首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

在颤振中传递选定指标的更好方法

是使用云计算技术中的消息队列。

消息队列是一种在分布式系统中传递消息的通信模式,它将消息发送者和接收者解耦,通过将消息存储在队列中,实现异步通信和解耦合的目的。在颤振中传递选定指标时,可以使用消息队列来实现指标的传递和处理。

消息队列的优势包括:

  1. 异步通信:消息发送者和接收者之间的通信是异步的,发送者无需等待接收者的响应即可继续执行其他任务,提高系统的并发性和响应速度。
  2. 解耦合:消息队列将消息发送者和接收者解耦,发送者只需将消息发送到队列中,而不需要关心具体的接收者是谁,接收者也只需从队列中获取消息,而不需要关心消息的发送者是谁,降低系统的耦合度。
  3. 可靠性:消息队列通常具有高可靠性和持久化特性,可以确保消息不会丢失,并且即使在消息发送或接收过程中出现故障,也能够保证消息的可靠传递。
  4. 扩展性:消息队列可以实现分布式部署,可以根据系统的负载情况动态扩展消息队列的节点,提高系统的扩展性和可伸缩性。

在颤振中传递选定指标时,可以使用腾讯云的消息队列产品——腾讯云消息队列 CMQ。CMQ 是一种高可靠、高可用、高性能的分布式消息队列服务,支持消息的发布和订阅,可以满足各种场景下的消息传递需求。

腾讯云消息队列 CMQ 的产品介绍和详细信息可以参考以下链接: https://cloud.tencent.com/product/cmq

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

科学瞎想系列之一一二 NVH那些事(15)

上一期讲了声波的一些传播特性,本期讲一讲声波的起源。众所周知,振动产生噪声,也就是说声波是由振动引起的,那么自然就会提出一个问题——振动和噪声的关系问题。即在介质的某处,若已知质点的振动,如何推算和评估所产生的噪声,或已知某处的噪声如何得知该点的振动。 1 振动与噪声的定量换算 我们知道,描述振动的特征量包括频率、振动位移、振动速度和振动加速度;描述噪声的特征量包括频率、声压、声强和声功率以及反映声音响度的声压级、声强级、声功率级等声级指标,振动作为噪声之母,振动和因之引起的噪声的频率自然就是一样的,这是它们之间的“遗传代码” 是它们的DNA,工程实践中也经常会用噪声的频谱来分析寻找振动源,这个不用换算。这里主要讲的是振动速度、加速度和噪声的声压、声强之间的换算关系,现就平面声波做一介绍。 假设介质中存在一个无穷大平面的振动,我们可以把它看作是一个无穷大平面的活塞在往复运动(振动),其振动的频率为f,振动的位移随时间按正弦规律变化,就会在介质中产生一个平面声波,设声波沿x轴方向传播,其波动方程为: y=Y•sin(ωt-Kx) ⑴ 式中:y为在x处的质点振动位移;Y为振幅;x为质点位置;ω为振动角频率,ω=2πf=2π/T,T为振动的周期;系数K=2π/λ,λ为声波的波长。则声速: C=ω/K=λ•f ⑵ 而振动速度为: y′=Эy/Эt=ω•Y•cos(ωt-Kx) ⑶ 振动速度的幅值: Y′=ω•Y ⑷ 由⑵、⑷式可见,振动速度和声速是两码事,二者不能混淆。振动形成的压强(声压)为: p=-E•ΔV/V=-E•Эy/Эx ⑸ 式中:E为介质的弹性模量,即介质中的应力与应变之比 ,它是材料的固有参数;ΔV/V为介质因受压力的变化而产生的体积变化率,数值上ΔV/V=Эy/Эx。 将⑴式代入⑸式得: p=E•K•Y•cos(ωt-Kx) =Pm•cos(ωt-Kx) ⑹ 式中:Pm=E•K•Y为最大声压。 我们知道,声强为单位面积上的声功率,而功率等于力与速度乘积,即声强等于单位面积上的压力(声压)乘以质点的振动速度,即声强: i=p•y′ =ω•E•K•Y²•cos²(ωt-Kx) ⑺ 平均声强为: I=(1/2)•ω•E•K•Y² =(1/2)•ω•Pm²/(E•K) ⑻ 将声速C=(E/ρ)^(1/2)代入⑻式,得: I=(1/2)•Pm²/(ρ•C) = P²/(ρ•C) ⑼ 式中:P为声压的有效值,即方均根值;ρ为介质的密度;ρ•C为介质的声学特性阻抗,20℃下空气的ρ•C=408 kg/(m²•s)。 综合以上各式,可得无穷大平面声波声强与振动的关系为: I=(1/2)•ω•E•K•Y² =(1/2)•2πf•C•ρ•(2π/λ)•Y² =2ρCπ²f²Y² =816π²f²Y² ⑽ 由⑽式可见,无穷大平面声波的声强与振动速度(f•Y)的平方成正比,由于声强是指单位面积上的声功率,代表了声波传递的能量,这就得出了我们前面所说的,振动速度是反映伴振动的能量。需要特别强调一下,⑽式是基于无穷大平面振动推导得到的振动与噪声的关系,适用于平面型辐射器,例如:当电机的尺寸远大于声波波长时,就可以把电机看作是一个平面型辐射器。对于其它类型的声波辐射器(如中小型电机)不适用,需要进行一定的修正(后续文章会详述),但⑽式是基础,是一个非常重要的公式,希望宝宝们牢记,后面还会经常用到。 这样枯燥的推导可能宝宝们很难直观感受多大的振动能够引起多大的噪声,为此我们举个例子来直观感受一下: 设一个振幅为Y=10^(-10)米、f=1000Hz的振动,则可以引起的声强为: I=816•π²•1000²•10^(-20) =8.05*10^(-11) 瓦/米² 其声强级为: Li=10•lg[8.05*10^(-11)/10^(-12)]=19.05dB。 也就是说当空气的振幅为1/10纳米(相当于分子直径级别的振幅)时,就会产生19.05dB的噪声,人耳可以清晰地听到。对于电机机壳的振动,通常振幅在微米级,假设是1微米吧,如果频率仍然是1000Hz,那么产生的声强为8.05*10^(-3)瓦/米²,对应的声强级可达99dB(A),99分贝是个什么概念啊,大概是在歌舞厅距离音响1米处的噪声,达到了非常吵闹的环境级别,我国环境标准规定在这样的环境中,每天不得超过一刻到半个小时,否则经过二三十年的长期暴露,会严重损伤听觉!由此可见只要频率较高(中频),微小的振动都会引起强烈的噪声。 2 振动和噪声的关系 上面

