關於 差動放大器分析 ，我們在網路上蒐集到這些相關的討論、資訊與評價

《6/30 大盤表現》
台北股市今天開高走高，最高衝上17797點，雖然尾盤稍微壓低，留上影線，但盤中與收盤都創歷史新高，最後上漲157點，收在17755點，成交量5341億元。最特別的是資金比重，電子、航運、鋼鐵，三足鼎立，其中電子量縮，被傳產擠壓，盤中主要權值股有撐盤但上漲無量，另一頭鋼鐵與航運，盤中根本就在上演搶資金大戰！

鋼鐵類股很罕見在的早盤，資金比重竟一舉衝到38%以上，擠壓航運的氣勢與資金，一度走低，但是此消彼長，隨著航運股的精神指標，貨櫃三雄先攻漲停，帶動同族群的股價，鋼鐵股反而被殺尾盤。不過觀察重點，低價小型鋼鐵股漲停鎖得緊，中大型的鋼鐵股則是拉回重災區，權值股中鋼沒能站上40元，大成鋼也是創高後拉回收十字線，難道代表鋼鐵股轉弱，後續指標要如何觀察？

《6/30 電子族群》
電子股真的沒有不好，只是缺量，量不回來，就不是強勢表態。這裡也補充一個小常識，股價如果是上漲但是沒有出成交量的話，對於還在底部整理，或是低位階的個股並非好事，因為這代表雖然看空賣股票的人不多，但看好持續上漲的人，買盤力道也沒那麼積極，才讓量能無法跟進。

但量價背離的狀況下，明天就要進入第三季，也就是電子的傳統旺季了，不少個股或族群已經開始有稍微點火，雖然部分確實是短線題材，但能不能藉由短線題材來掀起燎原大火，就是這個時候需要觀察的重點，分析師提供了幾個族群給大家參考。

首先看比較長期的投資，蜀芳姊很常談到的第三代半導體，材料為氮化鎵、碳化矽等，個股像是磊晶廠全新、嘉晶、環球晶都有布局。不過就像前面說的，長期投資具話題性，代表還沒有真的很賺錢，所以不如找本業體質不錯，加上第三代半導體領域有些成果的公司，舉例來說有些廠商做第二代半導體材料砷化鎵，PA功率放大器的相關個股，在5G手機需求提升，美股相關大廠也續漲的條件下，不少分析師都指出，宏捷科(8086)、穩懋(3105)、全新(2455)等可以持續關注。

再來就是旺季效應可期，有些廠商七月初要公布的六月業績，已經可預期是好成績，若股價還在低檔不妨先行布局，像是持續供不應求的銅箔基板CCL廠，逢低是好買點，台光電(2383)、聯茂(6213)、台燿(6274)及騰輝-KY(6672)下半年業績都看好。至於因為寧德時代接特斯拉大單，連帶影響到的電池概念股，聚和、康普、美琪瑪股價都有連漲反應了，跟車用沾上邊股性就能比傳統的電子股活潑許多。

此外車電產業的小提醒，先前不少個股雖然產業前景看好，但出貨不順或缺料的問題導致影響營收，這個狀況現在好像有慢慢緩解了，只要出貨開始順，勢必會反應在股價上，不要錯過了！

《6/30 傳產族群》
說到鋼鐵與航運，資金的拉扯擺明很難兩人都好，互搶資金的態勢明顯，貨櫃仍是獲利最高，本益比最低，但股價位階已高。而鋼鐵和散裝輪相比，基本面更好，但要比人氣，似乎就是具有軋空題材，而且一再讓散戶嘗甜頭的航運，略勝一籌。果然航運在早上十點多時，主力掀起的「人造浪」，沖走了鋼鐵的部分人氣。

鋼鐵股，今天雖然中大型個股，盤中衝高後從開始資金撤離，吸去航運股，但權值的中鋼守住半根漲停，低價鋼鐵股鎖住亮燈，所以鋼鐵指數也維持在謝文恩分析師，提供的204.44空方防守價位之上，代表至少明早還有些行情可期，並非完全被航運壓著打。

至於今天尾盤漲幅收斂的大成鋼與中鴻，一個受惠於美國基建不鏽鋼題材，一個則是有中鋼讓利，獲利穩定度足夠的優勢。但這兩支個股融資增減兩樣情，分析師解釋，中鴻事先前套牢解套的融資減，大成鋼的融資增則是從航運族群轉進，換句話說，都是內資法人及主力大戶喜歡操作的族群，反而是只有中鋼是比較要看外資臉色。所以，跟航運輪著漲既然是定局，只要整體不要趨勢轉弱都還可以繼續操作。

