XiaoMi-AI文件搜索系统
World File Search System输出端
MAVOWATT 50 能源和电力扰动分析仪
MAVOWATT 50 能量和功率扰动分析仪可测量直流系统以及带任何负载的单相和三相交流系统中的电量。宽带 8 通道测量频率高达 40 kHz，涵盖从 16.7 Hz 的铁路电力到 50 或 60 Hz 的主电源，直至高达 1 kHz 的车载电气系统。得益于可额外激活的滤波器，还可在变频器的输出端进行测量。除了“通常”测量的电压、电流、频率、功率和能量等量之外，该仪器还可确定和记录根据 EN50160 评估电能质量所需的所有量，例如谐波失真、谐波和次谐波，以及闪烁强度和电压不平衡。可以以 10 ms 的时间分辨率采集电源干扰，例如电压骤降、中断和暂时或瞬时过压（持续时间为 10 µs），并记录其特征值。可以同时连续记录多达 1000 个测量值，这些测量值可从任何测量功能中选择，间隔范围从 0.2 秒到 2 小时。内部非易失性数据存储器可以通过插入式数据存储介质以几乎无限的方式进行扩展。测量或保存的数据和评估可以在仪器上以各种数字和图形视图显示
多通道神经记录植入物：综述
摘要：近年来，神经科学研究和相关成果的不断进展以及制造工艺的进步增加了对神经接口系统的需求。脑机接口 (BMI) 已被证明是一种很有前途的诊断和治疗神经系统疾病以及恢复感觉和运动功能的方法。神经记录植入物作为 BMI 的一部分，能够捕获脑信号，并通过发射器将其放大、数字化并传输到体外。设计此类植入物的主要挑战是最大限度地降低功耗和硅片面积。本文对多通道神经记录植入物进行了调查。在介绍各种神经信号特征后，我们研究了主要的可用神经记录电路和系统架构。探索了可用架构的基本模块，例如神经放大器、模数转换器 (ADC) 和压缩块。我们介绍了神经放大器的各种拓扑结构，进行了比较，并探讨了它们的设计挑战。为了在神经放大器的输出端实现相对较高的 SNR，我们讨论了降噪技术。此外，为了将神经信号传输到体外，需要使用数据转换器对其进行数字化，然后在大多数情况下，会应用数据压缩来降低功耗。我们介绍了各种专用 ADC 结构，并概述了主要的数据压缩方法。
AN1306：避免轨对轨 CMOS 放大器不稳定
电感器是一种具有频率相关阻抗特性的电气元件；电感器在低频时表现出低阻抗，在高频时表现出高阻抗。虽然“理想”运算放大器输出阻抗特性为零，但“实际”放大器的输出阻抗是电感性的，并且像电感器一样随着频率的增加而增加。EL5157 的输出阻抗如图 2 所示。使用运算放大器的应用中的一个常见挑战是驱动电容负载。之所以有挑战性，是因为运算放大器的电感输出与电容负载一起形成 LC 谐振槽拓扑，其中电容负载电抗与电感驱动阻抗一起导致当反馈围绕环路闭合时产生额外的相位滞后。降低相位裕度会导致放大器振荡的可能性。振荡时，放大器会变得非常热，并且可能会自毁。针对这一挑战，有几个非常著名的解决方案。1) 最简单的解决方案是在输出端串联一个电阻，以强制反馈来自放大器的直接输出，同时隔离无功负载。这种方法的代价是牺牲负载上少量的输出电压摆幅。2) 另一个直接的解决方案是应用“缓冲网络”。缓冲网络是一个与电容负载并联的电阻和电容，在负载上提供电阻阻抗以减少输出相移；提供额外的稳定性。
具有全集成射频片上系统的超导量子处理器的测量和控制
