排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
本文介绍的立体声耳机功率放大器电路如图1所示。这种采用桥接负载(BTL)方式的对耦立体声音频功率放大器电路,使用了美国国家半导体公司第三代Boomer芯片LM4867MT或LM4867MTE,因而同时可以驱动单端连接(SE)的立体声耳机。 LM4867MT/MTE对于4Ω的负载,可分别输出2W的功率。对于图1所示的功率放大器电路,每个BTL扬声器阻抗均为8Ω,输出功率P_O为1W,总谐波失真THD=1%,频 相似文献
2.
针对单端行波故障测距第二个行波波头性质辨识问题,提出一种将小波模极大值方法和神经网络算法相结合的测距方法。采集故障波头时间差和极性等信息作为样本,利用神经网络的非线性拟合能力对样本进行训练、测试,从而建立相应的故障测距神经网络模型。将故障信息代入神经网络模型得到初步测距结果,根据初测结果和波头极性、时间差等性质的关系,对第二个行波波头进行正确辨识,从而得到优化的测距结果。经Matlab/Simulink仿真验证,该方法有较高的可靠性和精确性。 相似文献
3.
TV、VCR等家用电器在待机状态下的耗电日积月累,不容忽视。飞利浦公司推出的TEA1501控制器是一个绿色电源控制IC,适合于设计备用电源和低功率电源,它的AC输入电压范围可从90V到276V,关断状态下电流仅为40μA,输出功率可达3W。本文介绍了TEA1501的结构,主要性能,特征及其应用。 相似文献
4.
5.
6.
针对风电场功率不稳定特性引起风电功率预测精度不高的问题,提出1种基于EEMD-PSO-ELM的超短期风电功率预测方法。首先,采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)将风电功率序列分解为若干个模态,从而避免了模态混叠;其次,利用相空间重构对分解得到的模态计算Hurst指数,并依据Hurst指数得到最优子序列;最后,采用粒子群算法(particle swarm optimization,PSO)-极限学习机(extreme learning machine,ELM)模型对最优子序列风电功率进行预测。以某风电场为例,采用预测模型进行分析,实验结果表明EEMD-PSO-ELM预测模型的风电功率预测精度更高。 相似文献
1