1月13日，华为一款未知型号的设备跑分出现在GeekBench跑分库，令人惊讶的是，该设备所搭载的SoC的跑分成绩再创纪录，单核跑分高达2018、多核跑分竟有7313，简直不可思议，这样的成绩犹如梦一般。悉知，目前手机芯片芯片当中单核跑分最强为苹果A9的2400多分，此前多核跑分的世界第一成绩出自华为麒麟950的6300多分，而此次的新款设备跑分居然高达7313分，与麒麟950直接拉开了1000分的差距。 　　 　　 　　这款设备搭载的SoC很可能是一颗高频版的麒麟950，依旧为4*A72+4*A53的架构，而GeekBench给出的数据来看，其小核的频率依旧为1.8GHz，与麒麟950无异，也就说之所以有如此强劲的性能是因为它的大核心（A72）调高了主频。 　　根据目前的手机处理器性能来看，想要长期保持大核心高频负载并不简单，大核在高频下很容易发生降频的情况，正如骁龙810那样。

　　2015年11月下旬的时候，湖北广电（湖北省广播电视信息网络股份有限公司）与小米科技签订战略合作框架协议。 　　该协议一共涉及5大方面的合作，其中一个合作方向是“700 M 无线网络应用研究”，具体内容是：湖北广电负责 700M 无线网络的试点建设，小米科技负责终端设备的研制，共同开展 700M 无线网络应用的研究工作。 　　上述的“700 M”即700 MHz频段。最近很火的“国内4家广电省网招标4G无线双向网设备与终端”事件就于这个700 MHz频段有关。 　　“湖北广电负责 700M 无线网络的试点建设”是怎样的 700M 无线网络的试点？估计有可能是基于700 MHz频段的4G LTE无线网络。 　　那么，这个背景下，“小米科技负责终端设备的研制”就可能面临怎样的结局？ 　　分析看来，这只是签署协议而已，从协议签署到700 M终端（比如手机）出货还有很长的路要走，到时候说技术有问题、或者配件有问题、没办法提供成品。找借口还不简单吗？小米敢得罪工信部？它还想不想活了？以后还想卖通信入网终端（比如手机）么？以前的例子如，Moto在卖给联想之前，就是因为它老爸是谷歌，所有手机都拿不到中国的入网许可。 　　没有手机厂商敢和工信部对着干，就连苹果5S刚进入中国的时候都是按照要求锁了4G LTE的。A1528现在都没发运营商文件来解除4G。6和6S的硬件都是支持VoLTE的，同样也被锁了VOLTE，那些想用国行6、6S来玩VOLTE的就不要做梦了。 　　或许有人说6和6s不是锁VoLTE，只是没有更新运营商配置文件而已，没有VoLTE配置（VoLTE APN名称，IMS服务器地址等）如何使用VoLTE？工信部控制4G牌照，但VoLTE不是新的移动网，不需要牌照，也不存在工信部限制的问题。 　　但是A1528只是运营商一纸文件的事情，就可以解锁LTE，为何苹果不敢更新这个文件，到现在为止A1528也只能用3G网？认证的时候没有这个特征，以后就不能提供（工信部认证更新除外）。同理，国行6、6S认证的时候就没有VoLTE，就算他们硬件本身是支持的，其结局也是和A1528一样：一个阉割的手机，VoLTE没戏。

　　Java 语言自1995年正式问世以来，从崛起、问鼎、睥睨天下到进化、平稳、丢掉兵器谱头把交椅，经历了 Sun 的辉煌与坠落，微软的崛起与纷争，互联网的起兴、泡沫与复兴，移动互联网的大发展和 Android 平台的突飞猛进。Java 语言，就像互联网大航海时代的一艘大船，虽然它的语法没那么灵活，也没那么强大，有时候看起来甚至是滞重的、笨拙的，但是，Java 在二十年来每个浪潮的转折点都恰到好处的站在了浪潮之巅。时至今日，Java 作为一门优秀的编程语言和强大的生态平台，依然屹立于程序世界之巅。 　　20年了，Java 进入了壮年，早就想为 Java 写一点东西，就从今天开始吧。 　　1998年的夏天，我进入了北京顺义郊区的一家直流电源工厂，成为一名硬件工程师，或者说叫测试硬件工程师，嗯，其实就是测电路板的。真正的软硬件工程师都在三楼的实验室，我作为非名牌大学毕业生，被分配到了一楼的车间里，擦擦散热器，焊焊板子，玩玩示波器，偶尔鄙视一下三楼那些不知道写什么程序的软件工程师，就是我最大的乐趣。 　　有一天在车间待的烦了，我爬上三楼去实验室玩耍，看见一名工程师在看一本厚厚的编程书籍，书的封面上印着一杯冒着烟的咖啡，书页上写了一些奇奇怪怪的代码。 　　我说这是什么？ 　　