一、RC低通网络 网络函数(转移电压比)的频率响应

• 8.1 拉普拉斯变换及其重要性质 • 8.2 拉普拉斯反变换的部分分式法 • 8.3 两类约束的复频域形式 • 8.4 复频域分析法 • 8.5 网络函数及其应用

9电路的频率特性 9-1电路的频率特性与网络函数 9-2RC电路的频率特性 9-3RLC串联谐振电路 9-4GCL并联谐振电路 9-5电源电阻及负载对谐振电路的影响

第九章拉普拉斯变换、卷积积分、状态方程 主要内容: (1)拉氏变换的定义及基本性质; (2)拉氏反变换方法(分解定理); (3)运算电路及初始条件的转换; (4)网络函数及零极点分析; (5)卷积积分; (6)状态方程的建立

第11章电路的频率响应 本章重点 11.1网络函数 11.2RLC串联电路的谐振 11.3RLC串联电路的频率响应 11.4RLC并联谐振电路 11.5波特图 11.6滤波器简介

11.1网络函数 11.2RLC串联电路的谐振 11.3RLC串联电路的频率响应 11.4RLC并联谐振电路 11.5波特图 11.6滤波器简介

11.1 网络函数 11.2 RLC串联电路的谐振 11.3 RLC串联电路的频率响应 11.4 RLC并联谐振电路 11.5 波特图 11.6 滤波器简介

9-1电路的频率特性与网络函数 9-2RC电路的频率特性 9-3RLC串联谐振电路 9-4GCL并联谐振电路 9-5电源电阻及负载对谐振电路的影响

6.1二端口网络的方程与参数 6.2二端口网络的连接与等效 6.3二端口网络的网络函数与特性阻抗

采用贝叶斯统计学原理改进传统神经网络算法,通过在神经网络的目标函数中引入表示网络结构复杂性的约束项,避免网络的过拟合以提高网络的泛化能力.将改进的神经网络应用于济钢1700mm热连轧机带钢厚度预测中,其预报精度、训练时间和网络稳定性均优于传统神经网络预测;然后应用贝叶斯神经网络预测带钢塑性系数;最后将出口带钢厚度和带钢塑性系数的实时预测值综合应用于带钢热连轧厚度控制系统,改进了传统的厚度控制方式,进一步提高带钢质量