1030029運動控制值編碼器秉銘ARS60-H4R32768用偵查、定位、指揮武器系統的飛速發展，對小型光電編碼器的分辨力和精度提出了更高的要求。由于莫爾條紋光電信號質量制約了小型光電編碼器的高分辨力細分，細分誤差和長周期誤差影響了光電編碼器的精度，因此開展莫爾條紋信號誤差校正、新的細分方法研究和長周期誤差修正方法研究，對提高小型光電編碼器的分辨力和精度、跟蹤水平具有重要意義。在參考國內外文獻的基礎上，首先從莫爾條紋光電信號產生的原理出發，深入分析了莫爾條紋信號質量對光電編碼器高分辨力細分的影響、細分誤差產生的原因、長周期誤差對光電編碼器精度產生的影響，研究了提高小型光電編碼器分辨力和精度的方法。提出了近似三角波莫爾條紋光電信號的誤差校正方法。建立含有直流誤差、幅值誤差、波形畸變的莫爾條紋信號波形參數方程，通過傅里葉變換求解波形參數，利用多倍角公式將信號波形中的高次諧波分量轉換為高階分量，采用牛頓迭代法將莫爾條紋光電信號校正至標準正(余)弦信號；通過小二乘法對信號間的相位誤差進行校正處理，將兩路信號校正至標準正交的正余弦信號，提高了小型光電編碼器的細分精度。提出了基于算法的小型光電編碼器高分辨力細分方法。利用簡單的移位和加法操作對碼盤精碼莫爾條紋光電信號細分求相位，避免了信號波形偏離理想值時傳統“計算法細分”引入的細分誤差。針算法存在運算速度和計算精度的矛盾，提出了旋轉角度近似和旋轉方向預測兩項改進措施，提高了小型光電編碼器的分辨力。建立了傅里葉神經網絡長周期誤差修正模型。以高精度基準編碼器作為學習目標，以正交三角函數基作為神經網絡中間隱層節點的激活函數，利用引入模擬退火策略的差分進化算法對網絡進行訓練，求解誤差修正模型參數，實現對光電編碼器長周期誤差修正，有效提高了小型光電編碼器的精度。運用本文研究的方法對長春光機所生產的某型號小型光電編碼器進行處理，經實際測試編碼器分辨力由16位提高到18位，均方根誤差由60″減小到20″。朝著高速高精度方向不斷發展，數控機床對光電編碼器的位置檢測精度提出了越來越高的要求。通過提高刻線密度來提高光電編碼器分辨率的方法已經接近物理極限，迫切需要研究新的方法來提高光電編碼器的位置檢測精度。為此，在分析光電編碼器的結構、工作原理以及國內外光電編碼器細分技術現狀的基礎上，提出了兩種提高光電編碼器位置檢測精度的電子學細分方法——模數轉換法和時空轉換法，并展開了下列研究：（1）采用高性能DSP和FPGA作為信號處理核心搭建了光電編碼器高精度位置檢測硬件電路，完成了高分辨率A/D與D/A轉換、差分信號接收、光電隔離與高速數據傳輸接口等電路模塊的設計與調試。（2）探索了基于鎖相環（PLL）移相編碼與粗、細計時相結合的時間數字轉換（TDC）方法，通過Verilog HDL語言編程與仿真，實現了基于FPGA的納秒級時間檢測，為采用時空轉換法提高位置檢測精度創造了條件。（3）通過軟件編程完成了光電編碼器原始信號的對中、單位化與鑒向預處理。在此基礎上，一方面通過構造近似三角函數的方法實現了對光電編碼器模擬信號的細分，另一方面利用物體在運動過程中具有慣性、速度不會突變的特點，通過高精度時間檢測、當前速度檢測與卡爾曼濾波估算，實現了對光電編碼器脈沖信號的細分。（4）建立了DSP與PC機的USB數據傳輸通道與可視化測試界面.