我们描述了一个名为 Presto 的数字微波平台，该平台专为测量和控制多个量子比特 (qubit) 而设计，基于第三代射频片上系统。Presto 使用直接数字合成在 16 个同步输出端口上创建高达 9 GHz 的信号，同时同步分析 16 个输入端口上的响应。Presto 具有 16 个 DC 偏置输出、四个输入和四个输出（用于数字触发器或标记）以及两个连续波输出（用于合成高达 15 GHz 的频率）。通过多个 Presto 单元的确定性同步，可以扩展到大量量子比特。Python 应用程序编程接口配置固件以合成和分析脉冲，由事件序列器协调。分析集成了模板匹配（匹配过滤）和低延迟（184-254 ns）反馈，以实现广泛的多量子比特实验。我们通过对由两个通过通量可调耦合器连接的超导量子比特组成的样本进行实验，展示了 Presto 的功能。我们展示了单个量子位的单次读出和主动重置；单量子位门的随机基准测试显示保真度达到 99.972%，受量子位相干时间的限制；以及双量子位 iSWAP 门的校准。
TM1934-规格表下载.pdf
低功耗CMOS工艺 OUT输出口耐压24V VDD内置5V稳压管，串联电阻后支持6-24V电压 15mA固定恒流输出 PWM亮度控制电路，256级亮度控制 精确的电流输出值 最大误差（通道间）：±3% 最大误差（芯片间）：±5% 单线串行级联接口 单线两通道串行级联接口：芯片数据接口可以通过命令配置DI或者FDI引脚输入，正常模式下输入接口互相切换，DI工作模式下DI引脚输入数据，FDI工作模式下FDI引脚输入数据，D0引脚转发级联数据，该信号不会因为某一芯片的异常而影响其它芯片的正常工作 振荡方式：内置RC振荡，根据数据线上的信号进行时钟同步，在接收到当前单元的数据后自动重新生成后续数据并通过数据输出端送到下一级，信号不随级联距离的增大而失真或衰减 内置上电复位电路，上电复位后所有寄存器均清零初始化 数据传输速率800KHz 封装方式：SOP8和SOT23-8
基于MOSFET的吸收剂，用于5G大型MIMO基站的反射信号 - 电路透视
摘要 - 损耗的传播对基站子系统的整体性能和效率具有负面影响。与4G技术相比，5G技术的一个关键特征提高了效率。5G巨大的MIMO基站结构可能会遭受这些损失，这会影响基本变电站的包容性能和效率。此外，在5G技术中，由于接收器（R X）分支的信号反映了与5G Mimo基站的循环器相连的信号。这种反射损失是由于R X分支的不匹配的负载阻抗和发射机（T X）分支的源阻抗。这项研究的主要目的是使用MOSFET吸收T X和R X之间阻抗不匹配而导致的反射信号。之后，每当基本站的R X分支反射时，就可以通过数学上的MOSFET的源电流和排水电流进行了两个比较。此外，通过将T X分支，天线，R X分支和MOSFET连接到四端口循环器的每个端口，提出了提出的电路模型。在1.4 V峰值处的13 dbm的反射RF功率纠正到其等效的直流值1.004 V。然而，使用LC滤波器，这些电流和电压的这些值在整流器的输出端进行脉动和过滤。索引术语 - 基线站，循环器，MOSFET，收发器，微波设备，纳米技术，5G，VLSI
激光器如何利用光声和光电现象将信号注入 MEMS 麦克风
可以使用调幅激光在 MEMS 麦克风的输出端生成虚假但相干的声学信号。虽然这种漏洞会对信任这些麦克风的网络物理系统的安全性产生影响，但这种影响的物理解释仍然是个谜。如果不了解导致这种信号注入的物理现象，就很难设计出有效可靠的防御措施。在这项工作中，我们展示了热弹弯曲、热扩散和光电流产生机制在多大程度上被用于将信号注入 MEMS 麦克风。我们为每种机制都提供了模型，开发了一种程序来经验性地确定它们的相对贡献，并强调了对八种商用 MEMS 麦克风的影响。我们通过使用几种激光波长和一个真空室的精确设置来隔离每种机制来实现这一点。结果表明，麦克风上的注入信号取决于入射光的波长，其中长波长（例如 904 nm 红外激光）利用 ASIC 上的光电效应，而短波长（例如 450 nm 蓝色激光）利用振膜和周围空气上的光声效应。根据这一理解，我们为未来的抗激光麦克风设计提出了建议，包括改进球顶应用、减少 MEMS 结构内的材料不对称性，以及添加简单的光或温度传感器以进行注入检测。基于根本的因果关系，我们还指出了具有与 MEMS 麦克风相似特性的其他传感器中可能存在的漏洞，例如传统麦克风、超声波传感器和惯性传感器。
