ETA7014V1.1：高电压36V过电压保护器

需积分: 42 36 下载量 171 浏览量 更新于2024-09-08 收藏 760KB PDF 举报
ETA7014V1.1.pdf 是一份关于ETA7014高压过电压保护器的技术规格文档。 ETA7014是一种36伏的高电压过电压保护器（OVP），它拥有极低的35毫欧姆导通电阻。通过改变外部连接方式，该器件可以被用作OVP设备或高电压开关。这款集成电路由一个充电泵、可配置的功率MOSFET、电压参考源、栅极驱动器以及一些逻辑和保护模块组成。当输入电压出现尖峰时，ETA7014能迅速响应，在0.1微秒内关闭开关，并能承受高达20伏的电压尖峰。该芯片采用SOT23-6封装。 关键特性包括： 1. 36伏的隔离电压：这保证了在高电压环境下工作的安全性。 2. 35毫欧姆的低导通电阻：这意味着在开关操作中会有很低的功率损耗，提高了效率。 3. 输入过电压保护（OVP）：具备快速响应时间，能在0.1微秒内对输入电压突变做出反应。 4. 保护电压可编程：通过Vfb引脚设定为1.26伏，用户可以根据需求调整保护阈值。 5. 短路保护（SCP）和过温保护（OTP）：确保设备在异常条件下得到保护，延长使用寿命。 6. 可用的使能引脚：用于开关的开/关控制，便于系统管理。 应用领域广泛，涵盖了所有带直流电源插头的电子设备，如电子烟、车载摄像头、手机等。 订购信息中提到，ETA7014S2G型号采用SOT23-6封装，每卷3000个，顶部标记为MA|YW(YW代表日期代码)。 此外，文档还提供了PIN配置信息和绝对最大额定值，确保在设计电路时遵循正确的电气限制，以避免损坏芯片。SOT23-6封装的绝对最大额定值是设计者必须考虑的重要参数，以确保在各种工作条件下的稳定性与可靠性。 总结来说，ETA7014是一款高性能的过电压保护解决方案，适用于需要高电压保护和低损耗开关功能的应用。其快速响应时间、可编程性和多种保护功能使其在便携式电子设备和汽车电子系统等领域具有广泛应用前景。在实际应用中，设计者需要根据具体要求选择合适的封装和配置，同时注意遵守器件的电气和环境限制。

ETA4056规格书

2021-01-26 上传
ETA4056高压锂电池充电IC的数据手册

ETA9635使用说明资料

2017-09-12 上传
ETA9635使用说明资料 ，很不错的一个电源芯片，电源管理能效专家！很好的Soc移动电源解决方案，提供基本电路设计参考，

ETA6003移动电源介绍

2018-03-07 上传
ETA6003移动电源介绍ETA6003移动电源介绍ETA6003移动电源介绍

转成matlab：self.eta = self.eta_max if kwargs.get('first_iter',False) and not self.linesearch_first: self.eta = kwargs.get('eta_first',1) loss_diff = 1 while loss_diff > 0: loss_diff, temp_embedding, delta = self._linesearch_once( update_embedding_with,grad,calc_loss,loss,**kwargs) if self.eta <= self.eta_min and loss_diff > 0: loss_diff, temp_embedding, delta = self._linesearch_once( update_embedding_with,grad,calc_loss,loss,**kwargs) loss_diff = -1 self.eta *= 2 update_embedding_with(new_embedding=temp_embedding) return delta

2023-05-22 上传
self.eta = self.eta_max; if isfield(kwargs,'first_iter') && kwargs.first_iter && ~self.linesearch_first self.eta = kwargs.eta_first; end loss_diff = 1; while loss_diff > 0 [loss_diff, temp_embedding...

怎么用python将下面代码中的dw,db改为私有属性import numpy as npimport matplotlib.pyplot as pltfrom HelperClass.DataReader_1_0 import *file_name = "../../data/ch04.npz"class NeuralNet_0_1(object): def __init__(self, eta): self.eta = eta self.w = 0 self.b = 0 def __forward(self, x): z = x * self.w + self.b return z def __backward(self, x,y,z): dz = z - y db = dz dw = x * dz return dw, db def __update(self, dw, db): self.w = self.w - self.eta * dw self.b = self.b - self.eta * db def train(self, dataReader): for i in range(dataReader.num_train): # get x and y value for one sample x,y = dataReader.GetSingleTrainSample(i) # get z from x,y z = self.__forward(x) # calculate gradient of w and b dw, db = self.__backward(x, y, z) # update w,b self.__update(dw, db) # end for def inference(self, x): return self.__forward(x)# end classdef ShowResult(net, dataReader): X,Y = dataReader.GetWholeTrainSamples() # draw sample data plt.plot(X, Y, "b.") # draw predication data PX = np.linspace(0,1,10) PZ = net.inference(PX) plt.plot(PX, PZ, "r") plt.title("Air Conditioner Power") plt.xlabel("Number of Servers(K)") plt.ylabel("Power of Air Conditioner(KW)") plt.show()if __name__ == '__main__': # read data sdr = DataReader_1_0(file_name) sdr.ReadData() # create net eta = 0.1 net = NeuralNet_0_1(eta) net.train(sdr) # result print("w=%f,b=%f" %(net.w, net.b)) # predication result = net.inference(1.346) print("result=", result) ShowResult(net, sdr)