02

《machine learning yearning》学习笔记

一、如何选择机器学习策略 一个例子:当你的团队在使用cat图片去喂神经网络,让它去识别出一只cat.但是你的算法的精确度(accuracy)一直没办法提高。 下面是你可能会想到的办法: 1.喂更多的数据 2.收集更多种多样的图片 3.使算法更多的迭代 4.使用更多层的神经网络 5.使用更小层的神经网络 6.尝试添加正则化 7.改变神经网络架构 这是这本书的意义所在,让你做出更正确的选择 二、一些概念 监督学习是目前的主流,包含了线性回归,逻辑回归以及神经网络 规模驱动着机器学习:更大的数据,更强的计算力 三、测试集的选择 首先定义了如下三个概念: 1.训练集-学习算法运行的地方 2.DEV set-你用来调参,选择特征的地方 也叫做holdout closs validation set 3.测试集-改进算法性能,而不是调参的地方 dev和test set决定了机器学习系统的核心 所以你选择的数据集应该忠实的反映真实数据 四、dev and test集应该满足同一分布 比如你的数据集来源于美国,中国,印度和其他,就不要强行说美国,中国是dev set,印度和其他为一个set 因为一旦选定了dev and test set,你的团队就应该专注于提升算法性能。如果这两个集不是同一分布的,相当于之后的白做了。原因如下: 1.dev set上的过拟合 2.test set的数据可能会比dev set上表现的还要好 3.test set和dev set会具有不同的表现 甚至还有其他不确定的问题 五,多大的数据集才算大 对于dev set,如果分类器A的精度是90.1%和分类器B是90.0%,那么100样本集就不足以区分这0.1%。大概10000个样本才有可能检测到0.1%的提升。 对于test set,dev/test的比不要过大 六、只针对单一指标去优化 例如,对于矛盾的查准率和查全率,你应该只针对某一个指标,多指标的比较,会让你难以抉择选择哪个算法。非要同时要,也要把他们整合进一个指标。例如,Fiscore 七、使用dev set和指标去加速迭代 一般遵循如下方式: 有一个idea,实现它,开始测试这个idea。不断的迭代idea过程。这就是为啥要拥有dev/test set和指标,因为可以加速这些idea的实现,从而产生更好的结果。 八、何时去修正dev/test set和指标 在开始一个机器学习系统时,先确定dev/test set和指标。如果一旦在实际中发现,这些出了问题,立马改正。 1.当实际数据集和dev/test set不符时 2.dev set上发现了过拟合 3.指标与这个项目的目标出现了偏差

01
领券