他恋恋不舍从书桌上抬起脑袋，眼神透过厚厚的镜片落在窗外鸟不拉屎的荒地上，缓缓的告诉我，这是一门全新的编程语言，叫做 Java，据说能够改变互联网的未来，怕了吧？ 　　你这个姿势我给85分，C 学会了吗？ 　　他挠挠头说，被指针搞晕了。 　　哦，看来 Java 更简单一些，这语言能干嘛？ 　　能改变互联网的未来…… 　　我靠，到底能干嘛？ 　　他开始不好意思了，用快捷键打开了一个浏览器（IE 还是 Netscape 记不清了），他指着网页上的两个晃来晃去的小方块说，看，这叫 Applet，Java 写的。 　　我用 VBScript 能比你实现的好看十倍！ 　　这是未来！ 　　我哈哈狞笑，未来就是这个小方块？ 　　他终于恼羞成怒，使出了必杀技：楼下的散热器擦完了吗？ 　　每次他一出此言我立刻败下阵来，迅速滚去一楼去擦散热器了。十年后，我知道了他使用的这一技能有了新名词，叫做降维攻击！ 　　我和 Java 的第一次接触大致如此。回忆是如此的不可靠，有时候你会怀疑这些人和事是否真的发生过。为了写这篇文章，我艰难的打开了1998年尘封的记忆之门，溜进去悉悉索索摸了半天，差不多就找到了这么个故事。故事并不重要，重要的是，Java 在1998年的时候已经开始积蓄力量，跃跃欲试，准备登上世界互联网的大舞台。那个时代，Java 的创造者高斯林也没有想到，他和同事们发明的这门编程语言将在互联网时代、企业软件时代、移动互联网时代爆发出生生不息的生命力并绽放璀璨的光辉。光芒之耀眼，穿透了科技领域的重重迷雾，直抵今天。 　　高斯林何许人？Java 之父，计算机科学家，Sun 早期的核心员工。作为很早使用 Java 的那一代老程序员，我们都把他老人家亲切的称为高司令，当然，高斯林是感受不到我们的善意的，他甚至不知道神秘的东方有一群苦逼的程序员也在使用他创造的语言，并写出或即将写出一大批改变中国互联网、甚至改变中国命运的软件和服务。

　　AlphaGo的胜利，无人驾驶的成功，模式识别的突破性进展，人工智能的的飞速发展一次又一次地挑动着我们的神经。作为人工智能的核心，机器学习也在人工智能的大步发展中备受瞩目，光辉无限。 　　如今，机器学习的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。 　　但也许我们不曾想到的事机器学习乃至人工智能的起源，是对人本身的意识、自我、心灵等哲学问题的探索。而在发展的过程中，更是融合了统计学、神经科学、信息论、控制论、计算复杂性理论等学科的知识。 　　 　　总的来说，机器学习的发展是整个人工智能发展史上颇为重要的一个分支。其中故事一波三折，令人惊讶叹服，颇为荡气回肠。 　　其中穿插了无数牛人的故事，在下面的介绍中，你将会看到以下神级人物的均有出场，我们顺着ML的进展时间轴娓娓道来： 　　 　　|基础奠定的热烈时期 　　20世纪50年代初到60年代中叶 　　Hebb于1949年基于神经心理学的学习机制开启机器学习的第一步。此后被称为 Hebb学习规则。Hebb学习规则是一个无监督学习规则，这种学习的结果是使网络能够提取训练集的统计特性，从而把输入信息按照它们的相似性程度划分为若干类。这一点与人类观察和认识世界的过程非常吻合，人类观察和认识世界在相当程度上就是在根据事物的统计特征进行分类。 　　从上面的公式可以看出，权值调整量与输入输出的乘积成正比，显然经常出现的模式将对权向量有较大的影响。在这种情况下，Hebb学习规则需预先定置权饱和值，以防止输入和输出正负始终一致时出现权值无约束增长。 　　Hebb学习规则与“条件反射”机理一致，并且已经得到了神经细胞学说的证实。比如巴甫洛夫的条件反射实验：每次给狗喂食前都先响铃，时间一长，狗就会将铃声和食物联系起来。以后如果响铃但是不给食物，狗也会流口水。 　　1950年， 阿兰·图灵创造了 图灵测试来判定计算机是否智能。图灵测试认为，如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。 　　 　　2014年6月8日，一台计算机（计算机尤金·古斯特曼是一个聊天机器人，一个电脑程序）成功让人类相信它是一个13岁的男孩，成为有史以来首台通过图灵测试的计算机。这被认为是人工智能发展的一个里程碑事件。 　　1952，IBM科学家 亚瑟·塞缪尔开发了一个 跳棋程序。