Zobrazeno 1 - 10
of 112
pro vyhledávání: '"Šimic, Marko"'
Autor:
Šimic, Marko, Herakovič, Niko
Publikováno v:
10th International Fluid Power Conference (10. IFK) March 8-10, 2016. 1:49-58
Main purpose of the paper is to present high-response hydraulic linear drive, which is controlled with new digital piezo valve and where the new position transducer is integrated as a part of hydraulic cylinder. Hydraulic digital piezo valve with mai
Externí odkaz:
https://tud.qucosa.de/id/qucosa%3A29291
https://tud.qucosa.de/api/qucosa%3A29291/attachment/ATT-0/
https://tud.qucosa.de/api/qucosa%3A29291/attachment/ATT-0/
Manufacturers of nanoparticle-based products rely on detailed information about critical process parameters, such as particle size and size distributions, concentration, and material composition, which directly reflect the quality of the final produc
Externí odkaz:
http://arxiv.org/abs/2307.05369
Optofluidic force induction (OF2i) is an optical nanoparticle characterization scheme which achieves real-time optical counting with single-particle sensitivity and high throughput. In a recent paper [\v{S}imi\'c et al., Phys. Rev. Appl. 18, 024056 (
Externí odkaz:
http://arxiv.org/abs/2302.02612
Autor:
Šimić, Marko, Auer, Doris, Neuper, Christian, Šimić, Nikola, Prossliner, Gerhard, Prassl, Ruth, Hill, Christian, Hohenester, Ulrich
Publikováno v:
Phys. Rev. Appl. 18, 024056 (2022)
We propose and demonstrate a novel scheme for optical nanoparticle characterization, optofluidic force induction (OF2i), which achieves real-time optical counting with single-particle sensitivity, high throughput, and for particle sizes ranging from
Externí odkaz:
http://arxiv.org/abs/2206.13793
Autor:
Ghedini, Lorenzo, Polenghi, Adalberto, Roda, Irene, Simic, Marko, Jankovic, Denis, Herakovic, Niko
Publikováno v:
In IFAC PapersOnLine 2024 58(8):335-340
Publikováno v:
In Advanced Engineering Informatics January 2024 59
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Schmidt, Maximilian, Simic, Marko
Flow-based deep generative models learn data distributions by transforming a simple base distribution into a complex distribution via a set of invertible transformations. Due to the invertibility, such models can score unseen data samples by computin
Externí odkaz:
http://arxiv.org/abs/1906.06904
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.