简介:摘要自从塑料材料产生被人们利用以来,用途范围越来越广泛,大凡人们使用的工具、器械和机电设备以以及日常用具,有的是部件的外壳,有的是工具设备的全部外壳,都是有塑料材料制成的,塑料壳件因匹配的工具设备形态、大小和用途不同,其造型设计上就产生了大小不一,有薄有厚,凸凹不平,形状多样;根据塑料壳件的具体使用标准,选用的塑料壳件的强度、韧度和耐腐蚀、抗震性能也不一样,所有这些因素和条件,在产品设计中,都要做充分的考虑进行选择,以优化制作工艺和壳件结构,更好的方便人们生产生活中的应用。本文结合智能马桶、小家电、笔记本电脑、常用工具的柄把等塑料外壳件为典型设计制作案例,认真分析塑件壁厚工艺、脱模斜度工艺、凹孔工艺、凸台工艺、卡扣工艺等方面技术需求,设计相应的技术工艺,优化塑料壳件的成型结构,使生产的壳件产品更加优质,方便应用,以促进人们生活质量的不断提高。
简介:摘要当前的深度学习方法使用在基于大型图形处理单元(GPU)的计算机上训练的卷积神经网络(CNN)非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中,评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构,高性能计算(HPC)来自动确定网络拓扑结构,以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制,实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明,量子计算机可以在网络复杂度增加的情况下,在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中,神经形态计算机可以表示其他结构的复杂拓扑结构和权值。
简介:摘要当前的深度学习方法使用在基于大型图形处理单元(GPU)的计算机上训练的卷积神经网络(CNN)非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中,评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构,高性能计算(HPC)来自动确定网络拓扑结构,以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制,实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明,量子计算机可以在网络复杂度增加的情况下,在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中,神经形态计算机可以表示其他结构的复杂拓扑结构和权值。
简介:摘要线路脆弱性风险分析,是电力系统安全管理的主要构成部分,具有预测性、系统性、以及综合性等特征,是当前电网系统复杂性分析的主体分支。基于此,本文结合电力系统复杂网络特征,着重对线路脆弱性风险的评估进行探究,实现电力系统安全供应的效果,电力传输速率稳定、有序传输的目的。