輻射源個體識別的方法。后,在采用自編碼器網(wǎng)絡進行雷達輻射源信號的功能識別,采用卷積神經(jīng)網(wǎng)絡進行雷達輻射源的個體識別的情況下,將個體識別與功能識別合并,從而完成未知多功能軟件化未知雷達輻射源的認知。結(jié)果表明,將截獲到的敵方多功能軟件化雷達輻射源信號輸入到訓練好的深度學習網(wǎng)絡,不僅可以得到其實現(xiàn)的功能,還可以分析出其屬于某一部已知的多功能軟件化雷達輻射源或者為某一部未知的雷達輻射源,從而完成多功能軟件化雷達輻射源的認知。以應用于激光通信平臺的永磁力矩電機驅(qū)動系統(tǒng)為研究對象,對速度波動抑制、提高抗擾動能力和位置跟蹤能力、提高位置檢測精度等問題進行了研究與分析。首先,論文給出了永磁力矩電機的數(shù)學模型及其矢量控制框圖,在此基礎上,分析了齒槽轉(zhuǎn)矩、電磁轉(zhuǎn)矩波動、摩擦轉(zhuǎn)矩、死區(qū)效應、電流采樣誤差對系統(tǒng)的電流、速度、位置控制性能的影響。為后續(xù)控制策略的研究打好理論基礎。系統(tǒng)在低速運行時,位置傳感器精度不足的問題將會導致獲得的位置和速度信號不準確。為了提高位置檢測精度,在采用正余弦編碼器作為位置傳感器的基礎上,本文提出了一種基于高度線性化的細分方法,有效地避免了幅值偏差對細分精度的影響,提高了位置檢測精度,使得分辨率不足的正余弦編碼器能夠滿足高精度控制系統(tǒng)的位置檢測精度。將其與近似線性化方法比較,通過仿真證明了該方法的有效性。系統(tǒng)中非線性因素突變負載將導致的速度波動,本文提出了一種基于滑?？刂频目箶_動控制策略,采用新型趨近律以改進傳統(tǒng)趨近律中趨近速度和系統(tǒng)抖振程度的矛盾問題?？紤]到系統(tǒng)負載轉(zhuǎn)矩存在擾動的情況,當擾動過大時,將使系統(tǒng)的動態(tài)性能較差。針對這一情況,提出了基于新型趨近律的滑模擾動觀測器進而提高系統(tǒng)的抗擾動性能和動態(tài)響應速度,并通過仿真驗證了該方法的正確性。系統(tǒng)中摩擦轉(zhuǎn)矩對位置控制精度影響較大,本文采用了基于Lu Gre摩擦模型的摩擦補償控制?？紤]到Lu Gre摩擦模型辨識的準確性以及機械磨損等問題,將會導致實際摩擦轉(zhuǎn)矩與摩擦模型不一致,提出了基于Lu Gre模型的自適應摩擦補償控制,進一步對摩擦轉(zhuǎn)矩進行抑制,提高系統(tǒng)的位置控制精度,通過仿真驗證了該方法的有效性。
隨著雷達技術(shù)的不斷發(fā)展,多功能軟件化雷達應運而生。多功能軟件化雷達具有需求可定義,軟件可重構(gòu),部分硬件可重組等特點。未來戰(zhàn)場上,多功能軟件化雷達必將對現(xiàn)有的雷達信號與輻射源分析造成了巨大挑戰(zhàn)。本文針對多功能軟件化雷達輻射源分析難題,提出了一種基于深度學習的多功能軟件化雷達輻射源認知新方法,將對多功能軟件化雷達輻射源的認知分為功能識別與個體識別兩個方面進行研究。本文的主要研究內(nèi)容主要包括雷達輻射源發(fā)射信號以及射頻功放的建模,基于深度學習的雷達輻射源信號功能識別以及基于深度學習的雷達輻射源個體識別三個方面。首先,本文針對幾種常見的調(diào)制方式進行雷達信號的仿真。同時,針對多功能軟件化雷達的特點,以射頻功率放大器的非線性特性作為進行雷達輻射源個體識別的依據(jù),完成對五部已知及一部未知多功能軟件化雷達輻射源的建模與仿真。在進行雷達輻射源信號的功能識別時,提出分別使用自編碼器網(wǎng)絡,卷積神經(jīng)網(wǎng)絡以及支持向量機三種方法,并對三種方法在測試集的識別率進行分析比較。結(jié)果表明,自編碼器網(wǎng)絡15d B信噪比下識別率在低信噪比下識別情況也較好,且網(wǎng)絡結(jié)構(gòu)簡單,訓練時間很短,是用于雷達輻射源信號功能識別的方法。在進行雷達輻射源個體識別時,仍然分別使用自編碼器網(wǎng)絡,卷積神經(jīng)網(wǎng)絡以及支持向量機三種方法,并對三種方法在測試集的識別率進行分析比較。