1030029運動控制值編碼器秉銘ARS60-H4R32768前感應電動機故障診斷大多采用監督學習提取故障特征的現狀,提出一種將去噪編碼融入稀疏自動編碼器的深度神經網絡,實現非監督學習的特征提取并用于感應電動機的故障診斷。稀疏自動編碼器通過自動學習復雜數據的內在特征來提取簡明的數據特征表達。為提高特征表達的魯棒性,在稀疏編碼器的基礎上融入去噪編碼,提取更有效的特征表達用來訓練神經網絡分類器進而完成整個深度神經網絡的構建,并結合反向傳播算法對深度神經網絡進行整體微.速增長的多模態數據帶來了大量的跨模態檢索應用需求,如以文檢圖、以圖檢文等。這些需求不能由以文檢文等單模態檢索技術來解決,迫切需要發展適用于跨模態檢索的理論、方法和技術。因此,跨模態檢索的研究具有重要的應用價值和研究意義。近年來,深度學習技術在圖像、語音、自然語言處理等各個領域都取得重大的進展,展示出深度學習模型具有處理不同模態信息的能力,其在處理不同模態信息時模型結構上的類似性,以及逐層深入的編碼能力,為建立跨模態信息檢索模型提供了有力的工具。本文主要關注圖像和文本兩個模態間的跨模態檢索任務。在深入研究跨模態信息檢索特點、廣泛分析已有相關研究工作的基礎,本文提出了一系列適合于跨模態信息檢索的跨模態深度學習模型,并在多個公開數據上進行了豐富的評測驗證。具體而言,本文的主要研究工作和成果包括：提出了一個跨模態對應自,進而構建了基于Corr-AE的跨模態深度學習模型。Corr-AE是由兩個單模態自編碼器組成。文本首先在這兩個自編碼器的表示層引入一個約束,以建模不同模態在表示層的共性關聯。然后設計了一個新的目標函數以及優化算法。該目標函數要求小化兩個單模態自編碼器的重構誤差與不同模態表示層之間的關聯誤差之和,這使得模型可以將單模態表示學習與多模態關聯學習集成在一個統一的模型中。

1030011 ATM60-AAL12X12                                              

1030012 ATM60-AAM12X12                                              

1030013 ATM60-P4H13X13                                              

1030014 ATM60-P1H13X13                                              

1030015 ATM60-PAH13X13                                              

1030017 ATM60-D4H13X13                                              

1030018 ATM60-D1H13X13                                              

1030019 ATM60-DAH13X13                                              

1030024 ATM60-C4H13X13                                              

1030025 ATM60-C1H13X13                                              

1030026 ATM60-CAH13X13                                              

1030028 ARS60-H4M00720                                              

1030029 ARS60-H4R32768                                              

1030030 ATM90-ATA12X12                                              

1030031 ATM90-ATK12X12                                              

1030032 ATM90-ATL12X12                                              

1030033 ATM90-ATM12X12                                              

1030034 ATM90-AUA12X12                                              

1030035 ATM90-AUK12X12                                              

1030036 ATM90-AUL12X12                                              

1030037 ATM90-AUM12X12                                              

1030038 ATM90-AXA12X12                                              

1030039 ATM90-AXK12X12                                              

1030040 ATM90-AXL12X12                                              

1030041 ATM90-AXM12X12                                              

1030042 ATM90-PTF13X13                                              

1030043 ATM90-PUF13X13                                              

1030044 ATM90-PXF13X13                                              

1030045 ATM90-PTG13X13                                              

1030046 ATM90-PUG13X13                                              

1030047 ATM90-PXG13X13                                              

1030048 KHK53-AXR00038                                              

1030049 KHK53-AXS00038                                              

1030050 KHK53-AXT00038                                              

1030051 KHK53-AXU00038                                              

1030052 KHK53-AXB00038                                              

1030055 KHT53-XXX00038                                              

1030056 KHU53-XXX00038                                              

1030057 KHM53-XXX00038                                              

1030058 KHK53-AXR00107                                              

1030059 KHK53-AXS00107                                              

1030060 KHK53-AXT00107