【知识点总结】电机学——原理部分

VIP【知识点总结】电机学——原理部分
大家好,由于院校地区存在疫情没法返校,再结合当下形式,去各地旅游放松可能不是一个好的决定,o(╥﹏╥)o,期待已久的旅行就先放一边吧,但也不能闲着,既然无事,那不如继续我的总结,本次总结的内容是电机学,自九推以后我越来越明白电机学的重要性……呜呜呜~~实在太重要了,几乎所有与专业复试有关的题目都会涉及电机学,而它又比较抽象,容易使人浅尝辄止,只能理解一些表面的东西。为此自九推之后,我深刻领悟自身不足,决定对电机学发起依次猛攻,势必要将其彻底拿下,这这只是我的粗略总结,若有空闲,我将不断完善它。
开通可读全文 ·1.8w 人阅读
最低0.47元/天 解锁文章

电机学——原理部分

总结内容:
直流电机原理分析、分类、起动、调速、制动、电枢反应、电动势、可逆原理、各种特性曲线及分析。
变压器空载运行、负载运行、折算、参数测定、三相变压器、连接组别、并列运行条件及分析
异步电机原理分析、分类、起动、调速、制动、磁动势、旋转磁势、基本方程、工作特性
同步电机原理分析、分类、电枢反应、电动势、磁动势、基本方程、有功功率调节、无功功率调节、功角特性、V型曲线


提示:本文章是本人结合所学的课程进行总结所写,如果大家感兴趣,直接从目录里找需要的看。本文很长,切忌一口气读完

文章目录


前言

简介:

大家好,由于院校地区存在疫情没法返校,再结合当下形式,去各地旅游放松可能不是一个好的决定,o(╥﹏╥)o,期待已久的旅行就先放一边吧,但也不能闲着,既然无事,那不如继续我的总结,本次总结的内容是电机学,自九推以后我越来越明白电机学的重要性……呜呜呜~~实在太重要了,几乎所有与专业复试有关的题目都会涉及电机学,而它又比较抽象,容易使人浅尝辄止,只能理解一些表面的东西。为此自九推之后,我深刻领悟自身不足,决定对电机学发起依次猛攻,势必要将其彻底拿下,这这只是我的粗略总结,若有空闲,我将不断完善它。
本人学艺不精,有一些知识点地方可能存在瑕疵,希望各位大佬可以多多指教。


以下是本篇文章正文内容:

第一章——直流电机

一.直流电机的基本原理和结构

主要由定子、转子(电枢)两部分组成。
在这里插入图片描述
直流发电机运行时的几点结论:
(1)电枢线圈内电势、电流方向是交流电。
(2)电刷间为直流电势。线圈中感应电势与电流方向一致。
(3)从空间看, 电枢电流产生的磁场在空间上是恒定不变的磁场。
(4)产生的电磁转矩T与转子转向相反,是制动性质。
直流电动机运行时的几点结论:
(1)外施电压、电流是直流, 电枢线圈内电流是交流。
(2)线圈中感应电势与电流方向相反。
(3)线圈是旋转的,电枢电流是交变的。 电枢电流产生的磁场在空间上是恒定不变的。
(4)产生的电磁转矩 T 与转子转向相同,是驱动性质。
直流电机的可逆原理:同一台直流电机, 通过改变外界条件, 可为发电机状态, 也可为电动机状态。

二.直流电机电枢绕组

电枢绕组: 是直流电机的电路部分,亦是实现机电能量转换的枢纽。要求:在通过规定的电流和产生足够的电势和电磁转矩前提下,所消耗的有效材料最省, 强度高(机械、电气、热), 运转可靠,结构简单等。

1.有关电枢绕组名词、术语、基本知识

极轴线:磁极中心线
节距y、支路对数a、极对数p
几何中心线:磁极之间的平分线
元件:构成绕组的线圈称为绕组元件,分单匝和多匝两种。
元件的首末端:每一个元件均引出两根线与换向片相连,其中一根称为首端,另一根称为末端。
极距:相邻两个主磁极轴线沿电枢表面之间的距离,用 τ 表示。 τ = πD / 2p
叠绕组:指串联的两个元件总是后一个元件的端接部分紧叠在前一个元件端接部分,整个绕组成折叠式前进。
波绕组:指把相隔约为一对极距的同极性磁场下的相应元件串联起来,像波浪式的前进。
在这里插入图片描述

