电子线路课程教学的整体优化研究

根据电子线路课程的特点,结合多年电子线路的教学经验,从培养动手型和创新型人才的角度出发,本文提出了对电子线路教学进行整体优化的一些方法。将电子线路课程的整个教学环节进行整体优化,特别是对教学过程中的实验环节提出了具体的优化措施。提出了多媒体教学的优缺点和传统教学方式相结合的必要性。要求学生掌握基础知识的同时,重点培养他们的分析能力、综合应用能力、设计能力和创新意识。     

均衡化特征匹配的非刚体细胞形态跟踪

提出利用均衡化特征匹配来进行非刚性细胞形体跟踪的方法。采用重启动的随机游走方法建立并求解特征匹配概率模型,利用双向均衡方法对匹配邻接矩阵进行均衡化处理,得到指定目标与待跟踪目标之间的精确匹配,以获得目标的定位跟踪结果。同时利用特征匹配结果进行目标的自动标定,并应用图像分割方法进行目标的精确轮廓跟踪。实验结果表明,将该方法应用于视频中动态背景下的运动细胞形态跟踪时,在背景相似度较高及目标迅速移动的条件下,表现出了良好的性能,与同类方法相比可获得较高的定位精度以及更为准确的目标轮廓。     

基于Multisim的稳压电路的仿真分析

介绍使用7805设计了+5V稳压电路,使用LM317设计了可调稳压电源,可调范围为2.5V-7.5V,并对一些常用的参数进行了计算,同时给出Multisim仿真电路图。同时通过Multisim对整流电路,滤波电路和稳压电路的进行了仿真分析。利用虚拟软件可以设计出满足不同要求的电源分配系统,同时也可以对大多数模拟电路有很好的设计辅助作用。     

分数阶Chen混沌系统同步及Multisim电路仿真

本文针对参数已知和未知的分数阶Chen混沌系统,研究其同步控制问题。利用分数阶系统稳定性理论,设计并实现了系统的反馈控制器;同时运用Multisim软件设计实现了分数阶系统同步的混沌电路,验证了所提出同步方法的有效性和可实现性。     

中职学校提高《数字电路》课程教学质量的探讨

《数字电路》是中职电类专业的一门专业基础课程。结合目前中职学校教学现状中存在的问题,如何让学生把这门课学好,笔者从精选教材、课堂导入、教学手段、考核评价等方面进行了探讨。指出了只有充分激发起学生的学习兴趣和学习积极性,才是提高教学质量的关键。     

基于高频暂态稀疏测量的复杂直流配电网故障定位

为了解决直流配电网中高速通信测量点不足、故障特征复杂等导致的故障定位精度差的问题,提出了一种适用于复杂直流配电网的新型直流极间短路故障定位算法。首先,根据高频瞬态电流环路,构建含有电平转换器和DC/DC转换器的高频阻抗等效模型为故障过程提供稳定的阻抗值。其次,利用BCS理论推导与稀疏测量点相对应的节点高频暂态电压方程。最后,结合节点高频瞬态电压方程和贝叶斯压缩感知理论,求解节点高频瞬态电流稀疏矢量实现故障定位。实验结果表明:所提算法对测量点的数量要求较低,不需要严格同步地测量数据,且不受转换器的控制策略和过渡电阻影响,具有较高的故障定位准确性。     

短开路耦合谐振器加载的宽带带通滤波电路

提出了一种基于短开路耦合器加载的宽带带通滤波电路. 该滤波电路通过在输入和输出端口之间,并连加载短路耦合微带谐振器和开路耦合微带谐振器实现5个传输极点和3个传输零点的带通选择特性. 对所提出的短开路耦合谐振器进行了奇偶模理论分析,揭示了其传输零极点形成的物理机理. 最后,对所提出的滤波电路进行了加工测试. 测试结果表明,所提出的宽带滤波电路能够在2.0～4.2 GHz频率范围内实现 3 dB 带通传输,工作相对带宽为73%,仿真和实测结果吻合较好.     

基于演化算法的奇偶校验器自动设计*

基于演化算法技术,提出一种新的设计思想,实现奇偶校验器的电路自动设计.实验证明,多目标演化算法具有较少的运算量和较高的效率,能自动设计出使用逻辑门数更少、延时更小的奇偶校验器.     

基于Buck电路的BLDCM调速系统设计

为了获得转速平稳、调节快速的无刷直流电机(BLDCM)输出,对BLDCM控制和驱动系统进行了设计。分析了BLDCM的运行原理和转矩波动原因,并采用Buck电路直接驱动解决了转矩波动的问题。针对传统PID调速慢、精度低以及参数调节困难等问题,采用了BP神经网络对PID进行参数调节。在MATLAB/Simulink仿真平台上搭建了系统的各个模块并进行仿真。结果表明,所设计的系统调节速度快,控制过程中超调小,转速平稳,转矩波动减小。     

一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法

由于同步电机故障样本数量较少,为解决同步电机故障诊断中普遍存在的样本不平衡问题,提出了一种基于条件生成式对抗网络(CGAN)和卷积神经网络(CNN)的同步电机转子绕组匝间短路故障诊断方法.首先,对传感器收集到的数据进行预处理,对正常样本和故障样本分别添加标签后输入CGAN中生成大量新样本,将生成的新样本与原始样本混合并划分训练集和测试集;然后,利用CNN训练平衡后的数据集,充分、精准地提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过实验证明,与非平衡数据集相比,利用平衡数据集后的故障识别准确率十分稳定且达到99.5％以上,同时与平衡的原始样本数据相比,生成样本避免了噪声和其他干扰,故障诊断的准确率也更高.