卷帘机

美国最近颁布新版的ANSI / WCMA A100.1，旨在为窗帘产品提供更加清晰准确的定义。同时，新版本中还专门规定了罗马帘和卷帘的具体测试要求和步骤。标准第3条有若干项修改，包括增加了新的定义，例如“由于操作可能在窗帘背面拉绳和窗帘材料本身之间形成的具有潜在危险的环形绳圈或开口”、“危险的环形绳圈”、“拉绳”和“背面拉绳”等。除需要符合第4.4部分的物理和结构性能要求外，1. 罗马帘的背面拉绳还应符合以下要求之一：◇ 根据附录C (罗马帘和卷帘拉绳可接触测试步骤)的测试要求，背面拉绳应该是接触不到的；或者◇ 如果背面拉绳是可以接触到的，则需要符合附录D (罗马帘拉绳可接触测试步骤)的要求，以防止形成危险的环形绳圈。2. 卷帘的拉绳还应符合以下要求之一：◇ 根据附录C (罗马帘和卷帘拉绳可接触测试步骤)的要求，拉绳应该是接触不到的；或者◇ 如果拉绳是可以接触到的，则需要符合附录A (窗帘拉绳松开装置和窗帘拉绳剪断装置测试步骤)的要求，以防止形成危险的环形绳圈。带可接触拉绳的卷帘的拉绳最底部应贴有警告标签(如下图)，并且窗帘安装完成后从前面可以看到警告标签。http://ng1.17img.cn/bbsfiles/images/2011/03/201103221001_284350_2185349_3.jpg附录C (罗马帘和卷帘拉绳可接触测试步骤)附录C中的测试要求：使用特定的探测装置在罗马帘和卷帘的前面、后面或侧面测试是否可以接触到暴露的拉绳。如果年幼儿童接触到暴露的拉绳，可能造成勒束危险。窗帘后面的拉绳如果在顶轨底部以下12英寸之内，则不被视为可接触到。附录D (罗马帘拉绳可接触测试步骤)附录D规定的测试要求专门针对的是，附录C定义的罗马帘上可接触到的拉绳，以及由于操作可能在背面拉绳和窗帘材料之间形成的具有潜在危险的环形绳圈或开口。该测试包括两个部分，D2-勒束和D3-形成危险的环形绳圈。这两项测试都必须通过，测试设备应采用危险环形绳圈头部探测规和测试组合装置。

今天，下雨！忽然有个想法去取些雨中的近景[img]http://ng1.17img.cn/bbsfiles/images/2009/05/200905200828_150940_1621362_3.jpg[/img]

