sony的故事 第 27 章

本周大新闻|索尼PS VR2立项近7年;传腾讯将引进Quest 2 UC伯克利大学的一篇论文指出,VR头显搭载多个传感器,可能会通过摄像头、麦克风来获取用户的面部特征、音质和眼球运动等生物数据,而只需要稀少的数据,在几秒内就能识别用户特征(包括身高、惯用手和性别),因此很难在VR中保持隐私。Quest多任务不再是Quest Pro专属,最新的v50系统更新中为Quest 2加入支持,简单理解就是运行VR应用(3D应用)的同时,可在不关闭游戏的前提下直接按Home开启一个2D应用,例如浏览器、聊天窗口等等。据悉,富士康在帮助苹果生产第二代AR设备,特点是成本会更低。 阅读详情

技术篇 第一章

第二十七章


  我们日本人一直受到生存条件的困扰。可以毫不夸张地说,我们脚下的大地每天都在颤抖。我们天天生活在这些火山岛上,不仅受到大地震的威胁,也受到台风、海啸、暴风雪和春季洪水的威胁。我们的岛屿除了水之外几乎没有给我们提供任何原材料,只有小于四分之一的土地是可以住人或者用于耕种的。所以,我们对自然资源非常珍惜。正是出于这个原因,我们学会了尊重自然,保护资源,使产品小型化,并把技术视为帮助我们生存下去的手段。虽然我们信仰宗教,相信神灵无所不在,但我们并不把自己看作是虔诚的信徒。我们信仰佛教、儒教、神道和基督教,但是我们也非常相信实用主义。我们经常开玩笑说,日本人是天生的神道信仰者,但是却过着儒生的生活,以基督徒的方式结婚,最后按佛门的规矩下葬。我们的礼仪、习俗和节日浸透了千百年来的宗教传统,但是我们却并没有被各种禁忌所束缚,可以自由地去做各种各样的尝试,从中找出最好的结果和最实用的办法。
  我们珍视自古世代相传的很多概念,其中最有意义和价值的概念之一是“不得暴殄天物”,这个词在日文中读作“mottainai”,很难简单地翻译成别的语言中的词汇。这是一个关键性的概念,从中可以找出有关日本、日本人和日本工业的很多解释。这个概念表明在这个世界上的一切都是造物主的恩赐,对此我们应该怀有感激之情,而绝对不能加以浪费。从字面上讲,“mottainai”是不敬神圣的意思,但它的深层却有亵渎上天的内涵。我们日本人感觉到世上万物都是神圣的信贷,实际上只是上天借给我们的,让我们以最好的方式加以利用。浪费东西被看作是一种罪恶。我们甚至用“mottainai”来表示对很一般的东西的恣意浪费,例如水或纸。一点也不奇怪,我们发展了这个概念,它已经超出了节约和保存的范畴,它成了一种宗教的概念。我知道西方和亚洲的其它一些地方也在某种程度上具有这种概念,但在日本它有着特殊的意义。在艰难岁月和自然灾害的不断威胁之下为了生存而斗争,试图用最少的原材料制造产品,这两者都成了日本人的生活方式,所以浪费任何东西都被看作是可耻的,实际上是犯罪。
  过去,日本与外界完全隔绝,我们必须依靠自己的资源来对付任何自然灾害。粮食短缺,地震频繁,大火一次又一次地烧毁了城市的房屋,人们被迫从头重建自己的生活。我们变得非常善于应付危机。战争刚刚结束以后,有些人在日本吃惊地看到日本人怎样重新建设城市,这些城市在1945年已被炸成一片巨大的瓦砾场。很多人都曾写到,我们把它看作是又一次自然灾害的打击,就像1923年9月1日的关东大地震残酷地摧毁了东京一样,地震震倒了高层建筑,烧掉了成千上万的住房。第二次世界大战的燃烧弹和高爆炸弹造成了同样的损失。我还记得1946年那个时候,每天晚上下班以后我从白木屋的临时工厂步行到东京火车站,大约要走两公里,一路上看不到一栋树立的楼房,除了几个烟囱和商店、工厂的钢制保险箱堆了一地之外,一无所有。举目四望,两公里以内到处都是残砖碎瓦。成千上万架B-29超级堡垒对大城市扔下了燃烧弹,对准了集中在那里的工业目标,这是日本人在规划上犯的错误。我们将近一半的飞机发动机在一个城市里生产。所有的飞机在两个城市里总装,90%的电子管在三个城市里制造。
  在两个不同的时代里,在自然和人为的灾难之后,城市都很快得以重建,其速度之高甚至使一些日本人感到吃惊。日本人已经习惯于应付贫困和自然灾害,战后一些家庭设法搬进烧毁的家园的防空洞中,另外一些人用瓦楞铁皮、纸板和防空洞的碎木片盖起了窝棚。他们把这一切看作是必须忍耐的恶运,当然再也不是绝对不可逃脱的。他们立即投入到重建的劳动之中,天才地利用满地的瓦砾和弹片搭起了炉灶,从烧焦的废墟中找出有用的残余物。在重建城市的时候采用了新方法和新技术,为的是学会在不知什么时候就可能发生的下一次灾难中生存得更好。
  伟大的美国建筑师福兰克.劳依德.莱特设计的帝国饭店经受了1923年的大地震(它正好在地震的前几个小时开业),他的技术得以研究和模仿。结果得出了先进的建筑技术,在筑波大学和日本其它地方的的地震实验室里,现在这种技术不断地得以改进。在这些实验室里模拟出地震,并把它用于检测建筑地基和建造方法。有了计算机的帮助,现在可以完成以前无法做到的模拟试验,最后的结果是日本的建筑技术可能达到世界的顶峰。必须做到这一点,因为它与生存紧密相关。
