为了获得超高精度面形的光学元件并验证离子束的修正能力，对应用离子束修正大面形误差光学元件的问题进行了实验研究。
通过改变离子源光阑尺寸的方式获得了不同束径的离子束去除函数，并对一直径为101mm、初始面形峰谷(PV)值为417.554nm、均方根(RMS)值为104.743nm的熔石英平面镜进行了离子束修形实验。
利用10、5、2mm光阑离子源的组合，进行了12次迭代修形，最终获得了PV值为10.843nm、RMS值为0.872nm的超高精度表面。
实验结果表明，应用离子束可以对大面形误差光学元件进行修正，并且利用更大和更小束径离子束去除函数的组合进行优化，可以进一步提升加工效率和精度。

鉴于载波相位观测量可提供高精度定位信息的特点，分析了在高动态环境获得载波相位观测量的三种可能方法，对三种方法的估计精度和动态跟踪能力进行了比较)提出了一种适合./0系统的高动态环境载波相位测量方案)

 随着石油和天然气水合物调查工作的深入开展，为了对海底勘探区地温场的结构、状态需要有更细致的了解，设计一种高分辨、高精度的海底沉积物地温梯度测量系统。
以高精度NTC型热敏电阻为传感器，选用16位高性能、多通道、低能耗的MSP430F123芯片作为主处理器，通过直流不平衡电桥的测量方式间接测量热敏电阻的阻值，在硬件方面和软件方面都采用滤波技术，克服电压源的干扰、仪器温漂和时漂带来的偏差，采用STEINHART&HART方程来进行R-T转换，经过零点漂移和温度漂移的修正，进而得到更精确的海底沉积物地温梯度曲线。
系统测试结果表明，测量系统的分辨率可达1mK，精度可达±3mK（0~25℃），该系统具有可靠性高、功耗小、体积小、操作方便等特点，具有很高的实用价值。

详细的ADE7880中文使用手册，产品特性高精度；
支持IEC62053-21、IEC62053-22、IEC62053-23、EN50470-1、EN50470-3、ANSIC12.20和IEEE1459标准支持IEC61000-4-7I类和II类精度规格兼容三相三线或三相四线(三角形或Y形)及其它三相配置测量所有相位上2.8kHz通带范围内所有谐波的rms/有功/无功/视在功率、功率因数、THD和谐波失真测量零线电流上2.8kHz通带范围内所有谐波的rms和谐波失真TA=25°C时，在2000:1的动态范围内谐波电流和电压有效值、谐波有功和无功功率的误差小于1%测量各相及整个系统的总(基波和谐波)有功/视在功率和基波有功/无功功率TA=25°C时，在1000:1的动态范围内有功和基波无功功率误差小于0.1%；
TA=25°C时，在5000:1的动态范围内有功和基波无功功率误差小于0.2%TA=25°C时，在1000:1的动态范围内电压和电流有效值误差小于0.1%支持电池电源输入，可在全失压的情况下工作宽电源电压范围：2.4V至3.7V基准电压源：1.2V(典型漂移量为10ppm/°C)且具有外部过驱功能40引脚架构芯片级(LFCSP)无铅封装，与ADE7854、ADE7858、ADE7868和ADE7878引脚兼容

南阳陶岔作为南水北调中线工程的渠首闸所在地，掌握其水质变化情况、预防污染事件的发生至关重要。
基于环保部门的水质检测数据，选取pH、溶解氧、高锰酸盐指数、氨氮作为研究指标，通过主成份加权分析模型和BP神经网络模型，对陶岔的水质进行了有效的评价和较高精度的预测。
结果表明，陶岔水质总体较好，可达II级以上，评价准确率为81.25%；
预测的最大误差为4.75%，平均误差0.7%，预测精度较高。

针对传感器在信号采集时易受噪声干扰影响检测精度的问题,提出一种基于卡尔曼预测的指定次谐波电流无差拍控制方法.该方法是通过离散傅里叶谐波检测方法检测出电网中指定次谐波含量,建立当前的谐波方程,通过卡尔曼算法预测出下一补偿时刻该次谐波的相位和幅值,从而确定该补偿时刻的指令电流.研究结果表明:卡尔曼算法预测同时可以滤除干扰信号,实现指定次谐波电流的高精度无差拍控制.研究结果突破了传统无差拍控制受噪声干扰的问题,实现了电网中含量较高的5、7次谐波采用单独检测与单独补偿,对提高有源电力滤波器补偿精度具有实际应用价值.

爱尔兰B表，1000信道高精度，1000信道高精度，1000信道高精度

通过扩展卡尔曼滤波器高精度估算惯性旋转

在遥感领域，数据集是研究和开发的关键资源，它们为模型训练、验证和测试提供了必要的数据。
"高光谱和LiDAR多模态遥感图像分类数据集"是这样一种专门针对遥感图像处理的宝贵资源，它结合了两种不同类型的数据——高光谱图像和LiDAR（LightDetectionandRanging）数据，以实现更精确的图像分类。
高光谱图像，也称为光谱成像，是一种捕捉和记录物体反射或发射的光谱信息的技术。
这种技术能够提供数百个连续的光谱波段，每个波段对应一个窄的电磁谱段。
通过分析这些波段，我们可以获取物体的详细化学和物理特性，例如植被健康、土壤类型、水体污染等，这对环境监测、城市规划、农业管理等有着重要的应用。
LiDAR则是一种主动遥感技术，它通过向地面发射激光脉冲并测量回波时间来计算目标的距离。
LiDAR数据可以生成高精度的地形模型，包括地表特征如建筑物、树木和地形起伏。
此外，LiDAR还能穿透植被，揭示地表覆盖下的特征，如地基和地下结构。
这个数据集包含了三个不同的地区：Houston2013、Trento和MUUFL。
每个地区可能对应不同的地理环境和应用场景，这为研究者提供了多样性的数据，以便他们在不同条件和场景下测试和比较分类算法的效果。
数据集的分类任务通常涉及识别图像中的各种地物类别，如建筑、水体、植被、道路等。
多模态数据结合可以显著提升分类的准确性，因为高光谱数据提供了丰富的光谱信息，而LiDAR数据则提供了高度精确的空间信息。
将这两者结合起来，可以形成一个强大的特征空间，帮助区分相似的地物类别，减少分类错误。
在实际应用中，这个数据集可以用于训练深度学习或机器学习模型，比如卷积神经网络(CNN)。
通过在这样的多模态数据上训练，模型能够学习到如何综合解析光谱和空间信息，从而提高对遥感图像的分类能力。
对于研究人员和开发者来说，这个数据集提供了理想的平台，用于开发新的图像分析技术，改进现有算法，并推动遥感图像处理领域的创新。
"高光谱和LiDAR多模态遥感图像分类数据集"是一个涵盖了多种地理环境和两种互补遥感技术的宝贵资源，对于理解地物特性、提升遥感图像分类精度以及推动遥感技术的发展具有重大价值。
通过深入研究和利用这个数据集，我们可以期待在未来实现更加智能化和精确化的地球表面监测。

积分方程的高精度算法【吕涛，黄晋著作】2013年版pdf

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。