2.基本绕组形式

①单迭绕组:单: 首末端相联的两换向片相隔一个换向片的宽度。迭: 两个相临联接的元件, 后一元件的端部紧迭在前一元件的端部。y = yk = 1
特点:槽数Z 、元件数 S 和换向片数 K 三者相同。
在这里插入图片描述
绕电枢一周, 所有元件互相串联构成一闭合回路。
在这里插入图片描述
总结:
(1)元件的两个出线端连接于相邻两个换向片上。
(2)并联支路数等于磁极数, 2a = 2p。
(3)整个电枢绕组的闭合回路中,感应电动势的总和为零,绕组内部无换流。
(4)每条支路由不相同的电刷引出,电刷不能少,电刷数等于磁极数。
(5)正负电刷引出的电动势即为每一支路的电动势, 电枢电压等于支路电压。
(6)由正负电刷引出的电枢电流Ia为各支路电流之和, 即 Ia = 2aia
②单波绕组:波绕组:首末端所接的两换向片相隔很远, 两个元件紧相串联后形似波浪。
在这里插入图片描述
为了使紧相串联的元件所生的电势同向相加, 元件边应处于相同磁极极性下, 即合成节距y近似等于 2τ。除此之外,为了使绕组从某一换向片出发, 沿电枢铁心一周后回到原来出发点相邻的一片上, 则可由此再绕下去。
在这里插入图片描述
总结:
(1)同极性下各元件串联起来组成一条支路, 支路对数 a=1, 与磁极对数 p 无关。
(2)当元件的几何尺寸对称时, 电刷在换向器表面上的位置对准主磁极中心线, 支路电动势最大。
(3)电刷组数应等于极数(采用全额电刷)。
(4)电枢电流 Ia = 2ia
③二者的区别:
(1)单迭绕组:先串联所有上元件边在同一极下的元件, 形成一条支路。 每增加一对主极就增加一对支路。 2a = 2p。
迭绕组并联的支路数多, 每条支路中串联元件数少,适应于较大电流、较低电压的电机。
(2)单波绕组:把全部上元件边在相同极性下的元件相连,形成一条支路。 整个绕组只有一对支路, 极数的增减与支路数无关。 2a = 2。
波绕组并联的支路数少, 每条支路中串联元件数多, 适用于较高电压、较小电流的电机。

3.小结

(1)所有的直流电机的电枢绕组总是自成闭路。
(2)电枢绕组的支路数(2a)永远是成对出现,这是由于磁极数(2p)是一个偶数。
(3)为了得到最大的直流电势,电刷总是与位于几何中线上的导体相接触。

三.直流电机的电枢反应

电枢反应概念:直流电机工作中,主磁极产生主磁极磁动势,电枢电流产生电枢磁动势。电枢磁动势对主极磁动势的影响称为 电枢反应。
主磁通:磁力线由N极出来,经气隙、电枢齿部、电枢铁心的铁轭、电枢齿部、气隙进入S极,再经定子铁轭回到N极。
漏磁通:磁力线不进入电枢铁心,直接经过气隙、相邻磁极或定子铁轭形成闭合回路。
注:直流电机中,主磁通是主要的,它能在电枢绕组中感应电动势或产生电磁转矩,而漏磁通没有这个作用,它只是增加主磁极磁路的饱和程度。在数量上,漏磁通比主磁通小得多,大约是主磁通的20%。

1.直流电机的空载磁场

空载时,励磁磁动势主要消耗在气隙上。当忽略铁磁材料的磁阻时,主磁极下气隙磁通密度的分布就取决于气隙的大小和形状。
如右图 (a) 所示,磁极中心及附近的气隙小且均匀,磁通密度较大且基本为常数,靠近极尖处,气隙逐渐变大,磁通密度减小;极尖以外,气隙明显增大,磁通密度显著减少,在磁极之间的几何中性线处,气隙磁通密度为零。此外,空载时的气隙磁通密度为一平顶波,如下图(b) 所示。空载时主磁极磁通的分布情况,如右图© 所示。
在这里插入图片描述
为了感应电动势或产生电磁转矩,直流电机气隙中需要有一定量的每极磁通 φ0 ,空载时,气隙磁通 φ0 与空载磁动势 Ff0 或空载励磁电流 If0 的关系,称为直流电机的空载磁化特性。所以为了经济、合理地利用材料,一般直流电机额定运行时,额定磁通 φN 设定在图中A点,即在磁化特性曲线开始进入饱和区的位置。

