Досліджено вплив скандію на емісійні властивості матриці кремнієвих автоемітерів (КА) у надвисокому вакуумі. Показано, що присутність скандію помітно впливає як на абсолютне значення струму емісії, так і на його стабільність у часі, причому залежно від його кількості на поверхні вплив може бути як позитивним, так і негативним. Результати експериментальних досліджень свідчать про існування оптимальної кількості скандію на поверхні досліджуваного зразка. Останній у цьому випадку характеризується максимальною емісійною здатністю (ЕЗ) і високою стабільністю струму емісії. Зростання ЕЗ КА за присутності скандію пояснюється утворенням на їх поверхні складної хімічної сполуки, що сприяє зниженню загальної роботи виходу зразка.

Вплив електричного поля на емісійні властивості Sc-Ba металевопористих емітерів з W матрицею досдіджено у високому вакуумі. Показано, що зростання напруженості електричного поля, прикладеного до металевопористого емітера з W матрицею при постійній температурі, не призводить до суттєвої зміни хімічного складу емісійно-активної речовини.

Індекс рубрикатора НБУВ: Л92-309 + Л94-309

Рубрики:

Виробництво м'яса і м'ясних продуктів

Виробництво риби та рибних продуктів

Шифр НБУВ: Ж28079/рад.фіз.Ел. Пошук видання у каталогах НБУВ 

За допомогою середовища моделювання NI Multisim реалізовано та досліджено аналогову обчислювальну машину, що моделює перцептрон Румельхарта, що на теперішній час є найбільш дослідженим. За допомогою одержаної АОМ було апроксимовано математичну функцію sin(x). Аналіз результатів апроксимації показав, що реалізована АОМ задовольняє поставленій задачі і відповідає встановленій точності моделювання функції.

За допомогою середовища моделювання NI Multisim реалізовано і досліджено аналогові моделі нейронних мереж паралельної та послідовної топології, що прогнозують координати точок траєкторії руху об'єкта, кинутого під кутом до горизонту. Показано, що: нейронні мережі та їх аналогові моделі можуть бути успішно використані для прогнозування розвитку процесів у часі; універсальність нейронної мережі у прогнозуванні розвитку якогось процесу у часі полягає в тому, що мережа сталої топології з одним і тим самим алгоритмом навчання може прогнозувати різні етапи розвитку процесу; для підвищення точності прогнозу для кожного етапу розвитку процесу необхідно знову навчати нейронну мережу для уточнення значень вагових коефіцієнтів; під час вибору топології ШНМ перевагу слід надати паралельній, оскільки послідовна топологія є більш складною в реалізації ніж паралельна, хоча остання має більшу кількість компонентів і меншу точність прогнозування.