-
公开(公告)号:CN116647122A
公开(公告)日:2023-08-25
申请号:CN202310375926.8
申请日:2023-04-10
Applicant: 北京智芯微电子科技有限公司 , 北京理工大学 , 中关村芯海择优科技有限公司
Abstract: 本发明属于电源管理技术领域,涉及一种基于双比较器的低成本的降压型DC‑DC变换器,包括控制模块、驱动电路、功率级、复用比较器、零电平比较器、数字开关及延时单元。所述控制模块与驱动电路相连,驱动电路与功率级相连,功率级与复用比较器和零电平比较器相连,复用比较器和零电平比较器的输出信号共同控制驱动功率级;所述复用比较器的正相和反相输入端通过数字开关切换,将所需电流降低三分之一,并通过反相输入端的MOS管源极串联电阻设置失调电压。所述变换器只包含MOS管和电阻,无大电容,低成本且低功耗,输出电压稳定,电压纹波小;所述降压型DC‑DC变换器通过片外RC吸收电路对振铃进行抑制,防止功率管击穿。
-
公开(公告)号:CN116155095A
公开(公告)日:2023-05-23
申请号:CN202310193726.0
申请日:2023-02-28
Applicant: 北京理工大学
Abstract: 本发明涉及一种数字化的无片内电阻电容的降压型DC‑DC变换器,属于电源管理技术领域。包括数字控制逻辑、驱动模块、误差比较器、高钳位比较器、低钳位比较器、延时模块及功率开关管。提出一种数字化的基于比较器和数字单元的结构,使用纯MOS管,片内无电阻电容,实现低功耗、高效率的DC‑DC变换器;且电路实现简单,无复杂的模拟模块,只有3个比较器、1个数字控制逻辑、1个数字驱动级、1个功率级和3个相同延时模块,降低电源芯片的总体功耗和硬件成本。DC‑DC变换器在1.8~3.6V的输入电压范围内,可得到1.2~2.8V的稳定输出电压,在负载电流0~50mA、工艺角和温度变化下的峰峰值纹波小于7mV;在重载(50mA)时电源效率可达90%以上,轻载(1mA)时可达73%以上。
-
公开(公告)号:CN119939321A
公开(公告)日:2025-05-06
申请号:CN202510134555.3
申请日:2025-02-07
Applicant: 北京理工大学 , 首都医科大学附属北京安定医院 , 北京一术科技有限公司
IPC: G06F18/24 , G06F18/15 , G06F18/213 , G06F18/214 , G06N3/0464 , G06F17/18 , G06F18/22 , G06N3/048
Abstract: 本发明涉及人工智能及生物特征识别技术领域,提出了一种基于神经网络的生物特征识别装置及方法。所述一种基于神经网络的生物特征识别装置,包括传感器模块,用于采集肌肉电信号及姿态信号;信息采集模块用于模拟预处理采集到的传感器信号并进行模数转换及数据传输;样本扩增模块,用于样本筛选以及数据扩增判断与选择及扩增;处理器用于数据预处理、数据存储、特征提取及神经网络分类;显示及输出模块用于反馈结果;处理器中的神经网络模块实现轻量、准确的生物特征识别;所述装置及方法解决了生物特征识别中样本数量不足且能够用于存储资源首先的环境下,进行更有效及更准确的识别人体生物信号。
-
公开(公告)号:CN116683891A
公开(公告)日:2023-09-01
申请号:CN202310660524.2
申请日:2023-06-06
Applicant: 北京理工大学 , 北京智芯微电子科技有限公司 , 中关村芯海择优科技有限公司
Abstract: 本发明属于倍频器技术管理领域,涉及一种基于三角波‑电阻相位插值的十倍频电路,包括四相方波发生器、四相三角波发生器、三角波‑电阻相位插值模块。所述四相三角波发生器利用共模反馈结构使三角波信号的中心电压稳定在电源电压的一半,鲁棒性高。所述三角波‑电阻相位插值中主要模块为五段电阻相位生成模块,该模块由无源器件电阻、模拟电路比较器以及数字电路组成,简化了电路结构,降低了电路的功耗。实验结果显示,当电源电压为1.2V,输入电流为5μA,输入信号频率为16MHz,温度在‑40℃~90℃变化,工艺角在TT、FF、SS切换时,输出信号的频率为160MHz,频率误差在‑6.25%~+7.5%以内,电路的整体功耗为0.72mW,输入功率为‑2.0dBm,输出功率为‑12.9dBm,倍频效率为4.40%。
-
公开(公告)号:CN116894219A
公开(公告)日:2023-10-17
申请号:CN202310847201.4
申请日:2023-07-12
Applicant: 北京理工大学
IPC: G06F18/2431 , G06F18/211 , G06F18/2113 , G06F18/214 , G16H50/20 , G06F17/18 , A61B5/16
Abstract: 本发明属于机器学习、数据表示与分类技术领域,尤其涉及一种基于双重特征选择的情绪障碍疾病多分类方法。所述方法对客观数据进行特征提取,每一条客观数据得到一条特征数据;将得到的特征数据进行双重特征选择,得到待分类数据;所述双重特征选择第一次特征选择使用KS检验和最大互信息系数MIC计算特征的综合评分,挑选每两类之间的有效特征;所述综合评分为差异度评分与相关度评分的加权和;所述第二次特征选择每两类间的有效特征作为双重特征选择后的待分类数据;将待分类数据进行训练,得到训练好的模型;将测试集送入训练好的模型中进行测试,得到分类结果;所述方法依托特征选择提升分类准确性,实现了情绪障碍疾病的高准确率识别。
-
-
-
-