  我们也是伟大的节约者,但不仅仅是节约钱,虽然我们在这方面很内行。我第一次到美国去时惊讶地看到美国人把报纸扔掉。我简直不敢相信,他们在吃早餐时飞快地浏览一下大标题后就把报纸扔到一旁或者垃圾桶里。有些人把报纸攒起来,攒到一大捆时,再把它们甩到垃圾堆上。他们只留下当天电视节目的那一页,扔掉其它的部分。我对报纸的篇幅也感到惊讶,日本的报纸薄得多。我从来没有看过可以与星期日版纽约时报相比拟的东西,它有时重达好几英磅。在美国住了一段时间之后,就觉得扔掉报纸是一件很自然的事了。
  我在纽约时遇到一个日本人,他来美国已经很久了,他向我承认,他有一个很伤脑筋的问题,无法解决,他认为我可以帮他的忙。我告诉他,我当然愿意帮助他。“你有什么问题?”我问道,但他没有告诉我。
  他说:“你一定要到我的房间来。”于是我到他的房里去,一进门就发现了问题。那么小的地方,到处都是报纸,有的靠墙堆着,有的放在床底下,还有一些塞进了壁橱。他不愿意自己去扔掉这些报纸,但又不知如何处理才好。我安排人把废报纸拖走了,使他感到一阵轻松。我对他解释说,“不得暴殄天物”的概念在美国不像在日本那样根深蒂固,广为人知。
  由于国民具有很高的识字率,日本的杂志、书籍和报纸的数量增长得很快。纸的用途也很广泛,从宗教用品、艺术、书籍到灯罩、窗户纸、包装和各种装饰,所有这一切使得日本成为世界上第二大造纸国,仅次于美国,每年生产一亿九千万吨纸。日本的重复利用率也是世界上最高的,1984年我们的回收率是50%,(美国是27%,法国是34%,西德是38%,荷兰是46%,英国是28%)。我们使用的是一种老式的、但却有效的方法,废纸回收商定期地开着装有喇叭的卡车或者手推车到居民区去收集废报纸和旧杂志,作为交换,他们付出一些卫生纸。这种事情在纽约的大街上也许看起来有些滑稽,但是却是值得一试的明智之举。我们还回收大量其它的废旧物质,例如铝、钢、玻璃、锌、铜、铅等。日本人会非常忠实地将自己的垃圾分开,以便回收。
  因为我们一直为了生存而奉行节约,所以日本人感觉到用一个烘脚火盆或者电热器使身体温暖起来比仅仅为了一、二个人的舒适而消耗大量能量对整个房间(或者整栋房子)加热要合理得多,也更加经济一些。甚至滚烫的日本浴池也是供全家人使用的(冲洗实际上是在浴池外进行),在冬季的晚上洗个热水澡,提高身体的温度,以便在睡进暖烘烘的被窝之前在四处通风的日本式房间里更好地消化掉晚餐的食物。美国人宽大的房子里冬季加热,夏季制冷,但仅仅只是为了少数人的舒适,对于日本老一辈的人,例如我自己,这种做法有点像浪费行为,但是现在我们在日本也这样做。冬季有的时候在办公室里要脱掉外衣,因为很多办公室里太热了,而在夏季由于空调的原因又必须穿上外衣。第二次石油禁运以后,日本首相大平正芳试图让日本的商人和官员上班时穿一种改造过的旅行上衣来取代衬衣、领带和西装,这样就不必将大楼里的温度调得太低,他甚至亲自示范了一段时间。他穿着那种衣服出现在记者面前,他把它称为“节能服”,但是日本人十分注意郑重其事,觉得那种衣服太随便了,所以没人愿意穿。但是为了节能,还是把办公大楼的温度调整了一下,人们只不过是多流了一点汗。在索尼公司,我们特意规定,在任何楼房里温度不得过热或者过冷,在主办公楼里还挂有一块标牌,向来访的客人解释我们的方针。
  在第一次石油禁运以前,在很多日本人眼里,我们的经济增长是建立在这样一个基础之上的,即可供消费的石油资源无穷无尽,我们要做的事只是去找出石油,有了这种资源,我们可以无限制地扩展工业。当石油危机到来时,我们再次弄懂了“不得暴殄天物”的含义。但是我们也学会了怎样应用这个概念底下蕴藏的各种原理,今天我们的经济具有更加广大的规模,但是与1973年相比,原油、煤和天然气的消耗量却更少,因为我们已经学会了怎样更加有效地利用这些原材料。
  日本人共同工作的能力帮助国家摆脱了危机。当初和现在日本几乎都是百分之百地依靠别国的石油。所以这些石油对于我们而言很珍贵,我们总是想着节约石油。日本的各行各业都有节约的责任,总要想方设法在工厂里少消耗一些能量,使自己的产品成为节能型的产品。其实这种做法正好符合我们的心意。井深曾一度对低能耗非常关注,这也是他当初采用晶体管的一个主要原因。
  我们重视工厂中的每个操作环节和各种产品,哪怕能够减少一点能耗,我们都会去修改设计。石油禁运后的几个月内,我们就把单枪三色显像管的设计从阴极间接加热改为直接加热,从而使能耗降低了12%。我们对索尼公司的所有能耗重新加以研究,不仅仅针对工厂和办公室,也针对我们的产品。1969年我的妻子和我一起在东京目黑区建造新家时我也进行过同样的能耗分析。我打算在地下室里建一个温水游泳池,但是有两个问题,第一,湿气会升到楼上去,第二池中的热损耗很大,太浪费了。我计算出90%的热损耗是蒸发造成的。我设计了一种塑料泡沫的隔热层,将整个游泳池的水面盖进来,封闭了湿气和热量,解决了这两个问题,我在美国和日本为这个想法申请了专利。
