LC VCO电感电容压控振荡器:详细设计文档、电路文件与特性介绍,基于工艺文件介绍的高级LCVCO设计解析及其技术参数指南,LC VCO电感电容压控振荡器LC振荡器1.有电路文件,带工艺库PDK
资源文件列表(大概)
资源内容介绍
LC VCO电感电容压控振荡器:详细设计文档、电路文件与特性介绍,基于工艺文件介绍的高级LCVCO设计解析及其技术参数指南,LC VCO电感电容压控振荡器LC振荡器1.有电路文件,带工艺库PDK2.有设计文档,PDF,原理和仿真介绍都有,参数设置教程,仿真状态设置工艺:tsmc18rf供电电压: 1.8V中心频率: 2.4GHz相位噪声: <-110dBc Hz功耗: <10mW锁相环 pll cppll,核心关键词:1. LC VCO电感电容压控振荡器;2. LC振荡器;3. 电路文件;4. 工艺库PDK;5. tsmc18rf;6. 供电电压1.8V;7. 中心频率2.4GHz;8. 相位噪声-110dBc Hz;9. 功耗<10mW;10. 锁相环(PLL);11. PLL CPPLL。,基于LC VCO电感电容压控振荡器:TSMC18RF工艺下的低功耗高稳定振荡器设计用户评论 (0)
相关资源
“基于WINCC的嵌入式报表系统:功能强大且灵活的数据展示与处理工具”,基于WINCC的历史归档数据报表系统:实时数据展示、多种报表类型与数据处理功能,wincc嵌入式报表一、功能介绍该报表系统能
“基于WINCC的嵌入式报表系统:功能强大且灵活的数据展示与处理工具”,基于WINCC的历史归档数据报表系统:实时数据展示、多种报表类型与数据处理功能,wincc嵌入式报表一、功能介绍该报表系统能够读取WINCC中历史归档数据,产生出EXCEL报表文件,同时在画面中EXCEL控件实时显示。该报表系统有如下优点:1、 该报表系统具备日报表、月报表、年报表、自由报表(任意时间段)功能。2、 报表读取的数据是WINCC自带的变量记录数据库,不需要第三方数据库。3、 该报表系统能在不同的项目之间移植,过程简单。4、 生成的EXCEL文件是基于模板文件生成的,模板文件修改容易,效果直观。5、 数据读取时,进行了适当的筛选和处理。只读取有效数据,数据质量不合格的将被舍弃。数据处理有3种方式:实时、平均、累计。6、 日、月、年报表数据来源可以相互独立。7、 该报表系统在画面中集成了EXCEL控件,能实时显示生成的报表文件。,wincc嵌入式报表;读取wincc历史数据;生成excel报表文件;实时显示;数据移植;模板生成;筛选处理;实时、平均、累计数据处理;报表数据独立。,
高斯过程回归预测模型GPR实现多特征输入单变量输出的拟合预测模型(Matlab实现,详细注释,Excel数据替换即用),高斯过程回归预测模型GPR实现多特征输入单变量输出拟合预测的Matlab程序,利
高斯过程回归预测模型GPR实现多特征输入单变量输出的拟合预测模型(Matlab实现,详细注释,Excel数据替换即用),高斯过程回归预测模型GPR实现多特征输入单变量输出拟合预测的Matlab程序,利用高斯过程回归预测模型GPR建立多特征输入单个因变量输出的拟合预测模型。程序内注释详细,直接替excel数据就可以使用。程序语言为matlab。,核心关键词:高斯过程回归预测模型GPR; 多特征输入; 单个因变量输出; 拟合预测模型; 程序内注释详细; Matlab程序; 替换excel数据使用。,MATLAB高斯过程回归模型:多特征输入与单因变量输出的拟合预测程序
西电2023秋季机器学习期末复习资料
老师考前给的问题和笔者自己整理的答案。
elsevier投稿模板Latex压缩包
elsevier投稿模板Latex压缩包,下载即可用。
华南理工大学深度学习考试历年真题.zip
华南理工大学深度学习考试历年真题,五套真题试卷,18年和19年
已整理标注,汽车仪表盘数据集.zip
项目需求要对汽车仪表盘的字符识别,从网上选取的仪表盘位置比较清晰的数据集
MediaPipe人脸关键点检测
使用google制作的开源框架检测人脸关键点
哈工大停用词表hit_stopwords
哈工大停用词表hit_stopwords
多类别语义分割U2net
1、SOD的多类别语义分割2、将作者二类别语义分割改为多类别语义分割3、具体可参考文章:https://blog.csdn.net/jin__9981/article/details/1327120934、文章展示了多类别效果、代码修改内容、可行性
清华大学104页《DeepSeek:从入门到精通》.pdf
清华大学104页《DeepSeek:从入门到精通》.pdf
DeepSeek:从入门到精通,清华大学新闻与传播学院,104页PDF
DeepSeek:从入门到精通,清华大学新闻与传播学院,104页PDF
大规模语言模型:从理论到实践
大规模语言模型(Large Language Models,LLM),也称大规模语言模型 或大型语言模型 ,是一种由包含数百亿以上参数的深度神经网络构建的语言模型,使用自监督学习方法通过大量无标注文本进行训练。自 2018 年以来,Google、OpenAI、Meta、百度、华为等公司和研究机构都相继发布了包括 BERT[1],GPT[6] 等在内多种模型,并在几乎所有自然语言处理任务中都表现出色。2019 年大模型呈现爆发式的增长,特别是 2022 年 11 月 ChatGPT(Chat Generative Pre-trained Transformer)发布后,更是引起了全世界的广泛关注。用户可以使用自然语言与系统交互,从而实现包括问答、分类、摘要、翻译、聊天等从理解到生成的各种任务。大型语言模型展现出了强大的对世界知识掌握和对语言的理解。