简介：摘要摄像头视频监控是指通过摄像头来监视特定场所发生的事件，实时地观察在监控场所运动目标的行为，通过系统分析计算，在一定条件下给与报警，特别是对监控对象的可视性、实时性及客观性记录，因此给人直接的视觉听觉感受。

简介：摘要在当今社会，机械化文明的发展更为普遍的情况下，各种机械具有着不同的功能，但在各种机械结构中，机械传动机构和减速机构占相当大的比例。运动传动结构主要是指机械传动机构，机械传动是很大一类的机械、工厂中不同的齿轮、自行车的链条和传动板，甚至航空发动机，它们在传动机械中起着关键作用。减速机构属于传动机构，但起着独特的作用。可以说没有机械传动，就没有发达的社会生产力。在当今的情况下，减速主要取决于减速器。减速器作为一种相对精密的机械结构，承担着不同于机械传动的任务传递和增大扭矩以降低速度，从而达到降低速度的目的。

简介：摘要：复杂产品设计要求考虑多个学科的综合性能，由于学科间的耦合，子学科之间的性能往往存在相互冲突，因此，传统的串行优化设计模式已经不能满足产品设计要求。多学科设计优化 ( MDO) 通过协调各个学科之间的矛盾和冲突，利用各子学科间的协同作用获取系统整体最优解，在航空航天、汽车、船舶等领域得到了广泛应用。

简介：摘要文章首先对PID调节器进行简单介绍，在明确其基本概念的基础上，深入探讨具体设计与实际应用。主要分为硬件设计及控制算法设计两个方面。详细划分为DSP外部中断接口处理、四轴编码器信息接收与处理、控制模型的建立。旨在全方位、多角度推动运动系统中的PID调节器设计向着规范化方向发函。

简介：摘要文章首先对PID调节器进行简单介绍，在明确其基本概念的基础上，深入探讨具体设计与实际应用。主要分为硬件设计及控制算法设计两个方面。详细划分为DSP外部中断接口处理、四轴编码器信息接收与处理、控制模型的建立。旨在全方位、多角度推动运动系统中的PID调节器设计向着规范化方向发函。

简介：摘要近年来，经济的发展，促进我国科技水平的提升。科学技术的飞速发展使运动控制技术的应用范围越来越广泛，运动控制技术在机械自动化领域中的应用，加快了生产过程中投入物的加工变换和运行速度，实现了生产过程的优化。运动控制技术的应用促进了机械化水平的提高。本文就机械工业自动化中的运动控制技术的运用展开探讨。

简介：摘要近年来，经济的发展，促进我国科技水平的提升。科学技术的飞速发展使运动控制技术的应用范围越来越广泛，运动控制技术在机械自动化领域中的应用，加快了生产过程中投入物的加工变换和运行速度，实现了生产过程的优化。运动控制技术的应用促进了机械化水平的提高。本文就机械工业自动化中的运动控制技术的运用展开探讨。

简介：摘要通过在电子技术学习中的体会，本文介绍了借助Multisim仿真软件辅助电子技术课程的学习方式，分别用模拟和数字电路设计了方波发生电路，并进行了Multisim仿真分析。通过理论与仿真的结合，既加深了对理论知识的理解，又起到了事半功倍的学习效果。

简介：摘要随着我国的经济在快速的发展，社会在不断的进步，现代电力负荷数据以海量形式存在，传统单机模式无法满足电力负荷在线预测效果的要求。为了改善大规模电力负荷数据的预测效果，设计了基于极限学习机的分布式电力负荷预测模型。首先提取电力负荷数据，通过混沌理论的相空间重构方法对电力负荷数据进行预处理，产生电力负荷数据预测建模样本，然后将电力负荷数据预测建模样本细分成为多个子样本，通过云计算集群系统的分布式方式并行实现子样本建模，每一个小样本通过极限学习机进行建模和预测，最后采用具体电力负荷数据进行了仿真测试实例研究，测试结果表明，本文模型加快了大规模电力负荷数据建模速度，可以足电力负荷在线预测效果，而且电力负荷预测精度要明显优于当前其它电力负荷预测模型。

简介：摘要： 同步电机主要就是保持稳定转速的电机，其中绕组绕制方法是比较复杂的，对于人们很难对于感应电势产生的掌握，并且存在的各种反应和同步电抗都属于难以理解的内容，本文分析了存在的各种问题，对于各种问题提出了相应的解决措施进行应对。

简介：摘要随着生产现代化水平的提高，电力企业面对人才紧缺的局面，除了不断吸收新生力量，更重要的是通过员工培训来提高电力行业现有员工的整体素质。因此，加强电力企业员工培训项目的设计与实施势在必行。当前，混合式教学已成为企业培训教学改革的一个重要研究方向，如何有效开展混合式培训成为企业培训领域研究的重要课题。基于此，本文笔者就混合式学习在企业培训项目中的应用进行简要探讨。

简介：摘要当前的深度学习方法使用在基于大型图形处理单元（GPU）的计算机上训练的卷积神经网络（CNN）非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中，评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构，高性能计算(HPC)来自动确定网络拓扑结构，以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制，实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明，量子计算机可以在网络复杂度增加的情况下，在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中，神经形态计算机可以表示其他结构的复杂拓扑结构和权值。

简介：摘要当前的深度学习方法使用在基于大型图形处理单元（GPU）的计算机上训练的卷积神经网络（CNN）非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中，评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构，高性能计算(HPC)来自动确定网络拓扑结构，以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制，实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明，量子计算机可以在网络复杂度增加的情况下，在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中，神经形态计算机可以表示其他结构的复杂拓扑结构和权值。