### 泛音晶振LC参数选择详解
#### 一、泛音晶振基本原理
泛音晶振是一种常用的频率控制元件，在许多电子设备中扮演着关键角色。它通过石英晶片的压电效应实现频率的稳定输出。石英晶片在受到外力作用时会产生电荷（正压电效应），而在施加电场时会发生形变（逆压电效应）。这种特性使得石英晶片能够作为振荡器中的核心元件。
#### 二、泛音晶振的频率特性
石英晶片在振动时会同时产生多个频率成分，包括基频和谐波。基频即为晶片自身振动的基本频率，而更高频率的成分则被称为泛音或谐波。常见的泛音包括三次泛音（三次谐波）、五次泛音（五次谐波）等，它们之间的频率成奇数倍关系。通常情况下，基频振幅最大，随着次数增加，振幅逐渐减小。
#### 三、泛音晶振的选择依据
1. **频率需求**：对于低频应用（3MHz~40MHz），可以直接使用基频晶振满足要求。但对于高频应用（>40MHz），由于石英晶片的厚度限制，无法仅依靠减小厚度来提高基频，因此需要使用泛音晶振。
2. **可靠性和成本**：过于薄的石英晶片不仅制造困难，而且容易损坏，这限制了基频晶振在高频段的应用。相比之下，采用泛音晶振可以有效避免这些问题，并保持较高的稳定性。
#### 四、LC参数的选择
在设计泛音晶振电路时，为了确保只保留所需的泛音频率，需要精心选择LC参数。具体来说，LC谐振电路的设计目标是在所需频率下呈现容性，以抑制其他频率成分，仅保留选定的泛音频率。
- **LC谐振频率范围**：为了确保电路能够在三次泛音频率下工作，LC谐振电路的频率必须满足以下条件：基频频率(16.7MHz)
2025-05-15 22:59:02
82KB
1
用最为浅显的理论去分析超级电容器动态均压的原理，并解释关键元件的参数选择。通过该分析，不仅能让读者了超级电容解动态均压的原理，还能展示理论分析对实践的指导作用。
2023-03-03 21:02:46
550KB
1
氧化锌避雷器重要参数选择：
1.氧化锌避雷器额定电压、
2.氧化锌避雷器标称残压、
3.氧化锌避雷器能量吸收能力。
word格式。内容不多但充分说明了选取原则。
2022-10-19 21:54:47
16KB
1
3.免疫算法的种类和参数选择
5种免疫算法：
(1)反向选择算法。福雷斯特基于反向选择原理提出反向选择算法检测异常，其算 法主要包括两个步骤。首先，产生监测器集合，其中每个监测器与被保护的数据都不匹 配；然后，不断地将集合中每个监测器与被保护的数据相比较，如果监测器与被保护的数据相匹配，那么就判定该数据发生了变化。
(2)免疫遗传算法。丘恩(Chun)提出一种免疫算法，实质上是改进的遗传算法。
2022-10-02 17:45:24
558KB
1
matlab代码粒子群算法自适应CLPSO
Matlab代码用于宏观自适应综合学习粒子群优化器（MaPSO）和微观自适应综合学习粒子群优化器（MiPSO）算法。
抽象的
优化启发式算法（如粒子群优化器（PSO））的广泛使用对参数自适应提出了巨大挑战。
PSO的一种变体是综合学习粒子群优化器（CLPSO），它使用所有个人的最佳信息来更新其速度。
CLPSO的新颖策略使种群能够从特定世代的样本中进行读取，这称为刷新间隙m。
在本文中，我们开发了两类学习自动机（LA），以研究自动机对CLPSO刷新间隙调整的学习能力。
在第一类中，将学习自动机分配给总体，在第二类中，每个粒子都有自己的个人自动机。
我们还将所提出的算法与CLPSO和CPSO-H算法进行了比较。
仿真结果表明，我们的算法在性能，鲁棒性和收敛速度方面均优于同类算法。
参考
[1]
Mohammad
Hasanzadeh，Mohammad
Reza
Meybodi和Mohammad
Mehdi
Ebadzadeh，“，”在人工智能和信号处理中，Springer国际出版，2014年，第267-276页。
2022-08-08 17:13:40
9KB
1
一般信息
支持向量机（SVM）和相关的基于内核的学习算法是一类知名的机器学习算法，用于非参数分类和回归。 liquidSVM是SVM的实现，其主要功能是：
完全集成的超参数选择，
无论大小数据集，其速度都极高，
， ， ， 和绑定，
为专家提供充分的灵活性，以及
包括各种不同的学习场景：
多类别分类，ROC和Neyman-Pearson学习，
最小二乘，分位数和预期回归。
如有疑问和意见，请通过与我们联系。 您也可以在此处要求注册到我们的邮件列表。
liquidSVM已根据许可。 如果您需要其他许可证，请与联系。
命令行界面
命令行版本的。
Linux / OS X的终
2022-06-05 16:05:49
5.28MB
1
2015年提出，注解详细，可以进行改进，又可以用于参数选择。
混洗蛙跳算法[(shuffled frog leaping algorithm, SFLA)，以其模型简单，寻优速度快等优点得到学者的广泛关注。Elbeltagi等[通过实验表明SFLA在求解某些连续和离散优化问题时的成功率和寻优速度优于遗传算法、模因算法和蚁群算法；Babak等[利用SFLA改进K均值聚类方法，实验结果表明其优于遗传算法、模拟退火算法、蚁群算法等聚类算法。
2022-06-04 22:05:57
3KB