排序方式: 共有138条查询结果,搜索用时 31 毫秒
61.
近来单相多电平逆变器由于自身的优点得到了广泛的关注。本文介绍一种新型采用二极管的2N-1级联叠加式多电平逆变器,以采用二极管2N-1级联叠加式15电平逆变器为例,提出用单相空间矢量调制(SVPWM)技术实现逆变并网。并网参考电流的相位和频率由电网电压的相位和频率得到,幅值由参考功率决定,系统加入电流瞬时反馈和PI控制器来实现单位功率因数并网,在MATLAB/SIMULINK环境下建立模型进行仿真,并计算不同参考功率时的并网电流谐波畸变率。结果表明并网功率因数高,电流谐波含量少,为实际应用提供了理论依据。 相似文献
62.
快速光热退火法制备多晶硅薄膜的研究 总被引:5,自引:1,他引:4
为了制备应用于太阳电池的优质多晶硅薄膜,研究了非晶硅薄膜的快速光热退火技术。先利用 PECVD 设备沉积非晶硅薄膜,然后放入快速光热退火炉中进行退火。退火前后的薄膜利用 X 射线衍射仪(XRD)和扫描电子显微镜(SEM)测试其晶体结构及表面形貌,用电导率设备测试其暗电导率。研究表明退火温度、退火时间对非晶硅薄膜的晶化都有很大的影响,光热退火前先用常规高温炉预热有助于增大多晶硅薄膜的晶粒尺寸和暗电导率。 相似文献
63.
口蹄疫(Foot-and-mouth Disease, FMD)是由口蹄疫病毒(Foot-and-mouth Disease Virus, FMDV)引起的急性、高度传染性疾病,一旦大规模爆发会给畜牧业造成巨大的经济损失。接种灭活病毒疫苗是目前防控口蹄疫的最有效手段,但传统灭活疫苗存在病毒逃逸、生产成本高等诸多局限。重组亚单位蛋白疫苗免疫原性好且安全性高,是发展新型口蹄疫疫苗的重要方向。口蹄疫病毒结构蛋白VP1因含主要抗原表位,而成为口蹄疫亚单位疫苗及诊断试剂的开发热点。与真核系统相比,原核表达系统生产周期短、易于放大生产、成本低廉,更适于动物疫苗的开发,但VP1采用原核系统表达会形成无活性的不溶包涵体。本工作中首次同时融合小分子泛素相关修饰物(Small Ubiquitin-related Modifier, SUMO)和RNA作用结构域(RNA-interacting Domain, RID)两种助溶标签来实现FMDV VP1 (O型/MYA/98)在原核系统中的高效可溶表达。首先采用PCR (聚合酶链反应)重叠技术,以p ET-28a(+)为载体构建了RID-SUMO-VP1重组... 相似文献
64.
65.
We demonstrate a novel method for indium bump fabrication on a small CMOS circuit chip that is to be flip-chip bonded with a GaAs/AlGaAs multiple quantum well spatial light modulator.A chip holder with a via hole is used to coat the photoresist for indium bump lift-off.The 1000μm-wide photoresist edge bead around the circuit chip can be reduced to less than 500μm,which ensures the integrity of the indium bump array.64×64 indium arrays with 20μm-high,30μm-diameter bumps are successfully formed on a 5×6.5 mm~2 CMOS chip. 相似文献
66.
67.
68.
基于会话的协同过滤用固定时间窗划分交互历史并将用户兴趣表示为这些阶段的序列,但是旅游数据的高稀疏性会导致某些阶段内没有交互行为和近邻相似度计算困难的问题。为了缓解数据稀疏,有效利用数据特性,提出了基于动态聚类的旅游线路推荐算法。该方法首先分析了旅游数据不同于其他标准数据的特性;其次利用动态聚类得到的变长时间窗口对游客交互历史进行划分,利用潜在狄利克雷分布(LDA)抽取每个阶段的概率主题分布,结合时间惩罚权值建立用户兴趣漂移模型;接着,通过反映年龄、线路季节、价格等因素的游客特征向量为目标游客选择近邻和候选线路集合;最后根据候选线路和游客的概率主题相关度完成线路推荐。该方法通过采用变长时间窗口不但缓解了数据稀疏,而且划分的阶段数目不需提前指定,而是根据数据特性自动生成;近邻选择时采用特征向量而非旅游数据进行相似度计算,避免了由于数据稀疏无法计算的问题。在实际旅游数据上的大量实验结果表明,该方法不仅很好适应了旅游数据特征,而且提高了旅游线路的推荐精度。 相似文献
69.
Shuffle性能是影响大数据集群性能的重要指标,Spark自身的Shuffle内存分配算法试图为内存池中的每一个Task平均分配内存,但是在实验中发现,由于各Task对于内存需求的不均衡导致了内存的浪费和运行效率较低的问题。针对上述问题,提出一种改进的Spark Shuffle内存分配算法。该算法根据Task的内存申请量和历史运行数据将Task按内存需求分为大小两类,对小内存需求型Task作"分割化"处理,对大内存需求型Task基于Task溢出次数和溢出后等待时间分配内存。该算法充分利用内存池的空闲内存,可以在数据倾斜导致的Task内存需求不均衡的情况下进行Task内存分配的自适应调节。实验结果表明,改进后算法较原算法降低了Task的溢出率,减少了Task的周转时间,提高了集群的运行性能。 相似文献
70.