排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
论述了熔锥型光纤耦合器的功率耦合理论,利用熔融拉锥法制得了3dB单模光纤耦合器。利用可调谐光源和光谱分析仪组成的光学测试系统,测试了熔锥型光纤耦合器的附加损耗、方向性与均匀性等光学性能。实验表明,该方法具有制作简单、较低的附加损耗和良好的方向性等优点。利用扫描电子显微镜观察了光纤耦合器的表面,发现在光纤耦合器的锥区存在微裂纹,并且拉伸速度越快,微裂纹越明显;在光纤耦合器的耦合区.光纤表面存在微小晶粒,且拉伸速度越慢,晶粒越粗大。 相似文献
4.
5.
为提高车窗电机异常噪声特征提取的有效性及分类识别的准确性,提出一种以优化的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)为特征值,以支持向量机(Support Vector Machine,SVM)为噪声辨识模型的电机异常噪声辨识方法。在MFCC提取方法基础上,针对频谱泄漏,用Hanning自卷积窗代替Hanning窗,获得优化的MFCC,并将其作为特征值输入到SVM进行异常噪声辨识。为提高SVM判别准确率,采用人工蜂群算法实现SVM参数选择优化。实验结果表明,该方法能够有效判别电机是否存在异响,准确率达到91%。 相似文献
6.
为有效甄别存在异常噪声的车窗电机,提出一种基于BP神经网络的车窗电机噪声在线评价系统。由于现有客观参量不能够完全适用于车窗电机的噪声评价,根据车窗电机噪声特点提出了一种形如窗函数的加权因子用于修正尖锐度参量,并通过主客观评价实验优化了心理声学客观参量。在此基础上,以有效的客观参量和物理参量为特征值,构建使用附加动量法优化的BP神经网络分类器,并最终建立了噪声在线评价系统。测试结果表明,该系统对车窗电机噪声的分类准确率在90%以上,且与传统BP神经网络分类器相比,具有更高的准确率和更少的耗时,可用于车窗电机噪声的在线评价。 相似文献
1