2.直流电机负载时的负载磁场

直流电机带上负载后,电枢绕组中有电流,电枢电流产生的磁动势称为电枢磁动势。电枢磁动势的出现使电机的磁场发生变化。
假设励磁电流为零,只有电枢电流。下图为一台电刷放在几何中性线的两极直流电机的电枢磁场分布情况。由图可见电枢磁动势产生的气隙磁场在空间的分布情况,电枢磁动势为交轴磁动势。
在这里插入图片描述
如果认为直流电机电枢上有无穷多整距元件分布,则电枢磁动势在气隙圆周方向空间分布呈三角波,如图中 Fax 所示。由于主磁极下气隙长度基本不变,而两个主磁极之间,气隙长度增加得很快,致使电枢磁动势产生的气隙磁通密度为对称的马鞍型,如图中 Bax 所示。

3.直流电机负载时的电枢反应

当励磁绕组中有励磁电流,电机带上负载后,气隙中的磁场是励磁磁动势与电枢磁动势共同作用的结果。电枢磁场对气隙磁场的影响称为电枢反应。电枢反应与电刷的位置有关。如图
在这里插入图片描述
特点总结:
①畸变:使气隙磁场发生畸变,空载时电机的物理中性线与几何中性线重合。负载后由于电枢反应的影响,每一个磁极下,一半磁场被增强,一半被削弱,物理中性线偏离几何中性线 α 角,磁通密度的曲线与空载时不同。
②歪扭:很好理解,看图
③前去后助:前极靴去磁,后极靴助磁

四.直流电机的电枢电动势和电磁转矩

(1)电枢电动势 Ea
电枢旋转时,主磁场在电枢绕组中感应的电动势简称为电枢电动势。
大小:Ea = pNφn / 60a = Ceφn ——(p:极数,N:匝数,n:转速,a:支路对数,φ:气隙磁通)
可见,直流电机的感应电动势与电机结构、气隙磁通及转速有关。
发电机——电源电势(与电枢电流同方向)
电动机——反电势(与电枢电流反方向)
(2)电磁转矩 Tem
电枢绕组中有电枢电流流过时,在磁场内受电磁力的作用,该力与电枢铁心半径之积称为电磁转矩。
大小:Tem = pNφIa / 2πa = CTφIa ——(p:极数,N:匝数,Ia:电枢电流,a:支路对数,φ:气隙磁通)
可见,制造好的直流电机其电磁转矩与气隙磁通及电枢电流成正比。
发电机——制动(与转速方向相反)
电动机——驱动(与转速方向相同)。

五.直流发电机

1.直流发电机的励磁方式

供给励磁绕组电流的方式称为励磁方式。分为他励和自励两大类,自励方式又分并励、串励和复励三种方式。
①他励:直流电机的励磁电流由其它直流电源单独供给。他励直流发电机的电枢电流和负载电流相同,即:I = Ia
②并励:发电机的励磁绕组与电枢绕组并联。且满足 Ia = I + If
③串励:励磁绕组与电枢绕组串联。满足 Ia = I = If 。
在这里插入图片描述
在这里插入图片描述

2.直流发电机的基本方程

①电枢电动势和电动势平衡方程
电枢电动势:Ea = pNφn / 60a = Ceφn
在这里插入图片描述
②电磁转矩和转矩平衡方程
电磁转矩:Tem = pNφIa / 2πa = CTφIa
直流发电机轴上有三个转矩:原动机输入给发电机的驱动转矩T1、电磁转矩Tem和机械摩擦及铁损引起的空载转矩T0。平衡方程为:T1 = Tem + T0
③励磁特性公式
直流发电机的励磁电流:If = U / Rf
每极气隙磁通:φ = f (Ia,If )
④功率平衡方程
原动机输入给发电机的机械功率 P1
空载损耗 P0 包括:机械摩擦损耗 Pmec、铁损耗 PFe、附加损耗 Pad
电磁损耗 Pem = P1 - P0
输出的电功率 P2 = Pem - Pcua
Pcua:电枢回路绕组电阻、电刷与换向器表面接触电阻。
电磁功率一方面代表电动势为 Ea 的电源输出电流 Ia 时发出的电功率,一方面又代表转子旋转时克服电磁转矩所消耗的机械功率。
在这里插入图片描述

