AV全程-第十五章ADC

15.2.3 小结（Summary） 15.3 集装箱船配载优化方法研究
（Research on the Optimal Methods for Container Aboard Loaded）
15.3.1 集装箱重量分布的优化模型（The Optimal Model of Container Weight） 15.3.2
第15章选址问题locationproblem151概述introduction152三维选址问题threedimensionlocationproblem1521遗传算法实现geneticalgorithm1522算例parexample1523小结summary153集装箱船配载优化方法研究researchoptimalmethodscontaineraboardloaded1531集装箱重量分布的优化模型theoptimalmodelcontainerweight1532的确定confirm1533最少压载量的确定theminimumballast1534计算实例parexamplegm154点选址问题dotlocationproblem1541连续点选址问题continuouslocationproblem1542离散点选址问题discretelocationproblem155无能力约束设施选址问题uncapacitiedfaciliteslocationproblemufl1551问题描述introduction1552ufl问题的线性规划模型linermodelufl1553对偶问题dualproblem1554ufl的启发式算法heuristicmethodsufl151概述选址理论是关于选址问题的模型和算法的理论
例子是集装箱装箱问题。若物体具二维空间，这类选址问题称为平面选

应用突变模型解释运动性肌肉疲劳尚缺乏足够的试验证据： ①能源物质的耗竭或者代谢产物堆积只发生在离体肌肉中或者人为刺激完整肌 肉收缩的条件下，而在有完整的中枢神经系统存在的在体条件下，无论是静态 还是动态运动，以上代谢物均不被认为能够直接引起肌肉疲劳 ②该理论模型认为运动时的主观疲劳感是肌肉代谢产物的函数，然而，迄今为 止仍没有足够的试验证据表明任何单一代谢产物作用与主观疲劳感之间存在着 直接的因果关系。相反，有些研究却发现慢性疲劳综合征（Chronic fatigue syndrome, CFS） 和高体温患者，即使是在安静状态下也会产生明显的疲劳感， 尽管此时患者的肌肉中乳酸等代谢产物并未增加。
sEMG 应用于局部肌肉疲劳研究的理论基础：信号特征与被检肌肉疲劳程度的外 在数值关联以及内在生理学的因果关联。
运动生理学研究发现，动态和静态运动负荷诱发肌肉疲劳过程中主要运动肌的 平均功率（Mean power frequency, MPF）和中位频率（Median frequency, MF） 均呈单调递减变化，变化率大小取决于运动强度并与肌肉疲劳度或肌肉耐力明显相 关。
中枢疲劳理论：在长时间运动过程中，人体运动输出功率的下降不是由于外周运动 肌中代谢产物的堆积等原因所致，而是中枢运动控制指令减弱的结果。 早期的中枢疲劳理论：中枢疲劳是由运动时与CNS兴奋性有关的中枢神经递质，如 5-HT、氨和细胞因子等含量增加所引起，这些中枢神经递质对于有关神经细胞的活 动而言是具有“毒性”的副产物，它们可以降低CNS募集运动单位的能力和影响大 脑的运动控制功能，从而在大脑发动随意运动时无法动员相应数量的运动单位参加活 动和控制相关肌肉的协调活动，进而造成肌肉疲劳。该模型沿袭了传统线性模型的基 本构思特征，将中枢疲劳视为抑制性中枢神经递质作用的结果，是一个被动的生理学 过程，这与Ｈｉｌｌ就乳酸对肌肉所所功能影响提出的心血管／无氧代谢模型的建模 思路是类似的。 新的中枢疲劳模型：由南非开普敦大学的ＮａｏｋｅｓT.D.等提出，该模型认为中 枢疲劳不是抑制性中枢神经递质作用的结果，而是主动性的运动单位神经控制活动的 表现，其目的在于保持机体内环境为太，防止疲劳的进一步发展和保护机体器官免受 损害。

adc配合上位机在线校准思路Kinetis内部自带的16位ADC一直是其非常大的优势和特色，毕竟目前市场上ARM MCU端的江山把16位ADC集成到片内去也只有Freescale这样做了，当然这里的16位是指其最高分辨率，其ENOB 最好可以做到13.5位，但是这也让其他家MCU的12位ADC拍马也赶不上了（12位ADC，其ENOB能达到10位就已经算是很好了），在一些医疗电力等应用还是有其独特的优势的。

当然，不能一概而论的想当然为其他家也肯定不能把16位ADC做到片内，我觉着各家有各家的权衡，面向的应用对象不同，精度和速度这两个永远是一个矛盾（ADI家那种高大上的高速高精度ADC除外，谁让人家舍得本钱呢，贵有贵的理由），其他家比如ST和Atmel等内部的12位ADC的采样率还是比较快的（12位模式，上1M还是松松的，Freescale的16位ADC配置成12位模式下最高为800多ksps）。

既然Kinetis主打的是高精度，那我们当然要让这个优势发挥到淋漓尽致了，为保证片内ADC的精度和线性度，Freescale在ADC内部集成了自校准功能，这部分最近有人也问过我，我觉着还是写出来分享给大家好了。

如下图为校准前（黄色线）与理论值（蓝色线）的比较，当然这个图只是个简单的示意图了，这个时候肯定会有人问到，他之前代码中没有校准也可以正常转换且转换出来的值与实际值也差不多，这个是为什么呢。

这个不用担心，实际上可以理解为芯片出厂已经在相关寄存器被写入了一个校准值了，所以一般情况下下图中不校准和校准后的这个offset和gain差是很小的，但是如果我们不是一般情况下呢，呵呵，比如外界环境比较恶劣等条件下还是强烈建议在使用ADC模块前将ADC校准一下为好。

说到这，还会有较真的人问到具体的校准原理是什么，我也只能把头摇成个拨浪鼓，俺也不知道，我只能说在校准时VREFL和VREFH这两个脚的电压肯定是需要采样做两点校准的，至于还有哪些点要采样或者中间还有哪些操作，我也懒得再往深了找了，想想头大，呵呵。

下表假设 AVREFH-AVREFL = 2V，不考虑信号偏压点
SENSOR
Load Cell
输出电压
X 128
12-bit ADC 解析度
16-bit ADC 解析度
3mV/V 9mV @ 3V
Thermopile
9mV x 128 = 1.152V
1.152V 12 x2 2V = 2539 Counts
Name VDD AI1/2/3+ AI1/2/3AO+ AOX+ XR+ R-
Description Operating Voltage Positive PGIA Input Negative PGIA Input Positive PGIA Output Negative PGIA Output Positive ADC Input Negative ADC Input Positive ADC Ref. Voltage Negative ADC Ref. Voltage
4/28
采用12-bit ADC 的优势
外部元件更少，成本更低，解析度更高
AVREFH 3V 1V AVREFL
VDD=5V AVREFH = 5V，AVREFL = 0V
SONIX 12-bit ADC SN8P2700
VDD=5V AVREFH = 3V，AVREFL = 0.5V
Vin Vin x 212 x 212 AVREFH − AVREFL AVREFH − AVREFL 3V 3V AD最大輸出 = x 4096 = 4915 AD最大輸出 = x 4096 = 2457 3V − 0.5V 5V − 0V 1V 1V x 4096 = 1638 > 11-bit AD最小輸出 = x 4096 = 819 > 10-bit AD最小輸出 = 3V − 0.5V 5V − 0V AD最大解析度 = 4915 − 1638 = 3276 Counts AD最大解析度 = 2457 − 819 = 1638 Counts