恒比定时甄别器（CFD）电路具体实现探讨_恒比定时

1星 872 浏览量更新于2023-03-16 评论 1 收藏 50KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

恒比定时甄别器（恒比定时甄别器（CFD）电路具体实现探讨）电路具体实现探讨

绍PET系统中定时方法时有介绍到目前大部分使用到的是CFD方法，CFD是Constant Fraction Discriminator的

缩写。

这里对CFD具体方法概念，不再赘述，本文笔者个人带着学习的态度来给大家介绍下该方法电路的具体实现。为了介绍方

便，我们还是将CFD的实现框图摆出来，如图1所示。

1.jpg

图1：CFD原理框图

因为需要精确定时，所以在前面博文中，笔者详细介绍了，当图1中的输入信号的幅度不同时，如果采用双阈值检测，那么会

出现时间晃动，在上述链接博文的图2和图3有非常形象的展示。

而上述图1就可以非常理想的避免这个问题，我们看到不管输入信号的幅度怎么变化，图1右侧的tz时刻（即过零时刻）都会保

持固定，这就是我们所需要的，即每次hit我们都能进行精确的定时。（这里，大家一定要看懂右侧图，首先输入信号为黑

线，上面红线表示经过延迟后的输入，下面红线是经过衰减并倒相的输入，最后蓝线就是上述二者相加得到的结果，蓝线和横

轴相交产生了过零点）

有了这原理框图，那么剩下的就是具体实现，图1左侧中，分别有衰减、倒相、延迟、加法器以及过零检测等主要电路模块，

后面我们将对它们一一进行详细的具体实现介绍。

双极性信号成形方法

如图2所示，输入信号Vi直接连到比较器的同相输入端，比较器的反相输入端信号Vc是Vi的低通滤波输出，它在时间上比输入

信号滞后。比较器的同相、反相输入端之间的电压差为：

Vr（t）=Vi（t）-Vc（t）=R*i（t）=RCdVc（t）/dt

1.jpg

图2：双极性成形电路

在电容器上的电压达到峰值之后，积分电阻上的电流方向改变，引起比较器输出翻转。由于电阻电容组成的是一个线性网

络，Vr(t)的过零与输入信号的幅度无关，从而实现了恒比定时功能。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

weixin_40463406

2020-11-30

不要下载，上当

怎么一步一步甄别代码？

1. 阅读代码：在阅读代码前，可以先查看代码的结构，了解代码的组织架构和函数调用关系。通读代码，了解代码的作用和功能。 2. 理解代码的逻辑：了解代码的逻辑，包括对控制流程、数据结构、变量和函数的作用的理解。这有助于确定代码中的错误、判断代码的质量等。 3. 跟踪代码：可以使用调试器来跟踪代码的执行过程，找出代码中的错误。这可以帮助我们更好地测试和审查代码。 4. 测试代码：测试代码是评估代

Data<-read.table(file="模式甄别模拟数据2.txt",header=TRUE,sep=",") library("MASS") library("klaR") BayesModel<-NaiveBayes(x=Data[,1:2],grouping=factor(Data[,3])) #输出变量应为因子 BayesModel$apriori #显示先验概率 BayesModel$tables #显示各分布的参数估计值 plot(BayesModel) #可视化各个分布 BayesFit<-predict(object=BayesModel,newdata=Data[,1:2]) #预测 head(BayesFit$class) #显示预测类别 head(BayesFit$posterior) #显示后验概率 par(mfrow=c(2,2)) plot(Data[,1:2],main="朴素贝叶斯分类的模式甄别结果",xlab="x1",ylab="x2", pch=Data[,3]+1,col=as.integer(as.vector(BayesFit$class))+1,cex=0.8) #可视化观测点分布特征 library("ROCR") pd<-prediction(BayesFit$posterior[,2],Data$y) pf1<-performance(pd,measure="rec",x.measure="rpp") #y轴为回溯精度，X轴为预测的模式占总样本的比例 pf2<-performance(pd,measure="prec",x.measure="rec") #y轴为决策精度，X轴为回溯精度 plot(pf1,main="模式甄别的累计回溯精度曲线") plot(pf2,main="模式甄别的决策精度和回溯精度曲线")