  1973年,每一个家用器具制造商都努力降低能耗,实际上形成了一种竞争,看谁能够生产出耗能最少的产品,低能耗变成了销售中的热点,成为新的竞争对象。当时我很失望地看到在其它国家的产品重新设计中并没有什么大的改进,我想,在美国和英国那些拥有自己石油的国家中,这种危机对每个公民的影响不会像在日本那么严重。我们意识到,一旦切断了石油来源,我们就完蛋了。有些最悲观的人甚至警告说,形势如果恶化到了极点,日本可能退回到原来的农业时代。其实我们也知道,只要肯出大价钱,还是会有石油的,但是无论如何也应该随机应变。我们再也不能大手大脚了,我们连续的经济增长之梦可能提前结束。第一次石油禁运使我们的国民生产总值增长率从1973年的8。8%(当时工业国中的最高值)降到了1974年的-1%,这是那一年工业国中最大的增长率损失。
  由于危机,我们变得更加讲究效率。应用最新的技术,我们设计了能耗更低的照明灯具和效率更高的发电机。不久,参观银座的人们在看到那里五光十色的霓虹灯和日本其它的地方时都很难相信我们消耗的电能反而更少。工厂学会了如何重新利用废热和废气,怎样降低生产能耗。使用新的技术使汽车的燃油效率大大提高。很快我们就开始意识到我们能够比其它任何人更加有效地利用每一桶原油。
  在石油方面有一件有趣的事,因为我们的国家很小,所以我们用于运输的石油比用于工业的石油少,而在美国情况刚好相反。在美国,每桶原油的一半以上要消耗在运输上面。有一段时间,我们曾经羡慕英国人,因为他们有自己的北海石油,但是八十年代石油过剩影响全球,油价下跌,英国人昂贵的北海石油成了他们国家的沉重包袱。现在我们石油的99.7%仍然依靠进口,100%的铝、铁矿、镍,95%以上的铜,92%以上的天然气仍然依靠进口。我们无法摆脱切断资源的担心,我们在贮藏罐和超大油箱中贮藏了至少能够维持100天的石油,以防万一。当然这种做法过于谨慎,但我相信它也是出于农业历史的遗传和多灾多难造成的敏感。
  我们从小就受到这样的教育,我们手中拿着的金属器件是用从很远的外国运来的铁矿制成的,把这些矿石运到日本来要花很多的钱,在高炉里冶炼矿石用的是从很远的外国运来的瓦斯气和煤炭,经过这样一说,手中的东西看上去就很值钱了。在美国,也许可以这样来生产汽车的轴,即生产出来以后再检查,不合格的就扔掉。而在日本,通过简单的经济核算就可以知道不能这样做。日本工业中通常的原则是每个人都当检验员,产品在每一道工序后的结果都必须是正确无误的。这个原则对于我们是天经地义的。它是一个苛刻的、保守的原则,但是我们只能这样做。在美国允许出现一定量的废品,但是我们总是设法避免任何一件废品。你可以设想一下我们是多么地着急,五十年代时资源奇缺,但我们第一批晶体管全部产品的合格率只有5%。每个人的主要任务就是日以继夜地干,使合格率提高到90%,结果我们花了几个月的时间就达到了这个指标。
  我很早就发现,对于索尼公司来说,在世界范围内提供售后服务的费用非常昂贵,所以从长远的观点看,在制造过程中的每道工序上采取质量保证措施还是便宜一些。
  我还发现美国人与日本人相比,他们对原材料的态度草率得多。美国人什么东西都有,而且很多,石油、煤炭、铜、黄金、铀、木材,到现在美国人也没有认真考虑过节约。这使我想起了美国人的一句口头禅,“哪里来的,哪里就还有很多。“我们没有这样的说法。
  日本人似乎天生地更加注意办事精确。也许这与我们必须学会一丝不苟地书写日语中复杂的汉字有关。但是不管是出于什么原因,当我们告诉一个日本工人,某一个零件的尺寸必须控制在±0.05mm以内时,他就会自觉地争取使误差尽可能地接近零。当我们在美国办厂时,发现那里的工人完全按照指令办事。如果我们说把它控制在±0.05mm以内时,我们得到的零件尺寸就会接近正或负的0.05mm,很少会像日本工人做的那样,误差几乎为零。我们为此商量过对策,不久就找到了答案。按照美国的规矩,我们只需要把误差要求减小到±0.02mm就行了,在这样的范围内,美国工人总是可以满足我们的要求。如果我们真地需要达到零误差,只要我们事先写明这样的要求,美国工人也可以做到。
  我丝毫没有看不起外国工人的意思。当人们已经习惯于一种不同的方法时,你也只好采用不同的方法。我相信在日本与日本工人打交道的美国经理也有同样有趣的经历。当我们开始在圣迭各组装单枪三色显像管时,我们与没有经验的工人一起工作,我们理所当然地对质量产生疑虑。我们必须向这些新工人表明我们对他们的期望及其理由。我们与那里的常务经理讨论,他们是迈克.森本,小寺久一和隆.迪西诺,他们将要对组装工作负责。答案很简单:向每个工人表明,如果他们的操作不对就会出现什么样的结果。例如组装件上有不良结点,组装线上这道工序的工人可以看到图像上的毛病,并追溯出它的原因,也许是一个不良的焊点或者联结器件,或者其它的什么东西。很快我们在美国的质量就达到了日本的标准。后来我们又在英国威尔士的布利津德开了一家工厂,我们把当地生产的零件运回日本去检验,再把它们运回英国来组装,直到我们有把握认定全部零件都已达到标准为止。
