產地類別 | 進口 | 電動機功率 | 3800kW |
---|---|---|---|
讀出方式 | SSI | 工作原理 | 模擬量 |
外形尺寸 | 35*75mm | 外型尺寸 | 25*68mm |
應用領域 | 石油,地礦,印刷包裝,紡織皮革,制藥 | 重量 | 3kg |
產品簡介
詳細介紹
1030066線性編碼器選上海秉銘KHU53-XXX00107而構建了兩個基于Corr-RBM的跨模態深度學習模型。Corr-RBM由兩個單模態受限玻爾茲曼機組成。與Corr-AE類似,本文首先在這兩個受限玻爾茲曼機的表示層之間引入一個約束,以建模不同模態的表示層之間的共性關聯。然后為此設計了一個新的目標函數以及優化算法。該目標函數要求化兩個模態數據的負對數似然和不同模態表示層之間關聯誤差之和。這使得模型可以將單模態表示學習與跨模態關聯學習集成在個統一的模型中同時獲得。與Corr-AE不同的是,本模型的目標函數中不同模態的似然具有各自獨立的系數。基于Corr-RBM,本文構建了兩個跨模態深度學習模型:Corr-DBN和Stacked Corr-RBMs。前者只在后一層學習不同模態數據之間的關聯,而后者在每一層都學習不同模態數據之間的關聯。后,在三個公開數據集上對模型進行了評測。實驗表明,Stacked Corr-RBMs在跨模態檢索任務上優于若干個相關模型。設計并實現了一個基于跨模態深度學習模型的跨模態檢索演示系統。直接關系到數據的理解和存儲,因此其對于機器學習任務和人工智能的實現都至關重要。而自動編碼器就是為解決數據表示問題而提出的神經網絡模型。由單隱層自動編碼器堆疊而成的深度網絡更是因為其強大的學習表示能力而被廣泛研究。自動編碼器可以自適應地學習到數據中的結構,并使用學習到的特征來高效的表示數據,這種特性不僅可以適應大數據環境中巨大的數據量和數據種類,而且可以克服經驗特征較大的設計代價和泛化性能差的問題,同時在深度學習中使用自動編碼器來實現多層次的特征提取可以取得更好的分類精度。但是,自動編碼器也存在魯棒性較差和深度學習應用中出現過擬合現象等問題。為了能夠自適應地從數據中提取有用的特征,同時提高特征的魯棒性并克服過擬合現象,本文在傳統自動編碼器的基礎上通過增加損壞處理操作,并向目標函數中加入稀疏性約束,提出了降噪稀疏自動編碼器。通過探索不同的稀疏性約束和損壞處理操作,并分別在手寫數據集和自然圖像上測試模型的識別精度、學習到的特征提取器和數據重構效果,得到的實驗表明:本文提出的降噪稀疏自動編碼器相比于傳統自動編碼器、稀疏自動編碼器和降噪自動編碼器模型,同時具有較好的泛化性能和魯棒性。淺層的自動編碼器的學習能力有限,而且無法提取層次化的特征,為了更高效的表示高維數據,以及探究如何使用自動編碼器來構造深度網絡表示數據,本文在單層的降噪稀疏自動編碼器的基礎上,提出了堆疊降噪稀疏自動編碼器。首先通過上一層自動編碼器的輸出作為下一層自動編碼器的輸入的方式逐層訓練多個降噪稀疏自動編碼器。然后將逐層訓練的自動編碼器的隱層堆疊起來,構造具有多個隱層的堆疊降噪稀疏自動編碼器。我們可以利用該多層的堆疊降噪稀疏自動編碼器學習圖像數據中不同抽象程度的特征,并使用學習到的抽象層的特征來執行分類任務。通過實驗本文探索了不同深度的網絡結構,以及具有相同深度但不同隱層節點數的網絡結構,在不同復雜程度的數據集上的分類效果。實驗表明無監督的初始化階段對于訓練深度網絡的重要作用,以及堆疊降噪稀疏自動編碼器相比于只有稀疏性約束和損壞處理操作的堆疊自動編碼器具有更好的識別效果.