这段代码是使用朴素贝叶斯分类器对模拟数据进行模式甄别，并可视化观测点分布特征。具体步骤如下： 1. 读取模拟数据文件，并加载所需的R包MASS和klaR。 2. 使用NaiveBayes函数对数据进行建模，其中x为自变量，grouping为因变量，即待分类的变量。 3. 输出先验概率和各分布的参数估计值，并可视化各个分布。 4. 对数据进行预测，并输出预测类别和后验概率。 5. 可视化观测点的分

Data<-read.table(file="模式甄别模拟数据3.txt",header=TRUE,sep=",") par(mfrow=c(2,2)) plot(Data[,1:2],main="样本观测点的分布",xlab="x1",ylab="x2",pch=Data[,3]+1,cex=0.8) library("DMwR2") library("sem") Data[which(Data[,3]==3),3]<-NA Data$y<-factor(Data$y) mySelfT<-function(ModelName,TestD) { Yheat<-predict(object=ModelName,newdata=TestD,type="response") return(data.frame(cl=ifelse(Yheat>=0.1,1,0),pheat=Yheat)) } library("lavaan") library("semPlot") library("semTools") SemiT<-SelfTrain(y~.,data=Data,'glm',learner.pars=list(family=binomial(link="logit")),pred="mySelfT",thrConf=0.02,maxIts=100,percFull=1) SemiP<-predict(object=SemiT,newdata=Data,type="response") Data$SemiP<-SemiP Data.Sort<-Data[order(x=Data$SemiP,decreasing=TRUE),] P<-0.30 N<-length(Data[,1]) NoiseP<-head(Data.Sort,trunc(N*P)) colP<-ifelse(1:N %in% rownames(NoiseP),2,1) a<-as.integer(as.vector(Data[,3])) plot(Data[,1:2],main="自训练模式甄别结果(30%)",xlab="x1",ylab="x2",pch=ifelse(is.na(a),3,a)+1,cex=0.8,col=colP)

这是一段 R 语言代码，主要是对模拟数据进行了一些分析和可视化。具体来说，它读取了一个名为“模式甄别模拟数据3.txt”的数据文件，然后对数据进行了绘图和模型训练。在绘图方面，它使用了“plot”函数将数据的前两列（即“x1”和“x2”）进行了散点图绘制，其中点的颜色和大小由第三列数据（即“Data[,3]”）决定。在模型训练方面，它使用了“SelfTrain”函数对数据进行了自训练模式甄

Traceback (most recent call last): File "D:\可信甄别\venv\lib\site-packages\pandas\core\indexes\base.py", line 3652, in get_loc return self._engine.get_loc(casted_key) File "pandas\_libs\index.pyx", line 147, in pandas._libs.index.IndexEngine.get_loc File "pandas\_libs\index.pyx", line 176, in pandas._libs.index.IndexEngine.get_loc File "pandas\_libs\hashtable_class_helper.pxi", line 7080, in pandas._libs.hashtable.PyObjectHashTable.get_item File "pandas\_libs\hashtable_class_helper.pxi", line 7088, in pandas._libs.hashtable.PyObjectHashTable.get_item KeyError: 0 The above exception was the direct cause of the following exception: Traceback (most recent call last): File "D:\可信甄别\LSTM_data_cleansing.py", line 61, in <module> deal_num_lessthan51('LSTM2.1.csv','LSTM3.1.csv') File "D:\可信甄别\LSTM_data_cleansing.py", line 42, in deal_num_lessthan51 dict1.setdefault(num, []).append(df[i]) File "D:\可信甄别\venv\lib\site-packages\pandas\core\frame.py", line 3761, in getitem indexer = self.columns.get_loc(key) File "D:\可信甄别\venv\lib\site-packages\pandas\core\indexes\base.py", line 3654, in get_loc raise KeyError(key) from err KeyError: 0

