2020东京奥运会手球赛事公用信号制作概述

本文详细介绍了东京奥运手球比赛公用信号制作流程,从信号传输格式、机位设置、工位布局、监看以及信号的调度分发等方面进行了具体的描述,为以后同类赛事转播积累宝贵经验.     

大型飞机供电参数测试系统数据存储与回放技术研究

针对采用变频交流供电、电网结构复杂的大型飞机的供电参数测试系统采集速率高、测试通道多及存储数据量大等特点,提出了一种测试数据存储与回放方法。该方法基于系统时间实现采集数据的分段化保存,并增加了针对采集板卡的存储方式,存储方式可视具体要求和实际硬件条件灵活选择。采用存储与回放并行处理的方法用以实时回放,同时优化了数据索引流程,通道数据查找快速准确、波形缩放可调。通用性的软硬件平台设计使得该方法具有广泛的适用性。实验结果表明,该方法数据存储稳定、逻辑层次清晰、文件分类简便且回放准确迅速。     

基于数字波形同步回放技术的负荷识别模组测试平台设计∗

近年居民、工商业用户的非介入负荷识别技术和工程应用场景呈井喷式发展态势,而针对负荷辨识设备的 检测技术研究却鲜有关注.针对智能物联电表的非介入负荷识别模组批量化测试场景进行测试平台的研究设计.首先 介绍了基于COMTRADE文件的典型用电工况的数字描述方法,并针对多通道输出波形同步性难题,提出了基于同 步激励控制方法的数字波形同步回放技术;然后重点进行了测试平台的设计,在整体框架设计基础之上,详细设计了 下位机硬件测试单元和上位机测试软件的功能,并进行了完整的测试平台软件的控制流程设计;最后通过实验测试验 证了该测试平台的性能,数字波形输出具有较高的稳定度,通道偏差小于(100±10)μs/p (包),数字波形的输出错 包率小于0.01‰,保证了数据输出的稳定性,可加载多种模式的负荷数字波形满足多场景检测需求,极大地提高了 负荷识别模组的检测效率.     

基于后验经验回放的MAAC多智能体强化学习算法

【目的】针对多智能体强化学习过程中样本利用率低、奖励稀疏、收敛速度慢等问题,提出了一种基于后验经验回放的MAAC(Actor-Attention-Critic for Multi-Agent Reinforcement Learning,MAAC)多智能体强化学习（Hindsight Experience Replay Machanism of MAAC Algorithm,HER-MAAC）算法。【方法】利用失败的探索经验,将依据后验经验回放算法选取的目标重新计算奖励值,存入回放缓冲区中,增大回放缓冲区中成功经验的比例,从而提升样本抽取效率。【结果】实验结果显示,HER-MAAC相较原始MAAC算法,智能体成功率提升,奖励值也明显提高。在典型试验环境下,训练3个智能体胜率提高了7.3%,智能体数量为4时胜率提高8.1%,智能体数目为5时胜率提高5.7%。【结论】研究成果表明,改进后的算法能够有效提升多智能体训练效率。     

卫浴大事件回放

最近卫浴界很忙，继水龙头合铅事件曝光之后，紧跟着东莞某别墅智能座便器自燃事件引起关注，无论是合铅还是自燃，都关联到消费者使用卫浴产品的安全问题。我们呼吁行业相关标准的建立和完善，厂家对产品质量的严格把控，使消费者能够用上健康安全的产品。     

安捷伦利用GNSS信号生成软件进行伽利略导航测试

基本波形回放模式可为制造市场提供低成本解决方案2012年10月12日,北京——安捷伦科技公司(NYSE:A)日前宣布其用于全球卫星导航系统(GNSS)的Signal Stu-dio软件N7609B新增了实时和基本模式功能,可使工程师在接收机测试中仿真"伽利略"信号,并满足制造测试市场的各项需求。     

安捷伦利用GNSS信号生成软件进行伽利略导航测试基本波形回放模式可为制造市场提供低成本解决方案

2012年10月12日，北京——安捷伦科技公司（NYSE：A）日前宣布其用于全球卫星导航系统（GNSS）的SignalStu—dio软件N7609B新增了实时和基本模式功能，可使工程师在接收机测试中仿真“伽利略”信号，并满足制造测试市场的各项需求。     

仿壁虎爬壁机器人的语音识别及语音回放系统研制

随着人们对工业生产便捷性的需求日渐增强，人工智能技术一直保持着发展的动力与活力，因此与语音识别技术相结合的机器人控制拥有良好的发展前景。这里将语音识别技术应用于仿生壁虎爬壁机器人的控制中，研制一种仿壁虎爬壁机器人的语音识别及语音回放系统。语音识别方式采用模板匹配法以适合爬壁机器人使用者的语音识别系统输入命令的特点，降低了控制系统对存贮容量的要求，同时提高了处理速度。语音回放模块使用结构简单的APR9600语音录放芯片，可获得较好的音质效果。     

基于RG-DDPG的直流微网能量管理策略

针对分布式能源的随机性和间歇性给直流微网能量管理带来的巨大挑战，提出一种基于奖励指导深度确定性策略梯度（reward guidance deep deterministic policy gradient,RG-DDPG）的直流微网能量管理策略。该策略将直流微网的优化运行描述为一个马尔科夫决策过程，利用智能体与直流微网环境间的持续交互，自适应地学习能量管理决策，实现直流微网能量的优化管理。在策略训练过程中，采用基于时序差分误差（temporal difference error,TD-error）的优先经验回放机制减少RG-DDPG在直流微网运行环境中学习、探索的随机性和盲目性，提升所提能量优化管理策略的收敛速度。同时，在训练回合间利用累计奖励的大小构造直流微网能量管理的优秀回合集，加强RG-DDPG智能体在训练回合间的联系，最大化利用优秀回合的训练价值。算例仿真结果表明：所提策略能够实现直流微网内能量的合理分配。相较于基于深度Q网络（deep Q-network,DQN）和粒子群算法（particle swarm optimization,PSO）的能量管理策略，所提策略能使直流微网...     

基于改进深度确定性策略梯度算法的微电网能量优化调度

针对微电网中分布式发电设备存在输出不确定性和间歇性问题，以及传统的深度确定性策略梯度算法存在收敛速度慢、鲁棒性差、容易陷入局部最优的缺点。本文提出了一种基于优先经验回放的深度确定性策略梯度算法，以微电网系统运行成本最低为目标，实现微电网的能量优化调度。首先，采用马尔可夫决策过程对微电网优化问题进行建模；其次，采用Sumtree结构的优先经验回放池提升样本利用效率，并且应用重要性采样来改善状态分布对收敛结果的影响。最后，本文利用真实的电力数据进行仿真验证，结果表明，提出的优化调度算法可以有效地学习到使微电网系统经济成本最低的运行策略，所提出的算法总运行时间比传统算法缩短了7.25%,运行成本降低了31.5%。