该程序能够通过观察当前位置，并学习一个隐含的模型，从而为后续动作提供更好的指导。塞缪尔发现，伴随着该游戏程序运行时间的增加，其可以实现越来越好的后续指导。 　　通过这个程序，塞缪尔驳倒了普罗维登斯提出的机器无法超越人类，像人类一样写代码和学习的模式。他创造了“机器学习”，并将它定义为“可以提供计算机能力而无需显式编程的研究领域”。 　　1957年， 罗森·布拉特基于神经感知科学背景提出了第二模型，非常的类似于今天的机器学习模型。这在当时是一个非常令人兴奋的发现，它比Hebb的想法更适用。基于这个模型罗森·布拉特设计出了第一个计算机神经网络—— 感知机（the perceptron），它模拟了人脑的运作方式。 　　3年后， 维德罗首次使用Delta学习规则用于感知器的训练步骤。这种方法后来被称为 最小二乘方法。这两者的结合创造了一个良好的线性分类器。 　　 　　1967年， 最近邻算法（The nearest neighbor algorithm）出现，由此计算机可以进行简单的模式识别。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 　　 　　kNN的优点在于易于理解和实现，无需估计参数，无需训练，适合对稀有事件进行分类，特别适合于多分类问题（multi-modal，对象具有多个类别标签）， 甚至比SVM的表现要好。 　　Han等人于2002年尝试利用贪心法，针对文件分类实做可调整权重的k最近邻居法WAkNN （weighted adjusted k nearest neighbor），以促进分类效果；而Li等人于2004年提出由于不同分类的文件本身有数量上有差异，因此也应该依照训练集合中各种分类的文件数量，选取不同数目的最近邻居，来参与分类。 　　1969年 马文·明斯基将感知器兴奋推到最高顶峰。他提出了著名的XOR问题和感知器数据线性不可分的情形。 　　明斯基还把人工智能技术和机器人技术结合起来，开发出了世界上最早的能够模拟人活动的机器人Robot C，使机器人技术跃上了一个新台阶。明斯基的另一个大举措是创建了著名的“思维机公司”（Thinking Machines，Inc．），开发具有智能的计算机。 　　此后，神经网络的研究将处于休眠状态，直到上世纪80年代。尽管BP神经的想法由林纳因马在1970年提出，并将其称为“自动分化反向模式”，但是并未引起足够的关注。

　　如果AlphaGo采用寒武纪处理器的架构，只需要一台个人电脑大小的主机，就可以运行起来，而且运行速度应该会更快。 　　 　　如何能让一张普通的图片具有艺术性呢？现在，借助一款应用了人工智能算法的手机修图软件 Prisma，你可以将任何照片变成名画风格（比如梵高、莫奈、毕加索或宫崎骏风格），且极具艺术品质。连俄罗斯总理梅德韦杰夫都忍不住在社交网站上晒出了一张用Prisma处理过的、有着浓郁铅笔画风格的风景照——滤镜里的莫斯科夜晚。 　　与普通滤镜不同，Prisma采用深度学习算法，能够利用复杂的人工神经网络，抽象出给定绘画作品里一些高级的隐藏特征，学习画家的绘画风格，再把这个风格“智能”地应用到一张新图片上，是第一款人工智能的平民化应用。不过，美中不足的是，因为人工智能算法计算量极大，用户需要把照片发送到远程的服务器，几十秒后才能看到预览效果。 　　人工智能算法运算量到底有多大？想像一下，同样采用了人工智能算法的AlphaGo，需要用到上千块传统处理器（CPU）和上百块图形处理器（GPU）。 　　很显然，在人工智能迎来新一波复兴的今天，传统处理器正成为阻碍人工智能普及的瓶颈。如果没有一款专门为神经网络设计的芯片，既高效、低耗、体积小，还能够嵌入智能终端设备，我们就无法与人工智能真正“亲密接触”。好消息是，今年3月，一家刚刚成立的芯片设计公司——寒武纪公司（中国科学院计算技术研究所下属的产业化公司），已经发布了世界上第一款神经网络处理器指令集（Cambricon），而且正走在商业化的路上。 　　值得一提的是，寒武纪公司的首席执行官陈天石和首席科学家陈云霁，是一对亲兄弟。哥哥陈云霁是计算机体系结构专家，弟弟陈天石是人工智能专家。兄弟两人的合作始于用人工智能技术支持通用处理器的研发，而后又转向用处理器技术来支持人工智能的发展。 　　