这个错误一般是由于使用了一个不存在的key来访问字典或DataFrame导致的。具体来说，根据你提供的代码，这个错误可能是由以下原因导致的： 1. `df` DataFrame中不存在索引为0的列，导致在访问 `df[i]` 时出现了KeyError。可以通过打印 `df` DataFrame的列名来检查该问题，例如 `print(df.columns)`。 2. 在调用 `deal_num_l

Data<-read.table(file="模式甄别模拟数据1.txt",header=TRUE,sep=",") N<-length(Data[,1]) DistM<-as.matrix(dist(Data[,1:2])) par(mfrow=c(2,2)) (D<-quantile(x=DistM[upper.tri(DistM,diag=FALSE)],prob=0.75)) #计算距离的分位数作为阈值D for(i in 1:N){ x<-as.vector(DistM[i,]) Data$DB.scores[i]<-length(which(x>D))/N #计算观测x与其他观测间的距离大于阈值D的个数占比 } Data.Sort<-Data[order(x=Data$DB.score,decreasing=TRUE),] P<-0.1 NoiseP<-head(Data.Sort,trunc(NP)) colP<-ifelse(1:N %in% rownames(NoiseP),2,1) plot(Data[,1:2],main=paste("DB的模式诊断结果:p=",P,sep=""),xlab="x1",ylab="x2",pch=Data[,3]+1,cex=0.8,col=colP) library("ROCR") pd<-prediction(Data$DB.scores,Data$y) pf1<-performance(pd,measure="rec",x.measure="rpp") #y轴为回溯精度，X轴为预测的模式占总样本的比例 pf2<-performance(pd,measure="prec",x.measure="rec") #y轴为决策精度，X轴为回溯精度 plot(pf1,main="模式甄别的累计回溯精度曲线") plot(pf2,main="模式甄别的决策精度和回溯精度曲线") P<-0.25 NoiseP<-head(Data.Sort,trunc(NP)) colP<-ifelse(1:N %in% rownames(NoiseP),2,1) plot(Data[,1:2],main=paste("DB的模式诊断结果:p=",P,sep=""),xlab="x1",ylab="x2",pch=Data[,3]+1,cex=0.8,col=colP)

这段代码是一个基于DBSCAN算法的模式甄别模拟。首先，读取了一份包含两个变量和标签的数据集，并计算了每个观测之间的距离矩阵。然后，根据距离矩阵中的分位数计算出一个阈值D，用于判断两个观测是否属于同一个模式。接着，计算每个观测与其他观测之间距离大于阈值D的观测占比，作为DBSCAN算法中的核心参数——邻域半径。最后，根据DBSCAN算法的结果将观测分为模式点和噪声点，并绘制出模式甄别的结果图和累计

大学生学术论文查重系统的设计开发与应用实现

大学生学术论文和大学生创新创业训练计划项目结项论文的重复性问题,构建融合某高校几年内大学生学术论文数据库,通过系统需求分析,应用敏捷开发GitHub Flow技术,在系统前端使用Vue.js+Element,后端使用Larvel+MySQL,采用论文数据库管理,构建各种功能模块,通过文本比对,相似判别与甄别,线上运行,实现论文查重,得出查重报告。

Traceback (most recent call last): File "D:\可信甄别\demo.py", line 22, in <module> jiont_vector("变道1.3.csv","变道向量1.1") File "D:\可信甄别\demo.py", line 17, in jiont_vector new_df = new_df.append(df.iloc[i], ignore_index=True) File "D:\可信甄别\venv\lib\site-packages\pandas\core\generic.py", line 5989, in getattr return object.getattribute(self, name) AttributeError: 'DataFrame' object has no attribute 'append'

这个错误提示是因为您在使用 Pandas 的 DataFrame 对象时，调用了不存在的方法 `append`。可能是您的 Pandas 版本较低，不支持该方法，您可以尝试使用 `concat` 方法来合并 DataFrame。具体操作可以参考以下代码： ```python import pandas as pd def jiont_vector(file1, file2): df1

