综合应用Pro_E_HyperM_省略_h和ANSYS软件进行无限元分析_蒋素清.pdf
2023/2/12 14:57:02
190KB
【分辨率】：800X480【适用系统】：WINCE5.0WINCE6.0【端口、波特率】：默认COM2,4800，自动适配【端口修正文件】：NaviOne\NaviResFile\NaviConfig.dll【文件大小】：6.78G【其他】：已开启最小化功能，免接受，
2023/2/11 17:23:46
142B
最新完整英文版UL2849：2020StandardforElectricalSystemsforeBikes-电动自行车安规标准，本标准涵盖了由锂基可充电电池供电的电动自行车的电气系统。
电动自行车包括电动辅助循环（EPAC–踏板辅助）和非踏板辅助电动自行车。
电气系统至少由驱动单元，电池，电池管理系统（BMS），互连导线和电源插座组成。
根据整个系统的应用和风险，还包括证明合规性所需的任何其他组件或系统。
板外组件包括用于在充电过程中从eBike上卸下的电池充电的公用充电器，或用于在充电过程中。
电动自行车包括电动辅助循环（EPAC–踏板辅助）和非踏板辅助电动自行车。
电气系统至少由驱动单元，电池，电池管理系统（BMS），互连导线和电源插座组成。
根据整个系统的应用和风险，还包括证明合规性所需的任何其他组件或系统。
板外组件包括用于在充电过程中从eBike上卸下的电池充电的公用充电器，或用于在充电过程中。
2023/2/11 8:21:26
3.28MB
DSRCV2X频段法例调研DSRC,C-V2X,Wi-Fi,ITSspectrum,5.9GHzband,spectrumregulation.
2023/2/9 0:49:25
2.36MB
目标识别是计算机视觉一个重要的研究领域，由此延伸出的车辆型号识别具有重要的实际应用价值，特别是在当今交通状况复杂的大城市，智能交通系统成为发展趋势，这离不开对车辆型号进行识别和分类的工作，本文围绕如何利用计算机视觉的方法进行车辆型号的识别和分类展开了一系列研究：本文对当前的目标识别和分类的特征和算法做了总结和归纳。
分析比较了作为图像特征描述常见的特征算子，总结归纳了他们的提取方法、特征功能以及相互之间的关联。
另外，介绍了在目标识别工作中常用的分类方法,阐述了他们各自的原理和工作方法。
研究了深度神经网络的理论依据，分析比较了深度神经网络不同的特征学习方法，以及卷积神经网络的训练方法。
分析比较不同特征学习方法的特点选取k-means作为本文使用的特征学习方法，利用卷积神经网络结构搭建深度学习模型，进行车辆车型识别工作。
本文为了测试基于深度学习的车辆型号分类算法的功能在30个不同型号共7158张图片上进行实验；
并在相同数据上利用改进了的SIFT特征匹配的算法进行对比实验；
进过实验测试，深度学习方法在进行车型分类的实验中取得94%的正确率，并在与SIFT匹配实验结果对比后进一步证实：深度学习的方法能够应用在车辆型号识别领域
分析比较了作为图像特征描述常见的特征算子，总结归纳了他们的提取方法、特征功能以及相互之间的关联。
另外，介绍了在目标识别工作中常用的分类方法,阐述了他们各自的原理和工作方法。
研究了深度神经网络的理论依据，分析比较了深度神经网络不同的特征学习方法，以及卷积神经网络的训练方法。
分析比较不同特征学习方法的特点选取k-means作为本文使用的特征学习方法，利用卷积神经网络结构搭建深度学习模型，进行车辆车型识别工作。
本文为了测试基于深度学习的车辆型号分类算法的功能在30个不同型号共7158张图片上进行实验；
并在相同数据上利用改进了的SIFT特征匹配的算法进行对比实验；
进过实验测试，深度学习方法在进行车型分类的实验中取得94%的正确率，并在与SIFT匹配实验结果对比后进一步证实：深度学习的方法能够应用在车辆型号识别领域
2023/2/8 8:49:32
4.2MB