1030066線性編碼器選上海秉銘KHU53-XXX00107著測控技術的迅速發展,對光電軸角編碼器的測角精度、分辨力和可靠性提出了更高的要求。光電編碼器誤差主要包括碼盤制造誤差、軸系晃動、碼盤偏心、細分誤差、量化誤差、檢測誤差等,這些誤差來自于編碼器的碼盤刻劃、機械裝調、電子學處理等過程中,并且都會對編碼器的測量精度產生影響。因此,對編碼器的精度分析和誤差補償技術的研究是編碼器生產制造的關鍵問題,也是提高編碼器精度的重要手段。目前,對光電編碼器的精度檢測主要采用靜態檢測,不能反映編碼器在實際工作狀態下的測角精度,而且誤差補償多只針對細分誤差,不能比較全面的補償編碼器的誤差。本文結合在實際應用中對式編碼器精度的要求,提出了針對光電編碼器精度檢測與誤差補償比較系統的方案,檢測編碼器測量精度和故障信息,并根據測量結果進行相應的補償。精度檢測裝置以步進電機作為整個系統的驅動,以高分辨率編碼器作為測量基準值,在精密主軸轉動過程中實時測量被校準編碼器在不同位置的角度值,并與同步采集的高精度基準編碼器測量角度進行比較計算出測角精度,同時測量光柵信號的細分誤差和進行故障分析。結合精度檢測和誤差分析的結果針對不同誤差進行補償。本課題主要圍繞編碼器精度檢測和誤差補償方法等問題展開系統的分析研究。分析了編碼器誤差產生的原因及各種因素對精度的影響;提出采用頻譜分析法計算細分信號的諧波參數和相位誤差;采用小波分析和頻譜分析檢測編碼器的故障信息,判斷出碼盤故障、電路故障或碼盤竄動等故障發生的位置。設計了以DSP芯片為核心的數據采集系統和以PC機為核心的精度檢測系統;提出了校正細分誤差、裝調誤差和排除故障的解決方案.
1030061 KHK53-AXU00107
1030062 KHK53-AXB00107
1030064 ARS60-H4A07920
1030065 KHT53-XXX00107
1030066 KHU53-XXX00107
1030067 KHM53-XXX00107
1030068 KHK53-AXR00354
1030069 KHK53-AXS00354
1030070 KHK53-AXT00354
1030071 KHK53-AXU00354
1030072 KHK53-AXB00354
1030075 KHT53-XXX00354
1030076 KHU53-XXX00354
1030077 KHM53-XXX00354
1030078 KHK53-AXR01700
1030079 KHK53-AXS01700
1030080 KHK53-AXT01700
1030081 KHK53-AXU01700
1030082 KHK53-AXB01700
1030085 KHT53-XXX01700
1030086 KHU53-XXX01700
1030087 KHM53-XXX01700
1030101 ARS60-G4B03600
1030111 PGT-01-S
1030139 ARS60-J4B00100
1030142 ARS60-FAL00036
1030144 ARS60-G1L00860
1030156 ARS60-F1K00360
1030157 ARS60-A1L00720
1030162 ARS60-GAL00144
1030163 ARS60-FDM04096
1031387 ARS60-ADA00036
1031388 ARS60-A4A00360
1031389 ARS60-A4B00360
1031390 ARS60-A1B00360
1031391 ARS60-AAA00360
1031393 ARS60-ADA00360
1031394 ARS60-A4A00512
1031395 ARS60-A1B00512
1031396 ARS60-A4A01000
1031397 ARS60-A4A01024
1031398 ARS60-A4K01024
1031399 ARS60-A1A01024
1031400 ARS60-A1B01024
1031401 ARS60-A1L01024
1031402 ARS60-AAA01024
1031403 ARS60-AAM01024
1031404 ARS60-AAN01024
1031406 ARS60-AAL01024
1031407 ARS60-ADK01024