Data<-read.table(file="模式甄别模拟数据1.txt",header=TRUE,sep=",") library("mclust") EMfit<-Mclust(data=Data[,-3]) par(mfrow=c(2,2)) Data$ker.scores<-EMfit$uncertainty Data.Sort<-Data[order(x=Data$ker.scores,decreasing=TRUE),] P<-0.1 N<-length(Data[,1]) NoiseP<-head(Data.Sort,trunc(NP)) colP<-ifelse(1:N %in% rownames(NoiseP),2,1) plot(Data[,1:2],main="EM聚类的模式诊断结果(10%)",xlab="x1",ylab="x2",pch=Data[,3]+1,cex=0.8,col=colP) library("ROCR") pd<-prediction(Data$ker.scores,Data$y) pf1<-performance(pd,measure="rec",x.measure="rpp") pf2<-performance(pd,measure="prec",x.measure="rec") plot(pf1,main="模式甄别的累计回溯精度曲线") plot(pf2,main="模式甄别的决策精度和回溯精度曲线") P<-0.25 NoiseP<-head(Data.Sort,trunc(NP)) colP<-ifelse(1:N %in% rownames(NoiseP),2,1) plot(Data[,1:2],main="EM聚类的模式诊断结果(25%)",xlab="x1",ylab="x2",pch=Data[,3]+1,cex=0.8,col=colP)

这段代码是用R语言进行数据处理和可视化的操作。首先将模拟数据读入到R中，然后使用mclust包中的Mclust函数进行EM聚类分析，得到每个数据点属于每个聚类的不确定性得分。接着根据不确定性得分对数据点进行排序，并选取不确定性得分最高的一定比例的数据作为噪声数据。根据噪声数据的位置，对数据点进行着色，并用plot函数进行可视化展示。最后，使用ROCR包中的prediction和performanc

LogModel<-glm(y~.,data=newData,family=binomial(link="logit")) LogFit<-predict(object=LogModel,newdata=Data,type="response") Data$Log.scores<-LogFit library("ROCR") par(mfrow=c(2,2)) pd<-prediction(Data$Log.scores,Data$y) pf1<-performance(pd,measure="rec",x.measure="rpp") pf2<-performance(pd,measure="prec",x.measure="rec") plot(pf1,main="模式甄别的累计回溯精度曲线") plot(pf2,main="模式甄别的决策精度和回溯精度曲线") Data.Sort<-Data[order(x=Data$Log.scores,decreasing=TRUE),] P<-0.30 N<-length(Data[,1]) NoiseP<-head(Data.Sort,trunc(NP)) colP<-ifelse(1:N %in% rownames(NoiseP),2,1) plot(Data[,1:2],main="SMOTE处理后的模式甄别结果(30%)",xlab="x1",ylab="x2",pch=as.integer(as.vector(Data[,3]))+1,cex=0.8,col=colP) LogModel<-glm(y~.,data=Data,family=binomial(link="logit")) LogFit<-predict(object=LogModel,newdata=Data,type="response") Data$Log.scores<-LogFit Data.Sort<-Data[order(x=Data$Log.scores,decreasing=TRUE),] NoiseP<-head(Data.Sort,trunc(NP)) colP<-ifelse(1:N %in% rownames(NoiseP),2,1) plot(Data[,1:2],main="平衡化处理前的模式甄别结果(30%)",xlab="x1",ylab="x2",pch=as.integer(as.vector(Data[,3]))+1,cex=0.8,col=colP)

这段代码使用了逻辑回归模型(Logistic Regression)来进行二分类问题的预测。首先使用glm函数来创建逻辑回归模型(LogModel)，然后使用predict函数来预测数据集(Data)的输出(LogFit)，并将预测值保存在数据集(Data)的Log.scores列中。接下来使用ROCR包来创建累计回溯精度曲线(pf1)和决策精度和回溯精度曲线(pf2)。然后按照预测值从高到低对数

