排序方式: 共有24条查询结果,搜索用时 15 毫秒
1.
2.
电流平衡原理的新型时分割乘法器 总被引:3,自引:2,他引:1
这种新型时分割乘法器克服了电压输入型时分割乘法器存在的尖峰效应及由于使用较多运放所引起的零漂问题,具有电路简单、精度高和性能稳定的良好性能。文章介绍了其原理,分析了误差,给出了一个简化电路。 相似文献
4.
时分割乘法器输出电压的分析 总被引:3,自引:1,他引:2
本文从实际乘法器电路出发导出输出电压的表示式,分析了影响满度稳定的因素,提出了在交流运用条件下的电路简化及使用直流作满度调整的问题。 相似文献
5.
本文详细地介绍改进后V—F变换电路的工作原理及调试中应注意之点。此变换电路能达到优于0.02%(正通道)和0.05%(员通道)的稳定性,分辨率可达100μV,在±60000字内(相当于±6V)的线性度优于0.002%。 相似文献
6.
针对传统K-means算法对初始中心十分敏感,聚类结果不稳定问题,提出了一种改进K-means聚类算法。该算法首先计算样本间的距离,根据样本距离找出距离最近的两点形成集合,根据点与集合的计算公式找出其他所有离集合最近的点,直到集合内数据数目大于或等于[α]([α]为样本集数据点数目与聚类的簇类数目的比值),再把该集合从样本集中删除,重复以上步骤得到K(K为簇类数目)个集合,计算每个集合的均值作为初始中心,并根据K-means算法得到最终的聚类结果。在Wine、Hayes-Roth、Iris、Tae、Heart-stalog、Ionosphere、Haberman数据集中,改进算法比传统K-means、K-means++算法的聚类结果更稳定;在Wine、Iris、Tae数据集中,比最小方差优化初始聚类中心的K-means算法聚类准确率更高,且在7组数据集中改进算法得到的轮廓系数和F1值最大。对于密度差异较大数据集,聚类结果比传统K-means、K-means++算法更稳定,更准确,且比最小方差优化初始聚类中心的K-means算法更高效。 相似文献
7.
8.
9.
本文介绍应用Z80 CPU、CTC等微机芯片设计、组装的新型仪表,能在30.52~99.99Hz的频率范围内测频。它实际上是测量周期,按所测出的周期求倒数而算出频率,具有超出测频范围不显示和在电网工频越限时发声报警及输出供打印的ASCII码的功能。 相似文献
10.