XiaoMi-AI文件搜索系统
World File Search System变换器
基于新能源发电改进型移相全桥变换器研究
中图分类号 ： TM561 Analysis of Improved Phase-shift Full-bridge Converter for New Energy Generation ZENG Zhihui 1, 2 LIU Yunpeng 1, 2 ZHANG Linmei 1, 2 YANG Ming 1, 2
视觉变换器看起来是否像卷积神经网络？
到目前为止，卷积神经网络 (CNN) 一直是视觉数据的实际模型。最近的研究表明，(Vision) Transformer 模型 (ViT) 可以在图像分类任务上实现相当甚至更优异的性能。这就提出了一个核心问题：Vision Transformer 如何解决这些任务？它们是像卷积网络一样工作，还是学习完全不同的视觉表示？通过分析图像分类基准测试中 ViT 和 CNN 的内部表示结构，我们发现这两种架构之间存在显著差异，例如 ViT 在所有层上都有更统一的表示。我们探索了这些差异是如何产生的，发现了自注意力机制发挥的关键作用，它可以实现全局信息的早期聚合，而 ViT 残差连接则可以将特征从较低层强烈传播到较高层。我们研究了对空间定位的影响，证明 ViT 成功地保留了输入的空间信息，并且不同分类方法的效果显著。最后，我们研究（预训练）数据集规模对中间特征和迁移学习的影响，并最后讨论与 MLP-Mixer 等新架构的连接。
高压低功耗集成直流变换器拓扑结构...
• 最大磁通密度：变压器尺寸和损耗对于满足规格至关重要。对于此标准，根据施加在初级侧的最大伏秒来评估最大磁通密度 B MAX。变压器内部的磁芯损耗与此参数直接相关，因此会影响变压器的设计（几何形状、磁芯材料等）。 • 电气应力：为了管理高输入电压，功率级需要高压功率开关。某些结构可以帮助降低施加在功率开关上的电压应力。它可以减小它们的尺寸并提高它们的性能，因为在硅集成环境中，没有多少功率开关可以承受 1 kV。 • ZVS：某些拓扑结构支持 ZVS（零电压开关）操作，可以减少开关损耗，这对于高压来说非常重要。然而，这种模式需要特别注意功率级的命令。 • 复杂性：为了减小功率级尺寸，一种选择是减少所需的组件数量及其尺寸。如果变压器尺寸已经由第一个标准描述，那么开关（MOSFET、二极管）、电容器等的数量也是功率级在电路板上所占空间的指示。这些元件的值和额定电压当然会影响它们的尺寸，也可以指示将它们集成到芯片中的可能性。• 其他标准也很重要，如启动、反馈回路、稳定性方法等，但这里不予考虑。
可再生能源并网电力变换器的运行与控制
关于 NIT Warangal：瓦朗加尔国家技术学院 (NITW) 前身为 RECW，是 1959 年成立的十七所 REC 中的第一所。多年来，学院已经成为一所提供高标准技术教育的领先机构，提供科学和工程各个专业的 B.Tech、M.Tech 和 Ph.D. 课程。学院下设 14 个院系，提供 8 个本科生课程和 31 个研究生课程，还有博士课程。学院为全住宅校园，占地 250 多英亩，基础设施优良。瓦朗加尔国家技术学院校园距离 Kazipet 火车站 2 公里，距离 Warangal 火车站 12 公里。关于 Warangal：瓦朗加尔以其丰富的历史和文化遗产而闻名。它距离州首府海得拉巴（最近的机场）140 公里。瓦朗加尔的铁路和公路交通十分便利。这里是前卡卡蒂亚第五王朝的首都。这里是一处旅游景点，拥有许多历史古迹，如千柱寺、瓦朗加尔堡、巴德拉卡利寺、拉玛帕寺和拉克纳瓦拉姆湖。电气工程系
人工智能在电力变换器控制中的逆向应用
摘要 —本文提出了一种用于电力电子转换器系统控制的新型应用方法，即人工智能的逆向应用 (IAAI)。与传统方法相比，IAAI 仅依赖于数据驱动过程，无需优化过程或大量推导，因此该方法可以以简单的方式给出所需的控制系数/参考。需要注意的是，IAAI 方法使用人工智能为电力转换器控制提供可行的系数/参考，而不是构建新的控制器。在说明 IAAI 概念之后，讨论了一种传统的人工神经网络 (ANN) 应用方法，即基于优化的设计。然后，研究了双源转换器微电网案例，通过基于优化的方法选择最佳下垂系数。之后，将提出的 IAAI 方法应用于相同的微电网案例，以快速找到良好的下垂系数。此外，IAAI 方法应用于模块化多电平转换器 (MMC) 案例，扩展了不平衡电网故障下的 MMC 操作区域。在MMC案例中，模拟和实验在线测试均验证了IAAI的可操作性、可行性和实用性。
通用桥式AC/DC变换器的研究与分析...