2014年，陈天石、陈云霁与法国信息与自动化研究所（INRIA）的奥利维耶·泰蒙（Olivier Temam）博士共同发表的学术论文《DianNao：一种小尺度的高吞吐率机器学习加速器》（DianNao： A Small-Footprint High-ThroughputAccelerator for Ubiquitous Machine-Learning ），获得了ASPLOS（Architectural Support for Programming Languages and Operating Systems ，编程语言和操作系统的体系结构支持）国际会议最佳论文，吸引了国际同行的目光。随后发表的几篇论文，更是奠定了他们在神经网络处理器这个领域的国际领跑地位。 　　传统处理器指令集是为进行通用计算发展起来的，基本操作为算术运算和逻辑运算。而深度学习算法，基本操作是对人工神经网络中的虚拟神经元和突触进行处理。作为一款神经网络处理器，寒武纪处理器指令集的一条指令即可完成多个神经元的并行处理，而传统处理器需要数百甚至上千条指令才能完成一个神经元的处理。这也就解释了，为什么传统处理器运行深度学习算法时效率会如此低下。 　　“如果把深度学习看作切肉，传统的处理器就是瑞士军刀，我们的专用神经网络处理器则相当于菜刀。瑞士军刀通用性很好，什么都可以干，但干得不快，菜刀是专门用来切菜的，在切肉这件事情上，效率当然更高，”接受《环球科学》采访时，寒武纪公司首席执行官陈天石形象地比喻，“在运行人工智能算法方面，寒武纪处理器比通用处理器好百倍到千倍，如果AlphaGo采用寒武纪处理器的架构，只需要一台个人电脑大小的主机，就可以运行起来，而且运行速度应该会更快”。 　　今年7月，寒武纪公司与中国科学院计算技术研究所又共同发布了国际上首个稀疏深度学习处理器（Cambricon-X），性能更好，功耗更低。在65nm工艺下，Cambricon-X芯片面积仅为6.38平方毫米，最高每秒能进行5000亿次神经网络基本运算，性能是高端GPU的10倍，能耗却仅为其3.4%。 　　目前，寒武纪公司正紧锣密鼓地将自己的芯片推向产业化。陈天石介绍说，“芯片从研发、量产到商用，是一个以年为单位的周期，所以最快明年，大家应该可以在市面上看到使用寒武纪技术的芯片产品，比如在智能终端、智能机器人、手机、安防监控或云端服务器上”。 　　神经网络处理器的诞生，或许会将人工智能推到一个全新的高度。“我们要让人工智能的门槛更低，让研究人员可以自由地尝试规模更大、更复杂的算法。这也是我们给公司取名‘寒武纪’的寓意所在”，陈天石说，“像地质年代中的寒武纪迎来生命大爆发一样，我们希望，寒武纪芯片也能开启人工智能的新纪元”。

2月27日，Bridgetek为了进一步扩展屡次获奖的嵌入式视频引擎（EVE）产品，推出下一代人机界面（HMI）应用的BT815 ／ 6系列高度先进图形控制器芯片。支持自适应可伸缩纹理压缩（ASTC）算法，可以显着提高图像质量，而不需要分配更大的带宽，因为压缩算法允许使用较小的压缩文件。由于这个特点，新的EVE设备能够可使用较大字体和数据量较大的图像时，可节省大量的内存空间。进一步对存储器管理和系统资源改进，可通过专用QSPI主机端口的形式提供，用于连接外部闪存，以补充EVE控制器的片上存储器。专用端口专用因为可以扩展片上容量以存储许多功能丰富的显示器所需的其他图像和音频对象，如位图和字体。作为附加端口，可以释放用于从内部复制任务控制BT815 ／ 816设备的主系统QSPI端口，因此可以减少系统MCU的工作负载。 BT816支持带有4线电阻式触摸屏的显示器，而BT815可支持电容式触摸屏，并提供多点触摸操作（最多可容纳5个触摸点）。这两款芯片支持高分辨率（800×600）图形的渲染，并具有视频播放功能。内置的硬件引擎可识别触摸标签（提供多达255个标签的通知），并准确跟踪触摸移动。还支持定制的内置小部件（Widget）和更多功能 － 例如ASTC解码，JPEG解码和校准。 可编程中断控制器允许EVE设备产生与事件相对应中断，例如检测触摸或完整的音频文件播放，确保与主机MCU的最佳交互动作，无需轮询设备响应。 音频功能可以提供内置声音合成器，以及用于单声道8位线性PCM，4位ADPCM和μ－Law声音编码（采样频率在8kHz至48kHz之间）的音频播放。当需要使用外部滤波时，数字滤波功能有助于降低系统设计的复杂性。 与以前的EVE系列产品一样，无论以往工程师的经验如何，BT815 ／ 6系列都可以简易构建引人注目，功能丰富且吸引人的人机界面，而且整合图形控制，音频控制和触控控制界面。创新的基于对象（基于对象）的体系结构可显着降低HMI开发所需的硬件 － 消除通常所需的帧缓冲器和大容量闪存，而仅依靠内部1MByte图形内存。这也意味着在HMI设计可以使用一个不太复杂，成本较低的MCU，从而进一步减少总体材料清单。 新型BT815和BT816 EVE设备采用64引脚VQFN封装。工作温度范围可支持 － 40°C至85°C。

