纳秒脉冲激光加工高反射率铝膜

为了研究基于近红外纳秒脉冲激光的高反射率金属薄膜的加工可行性以及加工效果, 采用纳秒脉冲激光对高反射率铝膜进行激光加工, 分别测量了在不同激光光斑尺寸和不同激光能量的条件下, 铝膜表面所发生的烧蚀形态变化。结果表明, 即使铝膜表面反射率高达96%, 依然能对铝膜进行激光加工; 使用较高功率激光对铝膜表面进行离焦加工(能量密度约小于1000J/mm2)的烧蚀图样比使用较低功率激光对铝膜表面进行对焦加工(能量密度约大于2000J/mm2)的烧蚀图样更加规则。相关实验结果对激光加工高反射率材料时激光参量的选择可起到一定的指导作用。     

Diodes沟槽型超级势垒整流器提高下一代充电器效率

Diodes推出全新两款采用了旗下专利沟槽型超级势垒整流(Trench SBR)技术的器件SBRT15U50SP5及SBRT20U50SLP,能够实现下一代电池充电器对效率和温度的严格要求。两款全新沟槽型超级势垒整流器具有超低正向电压、低漏电流,并以较低的温度工作,有效满足充电器输出整流二极管的要求,从而易于处理36 k Hz断续模式充电器设计的较短电流脉冲。Diodes推出的两款器件包括适合10W智能手机充电器的15 A SBRT15U50SP5,以及为12.5 W平板电脑充电器而设的     

基于SCAE⁃ACGAN的直升机行星齿轮裂纹故障诊断

直升机行星传动轮系结构复杂、工况多变,其振动信号受工况影响大,在故障样本较少的情况下导致行星齿轮箱故障诊断准确率不高,早期故障诊断困难。针对上述问题,提出将堆栈收缩自动编码网络(stacked contractive autoencoder,简称SCAE)与辅助分类生成式对抗网络(auxiliary classifier generative adversarial networks,简称ACGAN)相结合的SCAE-ACGAN故障诊断方法。ACGAN的生成器产生与真实样本具有类似分布的生成样本,扩展训练样本集,并与真实样本一起输入至判别器进行训练。ACGAN采用SCAE作为判别器,利用SCAE良好的抗数据波动能力,从扩展样本集中挖掘出有效的深度特征,并实现样本的真伪与类别的判定。ACGAN的判别器和生成器在对抗学习训练机制下交替优化,提高方法的样本生成质量与故障判定能力。将SCAE-ACGAN应用于直升机行星轮裂纹故障诊断,结果表明,SCAE-ACGAN的故障诊断性能好,在样本数量少与工况变化情况下具有较好的健壮性和适应性。     

基于Gabor融合特征与深度自动编码器的笑脸识别方法

Gabor特征的人脸表情识别具有良好的识别性能,但同样存在特征维数大的缺点,该文提出用Gabor融合特征的方法来进行降维以解决维数大的缺点。深度自动编码器具有对人脸自学习的能力,能精确提取有用的信息,也有非线性降维的作用。考虑到Gabor融合特征降维幅度不大,便加入自动编码器进行二次降维,将经过二次降维的特征输入深度自动编码器进行笑脸识别。该文在实验过程中采用两个数据库(公开的GENKI数据库,实验采集的数据库)进行实验。实验结果表明经过Gabor融合特征的实部作为深度自动编码器的输入的识别率比传统方法和未经降维Gabor特征识别率高。     

仪器仪表产品脉冲耐压试验要求和保护器件的选择

仪器仪表产品的脉冲耐压试验是产品型式试验、例行试验中的基本内容。通过对GB4793.1标准的整理,归纳了仪器仪表产品的脉冲耐压试验要求。通过对试验方法和设备特性的梳理,总结了特性参数,并介绍了应对脉冲耐压试验可采取的保护器件的类别及选用方法。     

基于门控联合池化自编码器的通用性文本表征

为了学习文本的语义表征,以往的研究者主要依赖于复杂的循环神经网络(recurrent neural networks, RNNs)和监督式学习方法。该文提出了一种门控联合池化自编码器(gated mean-max AAE)用于学习中英文的文本语义表征。该文的自编码器完全通过多头自注意力机制(multi-head self-attention mechanism)来构建编码器和解码器网络。在编码阶段,提出了均值—最大化(mean-max)联合表征策略,即同时运用平均池化(mean pooling)和最大池化(max pooling)操作来捕获输入文本中多样性的语义信息。为促使联合池化表征可以全面地指导重构过程,解码器采用门控操作进行动态关注。通过在大规模中英文未标注语料上训练模型,获得了高质量的句子编码器。在重构文本段落的实验中,该文模型在实验效果和计算效率上均超越了传统的RNNs模型。将公开训练好的文本编码器,使其可以方便地运用于后续的研究。