[b]卷积神经网络模型发展及应用转载地址：[/b]http://fcst.ceaj.org/CN/abstract/abstract2521.shtml [img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-9243a15c-bcd6-4a63-921e-932f257a1e05.png[/img][img=,690,212]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021122351500_3641_5785239_3.png!w690x212.jpg[/img]深度学习是机器学习和人工智能研究的最新趋势，作为一个十余年来快速发展的崭新领域，越来越受到研究者的关注。卷积神经网络（CNN）模型是深度学习模型中最重要的一种经典结构，其性能在近年来深度学习任务上逐步提高。由于可以自动学习样本数据的特征表示，卷积神经网络已经广泛应用于图像分类、目标检测、语义分割以及自然语言处理等领域。[b]首先分析了典型卷积神经网络模型为提高其性能增加网络深度以及宽度的模型结构，分析了采用注意力机制进一步提升模型性能的网络结构，然后归纳分析了目前的特殊模型结构，最后总结并讨论了卷积神经网络在相关领域的应用，并对未来的研究方向进行展望。[/b]卷积神经网络（convolutional neural network，CNN） 在计算机视觉[1- 5]、自然语言处理[6- 7]等领域已被广泛 应用。在卷积神经网络兴起之前，主要依靠人工针对特定的问题设计算法，比如采用 Sobel、LoG（Laplacian of Gaussian）、Canny、Prewitt 等[8- 11]算子进行边 缘 检 测 ，采 用 Harris、DoG（difference of Gaussian）、FAST（features from accelerated segment test）、SIFT （scale invariant feature transform）等[12-15]用于角点等特 征检测，并且采用传统分类器如 K近域、支持向量机、 稀疏分类器等[16- 18]进行分类。特征提取和分类器的 设计是图片分类等任务的关键，对分类结果的好坏 有着最为直接的影响。卷积神经网络可以自动地从 训练样本中学习特征并且分类，解决了人工特征设计 的局限性。神经网络的思想起源于1943年McCulloch 和 Pitts 提出的神经元模型[19]，简称 MCP 神经元模 型。它是利用计算机来模拟人的神经元反应的过 程，具有开创性意义。此模型将神经元反应简化为 三个过程：输入信号线性加权、求和、非线性激活。1958 年到 1969 年为神经网络模型发展的第一阶段， 称为第一代神经网络模型。在 1958 年 Rosenblatt 第 一次在 MCP 模型上增加学习功能并应用于机器学 习，发明了感知器算法[20]，该算法使用 MCP 模型能够 采用梯度下降法从训练样本中自动学习并更新权 值，并能对输入的多维数据进行二分类，其理论与实 践的效果引起了神经网络研究的第一次浪潮。1969 年美国数学家及人工智能先驱 Minsky在其著作中证 明感知器本质上是一种线性模型[21]，只能处理线性分 类问题，最简单的异或问题都无法正确分类，因此神 经网络的研究也陷入了近二十年的停滞。1986 年到 1988 年是神经网络模型发展的第二阶段，称为第二 代神经网络模型。1986 年 Rumelhart 等人提出了误 差反向传播算法（back propagation algorithm，BP）[22]。BP 算法采用 Sigmoid 进行非线性映射，有效解决了 非线性分类和学习的问题，掀起了神经网络第二次 研究高潮。BP 网络是迄今为止最常用的神经网络， 目前大多神经网络模型都是采用 BP网络或者其变化 形式。早期神经网络缺少严格数学理论的支撑，并 且在此后的近十年时间，由于其容易过拟合以及训 练速度慢，并且在 1991 年反向传播算法被指出在后 向传播的过程中存在梯度消失的问题[23]，神经网络再 次慢慢淡出人们的视线。1998 年 LeCun 发明了 LeNet-5，并在 Mnist 数据 集达到 98%以上的识别准确率，形成影响深远的卷积 神经网络结构，但此时神经网络的发展正处于下坡 时期，没有引起足够的重视。从感知机提出到 2006 年以前，此阶段称为浅层 学习，2006 年至今是神经网络的第三阶段，称为深度 学习。深度学习分为快速发展期（2006—2012 年）和 爆发期（2012 年至今），2006 年 Hinton 提出无监督的 “逐层初始化”策略以降低训练难度，并提出具有多 隐层的深度信念网络（deep belief network，DBN）[24]， 从此拉开了深度学习大幕。随着深度学习理论的研究和发展，研究人员提 出了一系列卷积神经网络模型。为了比较不同模型 的质量，收集并整理了文献中模型在分类任务上的 识别率，如图 1所示。由于部分模型并未在 ImageNet 数据集测试识别率，给出了其在 Cifar-100 或 Mnist数 据集上的识别率。其中，Top-1识别率指的是 CNN 模型预测出最大概率的分类为正确类别的概率。Top-5 识别率指的是 CNN 模型预测出最大概率的前 5 个分 类里有正确类别的概率。2012 年，由 Alex Krizhevshy 提出的 AlexNet给卷 积神经网络迎来了历史性的突破。AlexNet 在百万 量级的 ImageNet数据集上对于图像分类的精度大幅 度超过传统方法，一举摘下了视觉领域竞赛 ILSVRC2012的桂冠。自 AlexNet之后，研究者从卷积神经网 络的结构出发进行创新，主要有简单的堆叠结构模 型，比如 ZFNet、VGGNet、MSRNet。堆叠结构模型通 过改进卷积神经的基本单元并将其堆叠以增加网络 的深度提升模型性能，但仅在深度这单一维度提升 模 型 性 能 具 有 瓶 颈 ；后 来 在 NIN（network in network）模型提出使用多个分支进行计算的网中网结 构模型，使宽度和深度都可增加，具有代表性的模型 有 Inception 系列模型等；随着模型深度以及宽度的 增加，网络模型出现参数量过多、过拟合以及难以训 练等诸多问题。ResNet 提出残差结构后，为更深层 网络构建提出解决方案，随即涌现出很多残差结构模 型，比如基于 ResNet 改进后的 ResNeXt、DenseNet、 PolyNet、WideResNet，并且 Inception也引入残差结构 形成了 Inception-ResNet-block，以及基于残差结构并 改进其特征通道数量增加方式的 DPResNet；与之前 在空间维度上提升模型性能的方法相比，注意力机 制模型通过通道注意力和空间注意力机制可以根据 特征通道重要程度进一步提升模型性能，典型的模 型为 SENet、SKNet 以及 CBAM（convolutional block attention module）。传统的卷积神经网络模型性能十分优秀，已经 应用到各个领域，具有举足轻重的地位。由于卷积 神经网络的模型十分丰富，有些模型的结构或用途 比较特殊，在本文中统称为特殊模型，包括具有简单的结构和很少参数量的挤压网络模型 SqueezeNet，采 用无监督学习的生成对抗网络模型（generative adversarial network，GAN），其具有完全相同的两路网络 结构以及权值的孪生神经网络模型 SiameseNet，以 及通过线性运算生成其他冗余特征图的幽灵网络 GhostNet。由于卷积神经网络的一系列突破性研究成果， 并根据不同的任务需求不断改进，使其在目标检测、 语义分割、自然语言处理等不同的任务中均获得了 成功的应用。[b]基于以上认识，本文首先概括性地介绍了卷积 神经网络的发展历史，然后分析了典型的卷积神经 网络模型通过堆叠结构、网中网结构、残差结构以及 注意力机制提升模型性能的方法，并进一步介绍了 特殊的卷积神经网络模型及其结构，最后讨论了卷 积神经网络在目标检测、语义分割以及自然语言处 理领域的典型应用，并对当前深度卷积神经网络存 在的问题以及未来发展方向进行探讨。[img=,690,387]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021123119824_325_5785239_3.png!w690x387.jpg[/img][/b][img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-51d3c121-d787-4a08-a7a4-a7f9ecb3a33d.png[/img][b]转载文章，如有侵权，请联系我删除[/b]