　1 磁致伸缩液位计的组成和原理 　　1.1 组成 　　磁致伸缩式液位计是一种可进行连续液位、界面测量，并提供用于监视和控制的模拟信号输出的高精度的测量仪表，由三部分组成：(A)360度内磁浮子;(B)传感器 (压磁传感器和磁致传感管);(C)塑封全智能化电子装置。可智能化编程，带有液晶显示，可显示总体液位，界面液位，以及温度输出的电信号，实际液位值，温度值, 带有偏移量的实际液位值等。 　　1.2 工作原理 　　在一非磁性传感管内装有一根磁致伸缩线,在磁致伸缩线一端装有一个压磁传感器,该压磁传感器每秒发出10个电流脉冲信号给磁致伸缩线,开始计时,该电流脉冲同磁性浮子的磁场产生相互作用，在磁致伸缩线上产生一个扭应力波，这个扭应力波以已知的速度从浮子的位置沿磁致伸缩线向两端传送。直到压磁传感器收到这个扭应力信号为止,压磁传感器可测量出起始脉冲和返回扭应力波间的时间间隔，根据时间间隔大小来判断浮子的位置,由于浮子总是悬浮在液面上,且磁浮子位置随液面的变化而变化,即时间间隔大小也就是液面的高低,然后通过全智能化电子装置将时间间隔大小信号转换与被测液位成比例的 4 ～2 0 m A 信号(HART)进行输出。 　　2 特性 　　2.1 优点 　　(1)结构简单，仅由三部分组成; 　　(2)高精度，满量程的0.01%，最大误差不超过1.27mm; 　　(3)标定极其简单，无需实标，只需按按钮或者使用 HART 协议; 　　(4)对于重新标定或忘记标定值，无需重新校验; 　　(5)测量范围大，0～22m; 　　(6)可同时测量总体液位和界面液位，以及温度输出; 　　(7)压力范围大，最大207Bar，标准的是66Bar; 　　(8)温度范围大，-196℃到427℃; 　　(9)可现场替换差压式，电容式，超声波式，雷达式，外浮筒式，钢带或伺服马达式等液位变送器。 　　2.2 缺点 　　(1)不能测量高粘度液体和泥浆，天线浸在被测液体或其饱和汽体中工作，不适用于有压、自聚、有腐蚀、有毒、高黏度液体的测量。 　　(2)浮子沿着波导管外的护导管上下移动，有时会被卡住。 　　3 实例分析、比较 　　3.1 差压变送器和磁致伸缩液位计测量界面分析比较 　　图1、2是一个化工装置中典型的化合反应器液位测量示意图。上面是油(苯及其化合物)下面是液体催化剂。由于催化剂的密度比油大，两种物料会自动分离。工艺操作人员通过控制催化剂、油的界面(LT1测量)和油液位(LT2 测量)来保证化合反应的生成率。两个液位值必须精确控制在一定的范围内，是系统停车联锁点。 　　 (1)采用差压变送器测量界面误差原因分析(图1) 　　初期我们用差压变送器测量，差压变送器测量时要用油密度和催化剂密度来确定仪表的零点和量程，这两个值是理论计算出来的。 　　以图1为例差压变送器(LT1)的差压(P)计算公式为： 　　 　　实际油混合物在罐内分离后。上面的油含有催化剂，下面的催化剂也含有油，且在水与油界面存在厚薄不一、密度不一的过度层，实际两种物质的密度和理论值有误差;北方地区冬天温度在0度以下，仪表需用蒸汽伴热，由于蒸汽伴热会造成导压管内的液体汽化，液体汽化后密度会发生变化，基于以上原因，从计算公式可以看出ρ1、ρ2密度值的变化造成了差压液位变送器较大的测量误差，最多的误差可达10.0%。差压变送器(LT2)的差压(P)计算公式为： 　　 　　反应器内的油汽化会使差压变送器(LT2)导压管负压侧内积液，因此需对导压管负压侧充水。由于反应器内有压力，导压管负压侧内时间长了会进油，加上冬季拌热，ρ4的密度发生改变。ρ4的变化造成LT2较大测量误差。为保证测量的准确，要定期对导压管进行冲水。 　　(2)采用磁致伸缩液位计(图2) 　　磁致伸缩式液位计出厂是根据用户提供的“上密度”和“下密度”确定浮子的重量。在测量界面时，实际上是浮子浮在界面上，所受的浮力和重力相等。