  我们日本人总想开发自己的技术,从别国吸取技术,将它们混合在一起,生成一种适当的物件或体系。我们在日语中至今仍然使用汉字,与纯粹的日语表音符(即平假名——译者)混在一起,这些表音符用相当复杂的日语语法取代了简单的汉语语法。第二种表音符(即片假名——译者)用来按照发音表达外来语。用这种办法可以将任何新的外语词汇引入日语,当然是按我们自己的方法发音,但不必造出一长串汉字来模仿读音。书写的日文是一种便于快速阅读的简单语言,因为只要迅速地浏览一下一段文字中的汉字就可以知道大概的意思了。这也是一种技术。
  1543年,一艘中国的贸易船(也许是海盗船,我们现在已经无法弄清楚了。)为了补充给养,停靠到离日本九州南海岸不远的一个小岛——种子岛上,恰好有几个葡萄牙人也在那条船上。葡萄牙人随身带了几支火绳枪,当船在装货时,他们到岛上去打猎。这个孤岛的领主看到了这种新式武器,他坚持要进一步了解它,葡萄牙人显然愿意教他射击。他们要离去的时候,领主决心要买两支火绳枪,为此他付给葡萄牙人很高的价钱。后来他命令他最好的铁匠照着样子做,于是火枪就这样进入了日本。据说从那时起,只过了几年的时间,日本仿造的葡萄牙武器,也就是现在所说的种子岛火枪,比原来的还好,不过我对这一点却不敢担保。
  日本长期以来都热衷于枪械,但是这种热情在1945年悲剧性地结束了,今天日本是世界上武器最少的工业化国家。种子岛位于太平洋中,离最南边的本岛很近,从地理上讲,它是建立国家航天开发局发射基地的当然地点,最新式的火箭从那里发射通信和气象卫星。种子岛两次成为日本尖端技术的发祥地,这真是历史的讽刺。这个岛上开发出来的技术今天把生存的工具交到了我们的手中,例如通过卫星地面站与世界上其它地方的人们通信,还有气象卫星提供重要的天气数据和太阳观测信息,我们可以与西太平洋的其它国家共享这些信息。
  十六世纪时,丰臣秀吉率领的日本士兵侵入了朝鲜,他们带回的朝鲜人中间有陶匠和其它手艺人,他们采用当时日本还没有的技巧制出风格不同的精湛瓷器和金属器皿,并把手艺教给日本匠人。从那以后日本人一直抱有对技术的渴望。我已经谈过明治维新时期,当时日本人千方百计地用西方的新技术追求一切,学会了怎样制造各种各样的新东西,从撑裙到火车头。
  但是我对技术以及它对人类的用途的看法并不是源于某一个年代的最新发明。你可能拥有最伟大的技术,但不知道有什么合适的用途。你可能只有很简单的技术,但它却可以救你的命。
  1974年1月的一天,在关岛有几个渔夫穿过芦苇走到靠近塔罗佛佛河的一个人烟罕至的地方,他们是想去那里设一些捕虾的机关,但他们发现附近有不寻常的动静。他们停下脚步,等候着看个明白。过了一会儿,一个瘦小精壮的长满胡须的人分开芦苇丛冲了出来,他穿的是一种粗麻布的军服。他看到渔夫后非常惊慌,他放下手中捕猎的圈套,举起双手,做出乞求的姿势,然后向一个渔夫冲过来。两个渔夫制服了这个奇怪的家伙,捆住了他的双手。在当地的警察局里他引起了人们的注意,他说他是日本皇军供给团队的一名下士,叫横井良一。1944年美军重新占领关岛时他藏了起来,二十八年来他逃避了检查和抓捕。他讲述了一个令人难以置信的生存故事。
  横井在1941年应征入伍前是一个裁缝。他先是在中国的一个供给部队中服役,1944年3月调到关岛。不久以后关岛就失守了。美军重新占领这个岛屿之后,日本军方认为他已经死了,追任他为军士。他们家的佛龛前放了一块他的牌位,但是他的父母在临终前仍然相信他还活着。他除了有贫血症之外,健康状况很好。他被带到医院去时想要的就是一点有盐味的食品。他有二十八年没有吃盐了。他从栖身的山洞附近的一条小溪里取饮用水,还在那里面洗澡。他用炸过的弹壳做成铲子,挖了一个离地面有2.5米深的坑,用竹子支撑起坑口的顶盖,为了卫生,他还开了排水口,并做了一个厕所。
  美国占领关岛时他接到命令,让他烧掉军服。他和另外两个人逃到这个岛屿的偏僻一角。横井说,另外两个人没和他一起生活,在他被发现的前几年就死了。他用剥下的柔软树皮做成线,再用一种临时的织机将线织成布。他保留了一把裁缝的剪刀,他用这把剪刀剪布,再做成裤子、衬衣和外套。他的针是用黄铜弹壳打制出来的。他找到了一个美军扔掉的弹药箱和一些机关枪弹壳,他利用这些东西做容器。他还发现了一些浮在河里的废弃物,在岸上找了一块布,一些电线和一个罐头。他用电线做成皮带扣,用塑料做成钮扣。他从椰子浆中榨油,把椰子壳当作容器。
  他也学会了用木棍相互磨擦起火,点燃椰子纤维编织的绳子保留火种。点燃的绳子可以慢慢地烧好几天,将它吹燃后可以点火做饭。他偶尔也吃过一只落入自制圈套中的野老鼠。他经常抓鹿,并在自制的炉子上熏鹿肉。他的炉子也是自己设计的,像篮子一样,避免了可能从通风口逃逸出去的炊烟。他捕获淡水中的虾子和鱼,还想办法种了一些蔬菜。
  横井回家时受到了英雄式的欢迎。他领回了他的报酬,写了一本书,现在他到处演讲,谈自然条件下的生存,大出风头。
  幸亏我们中几乎没有人愿意模仿军士横井的痛苦经历。我将他死里求生的故事重复一遍是想说明我开始时的观点,技术哪怕在其最基本的水平上也直接与生存有关。技术并不只是指那些让我们过上现在这样舒服生活的奇迹。

