人工智能-带有脉冲和随机扰动的神经网络的状态估计和不变集研究.pdf

人工智能-单位脉冲耦合神经网络中若干理论及应用问题的研究.pdf

人工智能-低功耗、可重构、模块化的脉冲神经网络处理器设计与实现.pdf

所提出的代码使用后处理步骤来解决宽带脉冲信号的信号分解算法的过度分解问题。 它可以与任何信号分解方法结合使用。 它在检测脉冲信号成分方面显示出明显的优势，可广泛用于机器故障诊断应用。 代码允许重现论文中的一些结果：Chen S、Wang K、Chang C 等。 变速条件下铁路车轮扁平检测的两级自适应chirp模式分解方法，Journal of Sound and Vibration，2021。部分脚本来自论文：Chen S, Dong X, Peng Z, et al , Nonlinear Chirp Mode Decomposition: A Variational Method, IEEE Transactions on Signal Processing, 2017. and the paper: Chen S, Yang Y, Peng Z, et al, Detectio

matlab阶次分析，matlab实现的阶次分析算法，用于变转速机械故障特征提取，可运行，包含寻找脉冲时刻，等角度时刻，数字跟踪滤波，样条差值等步骤

要求改变脉冲周期和输出脉冲个数的脉冲输出电路模块在许多工业领域都有运用。采用数字器件设计周期和输出个数可调节的脉冲发生模块是方便可行的。为了使之具有高速、灵活的优点，本文采用Atelra公司的可编程芯片FPGA设计了一款周期和输出个数可变的脉冲发生器。经过板级调试获得良好的运行效果。

通常基于MCU的信号参数测量，由于其MCU工作频率很低，所以能够达到的精度也比较低，而基于AD10200和 FPGA的时域测量精度往往可达10 ns，频率测量精度在100 kHz以内。适应信号的脉宽范围在100 ns～1 ms之间；重复周期在0.05～100ms：频率在0.1 Hz～50 MHz。

5.1 脉冲法校表步骤及算法 1.确定基本参数：HFConst，校表参数清为默认值 根据硬件设计确认电压、电流 ADC 输入信号（需乘以 ADC 增益倍数，单位 V）,计算 合适的 HFConst 值： HFConst=[16.1079*Vu*Vi*10^11/(EC*Un*Ib)] Vu:电压通道 ADC 输入信号，需要乘以增益倍数，一般选择为 0.1~0.22v； Vi:电流通道 ADC 输入信号，需要乘以增益倍数，如 5A*(350 微欧/10^6)*16=0.028v； EC:电表脉冲常数（用户自定义），如 3200 Un:额定电压（用户自定义） 单位：V，如 220V Ib:额定电流（用户自定义） 单位: A，如 5A 2.确定电压、电流、功率转换系数： 表台加 Un Ib 读出计量芯片电压有效值 V、电流有效值 I ，计算: Kv=Un/V ;电压转换系数，该系数与寄存器测量值相乘即得到输入的电压 (v) Ki=Ib/I ;电流转换系数，该系数与寄存器测量值相乘即得到输入的电流(A) Kp= 3.22155*10^12/(2^32*HFConst*EC) ； EC 脉冲常数 ;功率转换系数，该系数与寄存器测量值相乘即得到输入的功率(w) 3.增益校正： 台体加 UN、IB、1.0，读误差 ERR，校正值计算： PGAIN=-ERR/（1+ERR） 如果 PGAIN>0，校正值是[PGAIN*2^15]; 如果 PGAIN<0，校正值是[PGAIN*2^15+2^16]; 将校正值写入功率增益校正寄存器 GPQA（0X05）寄存器； 4.相位校正 台体加 UN、IB、0.5L，读误差 ERR, 校正值计算公式如下： θ= [ArcSin (-ERR/1.732)]/0.02； 注：θ为角度 如果θ>0，校正值是将θ取整; 如果θ<0，校正值是θ+2^8 后取整 将校正值写入角度校正寄存器 PHSA 若提高相位校正的准确度（1bit 对应 0.01 度）：则计算公式： θ= [ArcSin (-ERR/1.732)]/0.01； 注：θ为角度

10kHz方波（脉冲）发生电路，脉冲频率可调，作为信号发生电路的方波脉冲电路部分。对应博文https://blog.csdn.net/Insincerity/article/details/106504879

脉冲群的实验方法和原理以及脉冲群的防防护，属于EMS范围，电磁抗干扰也是EMI里面的一部分，希望可以对你有所帮助