公式为： 　　 　　由于浮子所处位置的密度是相对固定的，即含油与含催化剂的百分率是相对固定的。从上面的公式可以看出ρ1、ρ2相对固定，浮子所受到的浮力是固定的。浮子精确的浮在界面和液面从而保证了磁致伸缩式液位计的高精度测量。 　　磁致伸缩液位计可以同时测量液位和界面，在DCS内加减模块用液位值减界面值得到油的准确高度，解决了图1中LT2只能测量上部分油液位的不足，使工艺操作人员对反应器内的情况了解的更清楚。差压变送器导压管冬天用蒸汽伴热会造成导压管内的液体汽化，必需定期进行排气和充隔离液，当物料有杂质时会造成仪表堵塞，仪表维护人员工作量大，采用磁致伸缩式液位计后仪表维护量减少很多。 　　3.2 用于大型储罐界面测量时和伺服马达液位计的比较 　　在化工生产中大型储罐界面的测量，伺服马达液位计和磁致伸缩式液位计是用的最多的液位计，精度都很高。但伺服马达液位计缺点是:1)机械传动机构，不可避免带来磨损问题;2)标定复杂;3)液面波动时对测量有较大影响;4)结构复杂，维修困难。基于以上原因我们用磁致伸缩式液位计优于伺服马达液位计。 　　4 小结 　　磁致伸缩式液位计作为一种新兴的测量仪表，具有精度高、稳定性和可靠性好的优点。更适合于界面液位测量，未来在石油、化工、医药等行业将会有更大的市场。 液位计相关文章:磁翻板液位计原理 电流变送器相关文章:电流变送器原理 电接点压力表相关文章:电接点压力表原理 热式质量流量计相关文章:热式质量流量计原理 流量计相关文章:流量计原理

1 引言 　　盲源分离（Blind Source Separation, BSS）问题是20世纪80年代提出的[1]，Jutten在90年代初给出严格的数学描述[2]。其真正被重视只是近10年的事。盲源分离的研究涉及到人工神经网络、统计信号处理和信息论的有关知识，现在已成为人工神经网络的重要发展方向之一[3]。盲源分离的开拓性研究起源于Jutten与Herault于1991年的论文[2]。P. Comon首先提出了盲源分离的独立分量分析(Independent Component Analysis，ICA)方法[4]。A. J. Bell和T. J. Sejnowsk在盲源分离算法的发展史上作出了重要贡献，带动了后续的研究工作[5]。国内关于盲源分离的研究最早始于1997年[6]，主要集中在电信传输信号的盲识别上。 　　盲源分离主要分为线性混叠和非线性混叠两种[7]。非线性混叠的主要有通过对线性模型的扩展和用自组织特征映射的方法[8]。 　　对于振动信号的盲分离，从2000年才开始受到重视[9]，并且研究的范围主要在旋转机械和故障诊断中。 2 盲源分离基本概念 　　盲源分离问题可用如下的混合方程来描述[4]： 本文引用地址：http://www.eepw.com.cn/article/201706/347884.htm 　　　　　　　　　　　　　　　　　　　图1 线性盲源信号分离框图 　　事实上，在盲的范畴里，人们不可能实现源信号的完全恢复。盲源信号分离的求解结果有两个不确定性：分离后信号向量的排列位置可以变化、信号的幅值与初始相位可以变化。很明显，这样的不确定性对源信号的分离不会有任何实质的影响。 3 振动信号盲分离的常用算法 3.1 最大似然准则算法 　　最大似然估计是要找到矩阵W使得所估计的输出y的概率密度函数(PDF)与假设的源信号的PDF尽可能接近，是一种非常普遍的估计方法。 3.2 最小互信息准则及其算法 　　基于信息理论的最小化互信息的基本思想是选择分离矩阵W, 使输出y的各分量之间的互依赖性最小化，在理想情况下趋于零。 3.3 基于高阶累积量的方法 　　Cardoso提出了应用四阶矩进行盲信号分离的方法。在这个基础上，人们从度量的非高斯性出发，得到快速的定点盲源抽取算法。另外Tong和Liu通过正交变换，对观测到的混迭信号的四阶矩进行奇异值分解(SVD)，得到一类扩展的四阶盲辨识和多未知信号提取算法。Cardoso还提出了基于四阶累积量的联合对角化。独立成份分析方法中的峭度与负熵也是基于高阶累积量的盲源分离方法。 3.4 非线性混叠盲源分离 　　大多数的盲源分离算法都假设混叠模型是线性的，更为准确的模型应当是非线性的或弱非线性的。人们针对非线性混叠模型提出了以下几种方法：(1) 基于两层感知器网络的感知器模型法[20]；(2) 基于自组织特征映射的无模型方法；(3)径向基函数网络法，这种方法鲁棒性较好。 