結(jié)果表明,在15d B信噪比下,卷積神經(jīng)網(wǎng)絡對測試集的識別率,是用于雷達輻射源個體識別的方法。后,在采用自編碼器網(wǎng)絡進行雷達輻射源信號的功能識別,采用卷積神經(jīng)網(wǎng)絡進行雷達輻射源的個體識別的情況下,將個體識別與功能識別合并,從而完成未知多功能軟件化未知雷達輻射源的認知。結(jié)果表明,將截獲到的敵方多功能軟件化雷達輻射源信號輸入到訓練好的深度學習網(wǎng)絡,不僅可以得到其實現(xiàn)的功能,還可以分析出其屬于某一部已知的多功能軟件化雷達輻射源或者為某一部未知的雷達輻射源,從而完成多功能軟件化雷達輻射源的認知。以應用于激光通信平臺的永磁力矩電機驅(qū)動系統(tǒng)為研究對象,對速度波動抑制、提高抗擾動能力和位置跟蹤能力、提高位置檢測精度等問題進行了研究與分析。首先,論文給出了永磁力矩電機的數(shù)學模型及其矢量控制框圖,在此基礎上,分析了齒槽轉(zhuǎn)矩、電磁轉(zhuǎn)矩波動、摩擦轉(zhuǎn)矩、死區(qū)效應、電流采樣誤差對系統(tǒng)的電流、速度、位置控制性能的影響。為后續(xù)控制策略的研究打好理論基礎。系統(tǒng)在低速運行時,位置傳感器精度不足的問題將會導致獲得的位置和速度信號不準確。為了提高位置檢測精度,在采用正余弦編碼器作為位置傳感器的基礎上,本文提出了一種基于高度線性化的細分方法,有效地避免了幅值偏差對細分精度的影響,提高了位置檢測精度,使得分辨率不足的正余弦編碼器能夠滿足高精度控制系統(tǒng)的位置檢測精度。將其與近似線性化方法比較,通過仿真證明了該方法的有效性。系統(tǒng)中非線性因素突變負載將導致的速度波動,本文提出了一種基于滑?？刂频目箶_動控制策略,采用新型趨近律以改進傳統(tǒng)趨近律中趨近速度和系統(tǒng)抖振程度的矛盾問題?？紤]到系統(tǒng)負載轉(zhuǎn)矩存在擾動的情況,當擾動過大時,將使系統(tǒng)的動態(tài)性能較差。針對這一情況,提出了基于新型趨近律的滑模擾動觀測器進而提高系統(tǒng)的抗擾動性能和動態(tài)響應速度,并通過仿真驗證了該方法的正確性。系統(tǒng)中摩擦轉(zhuǎn)矩對位置控制精度影響較大,本文采用了基于Lu Gre摩擦模型的摩擦補償控制?？紤]到Lu Gre摩擦模型辨識的準確性以及機械磨損等問題,將會導致實際摩擦轉(zhuǎn)矩與摩擦模型不一致,提出了基于Lu Gre模型的自適應摩擦補償控制,進一步對摩擦轉(zhuǎn)矩進行抑制,提高系統(tǒng)的位置控制精度,通過仿真驗證了該方法的有效性。 1057691編碼器的多關(guān)系網(wǎng)絡嵌入秉銘DFS60B-TJEL00050機器人技術(shù)的應用正面臨著從面向結(jié)構(gòu)化的工廠環(huán)境和任務轉(zhuǎn)換到面向如家庭室內(nèi)、辦公樓、馬路、野外等復雜日常生活環(huán)境及多變?nèi)蝿盏目简?對機器人的智能化程度提出了更高的要求。現(xiàn)有的智能算法開發(fā)模式依賴于研究人員對環(huán)境及機體的提前建模,對于新的環(huán)境和機體往往需要重新建模,因此不具有通用性,開發(fā)成本巨大,無法適應未來行業(yè)中對于智能的大量需求。本課題旨在以智能決策算法的通用性為目標,探索智能決策問題的一般化描述方法與解決方案。首先,基于強化學習中常用的POMDP過程建立智能決策問題的通用數(shù)學描述,并通過對其進行分析,將智能決策算法等價于信息的提取與利用。利用信息論對環(huán)境中信息的分布方式進行分析,終基于世界模型概念得出解決智能決策問題的一般性框架,將世界模型按照提取的信息類型不同拆分為感知抽象和狀態(tài)預測兩個過程。并基于Mo Jo Co仿真平臺,選取了5種典型的視覺控制任務作為本文的驗證平臺。