《辐射度、光度及其测量》是一门深入探讨光辐射性质和测量方法的学科，主要涉及辐射度量、光度量、热辐射定律、探测器技术、色度学以及辐射测量仪器等多个方面。以下是这些主题的详细阐述： 我们从第一章的"辐射度量、光辐射度量基础"开始。辐射度量是研究电磁辐射能量分布和传播的科学，而光辐射度量则特别关注可见光范围内的辐射现象。这部分内容会介绍基本的辐射度量单位，如瓦特（W）、尔格（J）、坎德拉（cd）、勒克斯（lx）等，并讲解它们之间的关系和转换。还会涉及辐射通量、光通量、辐射强度、光强、辐射亮度、光亮度等概念，以及如何在实际应用中正确使用这些度量。 第二章"热辐射定律及标准光源"则讨论了热辐射的基本规律，包括斯特藩-玻尔兹曼定律、维恩位移定律和基尔霍夫辐射定律。这些定律对于理解和预测物体的热辐射行为至关重要。同时，标准光源作为辐射测量中的参考，其定义、种类和特性也会在此部分详细介绍。 第三章"光辐射探测器"深入到实际测量设备，讲述不同类型的光辐射探测器，如光电管、光电池、光伏探测器、热释电探测器等的工作原理和性能特点。探测器的选择和校准对于获取准确的辐射测量数据至关重要。 第四章"色度学基本知识"关注的是视觉感知和颜色科学。色度学研究的是人眼对光的感知，包括颜色的表示、匹配和测量。这部分将涵盖CIE色彩系统、XYZ色彩空间、色差和色温等关键概念。 第五章"辐射测量的基本仪器"介绍了辐射测量所用的各种仪器，如光谱仪、积分球、辐射计等。这部分不仅讨论仪器的工作原理，还强调了如何选择合适的仪器，以及在实际操作中如何校准和使用这些设备，以确保测量的准确性和可靠性。 《辐射度、光度及其测量》涵盖了从理论基础到实际应用的广泛内容，对于理解和应用光辐射测量技术具有重要指导意义。无论是科学研究、工业生产还是环境监测，了解并掌握这些知识都将极大地提升我们对光辐射现象的理解和利用能力。

AMESim-Simulink联合仿真模型：热泵空调系统PID与模糊控制策略，电子膨胀阀开度的精细调节,AMESim-Simulink联合仿真模型：热泵空调系统PID与模糊控制策略及电子膨胀阀开度调控研究,AMESim-Simulink热泵空调系统联合仿真模型PID和模糊控制，电子膨胀阀开度采用PID控制 注：确保在使用联合仿真之前已经安装并配置了适当的接口和工具#模型 ,AMESim;Simulink;联合仿真模型;PID控制;模糊控制;电子膨胀阀开度;接口配置,AMESim与Simulink联合仿真模型：热泵空调系统PID与模糊控制策略，电子膨胀阀PID调控

注意互感。 它们是根据https://de.mathworks.com/help/physmod/sps/ref/pmsmsixphase.html计算的。 请注意 Lab（因子 2 必须在 cos 范围内）和 Lca（因子 2 缺失）的公式中的拼写错误，当然在此实现中已更正。 反电动势计算和速度生成来自https://de.mathworks.com/matlabcentral/fileexchange/51069-dynamic-mathematical-modeling-of-brushless-dc-motor-trapezodial-back-emf?s_tid=srchtitle 并适应匹配六相 BLDC。 第一个模型是用 R2021a 构建的，然后从中导出了 R2014a 版本。 两者都在 R2021a 中进行了测试。

