【论文读后感】绕组损耗机理分析与新型高频气隙电感的设计

1、磁芯里面的磁通由3部分组成:主磁通、边缘磁通与旁路磁通;其中边缘磁通和旁路磁通会额外产生铜损;
图1

2、补充说明边缘磁通和旁路磁通的说明:
根据之前陈为老师《高频电感气隙的铜损分析与气隙布置》的论文说明,文中对EE和EI磁芯的磁势做了详细分析;
在这里插入图片描述
可能中间插入一段内容会容易理解一点为什么H会是这样的:严格来说上面H的图是磁位差的分布,基于文中的假设,磁势是一条从0到NI的斜线,而磁压降却是由3段线段组成,两条曲线相减,即磁位差=磁势-磁压降,就是上图的分布,如图3所示;
图3
但是这个分布没法分离散磁通和旁路磁通的各自影响,只能说明是一起导致总的效果;但是个人感觉文中应该还有个隐含的假设:气隙大小一样位置不同,散磁通一样;不确定这条假设的正确性;

3、后续说的新型结构,就是在气隙旁引入一条低磁导率的磁路,这个就没什么特别要说的;

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值