[em09503]老婆生日，接收祝福[em09506] [color=#DC143C]这些天！感谢大家的祝福，我们会努力把祝福延续，同样祝福大家天天快乐！健康永远。---结贴留言 兵兵！[/color][img]http://ng1.17img.cn/bbsfiles/images/2009/06/200906181819_156023_1610969_3.jpg[/img] [color=#00008B]眷恋六年风雨情眷恋，坎坷碰撞心未变。两人情投意也合，只有一人常挂念。二十五年啼哭落，是非对错都已过。今天老婆出生日，祝愿吾妻永快乐！[/color]

[b]特种气体报警联动控制[/b]特种气体探测系统确认气体泄露时，应自动启动相应的事故排风装置，自动关闭相关部位的气体切断阀，并应能接受反馈信号。侦测到泄露时，应自动启动泄露泄露现场的声光报警装置，该声光报警应有别于火灾报警装置，并应自动启动应急广播系统。还应该关闭有关部位的电动防火门、防火卷帘门，自动释放门禁，可联动闭路电视监控系统，启动相应区域的摄像机并自动录像。泄露信号应传至安全显示屏，并用文字提示现场人员。以上所述，均属于特种气体报警联动控制。[img=,690,690]https://ng1.17img.cn/bbsfiles/images/2019/09/201909161545335134_8577_3989203_3.jpg!w690x690.jpg[/img][b]联动控制方案：[/b]泄漏侦测报警、欠压侦测报警、高温侦测报警、火焰侦测报警、烟雾侦测报警、地震侦测报警等报警信号均要远程发送到控制系统中心，控制系统中心根据所接收的信号，通过PLC或EDC程序判定要做出应对的动作，比如：启动现场的声光报警装置、开启控制中心的声光报警、开启消防广播、落下防火卷闸门、切断气瓶柜供气、关闭阀门箱供气、阀门盘的切断阀门、给相应的管理人员手机发送信息、发送信号给附近的消防管理站等等。

[color=#444444]请教大神，我用程序能算出Sn的振子强度与波长的关系，比如说是一千条分立的谱线，我想问一下怎么对这一千条谱线做高斯卷积运算。附件图中上面的谱线是算出来的分立光谱，下面的卷积之后的光谱是如何得到的？？[/color][color=#444444][img=,507,900]https://ng1.17img.cn/bbsfiles/images/2019/05/201905091059299451_1678_1752342_3.jpg!w507x900.jpg[/img][/color]