File "D:\可信甄别\demo.py", line 32, in delet_changeqcar if (arr[10] != 0) and ((iloc[19] is None) or (iloc[20] is None)).any(): File "D:\可信甄别\venv\lib\site-packages\pandas\core\generic.py", line 1466, in nonzero raise ValueError( ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

这个错误是因为你在使用 Pandas 的 `any()` 方法时，返回的结果是一个 Series，而不是一个单一的布尔值，导致 Python 不知道如何处理这个结果的真假值。你可以尝试使用 `all()` 或 `any().all()` 来解决这个问题。例如，将代码修改为： ``` if (arr[10] != 0) and ((iloc[19] is None) or (iloc[20] is

if (arr[10] != 0) and iloc[19] is None: File "D:\可信甄别\venv\lib\site-packages\pandas\core\generic.py", line 1466, in nonzero raise ValueError( ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

这个错误是因为你在使用 Pandas 库时，对一个 Series 对象进行了布尔运算，而 Pandas 不知道如何判断这个 Series 对象的真假值。要解决这个问题，可以使用 `any()` 或 `all()` 函数来判断一个 Series 对象的真假值，或者使用 `isna()` 或 `notna()` 函数来判断 Series 中的元素是否为 NaN 值。例如，你可以这样修改代码： ```

Memcached缓存机制分享.ppt

主要讲述的是Memcached的缓存机制、内存分配和适用条件等；并不包括如何下载安装、适用维护和具体的参数设置等这些东东；还请仔细甄别，莫做无谓下载，呵呵

itilv3中文版下载

ITIL v3是IT服务管理的一套最佳实践框架，已经广泛应用于企业和组织中。ITIL v3主要包括服务策略、服务设计、服务过渡、服务运营和持续服务改进等方面。这个框架的最终目的就是提高IT服务的效率和质量，让企业和组织更好地满足业务需求。 ITIL v3中文版下载可以在官方网站或者其他IT技术网站上获取。目前ITIL框架又迎来了最新的版本——ITIL 4，尽管ITIL v3仍然可以使用，但是IT

那里可以下载原生安卓rom包

可以在官方网站或第三方ROM网站下载原生安卓ROM包。以下是一些常用的下载网站： 1. Google官方ROM下载页面：https://developers.google.com/android/images 2. XDA Developers：https://www.xda-developers.com/ 3. LineageOS：https://download.lineageos.or

有大牛分享mt4观摩账户跟单

MT4观摩账户跟单是一种可以让交易者观察其他交易者操作并复制他们交易决策的工具。如果有大牛分享MT4观摩账户跟单，那么就意味着交易者可以学习这些成功交易者的交易策略、技巧和实践经验，找到更有效的买卖点和更优质的交易机会。这些大牛的分享可谓宝贵，但需要交易者们留心一些注意点。首先，他们的交易经验和技巧仅针对他们个人而言，并不意味着适用于其他交易者，因此不能一概而论。其次，交易者们应该按照自己的交

weixin_38550334

粉丝: 2
资源: 953

会员权益专享

恒比定时甄别器（CFD）电路具体实现探讨

评论1

会员权益专享

最新资源

恒比定时甄别器（CFD）电路具体实现探讨

评论1

怎么一步一步甄别代码？

大学生学术论文查重系统的设计开发与应用实现

tcs3200 单片机

gnss 信号兼容捕获算法

MixSIAR贡献率结果怎么看

ssd1306中文手册下载

if (arr[10] != 0) and iloc[19] is None: File "D:\可信甄别\venv\lib\site-packages\pandas\core\generic.py", line 1466, in __nonzero__ raise ValueError( ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

Memcached缓存机制分享.ppt

itilv3中文版下载

那里可以下载原生安卓rom包

有大牛分享mt4观摩账户跟单

会员权益专享

最新资源

if (arr[10] != 0) and iloc[19] is None: File "D:\可信甄别\venv\lib\site-packages\pandas\core\generic.py", line 1466, in nonzero raise ValueError( ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().