使用深度卷积神经网络和全局平均池化对脑 MRI 图像中的肿瘤进行分类
摘要：如果检测不准确，脑肿瘤会引起严重的健康并发症并导致死亡。因此，早期检测脑肿瘤并准确分类脑肿瘤类型在诊断中起着重要作用。最近，基于深度卷积神经网络 (DCNN) 的方法使用脑磁共振成像 (MRI) 图像在检测和分类任务中表现出色。然而，DCNN 架构的准确性取决于数据样本的训练，因为它需要更精确的数据才能获得更好的输出。因此，我们提出了一种基于迁移学习的 DCNN 框架来对脑肿瘤进行分类，例如脑膜瘤、神经胶质瘤和垂体瘤。我们使用预先训练的 DCNN 架构 VGGNet，该架构之前已在大型数据集上进行训练，并用于将其学习参数迁移到目标数据集。此外，我们还采用了迁移学习方面，例如微调卷积网络并冻结卷积网络的各层以获得更好的性能。此外，此方法在输出端使用全局平均池化 (GAP) 层来避免过度拟合问题和梯度消失问题。在 Figshare 数据集上对所提出的架构进行了评估，并与基于深度学习的竞争性脑肿瘤分类方法进行了比较。我们提出的方法产生了 98.93% 的测试准确率，并且优于当代基于学习的方法。
量子信道的密集编码容量
密集编码，也称为超密集编码，是量子纠缠如何推动信息和通信技术的首批示例之一 [1]。量子纠缠目前被公认为量子通信和信息处理的重要资源 [2-5]，它描述了经典领域之外的相关性，是实现许多方法的核心，包括量子隐形传态[6，7]、量子密码学[8-10]、玻色子采样[11，12]和随机电路采样[13，14]。密集编码协议允许双方在共享纠缠的帮助下传输在量子系统上编码的经典信息。通过使用二分纠缠态，可以在 ad 维系统中编码 2 log 2 d 比特的经典信息，从而克服了无辅助经典容量的上限 log 2 d。在理想条件下，密集编码方案利用 Alice 和 Bob 之间的无噪声量子信道。通过此量子信道，Alice 将二分纠缠态 σ AB 的部分 B 发送给 Bob。Bob 收到系统 B 后，系统 B 以概率 P x 服从泡利算子 U x 。通过无噪声量子信道的第二次使用，将编码系统发送回 Alice。在输出端，Alice 对 A 和 B 实施联合量子测量以检索经典信息。在这种情况下，容量 C ( σ AB ) 为 [ 15 , 16 ]
使用 Steane 代码缓解退相干引起的量子比特误差和量子门误差
I. 引言 容错量子纠错码 (QECC) 按照定义能够避免错误传播。更明确地，[ n, k, d ] 最大-最小距离 QECC 将 k 个逻辑量子比特编码为 n 个物理量子比特，最小距离为 d，因此它能够纠正 t = [ d − 1 / 2] 个单独的物理量子比特错误。我们的设计目标是确保尽管使用了现实的不完美量子门，错误的扩散不会导致超出容错 QECC 的纠错能力。更正式地讲，如果单个组件以概率 p 发生故障，导致电路块输出端出现少于 t = ( d − 1) / 2 个单独的量子比特错误，则受 [ n, k, d ] QECC 保护的量子电路具有容错能力 [1]。在这个理想假设下，单个门引入的物理量子比特错误不会升级为无法纠正的错误数量，前提是考虑 [ n, k, d ] QECC。但是，如果单个门错误耗尽了 [ n, k, d ] 代码的纠错能力，遇到第二个门错误将导致错误扩散。我们假设单个门错误的概率为 p 。因此，两个同时发生的门错误的概率为 O ( p 2 ) ，前提是错误事件彼此独立，而 p ≪ 1 和 p 2 < p 。不幸的是，受控非 (CNOT) 门中控制量子比特的位翻转错误将导致有害的