4 振动信号盲源分离方法的探讨 4.1 估计分离矩阵的加速梯度法 　　在最小化互信息准则的基础上，有关研究推导分析出加速梯度法的计算步骤，然后对转子的振动信号进行采集并盲分离，得到了满意的结果。 　　在一个转子试验台上安装2个加速度计和1个涡流传感器采集信号，得到的传感器信号与分离结果的功率谱,如图2和图3所示。 　　分析表明，基于最小化互信息原理的加速梯度法能够较好地估计出分离矩阵, 其实现步骤可行。 　　　　　　　　　　　　　　　　　　图3 分离后各传感器振动信号的功率谱 　　对具有故障的实际转子进行多传感器信号采集并进行盲分离，结果表明：采集信号中混叠的不同故障特征能够较好地分离开来，分离后各传感器信号的功率谱图基本上只显示出一种故障特征。但是旋转激励的影响不能从盲源分离的结果中完全消除。 4.2 卷积混合盲分离时域方法 　　有许多文献用卷积混合矩阵模型对BSS进行了研究。基于时域信号的盲分离[24]方法对数值信号进行卷积混合并进行盲识别，如图4所示。混合后两个源信号分离结果说明所用算法在低频段可给出好的分离结果，且可分离信号中的谐波信号[25]。 　　实际工程中的信号源个数是不明确的。可在人为设定源信号个数m的基础上，进行随机迭代，最大化各个分离信号y(n)。 　　对动力机械结构的不同位置上安装5个传感器，进行振动信号采集，并对采集信号用卷积混叠矩阵进行盲分离。结果表明，靠近激励源的两个传感器(4、5两个传感器)得到的信号被方便地分离出来，而其他测点的传感器采集信号难以收到理想的分离结果。这与理论方法是一致的。 　　第5个传感器的原始信号和分离结果如图5所示。可看出，实际的信号在时域和频域都难以直接观察出来。进行盲分离，得出两个典型的周期信号及一个随机信号。图5(b)是两个周期信号合成的频谱。两个周期信号分别是发动机、电机旋转频率[26]。实际振动信号进行的源信号盲分离表明，所用方法在机械振动信号盲源分离中是适用的，信号得到较好的分离。 　　　　　　　　　　　　　　　　　　　　　图4 两个谐波信号的分离 　　　　　　　　　　　　　　　　　　　　图5 实际振动信号的盲分离 4.3 基于峭度的快速定点算法 　　经典的测量非高斯方法是峭度(kurtosis)或称四阶累积量。有关研究用基于峭度的快速定点算法对真实的转子振动信号进行了盲源分离研究。在转子振动试验台上安装4个加速度传感器，三个加速度传感器是安装在轴承座上的，另一个安装在垂直于转子轴的连接盘上以便测量轴向的振动情况。试验时的转速为525转/分。由此得到4个采集信号。 　　值得注意的是，实际采集的信号一般就是混合后的信号。所以前述数值仿真分析方法中，“信号混合”这一步就不需要了，可以在直接对采集的信号进行预白化处理后，再用基于峭度的快速定点抽取算法进行分离。 　　　　　　　　　　　　　　　　　　　　图6 转子振动信号的盲源分离 　　由传感器测得的4个振动源信号如图6(a)所示；预白化处理后的信号、分离后的信号分别如图6(b)、(c)所示。从图6(a)可看出，从原始的转子振动信号中只能分辨出轴向冲击信号，而其他3个信号波形十分相近，无法识别出哪个信号是哪个振动源产生的。从图6(c)中能够清晰地分离出不同的振动信号源。第四个信号是明显的轴向冲击信号，第二个信号是转子旋转的信号，第一个信号是轴承滚子的冲击信号，第三个信号是噪声信号。这说明用基于峭度的快速定点算法对转子振动信号的盲源分离是十分有效和成功的。 4.4 改进的基于Jacobi优化的极大似然估计方法 　　在传统的Jacobi优化算法的基础上，文献[10]探索了一种具有初始化四阶矩矩阵的优化算法，来提高算法的收敛速度和计算效率。 　　用6个模拟源信号进行混合，分别用FastICA算法、JADE算法来与改进Jacobi优化算法进行比较，采取采样点数从5000变化到30000，来依次统计各个算法的计算时间。3种算法的计算效率如图7所示。可以看出JADE算法的计算时间相比于其它两个算法要长，这在大采样点情况下表现更为明显，而基于初始化四阶矩矩阵的算法与FastICA算法有着接近的计算时间(相差3%左右) 　　　　　　　　　　　　　　　　　　　　　图7 三种算法的计算效率 　　利用仿真试验来分析各个算法分离信号的信噪比、相关系数以及交叉干扰误差测度，如表1所示。这三个指标的值越大表明算法实现的分离信号就越逼近源信号，分离的性能就越优良。