报表编程在MIS中应用非常多，也是程序设计中很重要的环节，一个具有良好报表程序才是一个完美的MIS系统。易语言本身虽然提供了两个表格组件，但与实际的报表功能有一定的差距，因此采用第三方报表组件就成了易语言用户较好的选择。Grid++Report第三方报表组件是较为理想的选择之一，如它可以免费注册，以及强大的报表功能，详细的中文帮助，大量的易语言实用例程，为易语言进行了优化……使得它成为易语言商业用户制作报表的首选工具。 在本教程中，首先介绍用 Grid++Report 的报表设计器应用程序设计一个简单的清单式报表，大家最后会得到一个与Grid++Report例子模板中的“简单列表.grf”类似的报表模板。接下来学习怎样让“简单列表.grf”例子模板在易语言程序中运行起来。首先实现报表的打印与打印预览功能，通过本部分的学习后，可以得到一个类似本教程附带的“打印与打印预览报表.e”程序。然后再学习利用 Grid++report 的查询显示器控件实现报表在窗口中的查询显示，最后会创建一个类似本教程附带的“在查询显示控件中显示报表.e”程序。 通过本教程的学习，大家将对 Grid++Report 报表模板设计与在易语言中使用 Grid++Report 有一个初步与直观的了解，开启你用 Grid++Report 在易语言中开发报表的大门，为你更进一步学习奠定了良好的开端。 具备一定的数据库方面的知识对开发报表非常重要，因为报表一般都需要从数据库中取数据，然后由报表工具生成出来，你应该对数据库方面的一些基本概念有所了解，能够写出基本的 SQL 查询语句。如果你具备这些基础知识，你学习用 Grid++Report 在易语言中开发报表会非常容易，如果你觉得这方面有所欠缺，建议你首先加强这方面的学习。 本教程适用于第一次接触 Grid++Report 或对 Grid++Report 在易语言中使用还没有入门的易语言开发者。完成本教程的学习之后，建议你浏览并运行一遍 Grid++Report 自带的全部易语言例子，对 Grid++Report 的功能有所了解。

工作正在进行中 PostgresSQL v10的A​​ntlr4语法。 该项目正在开发中。 有关按查询类型分类的测试结果的详细/test_coverage.html ，请参见/test_coverage.html 。 开发是测试驱动的，测试是通过直接从源postgres存储库中抓取sql命令生成的。 有关详细信息，请参见下面的脚本部分。 设定 该项目基于MacOs v.10.14构建，使用 Maven v.3.3.9 Python v.2.7.13 Java v.1.8.0_144 Maven和Java用于构建和测试。 一些脚本使用Python。 生成解析器 要生成用于测试的Java解析器代码，请运行mvn compile 。 测验 测试查询位于按查询类型分类的src/test/resources 。 每个已从源postgres存储库中的代码中删除，每个查询类型都具有Java测试工具。 例如，运行mvn -Dtest=SelectCommandTest test测试针对所有SELECT查询运行测试。 要针对所有查询运行测试，请运行mvn test 。 大多数测试失败仅是因为该