那麼鋼鐵人轉弱的指標是什麼？短線來看其實不銹鋼個股籌碼已經有點鬆動，加上漲多了均線乖離也大，最簡單看法就看量大日的紅Ｋ低點，跌破的話就要停損停利，但如果再看長期一點，國際鋼市第三季漲價題材確實還是有表現空間。另外外資在今天大買中鋼，可預期明天開高機會大，只是以外資最近超愛做短線價差的性格來說，明天開高後還是要慎防震盪，看外資今天又大買面板就知道了。

至於航運，先前說了很多次，貨櫃的下檔有基本面支撐，人氣不散就能往上緣突破，鋼鐵今天就有點敗在早上鑼鼓敲太響，中型股又鎖不上漲停，所以當沖的資金先流出後，大浪就湧進了剛好翻黑的貨櫃特別是萬海，有價差空間，盤中就以急拉的氣勢鎖上漲停。萬海一漲停，兄弟姊妹立刻一擁而上，所以建議仍然是，短線可以靈活操作，低點有空間，高點就別追，想要做長期，空手者別進，但如果早就進去的人，成本很低就不用怕震盪，真的破了五日或十日線再分批出場也不遲。

最後也來個溫馨小提醒，本周五長榮就要解禁了，下周還有陽明也要解除分盤，長榮是帶著大家往上走，還是拖著大家往下墜，現在還難以斷言，畢竟資金大戰瞬息萬變，當天的資金人氣恐怕就是決定多空的重要指標囉。

#台股 #大盤 #加權指數 #電子 #台積電 #第三代半導體 #車用電子 #傳產 #航運 #鋼鐵 #非凡最前線 #非凡新聞台 #最前線筆記

隨著全球5G持續加速商轉，2021年將是網通產業技術發展上出現大幅變革的一年。面臨上市週期遽增的壓力，如何快速整合設計、模擬及分析環境，使產品差異化並縮短設計週期?

Cadence為您獻上兩場中文線上研討會，將針對您的RF設計需求，與您分享Cadence EMX產品以及AWR GaN PA解決方案

* 1月27日 (三) / 14:00 -15:00pm - 使用AWR軟件為高功率RF應用設計GaN功率放大器解決方案

* 2月3日 (三) /14:00 -15:00pm - 使用EMX Planar 3D解算器模擬和表徵大型RF電路塊

講師: Cadence AWR產品技術服務部 首席應用工程師Milton Lien博士

更多活動內容及報名網址: https://events.cadence.com/d/qjqjjd/

AI 將可快速分離人聲、各式樂器等音源，Facebook 開源 Demucs 計畫

作者 雷鋒網 | 發布日期 2020 年 03 月 11 日 10:59 |

音樂源分離，是利用技術將一首歌曲分解成它的組成成分，如人聲、低音和鼓，這和人類大腦的工作很類似，大腦可以將一個單獨的對話，從周圍的噪音和一屋子的人聊天中分離出來。

如果你擁有原始的錄音室多軌錄音，這很容易實現，你只需調整混音來分離一個音軌，但是，如果你從一個普通 MP3 檔案開始，所有的樂器和聲音都被混合到一個立體聲錄音中，即使是最複雜的軟體程式也很難精確地挑出一個部分。

Facebook AI 的研究人員已經開發了一個系統，可以做到這一點──精確度高得驚人。

創建者名叫亞歷山大‧笛福茲（Alexandre Defossez），是 Facebook 人工智慧巴黎實驗室的科學家。笛福茲的系統被稱為 Demucs，這個名字來源於「音樂資源深度提取器」，其工作原理是檢測聲波中的複雜模式，對每種樂器或聲音的波形模式建立一個高層次的理解，然後利用人工智慧將它們巧妙地分離。

笛福茲說，像 Demucs 這樣的技術，不僅能幫助音樂家學習複雜的吉他即興重複段落，總有一天，它還能讓人工智慧助理在嘈雜的房間裡更容易聽到語音指令。笛福茲說，他的目標是讓人工智慧系統擅長辨識音頻源的組成部分，就像它們現在可以在一張照片中準確地區分不同的物體一樣。「我們在音頻方面還沒有達到同樣的水平。」他說。

分解聲波的更好方法

聲源分離長期以來一直吸引著科學家。1953 年，英國認知科學家科林‧切爾瑞（Colin Cherry）創造了「雞尾酒會效應」這個詞語，用來描述人類在擁擠嘈雜的房間裡專注於一次談話的能力。

工程師們首先試圖透過調整立體聲錄音中的左右聲道，或調整均衡器設置來提高或降低某些頻率，進而隔離歌曲的人聲或吉他聲。

基於聲譜圖的人工智慧系統，在分離出以單一頻率響起或共振的樂器的音符方面相對有效，例如鋼琴或小提琴旋律。

這些旋律在聲譜圖上顯示為清晰、連續的水平線，但是隔離那些產生殘餘噪音的撞擊聲，比如鼓、低音拍擊，是一項非常艱鉅的任務。鼓點感覺像一個單一的、即時的整體事件，但它實際上包含了不同的部分。對於鼓來說，它包括覆蓋較高頻率範圍的初始撞擊，隨後是在較低頻率範圍內的無音高衰減。笛福茲說，一般的小鼓「就頻率而言，到處都是」。

