Webinar首页 即将举办 按时间点播 按分类点播 按厂商点播 会议流程 问题集锦 在线帮助
您所在的位置:首页 > 按关键词点播

按关键词点播 > e

Molex- Coeur,Sentrality和PowerWize最新浮动式高功率大电流电流解决方案

时间:2022年10月17日 10:00        

简介: Molex提供多种高功率连接解决方案,可在要求更苛刻的应用中提供大电流性能。其中Coeur 高电流互连系统能确保轻松配接,并防止可能对插槽触点造成的损坏统,透过三种直径尺寸: (3.40 mm、6.00 mm、8.00 mm) 提供高达 200 A 的电流,并备有各种配置、连接 PCB、总线条和缆线。在配接两个硬质 PCB 或总线条时,很难达到完美的引脚对插槽对齐。在这些情况下,需要有一定的浮动度...

功耗测试的挑战

时间:2022年07月20日 10:15        

简介: 在全球“双碳”的大背景下,节能减排成为了每个行业都非常重视的目标和任务。在通信电子领域,大到通信系统,如5G基站,小到单个的设备如手机或VR/AR眼镜甚至元器件,如CPU,都需要在设计研发时,充分考虑如何降低功耗,这对于依靠电池工作的物联网传感器和设备更加重要。因为尽可能低的功耗将会增加设备的续航时间,提高用户的使用体验,降低部署、运营和后期的维护成本。功耗测试尤其是低功耗测试有哪些挑战?如何选择...

新型8.5位数字多用表技术发展及应用

时间:2022年06月16日 10:00        

简介: 高精度数字多用表在20世纪80年代中后期开始应用于电子测量领域,成为直流和低频交流电学计量的首选测量工具。具有多种功能精度高且易于实现系统自动化,可以轻松取代检零器等,但是其直流输入放大器并没有完全匹配检零器特性所需的特定设计。在某些关键方面,高精度数字多用表具有一定的缺陷,其中一个关键问题是仪器的输入偏置电流。输入偏置电流来源于高精度数字多用表中的前级放大器电路,其数值高达50pA。而最新型的福...

如何设计出满足云计算和5G等应用的高能效、高容量化、小型化且稳定可靠的不间断电源(UPS)

时间:2022年05月12日 10:00        

简介: 随着云计算、大数据、5G应用的不断发展的大环境下,现代UPS正在往小型化、高容量化、高效化发展,设计人员面临如何在性能、能效、成本、尺寸、控制难度之间权衡取舍的挑战。碳化硅(SiC)的引入将有助于变革性地优化设计,安森美(onsemi)作为电源设计的领先厂家和全球唯一一家提供从衬底到模块的 "端到端 "SiC供应商,能够提供完整的具优势的UPS方案。 本次网络研讨会将介绍UPS设计诀窍,包括...

AI模型开发技术与OpenVINO优化策略第二部分教程八

时间:2021年12月24日 14:00        

简介: 在本次的课程中,高老师将为大家带来ML的创作技能——补值(Imputation) *从补值、插值到创作 *善用AE(Attoencoder)模型 *AE的学习和推论 *AE补值的原理 *AE补值的计算过程 *范例实现-1——AE也能拥有经验直觉 *范例实现-2——使用OpenCV的AI插值 *优化模型:使用OpenVINO优化器 *测试模型:使用OpenVINO推论引擎...

AI模型开发技术与OpenVINO优化策略第二部分教程七

时间:2021年12月17日 14:00        

简介: 本节课程中,高老师将为大家带来化解维度灾难——活用自编码器的课程 *认识维度灾难:以基因医学GWAS为例 *认识GWAS(全基因组关联分析) *认识SNP(单核苷酸多态) *GWAS新焦点:Epistasis *GWAS与机器学习 *活用SAE——堆栈自编码(Stacked Autoencoder) *范例实现-1——单层AE+分类器 *范例实现-2——Stacked AE+分类器...

AI模型开发技术与OpenVINO优化策略第二部分教程六

时间:2021年12月10日 10:00        

简介: 本节课程中,高老师将从以下几方面为大家带来自编码器(AE)的内容 *小而美的自编码器(AE) *复习分类器 *开始创作之旅——组合两个分类器 *组合成为深度学习模型 *设计出自编码器(Autoencoder) *AE的过滤和降维效果 *范例实现-1——简单AE *范例实现-2——多层AE *优化模型:使用OpenVINO优化器 *测试模型:使用OpenVINO推论引擎...

AI模型开发技术与OpenVINO优化策略第二部分教程五

时间:2021年12月03日 14:00        

简介: 本节课程中,高老师将以分类器为例,为大家介绍深度神经网络 *认识神经网络(Neural Network) *分类器的NN模型 *复习:空间对应 *神经网络的空间对应 *范例实现-1:AI建模的三个视角 *范例实现-2:深度神经网络 *优化模型:使用Model Optimizer *使用推论引擎...