3.他励发电机的运行特性

①空载特性
在这里插入图片描述
②外特性
在这里插入图片描述
③调节特性
在这里插入图片描述

4.并励发电机的自励条件和外特性

并励的励磁是由发电机本身的端电压提供的,而端电压是在励磁电流作用下建立的,这一点与他励发电机不同。并励发电机建立电压的过程称为自励过程,满足建压的条件称为自励条件。
在这里插入图片描述
①自励条件
(1)电机的主磁路有剩磁
(2)并联在电枢绕组两端的励磁绕组极性要正确
(3)励磁回路的总电阻小于该转速下的临界电阻
②空载特性
并励发电机的空载特性与一般电机的空载特性一样,也是磁化曲线。由于励磁电压不能反向,所以它的空载特性曲线只在第一象限。
③外特性
并励发电机的外特性与他励发电机相似,也是一条下降曲线。
对并励发电机,除了像他励发电机存在的电枢反应去磁作用和电枢回路上的电阻压降使端电压下降外,还有第三个原因:由于上述两个原因使端电压下降,引起励磁电流减小,端电压进一步下降。
④调节特性
当n = 常数、U = 常数、If = f(I)时,由于调整特性是在端电压不变的前提下,因此并励发电机的调节特性与他励发电机的相差不大。

5.小结

(1)三个平衡式, 以及E > U的发电状态判据。
(2)发电机的励磁方式。
(3)不同励磁方式对工作特性的影响。
(4)并励发电机的自励条件与过程。

六.直流电动机

1.直流电机的可逆原理

把一台他励直流发电机并联于直流电网上运行,U 保持不变,减少原动机的输出功率,发电机的转速下降。当 n 下降到一定程度时,使得 Ea = U ,此时 I = 0 ,发电机输出的电功率 P2 = 0 ,原动机输入的机械功率仅仅用来补偿电机的空载损耗。继续降低原动机的 n ,将有 Ea < U , Ia 反向,这时电网向电机输入电功率,电机进入电动机状态运行。同理,上述的物理过程也可以反过来,电机从电动机状态转变到发电机状态。因此,一台电机既可作为发电机运行,又可作为电动机运行。

2.直流电动机的基本方程

在这里插入图片描述

3.直流电动机的工作特性

(1)他励(并励)直流电动机的工作特性
在这里插入图片描述
①转速特性:当 U = UN、I = IfN时,n = f(Ia),忽略电枢反应的去磁作用,转速与负载电流按线性关系变化。如图1所示。
②转矩特性:当 U = UN、I = IfN时,Tem = f(Ia) = CTφNIa ,考虑电枢反应的作用,转矩上升的速度比电流上升的慢。如图1所示。
③机械特性::当 U = UN、Rf = c时,n = f(Tem),因 Tem 前的系数很小,曲线为稍下降的直线。
④效率特性:当 U = UN、I = IfN时,η = f(Ia),空载损耗为不变损耗,不随负载电流变化,当负载电流较小时效率较低,输入功率大部分消耗在空载损耗上;负载电流增大,效率也增大,输入的功率大部分消耗在机械负载上;但当负载电流增大到一定程度时铜损快速增大此时效率又变小。

(2)串励直流电动机的工作特性
当负载电流较小时,电机磁路不饱和,每极气隙磁通与励磁电流呈线性关系。
在这里插入图片描述
当负载电流较大时,磁路饱和,串励电动机的工作特性与他励电动机相同。(转速随转矩的增加而急剧下降)

七.他励直流电动机的起动

电动机的起动是指电动机接通电源后,由静止状态加速到稳定运行状态的过程。(貌似考了)
起动瞬间,起动转矩和起动电流分别为 Tst = CTφIst 、Ist = UN / Ra ,起动时由于转速 n = 0,电枢电动势 Ea = 0 ,而且电枢电阻 Ra 很小,所以起动电流将达很大值。 过大的起动电流将引起电网电压下降、影响电网上其它用户的正常用电、使电动机的换向恶化;同时过大的冲击转矩会损坏电枢绕组和传动机构。一般直流电动机不允许直接起动。
为了限制起动电流,他励直流电动机通常采用电枢回路串电阻或降低电枢电压起动。
(1)电枢回路串电阻起动
通过改变斜率实现调速,但是存在弊端,将带来曲线变软的现象。
在这里插入图片描述
(2)降压起动
当直流电源电压可调时,可采用降压方法起动。
起动时,以较低的电源电压起动电动机,起动电流随电源电压的降低而正比减小。随着电动机转速的上升,反电动势逐渐增大,再逐渐提高电源电压,使起动电流和起动转矩保持在一定的数值上,保证按需要的加速度升速。 降压起动需专用电源,设备投资较大,但它起动平稳,起动过程能量损耗小,因此得到广泛应用。

