轿车车身骨架精度调试方法研究

介绍了轿车新产品调试、量产过程中车身骨架精度调试的思路以及常用的方法及原则,统计了50台以上的三座标精度数据,对于超差点位应用数据点折线图进行趋势分析,进而对车身骨架精度尺寸控制提出改进措施和方法.     

柔性自动化微装配的自主式显微视觉技术

针对非硅微机电系统自动化、柔性、高精度、高效的装配特点,提出并实现了一种基于金属氧化物半导体(CMOS)、现场可编程门阵列(FPGA)及数字信号处理器(DSP)的显微视觉系统设计方法. 该方法兼顾了模块化、柔性与可重配置、高检测精度及速度等系统主要指标,实现了结构模块化、功能可重配置、具有非常高的检测精度及速度的显微视觉系统. 通过实验分析了系统的物理分辨率以及对测量精度进行了标定,验证了系统的设计技术指标. 结果表明:系统对非硅MEMS器件的最高测量精度可达0.6 μm,检测时间小于0.65 s,不仅满足了现有微小型零件柔性自动化装配的要求,同时也为微小型零件的高精度、高速度检测提供了重要的解决方法.      

马尔科夫调制泊松点过程的熵率和相互信息率?

显示地导出了一类连续时间参数隐马尔科夫模型-马尔科夫调制泊松点过程(MMPP)的熵率和相互信息率.模拟研究表明这类隐马尔科夫模型参数的最大似然估计的精度和效与观测过程和隐过程之间的相互信息率密切相关.一般地,相互信息率可作为MMPP中各个混合分量广义距离(或差别性)的一个度量.     

基于SEM纳米切削装置的设计与实验

针对目前纳米切削机理研究方法中切削过程无法在线高分辨力观测等瓶颈问题,设计并搭建了一套集成于扫描电子显微镜高真空条件下的纳米切削实验装置,开展了该实验装置的运动精度分析、典型单晶材料纳米切削在线观测等研究.该装置在切削及切深方向均能实现7,μm的位移输出,闭环分辨力为0.6,nm.通过白光干涉仪对纳米切削台阶加工结果的测量,分析装置运动精度,实现了切深分别为59.3,nm、115.1,nm和161.2,nm的台阶结构加工.利用直线刃金刚石刀具对单晶铜和单晶硅材料进行了纳米切削实验,实验结果表明所研制的纳米切削装置能够实现纳米尺度材料去除的在线高分辨力观测.     

试论小提琴教学中音准能力的培养

音准可以说是小提琴演奏中的灵魂。良好的音准是通过听觉、视觉、触觉来检查校正的。音奏不准首先是对因定音高的听辨能力较差,依靠内心听觉是解决音准问题的先决条件;内心听觉培养必须放在首位,然后是视觉音准的培养。左臂状态,手型也是音准技术的必要准备。只有将这些方面有机的结合起来,才可能从根本上培养小提琴学习者的音准问题。     

全站仪在面积测量中的应用

文章介绍了全站仪测量基本原理、在面积测量上的应用并对其精度进行分析,得出一些结论。     

精密平板检测误差分布及影响因素

讨论高精度平板检测误差分布及实际测量中的影响因素，并提出了减小或消除检测误差的方法     

普朗克公式中光波长的定义域方程

引进一个计算精度因子n,导出普朗克公式eb(,λT)=C15λ(eC2λT-1-)1中光波长λ的定义域方程为10nx5j-21.2014exj 21.2014=0.利用该光波长的定义域方程取计算精度因子n=6,计算出温度为200K时的长波长界是1050.986μm,温度为6000K时的短波长界为87.855nm.说明在大多数工程实践可能涉及的温度范围内,当计算精度为百万分之一时,普朗克公式中光波长的定义域即是87.855nm到1050.986μm.     

如何提高曲线现浇箱梁的放样精度

结合工程实例,详述了在施工放样中,采用casio计算器进行坐标计算,然后用全站仪进行放样的方法,不但提高了放样精度,同时也提高了工作效率。     

Forecasting German GDP using alternative factor models based on large datasets

This paper discusses the forecasting performance of alternative factor models based on a large panel of quarterly time series for the German economy. One model extracts factors by static principal components analysis; the second model is based on dynamic principal components obtained using frequency domain methods; the third model is based on subspace algorithms for state‐space models. Out‐of‐sample forecasts show that the forecast errors of the factor models are on average smaller than the errors of a simple autoregressive benchmark model. Among the factor models, the dynamic principal component model and the subspace factor model outperform the static factor model in most cases in terms of mean‐squared forecast error. However, the forecast performance depends crucially on the choice of appropriate information criteria for the auxiliary parameters of the models. In the case of misspecification, rankings of forecast performance can change severely. Copyright © 2007 John Wiley & Sons, Ltd.