从表1可以看出，该算法可以得到优于其它两个算法的信噪比、相关系数以及交叉干扰误差测度。所提出的算法在分离信号的性能指标上远优于FastICA算法。 4.5 鲁棒的二阶非平稳源分离方法 　　D. T.Pham对于一组对称正定矩阵{Mi}提出了一个不同的准则，它不需要进行任何预白化，而且对角化矩阵同时也是分离矩阵[30]。对于有不同功率谱(或等价于不同的自相关函数)的有色源，可以使用时滞协方差矩阵，并由此得到了二阶盲辨识(SOBI)算法。Choi和Cichocki对非平衡源SOBI进行修改，提出一种高效灵活的二阶非平稳源分离(SONS)方法 [31]。 　　　　　　　　　　　　　　表1 各个算法分离信号的性能指标 用与4.3节相同的实验台，用SONS算法对噪声含量较少的转子系统中低转速数据进行分离，与基于负熵的快速定点算法相比，SONS算法在分离效果上的改善很小。在含有大量噪声的高速旋转情况下，基于负熵的快速定点算法对转子振动信号的分离结果如图8(a)，在改用SOBI算法后，分离结果得到了改善，如图8(b)。而在改用SONS算法，分离结果的改善则很明显，如图8(c) [32] 　　　　　　　　　　　　　　　　　　　图8 用三种算法对高速数据盲源分离结果的比较 5 结论 　　本文介绍的内容为将盲源信号分离技术应用于机械振动信号的故障诊断提供了一个依据，也为盲源信号分离应用于实际工程信号的处理打下了基础。 　　今后应该着重研究的发展方向主要有3个： 　　(1) 如何实现在观测量个数源信号个数不确定或未知时的盲分离方法研究。 　　(2)更一般的非线性混叠的可分离性的研究。 　　(3)对含有噪声的混叠信号进行盲分离方法的研究。

最近发现一款用于BB-Black的最新DIN-Rail导轨盒，使用嵌入式工业应用。这款导轨盒有点类似于之前用于树莓派的盒子，后者已经在工业行业中被广泛应用。用于BB-Black的导轨盒采用兼容DIN导轨的外形设计，符合DIN43880规范，能够满足许多不同的应用场合，例如加热和亮度控制，以及电能测量等等。盒子外壳材质为UL94V-0注塑材质，大小尺寸为90.5X62X68.1mm(HXDXW)。 本文引用地址：http://www.eepw.com.cn/article/201610/306741.htm 科普：什么是DIN-Rail导轨? DIN-Rail导轨是一种广泛用于在工业用机架上安装断路器(Circuit Breaker)和工控设备的标准导轨类型。这种导轨通常采用经过镀锌、铬酸盐处理和表面抛光的冷轧碳钢板制作而成。DIN是“德国标准化协会”的德语缩写，也是一种制造规范，被欧洲和国际标准广泛沿用。

4月6日消息，外媒报道称，美国总统特朗普表示：“和3M的故事圆满结束了。我们能为和3M，及其首席执行官Mike Roman合作感到非常骄傲。”此外，特朗普政府在未来3个月内从3M公司购买近1．67亿个口罩。 冲突缘由 当地时间4月2日晚。特朗普在社交网站上痛批3M公司，称其将为其处理口罩的方式付出巨大代价。 特朗普在其个人推特上表示：“当我们看到3M是如何处理他们的口罩之后，我们今天狠狠打击了他们。《国防生产法》一直在。他们的做法让政府里的许多人感到吃惊，他们将为此付出巨大代价。” 而3M公司也不甘示弱，反驳了有关该公司没有制造更多N95口罩的批评，该公司表示，不会遵守特朗普政府要求停止出口部分美国产口罩销往加拿大和拉丁美洲的命令。 该公司首席执行长罗曼（Mike Roman）在接受全国广播公司商业频道（CNBC）采访时表示，指责该公司没有尽一切努力最大限度地在美国提供防护口罩，这种想法大错特错。3M公司的回应也加剧了特朗普政府与美国医疗设备制造商之间的冲突。 关于3M公司 3M公司全称 Minnesota Mining and Manufacturing（明尼苏达矿务及制造业公司） ，创建于1902年，总部设在美国明尼苏达州的圣保罗市，是世界著名的产品多元化跨国企业。 3M是全球性的多元化科技企业，创建于1902年，素以勇于创新、产品繁多著称于世，生产数以万计的创新产品，在医疗产品、高速公路安全、办公文教产品、光学产品等核心市场占据领导地位。 3M为全球近200多个国家的客户提供产品及服务，其产品已深入人们的生活，从家庭用品到医疗用品，从运输、建筑到商业、教育和电子、通信等各个领域，极大地改变了人们的生活和工作方式。