八.他励直流电动机的制动

使电机转子产生一个与旋转方向相反的转矩,使电机尽快停转或由高速很快进入低速运行,即为制动。
在这里插入图片描述
(1)能耗制动
由于惯性,电枢保持原来方向继续旋转,电动势 Ea 方向不变。由 Ea 产生的电枢电流的方向与电动状态时的 Tem 方向相反,对应的电磁转矩 Tem 与 IaB 方向相反,为制动性质,电机处于制动状态。
制动运行时,电机靠生产机械的惯性力的拖动而发电,将生产机械储存的动能转换成电能,消耗在电阻上,直到电机停止转动。
注意: 能耗制动操作简单,但随着转速下降,电动势减小,制动电流和制动转矩也随着减小,制动效果变差。若为了尽快停转电机,可在转速下降到一定程度时,切除一部分制动电阻,增大制动转矩。
(2)反接制动
开关S投向“电动”侧时,电枢接正极电压,电机处于电动状态。进行制动时,开关投向“制动”侧,电枢回路串入制动电阻 RB 后,接上极性相反的电源电压,电枢回路内产生反向电流。反向的电枢电流产生反向的电磁转矩,从而产生很强的制动作用——电压反接制动。
(3)回馈制动(再生制动)
电动状态下运行的电动机,在某种条件下会出现 n > n0 情况,此时 Ea > U ,Tem 反向, 反向,由驱动变为制动。从能量方向看,电机处于发电状态——回馈制动状态。回馈制动时的机械特性方程与电动状态时相同。

九.他励直流电动机的调速

1.调速指标

在这里插入图片描述

2.调速方法

(1)电枢回路串电阻调速
在这里插入图片描述
结论:带恒转矩负载时,串电阻越大,转速越低。
优点:电枢串电阻调速设备简单,操作方便。
缺点:由于电阻只能分段调节,所以调速的平滑性差;低速时特性曲线斜率

VIP 【知识点总结】电机学——题目部分 原本这篇文章应该放在电机学——理论部分,但由于上一篇文章实在太长了,不得已只好新开了一个文章。 开通可读全文·8k 阅读·16 点赞·121 收藏 阅读全文

相关推荐

3、电机学基础原理与实例解析

本文围绕电机学中的安培环路定律和法拉第定律展开,详细介绍了其基础原理与实际应用。通过多个实例,如磁场计算、同轴电缆、环形磁线圈、导线束受力分析以及磁通量变化与感应电动势的关系,深入解析了电磁学的核心概念和计算方法。同时,还提供了流程图与总结表格,帮助读者更好地理解并应用这些定律解决实际问题。

red88的博客 86

上海电力学院电机学题库全解指南

电磁场理论是研究电荷、电流产生的电场和磁场以及它们之间相互作用的基础科学。麦克斯韦方程组是电磁场理论的核心,它将电场、磁场、电荷和电流之间的关系以数学形式统一描述。理解这些基本概念对于深入探讨电磁感应原理至关重要。通过以上讨论,我们深入理解了交流电机中异步电机和同步电机的工作原理与特性。异步电机以其实用性和成本效益而广泛应用于各种工业场景。而同步电机则以其高效率和可控性在特定领域发挥作用。在设计、运行和维护交流电机时,工程师必须考虑滑差、功率角和稳定性等多个关键因素。

weixin_35749796的博客 1243

广东工业大学电机学课程详细课件

电机学是研究电机的理论、设计、制造、测试、运行和应用的综合性技术科学。作为电气工程的重要分支之一,电机学对于现代工业和日常生活中各种形式的能量转换和电能应用至关重要。

weixin_36474001的博客 749

电机学课后答案这样用:从变压器到异步电机的刷题方法论

电机学是电气工程及其自动化专业的核心课程,变压器、异步电机等章节的等效电路与参数计算既是重点也是难点。理解磁路基本定律和等效电路原理,掌握空载试验、短路试验数据的归算与温度折算方法,是分析电机运行特性的关键。这类知识在电机设计、电力系统运行和工业设备维护中都有广泛应用。围绕牛维扬、李祖明版教材的课后答案,真正有效的做法不是照抄结果,而是将其作为校对与提示工具,通过“基础题扫盲—横向专题对比—限时模拟”的三轮刷题法,逐步建立起从电磁规律到工程计算的完整思路。掌握这些方法后,无论是期末备考还是考研专业课,都能更

weixin_32576389的博客 342

电机学第五版[(美)查普曼著]2012年

电机学的经典教材,涉及到电机原理,变压器,交流电机....