在西南科技大学的《算法设计与分析实践》课程中，学生们完成了一份实验报告，报告内容包括了两个主要的算法问题：翻煎饼问题和俄式乘法。 翻煎饼问题描述了一种简单直观的场景，即如何通过最少的翻转次数来确保麦兜能够获得最大的煎饼。该问题实质上是求解一个序列的最大元素调整到特定位置的最小操作次数。实验中，学生通过编写算法并记录时间与空间复杂度来分析算法的性能。时间复杂度为O(n^2)，空间复杂度为O(n)，其中n为煎饼的数量。 在算法实现上，学生采用了一种基于遍历的方法来找到最大的煎饼，然后根据最大煎饼的初始位置决定翻转次数。如果最大煎饼位于序列的最底层，则不需要操作；如果在顶层，则只需一次翻转；若在中间位置，则需要将煎饼先翻到顶层，然后再翻到底层，这样操作次数至少为2次。针对这一问题，学生还编写了相应的伪代码来实现算法，并通过测试不同规模的数据来验证算法的正确性和效率。 对于俄式乘法问题，该问题涉及到两个正整数的乘法运算。学生需要通过特定的算法来计算两个数的乘积。在实验中，学生研究并分析了这一算法的时间复杂度和空间复杂度，其中时间复杂度为O(log n)，空间复杂度为O(1)。算法的基本思路是不断将n除以2并相应地将m乘以2，直到n变为奇数，此时记录下m的值。当n变为1时停止，将所有记录的m值累加，结果即为最终的乘积。 实验中，学生详细记录了算法的运行时间和所需的空间，使用了例如clock()函数来测量算法的运行时间，并通过sizeof运算符来获取变量所占用的内存空间。在处理测试数据时，学生从n等于2开始逐步增加，手动输入数据，以便于观察算法在不同规模数据下的性能表现。 通过这份实验报告，我们可以看出算法设计与分析不仅仅是关于算法本身，还涉及到算法效率的度量、时间与空间复杂度的计算，以及算法在实际应用中的性能评估。报告详细记录了实验过程、数据规模、测试结果以及分析指标，为算法的研究和优化提供了宝贵的实践依据。 此外，学生在实验报告中提到实验环境为Windows 10系统，使用了DEV环境进行编程开发。通过这样的实验设置，学生不仅能够加深对算法理论的理解，还能掌握实际编程中如何测试和优化算法性能的技巧。报告最后还提到了对于采集到的数据的处理，强调了去除重复值和无效值的重要性，以确保实验结果的准确性和可靠性。

POA-VMD+降噪（鹈鹕优化VMD结合余弦相似度和小波阈值进行降噪） 1.分解部分 （POA-VMD）采用鹈鹕优化变分模态分解 寻优对象：k α 包含10种适应度函数 可出适应度曲线图 分解图 频谱图 三维分解图和α、K位置随迭代变化图 适应度函数包括： 1.综合评价指标2.包络熵3.包络谱峭度值4.幅值谱熵5.模糊熵 6.皮尔逊系数7.峭度值8.样本熵9.排列熵10.信息熵 2.分量筛选 采用余弦相似度评判分解分量与原序列间的余弦相似度，设定阈值，将含躁分量提取出， 3.降噪 通过阈值小波进行降噪， 降噪方法包含（可根据降噪效果选取最合适的方法。 ） %软小波阈值降噪 %硬小波阈值降噪 %改进小波阈值降噪（阈值函数曲线见链接图片） 以西储大学数据为例效果如图 matlab代码，含有部分注释； 数据为excel数据，使用时替数据集即可； ， ,中心电感振动数据为基础进行噪音治理的POA-VMD变分模态分解降噪法,POA-VMD降噪技术,POA-VMD; 鹈鹕优化VMD; 降噪; 余弦相似度; 小波阈值; 分解部分; 寻优对象; 适应度函数; 分量筛选; 西储大学,轴承故障信号P

POA-VMD+降噪技术：鹈鹕优化变分模态分解与余弦相似度结合小波阈值降噪的实践与应用,POA-VMD+降噪（鹈鹕优化VMD结合余弦相似度和小波阈值进行降噪） 1.分解部分 （POA-VMD）采用鹈鹕优化变分模态分解 寻优对象：k α 包含10种适应度函数 可出适应度曲线图 分解图 频谱图 三维分解图和α、K位置随迭代变化图 适应度函数包括： 1.综合评价指标2.包络熵3.包络谱峭度值4.幅值谱熵5.模糊熵 6.皮尔逊系数7.峭度值8.样本熵9.排列熵10.信息熵 2.分量筛选 采用余弦相似度评判分解分量与原序列间的余弦相似度，设定阈值，将含躁分量提取出， 3.降噪 通过阈值小波进行降噪， 降噪方法包含（可根据降噪效果选取最合适的方法。 ） %软小波阈值降噪 %硬小波阈值降噪 %改进小波阈值降噪（阈值函数曲线见链接图片） 以西储大学数据为例效果如图 matlab代码，含有部分注释； 数据为excel数据，使用时替数据集即可； ， ,POA-VMD; 鹈鹕优化VMD; 降噪; 余弦相似度; 小波阈值; 分解部分; 寻优对象; 适应度函数; 分量筛选; 西储大学,轴承故障信号POA-

"TSMC工艺下两级运算放大器电路版图设计与仿真详解",两级运算放大器电路版图设计 cadence 618 电路设计 版图设计 工艺tsmc18 低频增益87dB 相位裕度80 单位增益带宽积GBW 30MHz 压摆率 16V uS 有版图，已过DRC LVS，面积80uX100u 包安装 原理图带仿真过程，PDF文档30页，特别详细，原理介绍，设计推导，仿真电路和过程仿真状态 ,两级运算放大器; 电路版图设计; 工艺TSMC18; 频率增益; 相位裕度; 单位增益带宽积GBW; 压摆率; 版本控制; 原理图; 仿真过程; PDF文档。,基于TSMC18工艺的87dB低频增益两级运算放大器版图设计及仿真研究