NanoBanana:面向广告场景的多模态图像生成封装技术解析 多模态图像生成是当前AIGC落地广告、电商与内容创作的核心技术路径,其本质是通过视觉-语言联合建模实现跨模态语义对齐与可控输出。技术原理上依赖CLIP等多模态编码器提取图文共性表征,并结合扩散模型的像素级生成能力,在主体一致性、材质物理模拟和场景解耦等方面持续突破。这类技术显著降低高质量广告素材的生产门槛,支撑手办化渲染、AI试衣、商品场景合成等高价值应用。NanoBanana并非独立开源模型,而是DeepSider平台对SDXL Turbo+CLIP-ViT-L/14+自研身份锚定模块的工程化封装,聚焦低 阅读详情

相关推荐

ChatGPT网页搜索的5个致命断点与人工校验四步法

大模型联网搜索并非简单调用搜索引擎,而是经历提问解析、搜索词生成、结果采样、信源评估、内容合成等多个信息处理环节。每个环节都存在固有衰减与失真风险,尤其在时效性高、专业性强、决策影响大的场景中,极易导致事实误判与归因偏差。本文聚焦‘搜索型大模型响应失效’这一核心问题,结合票房预测、股票筛选等真实案例,系统揭示提示词污染、搜索词盲猜、前5条采样局限、信源刻板权重、结论幻觉拼接等关键技术断点,并提供无需编程即可落地的‘人工校验四步法’,帮助用户在市场研究、投研辅助、舆情监测等工作中快速识别并规避80%以上的高危