电机学教材

电机学教材,很经典。PDF版,很使用机电专业。

电机学知识点总汇(极力推荐).pdf

电机学知识点总汇(极力推荐).pdf

从HSPICE到Spectre:手把手教你搞定不同SPICE仿真器的网表转换(附避坑指南)

本文详细介绍了从HSPICE到Spectre的SPICE仿真器网表转换方法,包括核心语法差异、分步转换流程和常见问题排查。通过实战案例和避坑指南,帮助工程师高效解决不同SPICE仿真器间的兼容性问题,提升集成电路设计效率。

weixin_29745609的博客 362

使用Intel编译器编译OpenFOAM

本文总结了使用INTEL编译器编译OpenFOAM的过程

姜蜉蝣的博客 1539

使用兮克 2.5G 交换机将北京联通 EPON 改为 ODI 猫棒接入

最近入手了兮克2.5G交换机(兮克SKS1200-8GPY1XF),有 8 个 2.5G 电口和 1 个 10G SFP+ 光口;支持多种组网模式,其中一种是支持使用猫棒接入,由路由器拨号后再回接到交换机,这样就可以替换掉光猫了。

啦啦啦啦 la 1万+

【数据库】SQL Server 2008 R2 安装全流程详解与常见问题避坑指南

本文详细解析了SQL Server 2008 R2的完整安装流程与核心配置。从安装前的系统兼容性检查、.NET Framework依赖准备,到图文详解实例配置、混合身份验证模式设置等关键步骤,并提供了安装失败、服务无法启动等高频问题的排查与避坑指南,帮助用户顺利完成部署。

java5的博客 1234

uniapp实战:5分钟搞定PDA激光扫码功能(附完整代码)

本文详细介绍了在Uniapp应用中快速集成工业PDA激光扫码功能的实战方案。通过解析PDA硬件扫码与手机摄像头扫码的核心机制差异,提供了完整的广播监听封装类代码,并演示了在Vue页面中的集成使用方法,帮助开发者高效解决仓储、零售等行业的条码扫描需求。

weixin_29239661的博客 451

YOLOv8-Pose 姿态识别 RK3588 实战:从模型训练到 RKNN 部署,精度与推理速度双提升

本教程从YOLOv8-pose模型的姿态识别训练,到RK3588的边缘量化部署,为你打造了一套“高精度+高实时性+低成本”的人体姿态分析解决方案。无论是健身动作纠正、智能安防行为检测,还是工业人员姿态监控,这套技术都能直接复用——你只需替换数据集与业务逻辑,即可快速落地专属的边缘AI姿态识别系统。如果你在实践中遇到任何卡点,欢迎随时交流。记住,人体姿态识别的价值在于“关键点准、推理快、部署易”,而这三者的平衡,正是你通过本教程能掌握的核心能力。

FJN110的博客 353

基于深度学习DNN LSTM网络的光伏发电量预测 完整代码数据 可直接运行

基于深度学习DNN LSTM网络的光伏发电量预测 完整代码数据 可直接运行

2075

晶体管-二极管三极管MOS管选型参数总结

二极管三极管和MOS管,是电路中常用的控制电流电压的基本电子元器件。电路世界中晶体管的选型,需要考虑的参数多种多样,这些参数的选择会直接影响到电路的性能、稳定性、成本等多个方面。本文对二极管三极管和MOS管的选型参数进行详细介绍并总结。

fydar的博客 874

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

上一篇: 【知识点总结】电力电子技术——第二讲
下一篇: 【知识点总结】电机学——题目部分

双11狂欢大促

盲盒赢 定制羽绒服

开启惊喜盲盒,抽取你的专属好礼

— 惊喜奖品抢先看 —
NONO.97
博客等级 码龄6年 4425粉丝 16原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值