张娟娟创造了历史！！！她在刚刚结束的北京奥运女子个人射箭创造了不可思议的胜利，她连续击败了三大韩国高手，决赛中在第一组落后3环的情况下上演逆转好戏，她以110-109击败韩国第一高手朴成贤夺取金牌。 韩国在女子射箭上的统治地位是绝对的，从1984年奥运会开始，射箭女子项目的金牌就没有旁落过他人。在射箭场上，被称为“梦之队”的韩国女队几乎是不可战胜之师。自1984年参加奥运会射箭比赛以来，中国队总共在女子个人和团体项目上摘得过五枚银牌，而这五次全部是败倒在韩国人的箭下。 张娟娟这一次成功了。这个历史性的胜利，也终结了韩国在女子射箭项目的长期垄断。 洛杉矶奥运会个人赛：恩怨从此结下 在1984年洛杉矶奥运会，中国射箭队就收获了一枚银牌，李玲娟在射箭个人项目的比赛中获得亚军。这也是中国射箭队在奥运史上第一枚银牌。冠军被韩国射手徐香顺摘走，这也是韩国女将在奥运会上的第一次射箭金牌。 巴塞罗那奥运会团体赛：还是迈不过这道槛 在1992年的巴塞罗那奥运会上，以马湘君、王红、王晓竹组成的中国女子射箭队一路高歌猛进，历史性得杀进团体赛的决赛。但是在决赛中，中国队第二次在奥运会决赛上输给了韩国人。 亚特兰大奥运个人赛：小将难撼韩国名将 1996年亚特兰大，19岁的何影首次登上奥运会这个大舞台就一鸣惊人，她在女子个人比赛中获得银牌，击败她的正是韩国名将金京郁。 雅典奥运团体赛：一箭之差错失冠军 雅典奥运会，由何影、张娟娟、林桑组成的中国队的选手差一点就改写历史。那时候，两队的差距仅有一箭之遥。 最后一箭，韩国队只有打出十环才能获胜。结果，朴成贤在最后时刻显示出了超人的心理素质，射出了十环，帮助韩国队获得了冠军。 最终中国姑娘们以240环比241环的一环之差输给了韩国队，遗憾地与冠军擦身而过。 北京奥运团体赛：家门口改不了宿命 尽管此次主场作战的中国女队，非常渴望击败强大的韩国队，但是事与愿违，韩国女队再次在决赛中表现出了强大的实力。最终韩国224-215战胜中国，夺得金牌。中国队只能再次饮恨。 北京奥运个人赛：终于赢了 张娟娟在进入八强之后已经先后淘汰了两位韩国选手，她击败了朱贤贞和尹玉姬，特别是在半决赛中，张娟娟有非常好的发挥。而朴成贤目前世界排名首位，她也是2004年雅典奥运会女子个人射箭冠军，在团体决赛对阵中国队时她有相当稳定的发挥，而四年前雅典团体决赛1环击败中国队时，正是朴成贤最后一箭命中10环击败中国队。 决赛开始，第一组第1箭，朴成贤射出9环，张娟娟有一个完美开局，她射出一个接近靶心的10环。第2箭，朴成贤射出10环，张娟娟则有些失常，只射出7环。第3箭，朴成贤又射出10环，张娟娟射中9环，这样第一组过后张娟娟以26-29落后3环。 第二组开始，张娟娟首先出场，第4箭，她射出9环，朴成贤表现不佳，只射出8环，这样双方差距被缩小到2环。第5箭，张娟娟又是9环，朴成贤又是一个8环，双方的差距只剩下1环。第6箭，张娟娟射出9环待定，朴成贤顶住压力射出10环，这样赛程过半，朴成贤以55-53领先。裁判在拔箭后做出判定，张娟娟第6箭仍是9环，她以2环落后对手。 第三组开始，张娟娟仍然先射，第7箭，她顶住压力射出10环，朴成贤射出9环，这样两人的差距缩小到1环。第8箭，张娟娟射出9环，朴成贤则只射出8环，这样两人战成72平。第9箭，张娟娟射出10环，朴成贤射出9环，前三组结束，张娟娟以82-81反超1环。 最后一组开始，朴成贤率先出场，第10箭，她稳定心态射出10环，张娟娟面对压力回敬一个10环，两人还是相差1环。第11箭，朴成贤只射出8环，张娟娟射出9环，这样张娟娟以101-99领先。第12箭，朴成贤面对压力射出10环，张娟娟射出9环，这样张娟娟以110-109击败朴成贤。[img]http://ng1.17img.cn/bbsfiles/images/2008/08/200808141839_104110_1641076_3.jpg[/img]