weixin_30753873的博客 442

【sony的故事】【索引】

SONY的故事 作者:盛田昭夫 翻译:赵健章 战争篇 第01章 第02章 第03章 第04章 第05章 第06章 第07章 第08章 第09章 第10章 第11章 第12章 第13章 第14章 第15章 管理篇 第16章 第17章 第18章 风格篇 第19章 第20章 第21章 第22章 竞争篇 第23章 第24章 第25章 第26章 技术篇 第27章 第28章 第29章 第30章 关系篇 第31

FreeXploiT 1545

直流电动机的建模仿真(1)他励,串励和并励电动机建模仿真

本文根据不同励磁方式的直流电动机的接线原理图,建立了相应的数学模型,然后根据与数学模型对应的等效电路以及模拟机械运动方程的等效电路,用Matlab/simulink中的SpecializedPower system库中的电路元件,建立了他励,并励和串励直流电动机的全等效电路仿真模型,经过与Matlab自带的直流电动机仿真模型比较以及仿真实例验证,所建立的仿真模型时完全正确的。

weixin_45670943的博客 7519

张学友-歌神同行.叁(国语篇)2019【SACD-ISO】

专辑封面 下载地址: 不後悔 似曾相识 偷心 吻别 忘记你我做不到 情无四归 想和你去吹吹風 祝福 简介:SONY蓝光机 + iso2DSD_OSX_v5 直抓ISO 环球用有口皆碑的SACD制式 将《情无四归》至《走过1999》等12张经典专辑重新出版 1500套限量爱藏礼盒连同产品 証明书 + 盒内12款SACD.每张均设有独立编号 (Made in Japan) 延续学友经典演唱会在全-球...

Gillian57的博客 4673

浅显易懂地看LLC变换器(三)

第3期 谐振与增益的定性关系 由简单的谐振电路说起 我们将以电感和电容的基本电路的特性逐渐了解谐振电路的特性 与电阻不同,电感和电容都不是纯阻性线性器件,电感的感抗XL和电容的容抗Xc都与频率有关,当加在电感和电容上的频率发生变化时,它们的感抗XL和容抗Xc会发生变化。 1) 如下图RL电路,当输入源Vin的频率增加时,电感的感抗增大,输出电压减小,增益Gain=Vo/Vin随频率增加而减小。 2) 如下图RC电路,相反,当输入源Vin的频率增加时...

iFTrue电力电子专栏 6738

NACA0012的O型网格求解

本篇文章采用偏微分方程数值解法生成NACA0012翼型O型网格,并采用速度势方程求解绕NACA0012翼型迎角为0度时的低速不可压无粘流场。 文章目录一、求解网格1.翼型2.远场3.网格4.迭代5.求解二、求解流场1.偏微分方程2.迭代求解流场三、求解参数1.偏微分方程2.迭代求解四、导出数据 一、求解网格 1.翼型 本次求解网格和流场等采用的是NACA0012(修形)对称翼型,在NACA四位翼型中,第一位数字代表的是弯度,第二位数字代表的是弯度位置,后两位数字代表的是厚度,由于本次翼型的前两位数字都为0,

m0_50746433的博客 6677

Sony 入股 Epic,新世代游戏巨头分道扬镳的开始

无论选择何种生存方式,巨头们都必须平衡游戏开发成本和销售收益,以及保证这个循环是稳定可持续的。主机游戏行业的「强强联合」正在变得越来越多。美国当地时间 7 月 9 日,索尼宣布斥资 2.5 亿美元入股 Epic Game,后者是目前全网最赚钱游戏《堡垒之夜》的开发商,同时也掌握着目前主流 3A 游戏使用最多的「虚幻引擎」(面向下一代游戏机和 DirectX 9 个人电脑的完整的游戏开发平台,提供了...

weixin_40191792的博客 229

用户行为路径可视化_桑葚图(Sankey)

桑基图对用户行为路径可视化的blog学习笔记。

徐思孟的博客 3855

微信小程序家庭事务管理开发实战:账单、清单与日程协同

微信小程序作为一种轻量级应用形态,基于微信客户端运行,采用数据驱动视图的MVVM架构原理,通过WXML/WXSS和JavaScript实现界面渲染。其技术价值在于无需下载安装、即用即走,同时依托微信生态提供丰富的开放接口能力。在家庭事务管理这类协同场景中,小程序能够有效整合账单管理、购物清单等模块,利用云开发模式实现数据实时同步和权限控制。开发过程中需重点关注微信开放能力对接和数据同步机制,确保家庭成员间的协同操作流畅安全。本文通过一个完整案例,详细解析从环境搭建到核心功能实现的工程实践。

weixin_33796205的博客 357

HSmartWindowControl vs HWindowControl:Halcon老鸟教你如何根据项目需求选对控件(附性能对比)

