深圳市东一思创电子有限公司
新闻中心 News
地址:深圳南山区科技园宝深路
科陆大厦A座7层1室
电话: 86-137-1043-7004
传真:0755-3305 2686
News 新闻中心
在车里给智能手机充电确实存在安全隐患——接头有时并不适用,适配器可能会丢失,充电线可能会缠在一起,在开车时将手机和充电线连接在一起是非常危险的,而且USB连接器的电量也很低。移动设备通过molex莫仕代理商无线充电可以快速高效地充电。只要将移动设备放置在一个布有多线圈系统的充电托盘上,就能成功对设备进行充电。 根据爱立信的一份移动报告,到2023年将有72亿智能手机用户。这意味着,在未来几年内,全球近90%的人都将拥有手机。如今,大多数人无法习惯在开车时没有手机,最近的研究显示,70%的人在开车时使用手机。除了打电话,人们还用手机进行导航,听音乐广播,语音短信,视频通话,还有通过手机控制车辆的座椅和空调等。手机在开车时的使用促使许多汽车制造商在车内提供WiFi。 随着手机屏幕尺寸的增大,手机使用量的增加,电池的消耗也相应增长。十年前,充满电的手机电池可以使用一周左右。如今,智能手机的平均电池寿命是一天。而手机电量不足会引起人们的焦虑情绪。这使得车载充电成为汽车制造商需要考虑的一个重要话题。 在驾驶过程中能够安全的使用智能手机,已经成为了衡量驾驶体验的重要部分。尽管移动和汽车行业已经成功开发出先进的车载通信技术,但这些设备的耗电特性带来了一个全新的挑战: 如何在没有繁琐电缆的情况下为车内的智能手机充电? 在车里给智能手机充电确实有安全隐患——接...
发布时间: 2020 - 03 - 18
浏览次数:226
莫仕展示面向未来的基础设施与 CoreSync 集成构建平台,其认证安装商构成的全球性网络具有独一无二的能力,能够对 2020 年数字化转型期间的业务需求作出迅速的响应。molex莫仕代理商面向未来的基础设施是实现智能楼宇、高性能数据中心、5G 以及工业 4.0 的基础所在。 作为结构化布线与高速数据技术领域的先驱,莫仕生产一系列铜缆和光缆结构化布线解决方案构成的综合性的产品组合。在提供企业网络解决方案以及为全球一些规模最大的商业组织提供 IP 的融合方面,莫仕拥有超过三十年的丰富经验。 莫仕的结构化布线设计可实现具有最高的性能、效率与可靠性的网络基础设施。莫仕的网络基础设施可以为本地的数字装置和原有系统提供节能的 IP 连接能力,并且针对高速数据传输和企业预置的边缘网络进行了优化。莫仕还将重点展示其具有弹性的以太网供电分布式网络,为电源实现极高的可用性、提供不间断的服务,并且降低运营费用。  莫仕为以太网供电 (PoE) 分布式网络提供的解决方案在低压分类布线上即可将电力及信号输送到各个端点,这些端点包括了 LED 照明、暖通空调控制、摄像头以及其他一些本地联网设备。高速结构化布线解决方案为全...
发布时间: 2020 - 03 - 18
浏览次数:23
当今,诸如机器学习、数据库加速和高速网络处理等应用程序正在推动对定制加速器的需求。FPGA(现场可编程阵列)通过协同专用硬件加速器能凸显灵活性,并很好地满足这些需求。  当今,诸如机器学习、数据库加速和高速网络处理等应用程序正在推动对定制加速器的需求。FPGA(现场可编程阵列)通过协同专用硬件加速器能凸显灵活性,并很好地满足这些需求。  BittWare设计和制造的PCIe卡片和服务器采用了来自顶级供应商(包括Intel和Xilinx)的最新FPGA和系统芯片(SoCs)。这些前沿设备通过多个100千兆的串行接口、封装上的高带宽内存(HBM2)和板载DDR4,以及广泛的其他高速接口,提供了优越的性能。FPGA包括一个具有数百万逻辑元件的硬件可编程结构,专用的固定和浮点处理器,甚至还有用于SoC功能的嵌入式ARM微处理器。  FPGA本身就非常强大,然而,要最大限度地发挥它潜力需要配合电路、设备和连接这些设备的专业知识。BittWare 30年的经验具有无可比拟的价值,在我们协助客户应对一些挑战时,FPGA解决方案总能在以下几个方面发挥其作用:1、确保超高速通信的信号完整性2、研发热设计来确保这些大型硅器件处于低温状态3、创新定制配件,可以定制独特的外部设备的通用FPGA技术4、允许客户使用复杂的板卡管理控制器(BMC),从...
发布时间: 2020 - 03 - 13
浏览次数:100039
在深度学习变得普遍之前的2010年,感知是molex连接器自动驾驶汽车能力的主要限制,但2014年之后基于深度学习的雷达技术、相机还有激光雷达,带来了技术性能的不断提升——那么无人驾驶汽车下一步还会迎来哪些挑战呢?  在过去的十年里,自动驾驶领域对机器学习的大部分对话都集中在对象检测上。对安全导航至关重要的是,我们如何才能提高自动驾驶汽车检测和跟踪动态物体的能力?在2010年,当深度学习变得普遍之前,感知是自动驾驶汽车能力的主要限制。其中ImageNet的分类精度在当时作为最先进的解决方案只能达到50%的准确率(相比之下,今天的准确率为88%)。虽然ImageNet分类并不能与当前最先进的目标检测技术相提并论,但它确实代表了计算机视觉的进步。  直到2012年,AlexNet成为ImageNet竞赛的首批参赛者之一,它利用卷积神经网络进行深度学习。AlexNet在当年的ImageNet竞赛上达到了最先进的精度,成为计算机视觉领域最有影响力的方法。  从2014年开始,基于深度学习(Deep Learning)的雷达技术、相机还有激光雷达,都开始悄悄进入自动驾驶领域。谷歌的自动驾驶汽车与一位坐轮椅的女士用扫帚追赶一只鸭子的奇遇,成为有史以来挑战感知技术的一个著名例子。  如今,基于深度学习的感知技术在自动...
发布时间: 2020 - 03 - 11
浏览次数:45
公司地址:深圳市南山区科技园北区宝深路科陆大厦A座7楼701

Copyright ©2019 - 2021 深圳市东一思创电子有限公司
犀牛云提供企业云服务