本文研究并分析了 SIMULIK 环境下基于绝缘栅双极晶体管 (IGBT) 和脉冲宽度调制 (PWM) 技术的通用桥式转换器。为了实现三相 AC/DC 转换器的 PWM 控制器，研究并开发了空间矢量调制的基础。这种转换在许多有源条件下的有效进展取决于所应用的方法。所提出的程序方法的强大之处在于本文所检查的电流失真和开关频率。脉冲宽度第一周期部分的离线计算取决于并将这些数据保存在特定表中。对于所有周期寿命，由于存在四分之一波和半波可靠性的情况，因此残余脉冲是基于初始四分之一周期的值创建的。模拟设计的结果显示微控制器时间和内存增加显著节省，这将支持所有转换器任务。
EEG-Deformer：用于脑机接口的密集卷积变换器
摘要 — 有效学习脑电图 (EEG) 信号中的时间动态具有挑战性，但对于使用脑机接口 (BCI) 解码大脑活动至关重要。尽管 Transformers 因其长期顺序学习能力在 BCI 领域广受欢迎，但大多数将 Transformers 与卷积神经网络 (CNN) 相结合的方法都无法捕捉 EEG 信号从粗到细的时间动态。为了克服这一限制，我们引入了 EEG-Deformer，它将两个主要的新组件合并到 CNN-Transformer 中：(1) 分层粗到细 Transformer (HCT) 块，将细粒度时间学习 (FTL) 分支集成到 Transformers 中，有效辨别从粗到细的时间模式；(2) 密集信息净化 (DIP) 模块，利用多级、净化的时间信息来提高解码准确性。对三项代表性认知任务（认知注意力、驾驶疲劳和心理负荷检测）进行的全面实验一致证实了我们提出的 EEG-Deformer 的通用性，表明它的表现优于或与现有的最先进方法相当。可视化结果表明，EEG-Deformer 从神经生理学上有意义的大脑区域学习相应的认知任务。源代码可在 https://github.com/yi-ding-cs/EEG-Deformer 找到。
MMCFormer：用于脑肿瘤分割的缺失模态补偿变换器
人类脑肿瘤，更具体地说是神经胶质瘤，是最危及生命的癌症之一，通常由神经胶质干细胞异常生长引起。实际上，磁共振成像 (MRI) 模态提供不同的对比度来阐明组织特性，提供有关大脑结构的全面信息以及检测肿瘤的潜在线索。因此，多模态 MRI 通常用于诊断脑肿瘤。然而，由于获取的模态集可能因临床部位而异，脑肿瘤研究可能会遗漏一两种 MRI 模态。为了以端到端的方式解决缺失信息，我们提出了 MMCFormer，一种新颖的缺失模态补偿网络。我们的策略建立在 3D 高效转换器块之上，并使用共同训练策略来有效地训练缺失模态网络。为了确保多尺度特征一致性，MMCFormer 在编码器的每个尺度上都使用全局上下文一致性模块。此外，为了传输特定于模态的表示，我们建议在瓶颈阶段加入辅助标记，以对完整和缺失模态路径之间的交互进行建模。最重要的是，我们包括特征一致性损失，以减少网络预测中的域差距并提高缺失模态路径的预测可靠性。在 BraTS 2018 数据集上进行的大量实验证明了我们的方法与竞争方法相比的优势。实现代码可在 GitHub 上公开获取。关键词：Transformer、缺失模态、分割、MRI、医学。
基于图变换器模型的药物-靶标相互作用预测新方法
摘要背景：药物-靶标相互作用预测（DTIs）对于加速药物研究和药物重新定位变得越来越重要。药物-靶标相互作用网络是DTIs预测的典型模型。由于药物和靶标之间存在许多不同类型的关系，药物-靶标相互作用网络可用于建模药物-靶标相互作用关系。近期关于药物-靶标相互作用网络的研究大多集中在药物节点或靶标节点上，而忽略了药物-靶标之间的关系。结果：提出了一种新的预测方法来独立地建模药物和靶标之间的关系。首先，我们利用药物和靶标的不同层次关系来构建药物-靶标相互作用的特征。然后，我们使用线图来建模药物-靶标相互作用。之后，我们引入图变换器网络来预测药物-靶标相互作用。结论：我们引入线图来建模药物与靶标之间的关系。将药物-靶标相互作用从链接转换为节点后，我们使用图变换器网络来完成药物-靶标相互作用预测任务。