本文深度对比Halcon图像处理中的HSmartWindowControl与HWindowControl控件,从性能、内存占用和交互体验等维度提供选型建议。HSmartWindowControl在硬件加速渲染、智能内存管理方面表现优异,特别适合医疗影像和工业检测等高性能需求场景,而HWindowControl则更适合兼容旧系统和资源受限环境。

weixin_30765505的博客 469

Freemarker整合poi导出带有图片的Excel教程

Freemarker整合poi导出带有图片的Excel教程 https://blog.youkuaiyun.com/x541211190/article/details/105675771根据此人博客可完成此功能,但原文中有一处错误需要纠正,当单元格合并时,计算起始单元格有错误。 源代码: /** * 构造合并单元格集合 * * @param createRowIndex: * @param cellRangeAddresses: * @param startIndex: * @param c

weixin_39403349的博客 1002

历史上的今天:美团网正式上线;Dropbox 的创始人出生;PS2 游戏机问世

整理 | 王启隆透过「历史上的今天」,从过去看未来,从现在亦可以改变未来。今天是 2022 年 3 月 4 日,在 2007 年的今天,爱沙尼亚宣布允许居民通过手机进行投票,从而成为全球首...

优快云资讯 1921

国科大学习资料--计算机网络--历年考题1

国科大学习资料–计算机网络–历年考题1 1、假定有一个通信协议,每个分组都引入100字节的开销用于头和成帧,现在使用这个协议发送1M字节的数据(为方便计算,1M=10^6),然而在传递的过程中有一个字节被破坏了,因而包含该字节的那个分组被丢弃并重传。(1)当数据的分组大小为1000、5000、20000和40000字节时,计算相应(包括开销)的传递字节总数目。(2)计算分组大小的最优值是多少,即分组的大小为何值时总的传输字节数最少。(提示:最优值不是1000、5000、20000和40000字节中的一个)

无名何许人的博客 1181

活法:提升心性,磨炼灵魂——稻盛和夫

我们人生的意义? 人生的目的? 他的回答:提升心性,磨炼灵魂。 关于读这本书:也是我的一个起点,第一次在书店,花了一下午的时间,把一本书读完。粗略的算了一下6个小时左右。而且那天还认识了一个叫KARMA的中国姑娘。BTW我也是中国人。但是陌生人熟悉之前大家都会想不说出太多私人信息吧,只是聊书,当然我可能还是别有用心啊哈哈.. 真实的认识自己很难得,也是很难得。 我想我会建一个文件夹,叫书与故事。 想想,现在正在用一台2012年的SONY笔记本,读者一本日本作家的书,好像还挺搭配。 我想人生会有很

Morez_Cier的博客 3807

半导体设备系列(2) 半导体设备与工厂控制仿真器Demo编写

基于C/S架构用C++编写半导体设备仿真器与工厂控制仿真器

追赶时代的博客 610

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

苹果的大成是如何炼成的?

<br />       苹果的成功因素有很多,市场上相关苹果的书籍,网上关于苹果的新闻都是直接或间接的诠释苹果成功的基因。苹果不仅是科技行业的苹果,还是每个行业的“苹果”,如何成为“某某行业的苹果”,也是每种行业发展的方向和目标。<br />     <br /> 苹果的成功基因简单来说就是“一硝二磺三木炭”三个方面,简约的设计让人随意模仿却又无法手,制造游戏规则而遵行别人的游戏规则,CEO魅力演讲炉火纯青让苹果的大成。<br /><br />     1、简约设计<br />     <br /

uBar_Multimedia Dev. and Data mining (CodeCore) 1239

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

LWN: 该如何改善CVE漏洞管理流程

点击上方蓝色“Linux News搬运工”关注我们~What to do about CVE numbers ByJonathan Corbet Kernel Rec...

Linux News搬运工 807

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

物理AI(Physical AI)全产业链深度调研报告

物理AI——即能够感知、推理并在物理世界中执行行动的AI系统——正在从概念验证阶段加速迈入产业化前夜。2026年是这一领域的"ChatGPT时刻":NVIDIA Cosmos 3全球首个全模态物理世界模型的发布、中国人形机器人占据全球出货量约80%、特斯拉宣布将Fremont工厂改造为人形机器人产线,均为标志性事件。物理AI市场2025年估值约814亿美元,预计2035年达1.14万亿美元(CAGR 33.5%)[13]。

2604_96316968的博客 545

Bleak Friday:神经能量耗竭的识别与72小时修复协议

Bleak Friday并非情绪低落或懒惰,而是现代知识工作者普遍遭遇的神经能量耗竭现象,其本质是前额叶皮层葡萄糖代谢下降与自主神经系统失衡共同导致的认知恢复障碍。从神经科学角度看,它反映的是大脑‘执行功能’与‘休息修复系统’的协同失效,技术价值在于将模糊的疲惫感转化为可测量、可干预的生理信号。典型应用场景包括高强度脑力劳动后的周末重启、创意枯竭期的系统重置,以及多角色切换者的能量管理。本文聚焦神经疲劳的底层机制与行为锚点设计,提供一套融合fNIRS验证、HRV监测和感官重置逻辑的实操框架。

weixin_30247307的博客 406

FreeXploiT 成立三年感言!