2023-03-22 上传
self.eta = eta self.w = 0 self.b = 0 self.__dw = 0 self.__db = 0 def __forward(self, x): z = x * self.w + self.b return z def __backward(self, x, y, z): dz = z - y self.__db = dz self.__...

转成matlab： def _apply_linesearch_optimzation(self, update_embedding_with, grad, calc_loss, loss, **kwargs): self.eta = self.eta_max if kwargs.get('first_iter',False) and not self.linesearch_first: self.eta = kwargs.get('eta_first',1) loss_diff = 1 while loss_diff > 0: loss_diff, temp_embedding, delta = self._linesearch_once( update_embedding_with,grad,calc_loss,loss,**kwargs) if self.eta <= self.eta_min and loss_diff > 0: loss_diff, temp_embedding, delta = self._linesearch_once( update_embedding_with,grad,calc_loss,loss,**kwargs) loss_diff = -1 self.eta *= 2 update_embedding_with(new_embedding=temp_embedding) return delta def _linesearch_once(self, update_embedding_with, grad, calc_loss, loss, **kwargs): delta = self._calc_delta(grad) temp_embedding = update_embedding_with(delta=delta,copy=True) loss_diff = calc_loss(temp_embedding) - loss self.eta /= 2 return loss_diff, temp_embedding, delta

2023-06-02 上传
eta = self.eta_max; if nargin > 4 && varargin{1} && ~self.linesearch_first eta = varargin{2}; end loss_diff = 1; while loss_diff > 0 [loss_diff, temp_embedding, delta] = self._linesearch_once...

eta9472 pdf

2023-07-28 上传
eta9472 pdf 是一个文件的名称或标识符。具体来说，它指的是一个名为 "eta9472" 的文件，并且这个文件的格式是PDF（Portable Document Format，便携式文档格式）。PDF是一种用于展示和传输电子文档的文件格式，它...

分析代码：Float approx_1 = dr::fmadd(0.0636f, inv_eta, dr::fmadd(eta, dr::fmadd(eta, -1.4399f, 0.7099f), 0.6681f));

2023-06-02 上传
1. 计算 `eta * (eta * -1.4399f + 0.7099f) + 0.6681f` 的结果，其中 `eta` 是一个浮点数变量，`-1.4399f`、`0.7099f` 和 `0.6681f` 是常量。 2. 计算 `0.0636f * inv_eta + (1)` 的结果，其中 `0.0636f` 是一个...

self.eta1 = torch.nn.Parameter(torch.tensor(1.))是什么意思

2023-06-12 上传
这行代码是在定义一个类的构造函数中，创建了一个名为eta1的可训练参数（trainable parameter），并将其初始化为1.0。其中torch.nn.Parameter是PyTorch中用于创建可训练参数的类，torch.tensor是PyTorch中用于创建...

请解释以下代码所完成的功能：if nargin<2 fprintf('Usage: pklt(noisyfile.wav,outFile.wav) \n\n'); return; end vad_thre= 1.2; mu_vad= 0.98; [noisy_speech, Srate, NBITS]= wavread( noisy_file); subframe_dur= 4; len= floor( Srate* subframe_dur/ 1000); P= len; frame_dur= 32; N= frame_dur* Srate/ 1000; Nover2= N/ 2; K= N; frame_window= hamming( N); subframe_window= hamming( P); eta_v= .08;

2023-05-15 上传
这段代码是一个 Matlab 函数，其功能是对输入的含噪语音信号...5. 设置帧窗和子帧窗，以及信号增强算法中的参数 eta_v。 总的来说，这段代码是一个语音信号预处理的模块，其目的是为了提高后续信号处理算法的准确性。
gaopanhome
  • 粉丝: 2
  • 资源: 10
上传资源 快速赚钱

最新资源