EhLib是一个专门为Delphi开发者设计的组件库，版本号为10.0.031，它在描述中提到已经优化以支持Win64架构和XE11编译环境。这个库主要提供了数据处理和数据库连接的强大功能，使得开发人员能够更高效地构建应用程序。在提供的压缩包文件中，包含了关于EhLib的各种资源和文档，帮助用户理解和使用这个组件库。 "About EhLib.VCL 10.0 Eng.docx" 是一个英文文档，详细介绍了EhLib VCL组件集的10.0版本。这个文档可能涵盖了组件的功能、用法、特性以及可能的更新内容，对于初次接触EhLib的开发者来说，是获取基础信息的重要来源。 "history-eng.html" 可能是一个变更日志或版本历史记录，列出了自上一版本以来的改进、修复的错误和新增功能。通过阅读这个文件，开发者可以了解EhLib的演进过程，判断升级的必要性。 "EhLibLogo.jpg" 应该是EhLib的标识图片，用于识别和展示品牌。 "readme.txt" 文件通常包含安装前的注意事项、系统需求、快速入门指南等基本信息。它是用户开始使用EhLib前必须阅读的文件。 "license.txt" 文件则详细列出了EhLib的使用许可条款，包括授权范围、限制条件和版权信息。开发者需要仔细阅读并遵守这些条款，以免引起法律问题。 "安装说明.txt" 提供了具体的安装步骤，指导用户如何正确地将EhLib集成到他们的开发环境中。在本例中，说明指出需要运行"Installer文件夹中的EhLibInstaller.exe"来完成安装。 "DataService"、"DataDrivers" 和 "Common" 这些文件夹可能包含了EhLib的数据服务组件、数据库驱动程序和通用组件。它们是EhLib的核心部分，提供了与各种数据库系统的连接能力，以及数据处理和管理的工具。 "Hlp" 文件夹则可能包含帮助文档，提供组件的详细使用方法和API参考，有助于开发者在编程过程中查找所需的信息。 总结来说，EhLib 10.0.031是一个强大的Delphi组件库，尤其适合处理数据和数据库连接。提供的压缩包资源全面，包含文档、安装指南、组件代码和帮助文件，便于开发者快速理解和使用。遵循安装说明，结合相关文档，开发者可以在XE11环境下顺利集成并利用EhLib开发64位Win64应用程序。

1 引言 在某些射频产品的生产调试车间，空间某些频段的射频(RF)干扰信号可能对生产和调试造成影响。因此，有必要设计一种信号测试仪检测空间RF信号的强度。本文所设计的信号测试仪具有以下基本功能： 测试频率范围1 MHz～30 MHz； 能够灵活地在该频段上步进扫描； 具有方便的人机交互界面，可以通过键盘输入各种预设值，通过液晶显示屏随时查看系统的工作状态等。 本设计采用超外差接收方式。空间信号通过天线接收后，首先经过滤波和前置放大，与本地振荡信号混频后得到中频信号。再对中频信号进行选频、放大、检波，得到直流电压即信号的强度。经A／D转换送入CPU处理。 在本设计中，混频电路是设计 在电源技术领域，基于SA605和AD9850的接收电路设计是一个关键的应用，主要用于射频信号的检测和分析。这种设计通常应用于生产调试车间，以检测和排除可能干扰射频产品生产的RF干扰信号。信号测试仪是解决这一问题的工具，它的核心功能包括测试1 MHz至30 MHz的频率范围，步进扫描指定频段，以及提供用户友好的人机交互界面，允许通过键盘输入预设值，并通过液晶显示屏实时监控系统状态。 设计采用超外差接收方式，这是一种常见的射频接收技术。在这个过程中，来自天线的射频信号首先通过滤波和前置放大，随后与本地振荡器产生的信号进行混频，生成中频信号。中频信号再经过选频、放大和检波，转化为直流电压，从而反映信号强度。这个直流电压经过A/D转换，被送入中央处理器（CPU）进行进一步的处理和分析。 混频电路在设计中扮演了核心角色。它包含了信号的预处理、本地振荡信号的生成、混频操作以及中频滤波等多个环节。传统的扫频信号发生器常常使用压控振荡器（VCO），通过改变变容二极管的电压来调整本振频率，但这种方式在精度和扫频宽度上存在局限。因此，本设计引入了直接数字频率合成（DDS）技术，采用ADI公司的AD9850芯片与微控制器（MCU）协同工作，能够生成精确且可编程的扫频振荡源。 AD9850是一个高度集成的DDS频率合成器，内部集成了可编程系统和高速比较器，可实现全数字控制的频率合成。其工作原理基于相位累加器，通过相位累加器的递增和相位控制字的输入，驱动正弦查询表生成模拟信号。频率控制字的计算决定了输出频率，而AD9850高达40 MHz的输出频率和超过50 dB的信噪比（SFDR）使其适合作为本地振荡源。 另一方面，Philips公司的SA605是一款高性能、低功耗的混频器和FM IF器件，特别适用于通信接收机、RF信号强度测量和频谱分析仪等。SA605内置混频器、振荡器、限幅中频放大器、积分检波器、静噪功能、RSSI指示和电压校准器。其低功耗特性（6 V时典型电流5.7 mA）、高混频增益（在45 MHz时为13 dB）和宽动态范围（RSSI的90 dB）使得SA605成为理想的选择。在本设计中，SA605接收天线的RF信号并与AD9850产生的本地振荡信号混频，产生465 kHz的中频信号，经过滤波和放大后，提供后续处理。 实际设计方案中，SA605与AD9850共同构成空间RF信号接收器的混频部分。RF输入配置连接天线接收的信号，经过初步过滤，然后与AD9850产生的本地振荡信号进行混频，生成中频信号，最终通过中频滤波器选择出所需频段的信号。 这款基于SA605和AD9850的接收电路设计，结合了DDS技术和高性能混频器，实现了精确、高效且适应性强的射频信号测试，有效地解决了射频产品调试车间的干扰检测问题。通过这样的设计，可以提高生产效率，保证产品的质量和性能。