内容概要：本文详细介绍了如何利用MATLAB实现滚动轴承故障诊断。主要采用变分模态分解（VMD）对振动信号进行处理，将其分解为多个本征模态函数（IMF），并通过计算各IMF的峭度来识别潜在的故障特征。文中不仅解释了VMD的基本原理及其相对于传统方法的优势，还给出了具体的MATLAB代码实现，包括参数设置、信号分解以及峭度计算的具体步骤。 适合人群：机械工程领域的研究人员和技术人员，尤其是那些从事设备维护、故障检测工作的专业人员。 使用场景及目标：适用于需要对机械设备特别是旋转机械如电机、风机等进行状态监测和故障预测的情景。目的是为了能够及时发现早期故障迹象，减少非计划停机时间，延长设备使用寿命。 其他说明：虽然本文重点在于理论讲解和代码实现，但强调了实际应用中还需结合更多高级的数据分析技术和机器学习模型以提升诊断效果。

植被覆盖度( FVC）指植被（叶、茎、枝）在地面垂直投影面积占区域总面积比例。 像元二分模型计算：FVC=(NDVI - NDVI_soil）/（NDVI_veg - NDVI_soil） 式中，NDVI_soil为完全裸土或无植被覆盖区域NDVI值，NDVI_veg为完全被植被覆盖的像元NDVI值。累计百分比为5%时的NDVI值为NDVI_soil，累计百分比为95%时的NDVI值为NDVI_veg。

在现代工业质量检测或图像分析任务中，利用图像处理和纹理分析方法来判别表面是否光滑，具有重要的现实意义。本文将介绍一段基于 Python、OpenCV 以及 scikit-image 的代码，展示如何通过图像预处理、纹理分析、轮廓检测和加权评分等步骤，实现对多张图像进行批量的表面光滑度判定。 在现代工业领域，质量检测和图像分析任务扮演着极其重要的角色。表面光滑度作为产品质量的重要指标之一，对于很多产品来说，表面是否平滑光洁直接关联着产品的性能和外观。随着数字图像处理技术的发展，通过图像处理技术来判别物体表面光滑度成为可能。 OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，它提供了大量用于图像处理的函数和操作。而scikit-image是基于Python的开源图像处理库，它构建于SciPy之上，并且提供了许多在工业中广泛应用的图像处理功能。本文将详细介绍如何结合使用Python、OpenCV和scikit-image库来判别图像表面的光滑度。 图像预处理是图像处理流程中不可缺少的一个步骤，它的主要目的是为了提高图像质量，去除噪声，增强图像特征，以便后续的处理和分析。预处理过程包括灰度化、滤波去噪、对比度增强等操作。灰度化能够减少图像的信息量，简化处理过程；滤波去噪是为了清除图像中的随机噪声，使图像纹理更加清晰；对比度增强则能够突出图像中的细节部分，为后续的纹理分析提供清晰的依据。 纹理分析是评估图像表面光滑度的关键步骤。纹理可以反映图像表面的微观特性，通过分析纹理，我们可以获得关于表面粗糙程度的定性和定量信息。在本文中，我们将使用灰度共生矩阵（GLCM）等方法进行纹理分析。GLCM能够描述图像中像素灰度的空间相关特性，通过统计分析，可以从图像中提取出粗糙度、对比度、均匀性等纹理特征。 轮廓检测是另一个重要的步骤，它涉及到识别和提取图像中对象的边缘信息。在光滑度检测中，轮廓检测有助于明确表面的边界，为光滑度评估提供准确的区域限定。OpenCV提供了多种边缘检测算法，例如Canny边缘检测器，通过边缘的锐利程度可以辅助判断表面的光滑性。 为了得到更加精确的光滑度评估结果，本文还会采用加权评分的方法。首先根据纹理分析和轮廓检测的结果给出初步评分，然后根据实际需求和经验赋予各项指标不同的权重，最后综合各指标得分进行加权平均，得到最终的表面光滑度判定结果。 整个流程不仅可以应用于工业产品的质量检测，也可以广泛应用于建筑、材料科学等领域。通过自动化的图像处理技术来评估表面光滑度，可以大大提高检测效率和准确性，减少人为错误，提升生产效率。 基于OpenCV和scikit-image的图像表面光滑度判别方法，不仅包含了图像预处理、纹理分析、轮廓检测和加权评分等多个环节，而且通过自动化处理实现了对表面光滑度的准确评估，这对于现代工业质量检测具有重要的现实意义和应用价值。