-
公开(公告)号:CN109216536B
公开(公告)日:2022-05-10
申请号:CN201810930919.9
申请日:2018-08-15
Applicant: 河南科技大学
IPC: H01L41/047 , H01L41/09 , H01L41/29
Abstract: 本发明涉及一种正交异性压电陶瓷驱动器,包括圆形压电陶瓷基体和覆盖在压电陶瓷基体上、下表面上的电极,下表面电极与上表面电极相对压电陶瓷厚度方向的中间面完全对称设置,每个表面上的电极均包括电极一和电极二,电极一和电极二均为扇形叉指电极,同一表面上的电极一和电极二呈相互交叉排列设置,在压电陶瓷表面形成两个扇形电极区域,电极区域角能够根据驱动器作动范围进行调整,方向角能够根据驱动器作动方向进行调整,本发明可以实现在特定方向上的大位移输出或在特定方向上产生高能量的应力波信号,尤其适用于微驱动领域,能够提高精度、降低精密设备的实现难度。
-
-
公开(公告)号:CN109216536A
公开(公告)日:2019-01-15
申请号:CN201810930919.9
申请日:2018-08-15
Applicant: 河南科技大学
IPC: H01L41/047 , H01L41/09 , H01L41/29
Abstract: 本发明涉及一种正交异性压电陶瓷驱动器,包括圆形压电陶瓷基体和覆盖在压电陶瓷基体上、下表面上的电极,下表面电极与上表面电极相对压电陶瓷厚度方向的中间面完全对称设置,每个表面上的电极均包括电极一和电极二,电极一和电极二均为扇形叉指电极,同一表面上的电极一和电极二呈相互交叉排列设置,在压电陶瓷表面形成两个扇形电极区域,电极区域角能够根据驱动器作动范围进行调整,方向角能够根据驱动器作动方向进行调整,本发明可以实现在特定方向上的大位移输出或在特定方向上产生高能量的应力波信号,尤其适用于微驱动领域,能够提高精度、降低精密设备的实现难度。
-
公开(公告)号:CN108933546A
公开(公告)日:2018-12-04
申请号:CN201810930921.6
申请日:2018-08-15
Applicant: 河南科技大学
IPC: H02N2/00
CPC classification number: H02N2/0075
Abstract: 本发明涉及一种双螺旋电极压电陶瓷驱动器,包括压电陶瓷基体和覆盖在压电陶瓷上、下表面上的电极,每个表面的电极均包括平面螺旋状的电极一和电极二,同一表面上的电极一和电极二呈中心对称相互嵌套且互不接触地排列在压电陶瓷表面,上表面的电极一和下表面的电极一相对压电陶瓷基体厚度方向的中间面上下对称设置且相互连通后组成电极对Ⅰ,上表面的电极二和下表面的电极二相对压电陶瓷厚度方向的中间面上下对称设置且相互连通后组成电极对Ⅱ,本发明通过特殊排列的电极使用压电陶瓷的d33工作模式,结构简单,能够实现大位移或大驱动力的输出。
-
公开(公告)号:CN119046787A
公开(公告)日:2024-11-29
申请号:CN202410983027.0
申请日:2024-07-19
Applicant: 河南科技大学
IPC: G06F18/2415 , G06F18/213 , G06F18/25 , G06F18/214
Abstract: 本发明提供一种基于多阶段图融合网络的缺失模态情感分析方法,包括模型的构建和训练。在随机缺失一种模态和随机缺失多种模态的条件下,基于训练好的模型,本发明整体性能优于其他基线模型。此外,通过对模型进行消融实验减枝,经多次实验验证,本发明中的每个模块均具有显著的有效性,确保了每个模块在整体模型中的贡献和重要性。本发明能够搭建多模态情感分析模型并进行训练,基于训练好的模型,提升模型对随机缺失模态条件下情感分析的鲁棒性。
-
-
公开(公告)号:CN117408921A
公开(公告)日:2024-01-16
申请号:CN202311459854.1
申请日:2023-11-03
Applicant: 河南科技大学
IPC: G06T5/77 , G06N3/045 , G06N3/0475 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/094 , G06N3/084 , G06N5/04
Abstract: 本发明公开了一种基于生成对抗网络反演推理和自编码器的图像补全方法,属于人工智能领域,首先,设计了一个基于自编码器的GAN,通过训练生成器来学习从噪声到低维特征图的映射,将生成的特征图转换为高分辨率图像,从而降低了学习映射关系的难度。其次,采用基于学习的GAN反演来推断最接近的潜在代码,使用训练好的GAN重建完整的图像。最后,通过定量对比可知,当图像存在大面积破损时,本发明具有更高的补全质量。本发明采用上述的一种基于生成对抗网络反演推理和自编码器的图像补全方法,擅长从图像的内部挖掘信息,在已提前训练完成的生成式对抗网络模型的帮助下可生成更多的语义结果,从而产生更逼真、更合理的高分辨率图像结果。
-
-
-
-
-
-