聲譜圖只能將聲波表現為時間和頻率的組合，無法捕捉到這樣的細微差別。因此，他們將鼓點或拍子低音處理成幾條不連續的垂直線，而不是一個整齊、無縫的聲音。這就是為什麼透過聲譜圖分離出來的鼓和低音軌道，聽起來常常是模糊不清的。

夠聰明的系統來重建缺失

基於人工智慧的波形模型避免了這些問題，因為它們不試圖將一首歌放到時間和頻率的僵化結構中。笛福茲解釋，波形模型的工作方式與電腦視覺相似，電腦視覺是人工智慧的研究領域，旨在讓電腦學會從數位圖像中辨識模式，進而獲得對視覺世界的高級理解。

電腦視覺使用神經網路來檢測基本模式──類似於在圖像中發現角落和邊緣──然後推斷更高級或更複雜的模式。「波形模型的工作方式非常相似」，笛福茲說。他解釋了波形模型如何需要幾秒鐘來適應歌曲中的突出頻率──人聲、低音、鼓或吉他──並為每一個元素生成單獨的波形。然後，它開始推斷更高比例的結構，以增加細微差別，並精細雕刻每個波形。

笛福茲說，他的系統也可以比做探測和記錄地震的地震儀。地震時，地動儀的底座會移動，但懸掛在上面的重物不會移動，這使得附著在重物上的筆可以畫出記錄地面運動的波形。人工智慧模型可以探測到同時發生的幾個不同地震，然後推斷出每個地震的震級和強度的細節。同樣，笛福茲的系統分析並分離出一首歌曲的本來面目，而不是根據預先設定的聲譜圖結構來分割它。

笛福茲解釋，構建這個系統需要克服一系列複雜的技術挑戰。他首先使用了 Wave-U-Net 的底層架構，這是一個為音樂源分離開發的早期人工智慧波形模型。然後他還有很多工作要做，因為聲譜圖模型的表現優於 Wave-U-Net。他透過添加線性單元來微調波形網路中分析模式的演算法參數。笛福茲還增加了長短期記憶，這種結構允許網路處理整個數據序列，如一段音樂或一段視頻，而不僅是一個數據點，如圖像。笛福茲還提高了 Wave-U-Net 的速度和記憶體使用率。

這些修改幫助 Demucs 在一些重要方面勝過 Wave-U-Net，比如它如何處理一種聲音壓倒另一種聲音的問題。「你可以想像一架飛機起飛，引擎噪音會淹沒一個人的聲音」，笛福茲說。

以前的波形模型，透過簡單地移除原始音頻源文件的一部分來處理這個問題，但是它們不能重建丟失材料的重要部分。笛福茲增強了 Demucs 解碼器的能力，「Demucs 可以重新創建它認為存在但卻迷失在混音中的音頻​​」，這意味著他的模型可以重新合成可能被響亮的鐃鈸聲影響而遺失的柔和鋼琴音符，因為它理解應該呈現什麼樣的聲音。

這種重構和分離的能力使 Demucs 比其他波形模型有優勢。笛福茲說，Demucs 已經與最好的波形技術相匹配，並且「遠遠超出」最先進的聲譜技術。

在盲聽測試中，38 名參與者從 50 首測試曲目中隨機抽取 8 秒鐘進行聽音，這 50 首曲目由 3 個模型分開：Demucs、領先波形、頻譜圖技術。聽眾認為 Demucs 在品質和無偽影（如背景噪音或失真）方面表現最佳。

Demucs 已經引起了人工智慧愛好者的興趣，精通技術的讀者可以從 GitHub 下載 Demucs 的代碼，代碼用 MusDB 數據集來分離音樂源。

笛福茲解釋，隨著 Demucs 的發展，它將為人們在家中創作音樂的數位音頻工作站帶來聲音的真實性。這些工作站提供了能夠喚起特定時代或風格的合成儀器，通常需要對原始硬體進行大量的數位化改造。

想像一下，如果音樂源分離技術能夠完美地捕捉 20 世紀 50 年代搖滾歌曲中用電子管放大器演奏的老式空心電吉他的聲音，Demucs 讓音樂愛好者和音樂家離這個能力更近了一步。

資料來源：https://technews.tw/2020/03/11/using-ai-for-music-source-separation/?fbclid=IwAR1C-0LhFNEkIFUg9QS3xRQK8VKeqKIkPEx9kh7QdGamcsCfUViwyeXyqXg