绝对式光电编码器的编码理论研究进展

介绍了用于角度测量的绝对式光电旋转编码器的编码理论研究概况,具体包括反射式格雷码、矩阵码、m序列码和单码道格雷码的绝对位置编码方法和编码特征。绝对位置编码的发展过程是以唯一性和单变性为基础特性,以单码道性为最终目标进行编码矩阵列数的缩减。目前,编码类型的发展经历了n条码道的反射式格雷码、n/3条码道矩阵码、2条码道的m序列码以及1条码道的单码道格雷码,已经达到单码道的最终目标。由于单码道格雷码编码理论尚不完善,仍依赖搜索获得编码,因此其快速构造方法是未来绝对位置编码理论的发展方向。最后,对近几年发展起来的基于图像传感器的非编码测量方法进行了介绍和展望,该方法是对传统测量方法的颠覆,有望成为光电式旋转编码器的另一个发展方向。     

基于改进粗糙集的混合传感器节点分类算法

混合传感节点的属性较难形成统一识别特征，其节点属性约简过程复杂，存在分类时间长及分类性能差的问题。为此，提出了基于粗糙集的混合传感节点高精度分类算法。在初始化传感节点的基础上计算适应度值，利用遗传算法优化粗糙集修正校验结果，获得统一编码形式的节点。在此基础上，排除了属性权重为“0”的属性，完成节点属性约简。再利用普通分类方法和高级分类方法结合的方式，进行混合节点分类。根据约束条件选取对应的分类方法，实现混合传感节点高精度分类。仿真结果表明，所提算法的分类用时低于520 ms，且该方法的查全率、查准率及F1值均高于对比方法，混合传感节点分类性能较好。     

4K卫星车系统的建设思考

本文从4K卫星车系统的编码方式进化、调制方式的更新、功放和天线的匹配选型等四个关键环节对4K卫星车的技术层面选型和应用做了系统性的介绍和分析。     

高清数字电视的数据传输技术及发展趋势分析

在科学技术快速发展的新形势下,各种先进技术和高科技产品在人们生产生活中广泛应用,这也使人们对高新技术和产品的要求随之提高.高清数字电视作为一种新的电视业务,其采用数字信息进行传输,在节目采集、制作、传输和用户终端接收整修过程中都实现了数字化,能够带给人们极高的精晰度.在高清数字电视发展过程中,数据传输技术作为核心技术,有效地提高了传输效率和增强了画质的清晰度.因此文章从高清数字电视数据传输技术概述入手,并对高清数字电视数据传输技术进行了分析,进一步针对高清数字电视数据传输技术的现状和发展趋势进行了阐述.     

金沙江水电工程智能建造技术体系研究与实践

运用"全面感知、真实分析、实时控制"的智能闭环控制理论,提出了以工程建设资源要素动态精准管理、业务流程数字化管理、工艺过程智能控制、实物成本精确分析、结构安全与进度耦合分析及联动调控的数字化技术和智能化技术为核心,以水电工程数据模型如大坝全景信息模型DIM为基础,以智能建造管理平台iDam为主体的智能建造技术体系,并对工程数据结构分解与编码体系、工程数据感知传输共享技术、iDam平台的系统架构与业务架构、智能建造工程绩效等关键技术进行了分析。通过统一规范的工程数据结构与编码体系,iDam平台可集成工程建设全过程的基础数据、环境数据、过程数据和监测数据,为各业务模块服务;建立的基于工程技术和管理大数据的机理分析功能,可为工程建设的业主、施工、监理、设计、科研及运行等单位服务。智能建造初步实践表明,本文构建的技术体系是科学可行的,对基础设施智能建造技术与管理体系的研究与实践具有参考价值。     

ATSP:时态网络可视化的自适应时间片划分方法

现有的时态网络可视化方法大多采用等量时间片来可视化网络的演变，不利于时态模式的快速挖掘和发现。为此，根据时态网络固有的特征提出自适应时间片划分方法（Adaptive Time Slice Partition method，ATSP）。在时态网络的两种表示方式（基于事件的表示方式和基于快照的表示方式）的基础上，构建了ATSP的基础模型，同时提出了一种改进模型用来描述事件间隔时间服从长尾分布的时态网络。为了实现时间片的不等量划分，针对探索任务的不同提出了基于时态模式的ATSP规则和基于中心节点的ATSP规则，并提出了实现算法--层次划分算法（Hierarchical Partition algorithm，HP）和增量划分算法（Incremental Partition algorithm，IP）。实验结果表明，ATSP方法比传统的时间片划分方法更能准确地表示网络的时态特征，且该方法应用于可视化时，能有效归纳并展示网络的特征，明显提高了视觉分析的效率。     

基于FPGA的I2S转AES/EBU音频转换系统的设计

为给数字广播电视设备提供附加有音频状态信息的AES/EBU数字音频接口，研究一种采用FPGA将I2S音频数据 转换为AES/EBU音频格式的实现方法，该实现方法中采用硬件描述语言Verilog HDL 获取音频数据和音频状态信息,并根据设定的计数单元重组成AES/EBU数字音频格式,最终经过BPM编码输出传输线型格式数据,系统设计通过逻辑功能仿真和硬件测试,输出信号均符合标准规定。     

时态神经网络模型及其在股票分类预测上应用

对具有时间属性的数据进行数据挖掘称为时态数据挖掘，用以发现数据在时间上的知识，当数据变化不规律时，如股票交易数据,就很难发现有价值的规律与规则。而神经网络具有并行、容错、可以硬件实现以及自我学习的优点,可作为股票分类预测应用的一种方法。通过将股票数据与时态型相结合，将股票数据转换成时态型股票数据，提出时态神经网络模型的分类方法，对收集的若干上市公司十年内的股票数据进行分析，构建了时态股票数据神经网络分类器对股票进行分类预测。经过实验验证，相比改进前的神经网络和支持向量机方法，该分类器具有更高的分类准确率。结果证明，这种时态数据神经网络模型对于多只股票的分类预测是非常有效的，可以很好地运用到股票市场的分类预测中。