【摘 要】
：
多路输出正激变换器结构简单,可靠性高,应用广泛,但是存在交叉调整率问题,为了从根本上改善多路输出正激变换器的交叉调整率问题,提出了一种目标平均电流控制策略.通过ARM-STM32(嵌入式单片机,Acorn RISC Machine-STMicroelectronics 32)采样各路输出端的实时电压和实时电流,得到实时负载,结合期望输出电压算出目标平均电流,根据目标平均电流和多路输出正激变换器的硬件参数计算出主路开关管和每一路副边整流开关管的导通时间,由程序自动控制各开关管的导通时间来实现各输出路的输出平
【机 构】
：
西安科技大学 通信与信息工程学院,西安 710054;西安恒为电气科技有限公司 ,西安 710100
论文部分内容阅读
多路输出正激变换器结构简单,可靠性高,应用广泛,但是存在交叉调整率问题,为了从根本上改善多路输出正激变换器的交叉调整率问题,提出了一种目标平均电流控制策略.通过ARM-STM32(嵌入式单片机,Acorn RISC Machine-STMicroelectronics 32)采样各路输出端的实时电压和实时电流,得到实时负载,结合期望输出电压算出目标平均电流,根据目标平均电流和多路输出正激变换器的硬件参数计算出主路开关管和每一路副边整流开关管的导通时间,由程序自动控制各开关管的导通时间来实现各输出路的输出平均电流等于目标平均电流.实验结果表明,采用输出平均电流控制的多路输出正激变换器具有小于1.6％的交叉调整率,由该策略控制的多路输出正激变换器不仅可以实现低交叉调整率,而且具有较高的电压精度.
其他文献
We performed dynamic Monte Carlo simulations of stress relaxation in parallel-aligned and uniaxially stretched bulk amorphous polymers at low temperatures.We observed an extra-slowing down in the early stage of stress relaxation,which causes nonlinear vis
用传统的梅尔倒谱系数作为特征进行车辆识别时,识别效果易受噪声干扰.为增强特征鲁棒性,提出一种加权的基频自适应梅尔倒谱系数特征提取算法.首先用能熵比法对车辆声音信号进行端点检测;然后提取车辆信号的基频,自适应构建三角滤波器组,提高滤波器对基频的感知敏感度;最后对基频自适应梅尔倒谱系数进行F比加权.实验结果表明,与传统梅尔倒谱系数相比,在识别车辆时,加权的基频自适应梅尔倒谱系数识别准确率提高7.10％,虚警率降低3.93％,漏警率降低7.10％.
针对从含噪原始信号中提取位置以及速度信息,经典跟踪微分器存在不能很好兼顾相位滞后和噪声放大问题、参数多,调试复杂等不足.在跟踪微分器等效线性分析基础上,提出复合形式跟踪微分器,用于电容式位移传感器位置信号跟踪以及速度信号估计,通过MATLAB\\SIMULINK仿真以及实验平台测试,结果表明:在跟踪频率1 Hz、幅值1含噪声正弦信号中,复合跟踪微分器能光滑逼近原始位置信号,且能有效进行速度估计,相较于经典跟踪微分器,复合跟踪微分器跟踪相位滞后小0.03 rad,能更好兼顾跟踪信号相位滞后及速度信号噪声
针对毫米波频段下有源巴伦输出端口间存在的幅度和相位失配问题,提出了一种新型幅度相位间接纠正技术.该技术利用共射共基结构将输入的幅度与相位误差进行平均分配和重组,同时将输入信号间的未知变量误差转化为内部纠正电路中的固有误差,从而实现对原误差的限制和间接纠正,继而产生一对新的理想差分输出信号.构建数学模型进行分析与推导,证实了该技术在理想情况下的可行性,并通过电路仿真对理论进行验证.仿真结果表明,该纠正电路3 dB带宽为96～113 GHz,峰值增益为12.7 dB.在105 GHz频率下,对于幅度误差为0～
We employed the extended self-consistent field theory to investigate the supramolecular self-assembly behaviors of asymmetric diblock copolymer blends (AB/B\'C) with hydrogen bonding interactions between shorter B and B\'blocks.The hydrogen bonding in
In consideration of various advantages such as less harm,higher sensitivity,and deeper imaging depth,etc.,AIE materials with long-wave emission are attracting extensive attention in the fields of vascular visualization,organelle imaging,cells tracker,fore
Fabric作为超级账本的核心项目,以其多通道的设计为用户提供更为隐私的交易空间,为了解决基于分布式架构下的多通道资源负载均衡问题,提出了基于NJ W谱聚类的区块链即服务(BaaS)负载均衡调度算法SC-channel.该算法将平台子节点的数量作为划分类簇数量的依据,首先,基于通道采用peer之间的Jaccard系数构造相似矩阵;其次,计算拉普拉斯矩阵,求取前k个特征值和特征向量并将特征向量单位化;最后,用基于数量加权的k-means算法完成聚类.在Kubernetes平台上对这种方法进行验证,并与采用经
由于采集环境及仪器性能的限制,采集的地震信号中含有较强的随机噪声,对后续的处理和解释带来很大困难.多尺度几何分析近年来受到关注,在Shearlet变换域中引入非局部均值(NLM,non-local mean algorithm)算法对地震信号进行去噪,该算法首先对地震信号进行非下采样Shearlet变换,对近似服从广义高斯分布的Shearlet系数进行主成分分析(PCA,principal component analysis),然后采用非局部均值处理Shearlet系数,最后对新的Shearlet系数进
交通流序列多为单步预测.为实现交通流序列的多步预测,提出一种基于编码器解码器(encoder-decoder,ED)框架的长短期记忆网络(long short-term memory,LSTM)模型,即ED LSTM模型.将自回归滑动平均、支持向量回归机、XGBOOST、循环神经网络、卷积神经网络、LSTM作为对照组进行实验验证.实验结果表明,当预测时间步长增加时,ED框架能够减缓模型性能的下降趋势,LSTM能够充分挖掘时间序列中的非线性关系.除此之外,在单变量输入的情况下,在PEMS-04数据集上,当预
网络入侵检测一直以来都是网络安全中亟待解决的关键任务之一,传统网络入侵检测方法主要通过提取多维特征,采用机器学习方法构建检测模型,大多忽略了入侵行为的时间相关性.通过提取网络入侵行为的时序特征,设计基于降维特征的多头自注意力机制Transformer网络模型,以解决传统串行化时序神经网络模型不易收敛且时间开销较大的问题,通过选取最优的损失函数和训练参数进行并行化训练,实现网络入侵行为检测.实验结果表明,基于Transformer网络模型的网络入侵检测方法在多个数据集上均获得了99％以上的精度和检出率.