其次,推導感知抽象過程與生成模型之間的關(guān)系,利用POMDP過程中的內(nèi)部約束,將感知抽象過程轉(zhuǎn)化為生成問題,并基于變分自編碼器對感知抽象過程進行了實現(xiàn)。從理論角度對優(yōu)化目標中的信息約束進行分析,使用流模型替換變分自編碼器的先驗分布,實現(xiàn)更好的靜態(tài)信息提取。在2個典型任務上驗證了方法的對環(huán)境靜態(tài)信息的提取能力。再次,推導狀態(tài)預測過程與生成模型之間的關(guān)系,利用POMDP過程中的內(nèi)部約束,將狀態(tài)預測過程轉(zhuǎn)化為序列生成問題,并基于循環(huán)神經(jīng)網(wǎng)絡對狀態(tài)預測過程進行了實現(xiàn)。根據(jù)置信狀態(tài)變量的節(jié)點形式與軌跡優(yōu)化方式的不同提出了RAR、RVAR、RVAE三種模型。在2個典型任務上證明了其對環(huán)境動態(tài)信息的提取與預測能力。后,借鑒人類智能決策方式,提出了基于世界模型和演員-評論家框架的想象學習方法,利用學習到的世界模型來產(chǎn)生類人的、可解釋的智能決策。并在全部5種典型仿真任務中對算法進行整體驗證,實驗證明算法的有效性,并且相比其他強化學習方法可地提升了樣本利用率。
1057639 DFS60A-S4EA02000
1057640 AFM60B-THTA032768
1057642 DKV60-E2P02000
1057648 AFM60B-S4AA002048
1057672 DFS60B-TBCM01024
1057673 AFM60E-THTA004096
1057689 DFS60E-S1WA01024
1057690 DFS60E-BBEL01000
1057691 DFS60B-TJEL00050
1057692 DFS60E-BHUA01024
1057693 AFS60A-S1IB SALESKIT 01
1057717 DFS60B-TACC00500
1057718 AFS60A-S4IB SALESKIT 01
1057719 AFS60A-BDIB SALESKIT 01
1057720 AFS60A-BEIB SALESKIT 01
1057721 AFS60A-BHIB SALESKIT 01
1057722 AFM60A-S1IB SALESKIT 01
1057723 AFM60A-S4IB SALESKIT 01
1057724 AFM60A-BDIB SALESKIT 01
1057725 AFM60A-BEIB SALESKIT 01
1057726 AFM60A-BHIB SALESKIT 01
1057727 AFS60A-S1IB SALESKIT 03
1057728 AFS60A-S4IB SALESKIT 03
1057729 AFS60A-BDIB SALESKIT 03
1057730 AFS60A-BEIB SALESKIT 03
1057731 AFS60A-BHIB SALESKIT 03
1057732 AFM60A-S1IB SALESKIT 03
1057733 AFM60A-S4IB SALESKIT 03
1057734 AFM60A-BDIB SALESKIT 03
1057735 AFM60A-BEIB SALESKIT 03
1057736 AFM60A-BHIB SALESKIT 03
1057737 AFS60A-S1IB SALESKIT 02
1057738 AFS60A-S4IB SALESKIT 02
1057739 AFS60A-BDIB SALESKIT 02
1057740 AFS60A-BEIB SALESKIT 02
1057741 AFS60A-BHIB SALESKIT 02
1057742 AFM60A-S1IB SALESKIT 02
1057743 AFM60A-S4IB SALESKIT 02
1057744 AFM60A-BDIB SALESKIT 02
1057745 AFM60A-BEIB SALESKIT 02