请帮忙看看这是什么原件

起初神创造天地

起初神创造天地

型号；大的：LDA-L2006ZB.   小的；p-1207ya 。  

梅其仁

看不清呵呵

HAIXIANG

从哪里拆下来的，可以分析一下

qq365418819

有可能是电容。

起初神创造天地

qq365418819 发表于 2012-7-25 16:04

                               
登录/注册后可看大图

有可能是电容。

用数字表不能测，指针表测有2级管特性，但正向电阻比硅管大。
型号；大的：LDA-L2006ZB.   小的；p-1207ya 。   

qq365418819

线性鉴别分析（Linear Discriminant Analysis），是信号处理中一种用来筛选所需信号的常用方法。 　　关于线性鉴别分析的研究应追溯到Fisher在1936年发表的经典论文（Fisher R A. The use of multiple measurements in taxonomic problems），其基本思想是选择使得Fisher准则函数达到极值的向量作为最佳投影方向，从而使得样本在该方向上投影后，达到最大的类间离散度和最小的类内离散度。在Fisher思想的基础上，Wilks和Duda分别提出了鉴别矢量集的概念，即寻找一组鉴别矢量构成子空间，以原始样本在该子空间内的投影矢量作为鉴别特征用于识别。 　　1970年Sammon提出了基于Fisher鉴别准则的最佳鉴别平面的概念。随后，Foley和Sammon进一步提出了采用一组满足正交条件的最佳鉴别矢量集进行特征抽取的方法。 　　1988年Duchene和Leclercq给出了多类情况下最佳鉴别矢量集的计算公式。 　　2001年Jin和Yang 从统计不相关的角度，提出了具有统计不相关性的最优鉴别矢量集的概念。与F-S鉴别矢量集不同的是，具有统计不相关性的最优鉴别矢量是满足共轭正交条件的，该方法被称为不相关的鉴别分析或Jin－Yang线性鉴别法。 　　以上提到的各种方法仅适用于类内散布矩阵非奇异(可逆)的情形，但实际应用中存在着大量的典型的小样本问题，比如在人脸图像识别问题中，类内散布矩阵经常是奇异的。这是因为待识别的图像矢量的维数一般较高，而在实际问题中难以找到或根本不可能找到足够多的训练样本来保证类内散布矩阵的可逆性。因此，在小样本情况下，如何抽取Fisher最优鉴别特征成为一个公认的难题[ 3～5，7～11，18～20 ]。 　　小样本情况下线性鉴别分析方法 　　近几年来关于小样本情况下线性鉴别分析方法的研究激起了人们的广泛兴趣，相继提出不少解决该类问题的方法。概括起来，这些方法可分为以下两类[18]： 　　1）从模式样本出发，即在模式识别之前，通过降低模式样本特征向量的维数达到消除奇异性的目的。基于这一思想的处理方法可分为两种：一是利用变换降维，典型的代表是Eigenfaces方法和增强Fisher线性鉴别模型法；二是通过降低图像的分辨率实现降维。第1种方法保留主分量上的投影信息，抛弃了次分量上的信息；第2种方法无疑会丢失图像的某些细节信息。即这两种降维方法虽然可以消除奇异性，但都是以鉴别信息的损失为代价的，因此无法保证所抽取的特征是最优的。 　　2）从算法本身入手，通过发展直接针对于小样本问题的算法来解决问题[ 4，5，7～9 ]。Hong等人提出的扰动法是一个近似算法，其基本思想是，当类内散布矩阵奇异时，通过对之进行一个小的扰动，使得扰动后的矩阵变为非奇异的，以扰动后的矩阵代替原来的类内散布矩阵进行鉴别矢量的求解，从而将问题转化为可逆的情形加以解决。与之不同的是， Liu 给出了一个精确算法， 称为正交补空间法。正交补空间法的弱点在于，每求解一个最优鉴别矢量，都需要回到原始样本空间内构造子空间的正交补空间，当原始样本空间的维数很大时，这一过程是异常耗时的。Chen等人提出的零空间法是在类内散布矩阵的零空间内寻找极大化类间散布量的一组标准正交的特征向量并将其作为投影轴。该方法抛弃了类内散布矩阵零空间之外的鉴别信息；类内散布矩阵的零空间之外的空间中仍然可能包含有效的鉴别信息； Yu等人提出了一种直接的线性鉴别分析方法，此方法利用了类内散布矩阵的零空间包含的鉴别信息，但同时又舍弃了类间散布矩阵的零空间；Yang等人提出了压缩变换方法。在不损失任何有效鉴别信息的前提下，求解最优鉴别矢量只需要在低维的欧氏空间内进行。在以上这些算法中，除Yang的压缩变换法，其他算法理论都存在着一个共同的弱点，那就是需要在原始维数空间中求最优鉴别矢量集，从计算上来看不适合处理高维空间中的问题。基于广义的Fisher线性判别准则， Yang等人提出压缩变换的方法，其本质是奇异情况下Fisher最优鉴别特征的抽取过程可分为两步进行：第1步，利用K-L 变换，以总体散布矩阵为产生矩阵，将高维的原始样本压缩为 维（ 表示总体散布矩阵的秩) ；第2步，在变换空间内，利用Fisher鉴别变换进行特征抽取。虽然 比原始空间维数小很多，但通常情况下， 仍然会很大，而实际上，并非产生矩阵所有特征向量都有很大的保留意义。

龙儿1

虽然看不清楚但是我觉得，这东西就是个电容。

王亚开

我看着怎么像压敏电阻呀？

区剑平

7楼说得太详细了。反推这应该用在工业自动化PLC、变频器、电机水阻起动或是软起动方面。家电应该是用在取样、比较差动电路。