XiaoMi-AI文件搜索系统
World File Search System叶级
隔离式原边反馈单级有源PFC LED驱动芯片- HW8305B
1. 吉林华微电子有限公司的产品销售方式为直销或代理销售，客户订货时请与我公司核实。 2. 我们强烈建议客户在购买我公司产品时仔细查看商标，如有任何问题，请随时与我们联系。 3. 电路设计时请不要超过器件的绝对最大额定值。 4. 吉林华微电子有限公司保留对本规格书进行更改的权利，如有更改，恕不另行通知。
32款车规级40〜150V n-jsfet®
这40〜150V SGT MOSFET非常适合汽车内部的应用。根据AEC-Q101质量标准对其长期可靠性进行了测试。JMSL0406AGQ及其双DIE变体JMSL0406AGDQ在车身控制模块（BCM）中很受欢迎，例如低功率DC电动机驾驶。r ds（on）降至13m，JMSH041AGQ适合中/高功率直流电动机的功率效率要求。典型的应用是：多路电动座椅，电源后挡板，集中式门锁，ESC（电子稳定控制）。在V ds_max = 100V处，并在低调的PDFN5x5-8L软件包中组装，JMSL1018AGQ非常适合在信息娱乐/ADAS单元的平板显示器显示中LED背光。相比之下，JMSL1020AGDQ同时在较大面板中同时驱动两个高亮度LED。
贝叶斯网络的排雷传感器建模和特征级融合
摘要— 开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法对 BN 模型中的地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和变化的环境条件的情况下，推理用于估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确性相对于单传感器测量提高了高达 64%，并且同时检测和分类的物体数量增加了高达 62%。
适当的杀手级 - 级 - 级...
本文所包含的信息被认为是可靠的，但没有任何形式的陈述，担保或保证就其准确性，适用于特定申请或要获得的结果。这些信息通常基于实验室的小型设备，不一定表明最终产品性能或可重现性。提出的配方可能没有进行稳定性测试，仅应作为建议的起点。由于在处理这些材料时商业上使用的方法，条件和设备的变化，因此没有对产品适用于披露的申请的适用性。全尺度测试和最终产品性能是用户的责任。Lubrizol Advanced Materials，Inc。不承担任何责任，并且客户对除Lubrizol Advanced Materade，Inc。的直接控制外的任何用途或处理任何材料都承担所有风险和责任。卖方不对明示或暗示的担保，包括但不限于对特定目的的适销性和适合性的隐含保证。本文中没有任何包含在未经专利所有者许可的情况下练习任何专利发明的授权，也不应将其视为诱因。Lubrizol Advanced Materials，Inc。是Lubrizol Corporation的全资子公司。
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
