排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
针对煤矿井下复杂环境,为了提高其WPT(Wireless Power Transmission无线电能传输)功率并降低发射端线圈电压,改进了井下WPT发射端的线圈结构,并提出了适合井下WPT的传输模型。根据电路互感耦合理论,推导出WPT系统传输功率与传输效率的数学表达式,分别阐述了耦合系数、输入频率、负载大小对传输功率与传输效率的影响。设计过程中应用Or CAD与Matlab软件对传输系统各个影响因素进行仿真分析,在此基础上设计并制作了实验平台。实验分析得出此传输系统存在最佳功率传输距离和最佳效率传输距离,总体实验结果与理论仿真结果一致,最后通过与典型WPT系统做对比实验分析,得出改进WPT系统提高了传输功率,可为实际井下WPT提供理论参考。 相似文献
2.
向Ti—6A1—4V合金中加入不同量的氢并进行断裂韧性和常规拉伸试验。结果表明,氢含量小于490ppm时,对上述性能沒有很大的影响。尽管在氢含量高时确实会发生承载开裂,但在氢含量小于490ppm时,持续承载20小时却对断裂抗力无影响。尽管如此,在透射电镜的研究中仍发现,氢浓度超过225ppm时,在承载裂纹顶端的前缘发生应变诱发氢化物沉淀。 相似文献
3.
目前大多数图像标题生成模型都是由一个基于卷积神经网络(Convolutional Neural Network,CNN)的图像编码器和一个基于循环神经网络(Recurrent Neural Network,RNN)的标题解码器组成。其中图像编码器用于提取图像的视觉特征,标题解码器基于视觉特征通过注意力机制来生成标题。然而,使用基于注意力机制的RNN的问题在于,解码端虽然可以对图像特征和标题交互的部分进行注意力建模,但是却忽略了标题内部交互作用的自我注意。因此,针对图像标题生成任务,文中提出了一种能同时结合循环网络和自注意力网络优点的模型。该模型一方面能够通过自注意力模型在统一的注意力区域内同时捕获模态内和模态间的相互作用,另一方面又保持了循环网络固有的优点。在MSCOCO数据集上的实验结果表明,CIDEr值从1.135提高到了1.166,所提方法能够有效提升图像标题生成的性能。 相似文献
4.
5.
当前图像标题生成任务的主流方法是基于深层神经网络的方法,尤其是基于自注意力机制模型的方法。然而,传统的深层神经网络层次之间是线性堆叠的,这使得低层网络捕获的信息无法在高层网络中体现,从而没有得到充分的利用。提出基于残差密集网络的方法获取层次语义信息来生成高质量的图像标题。首先,为了能够充分利用网络的层次信息,以及提取深层网络中的各个层的局部特征,提出LayerRDense在层与层之间进行残差密集连接。其次,提出SubRDense,在Decoder端的每层网络中的子层中运用残差密集网络,以更好地融合图像特征和图像的描述信息。在MSCOCO 2014数据集上的实验结果表明,所提出的LayerRDense和SubRDense网络均能进一步提高图像标题生成的性能。 相似文献
1