排序方式: 共有44条查询结果,搜索用时 187 毫秒
1.
应用于光伏并网系统的中压绝缘大功率中频变压器(MFT)不仅要求其高低压侧绕组之间需要满足较大的绝缘间距,而且其内部也需要浇注隔热的绝缘材料。然而,这会导致MFT出现电磁干扰现象严重、散热困难等问题。针对这些问题,该文提出一种全面考虑铁心尺寸、绕组线径和绕组排布结构的MFT优化设计方法。该方法通过面积乘积(AP)法确定铁心体积,再通过自由变量扫描对MFT进行损耗最小化设计。基于有限元仿真软件,验证了该优化设计方法可使变压器漏电感减小及周围的电磁干扰区域缩小。最后,通过该优化设计方法设计一台200kW/30kHz的MFT,并制作了样机。通过理论和实验的对比,验证了优化设计方法的有效性和准确性。 相似文献
2.
3.
基于FANUC数控系统,利用设备上现有的探测工具,通过增加相应的NC程序,来实现缸盖厚度100%探测,从而防止缸盖厚度由于探针粘铝或者破损,导致缸盖厚度加工不合格所带来的大量工件报废。通过实践证明,该防错方法是有效的,极大地降低了成本。 相似文献
4.
5.
在大规模无监督语料上的BERT、XLNet等预训练语言模型,通常采用基于交叉熵损失函数的语言建模任务进行训练。模型的评价标准则采用困惑度或者模型在其他下游自然语言处理任务中的性能指标,存在损失函数和评测指标不匹配等问题。为解决这些问题,该文提出一种结合强化学习的对抗预训练语言模型RL-XLNet(Reinforcement Learning-XLNet)。RL-XLNet采用对抗训练方式训练一个生成器,基于上下文预测选定词,并训练一个判别器判断生成器预测的词是否正确。通过对抗网络生成器和判别器的相互促进作用,强化生成器对语义的理解,提高模型的学习能力。由于在文本生成过程中存在采样过程,导致最终的损失无法直接进行回传,故提出采用强化学习的方式对生成器进行训练。基于通用语言理解评估基准(GLUE Benchmark)和斯坦福问答任务(SQuAD 1.1)的实验,结果表明,与现有BERT、XLNet方法相比,RL-XLNet模型在多项任务中的性能上表现出较明显的优势: 在GLUE的六个任务中排名第1,一个任务排名第2,一个任务排名第3。在SQuAD 1.1任务中F1值排名第1。考虑到运算资源有限,基于小语料集的模型性能也达到了领域先进水平。 相似文献
7.
8.
9.
10.