 04年成立的,和一个朋友,现在那个朋友不知所踪了(他叫菜菜,很早就玩汇编了)后来的两年基本是我一个人更新里面的blog我这个算是最早的安全聚合blog吧? 暗礁的也挺早 不过是团队形式的 鬼仔的05年 neeao的04.10.26我的04.10.15那时候就是想弄点资料自己收藏着看看 ,当然也有很长远的目标 就是想做一个网站 先拿blog练练手一练就是三年啊 哈。。blo

FreeXploiT 8488

卅年史诗!地球上出现过的CPU完全收藏 - (10-17) 空前强大经久不衰的系列CPU——Pentium系列

Pentium,第一款与数字无关的处理器    1993年,英特尔发布了Pentium(奔腾)处理器。本来按照惯常的命名规律是80586,但是因为实际上“586”这样的数字不能注册成为商标使用,因此任何竞争对手都可以用586来混淆概念,扰乱市场。事实上在486发展末期,就已经有公司将486等级的产品标识成586来销售了。因此英特尔绝对使用自造的新词来作为新产品的商标——Pentium。

FreeXploiT 4505

卅年史诗!地球上出现过的CPU完全收藏 - (6-9) 确立x86地位创造商业奇迹的CPU系列——80x86系列

1978年 确立x86地位创造商业奇迹的CPU——8086    大家一般都只知道8086,很少知道8085的存在,下面这个就是8085的真面目:     1978年,8086处理器诞生了。这个处理器标志着x86王朝的开始,为什么要纪念英特尔x86架构25周年?主要原因是从8086开始,才有了目前应用最广泛的PC行业基础。虽然从1971年,英特尔制造4004至今,已经有32年历史;但是从没

FreeXploiT 3750

卅年史诗!地球上出现过的CPU完全收藏 - (29) 无法忽视它的存在——APPLE(苹果)电脑(组图)

●APPLE(苹果)电脑 图片串串秀    从最古老的苹果电脑开始,贴苹果系列CPU的照片。Apple 1型    那个时候的CPU还没有能够独立,需要N多的外部电路来配合,看吧,有点恐怖是不是? 说是CPU,还不如说是主板……    接下来到了Apple II。    Apple II总共有5种机型,下面是这5种机型的图片 一气呵成,Apple Ⅱ(多图)

FreeXploiT 3617

sony的故事 第 2 章

战争篇 第二章第二章  读中学时,我在《无线电与试验》中第一次读到了有关磁录音的文章。那时候在日本甚至拥有电留声机的人都很少,这种留声机的唱片是用虫膝或者铝材制成的,质量粗糙,钢针发出难听的声音,而且很快就把唱片磨坏了。但是NHK,也就是日本广播协会,当时从德国引进了一台钢带录音机。这台机器的设计是崭新的,它用一条金属带作为录音媒体,它的保真度比我们家那台维克多牌电留声机高得多。也就在相同的时候,

FreeXploiT 3408

卅年史诗!地球上出现过的CPU完全收藏 - (30) 回顾过去为的是成就未来 国货CPU也很有希望 【完】

●我们国产的CPU——龙芯    龙芯一号CPU是神州龙芯公司推出的兼顾通用及嵌入式CPU特点的新一代32位CPU,是以中国科学院计算技术研究所研制的通用CPU为核心,由神州龙芯公司拥有知识产权。基于0.18微米CMOS工艺的龙芯一号32位微处理器的投片成功,并通过了以SPEC CPU2000为代表的一批性能和功能测试程序的严格测试,标志着我国在现代通用微处理器设计方面实现了"零"的突破, 打

FreeXploiT 3290

卅年史诗!地球上出现过的CPU完全收藏 - (18-19) 正本清源!“从古至今”历数AMD处理器(组图)

年 31 岁的 W.J.Sanders 和 Fairchild 公司的 7 个同事合伙成立 AMD 公司。 1970 年 第一个自有产品 Am2501 面世。 1979 年 AMD 公司股票在纽约证券交易所上市。 1982 年 AMD 和英特尔签订了关于 iAPX86 系列微机处理器和技术交换协议。设在奥斯汀的第一条生产线投入使用。 1983 年 AMD 推出了 INT.STD.1000 标准,这

FreeXploiT 3118
上一篇: sony的故事 第 28 章
下一篇: sony的故事 第 26 章
freexploit
博客等级 码龄22年 315粉丝 778原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值