航空电子器件电感温升测试分析

本文设计了一种测试方法,用于实时感知航空电子器件电感在运行中的温升,即。采用接触式进行电感温升数据采样;将样本数据进行同比例放大,对采集数据进行统一滤波处理,排除外界干扰条件;引进传热定理,设计电感的热传导控制方程,输出电感温升测试结果。测试结果证明,该方法得到的温度测试结果与直接接触式温度检测仪检测结果之间的差值在±0.1℃范围内。随着电感运行时间的增加,测试温升值逐步增加,两者之间存在正比关系。

级联式DC/DC变换器稳定性测试分析

为提高变换器在运行中的稳定性,针对级联式DC/DC变换器的稳定性展开测试研究。根据级联式DC/DC变换器的运行特性,搭建测试环境并进行相关设备准备。参照变换器在运行中的控制方式,将最大功率点跟踪(Maximum Power Point Tracking,MPPT)作为转换过程的控制核心,进行级联式DC/DC变换器拓扑建模;在确保注入信号为恒幅变频正弦信号的同时,保证注入信号在变换器运行中不受到外界环境的干扰与影响出现衰减效应,以此为依据选择注入点;通过建立变换器开回路稳定传递函数的方式,推导转换器在不同状态下的运行工况。总结测试结果,证明注入电压会对变换器运行频率造成瞬时增加或瞬时减少的影响,输入功率会增加变换器输出阻抗,从而造成变压器失稳。

基于网络拓扑与节点元数据的社团检测算法

传统社团检测算法利用网络拓扑挖掘社团结构,忽略了真实复杂网络中节点自身属性等信息在社团归属方面的重要作用。为此,提出基于网络拓扑与节点元数据的复杂网络社团检测算法。将高维的节点元数据建模为混合高斯模型,结合随机块模型建立似然概率模型,通过求解模型最优解得到网络的最优划分结果。在基准网络与Facebook网络上的实验结果表明,该算法不仅能准确挖掘网络中的社团结构,而且可结合真实社团情况给出合理解释。

融合知识迁移学习的微博社团检测模型构建

传统社团检测算法大多基于网络拓扑结构,没有充分利用网络节点的标签等信息,所以无法合理地解释得到的社团结构。微博、Facebook、Twitter等社交媒体网络增长迅速,用户标签通常不完整,应用传统机器学习模型补全标签通常需要大量训练样本,这种模式需要人工标注训练数据,时间周期长、泛化能力差。将迁移学习理论应用到这类任务中,可以避免人工标注损耗、缩短训练时间,所以针对新浪微博数据特点,提出一种融合知识迁移学习的微博社团结构检测模型(community structure inference model with knowledge transfer learning,KTL-CSIM)。社团结构检测模型基于度数相关的随机块模型,建立基于拓扑结构与节点信息的似然概率模型。文本向量化模型基于知识迁移模型将源领域知识迁移到目标领域微博数据上,得到目标领域文本向量。这种方法不需要人工标注数据,有效减少了模型训练时间,提高了泛化能力。