内容概要：本文详细介绍了伪谱法在航天器姿态优化中的应用。伪谱法通过将连续时间问题转化为离散时间问题，利用多项式近似将复杂的动态优化问题转化为代数方程，从而简化计算。文中通过具体的Python代码实例展示了如何使用伪谱法进行姿态优化，包括欧拉方程、四元数微分方程、Legendre多项式、微分矩阵以及优化求解的具体步骤。此外，文章还讨论了伪谱法在处理路径约束方面的优势及其在实际工程中的应用前景。 适合人群：航空航天领域的研究人员、工程师和技术爱好者，尤其是对航天器姿态控制和优化算法感兴趣的读者。 使用场景及目标：适用于需要精确控制航天器姿态的任务，如卫星姿态调整、深空探测等。主要目标是通过伪谱法优化姿态控制，减少燃料消耗，提高控制精度。 其他说明：尽管伪谱法在姿态优化中有显著优势，但在实际应用中还需考虑数值稳定性和计算精度等问题。文中提供的代码仅为示例，在实际工程项目中需进一步优化和完善。

针对自动化控制系统中PID控制器参数整定困难的问题，提出了基于粒子群算法的PID控制器的设计方法，给出了具体的实验架构。采用系统参数鉴定的方式得到直流伺服发电机的传递函数，并利用粒子群算法搜寻PID参数。实验采用MATLAB仿真证明了该方法的可行性和优越性。所得到模拟结果跟遗传算法搜索PID参数的结果做比较，结果显示用粒子群算法调整PID参数所得到的运算时间比用遗传算法的运算时间要短。

内容概要：本文详细介绍了合成孔径雷达(SAR)成像技术中的三维后向投影（BP）算法及其MATLAB实现。文章首先解释了SAR成像的基本原理和三维BP算法的作用，接着通过具体的MATLAB代码展示了如何生成点目标回波数据、进行距离向脉冲压缩、执行三维BP算法处理，并最终完成三维与二维绘图展示成像结果。文中还特别强调了三维BP算法相较于传统二维BP算法的优势，即在高度向与方位向联合处理，提供更为精准的三维目标信息。 适合人群：对SAR成像技术和三维BP算法感兴趣的科研人员、学生以及相关领域的工程师。 使用场景及目标：适用于研究和教学环境，帮助理解和掌握SAR成像技术的具体实现过程，特别是三维BP算法的原理和应用。通过动手实践，加深对SAR成像的理解，为后续的研究打下坚实的基础。 其他说明：文章不仅提供了详细的理论讲解，还包括完整的MATLAB代码示例，便于读者跟随教程一步步实现SAR成像的全过程。此外，文中提到的技术在地形测绘和自动驾驶等领域有着广泛的应用前景。

在本文中，我们将深入探讨如何使用VC++编程语言结合OpenCV库来实现视频读取、在视频帧上设定检测区域以及应用Adaboost算法进行样本训练。这些技术在计算机视觉和机器学习领域有着广泛的应用，特别是在目标检测和识别中。 让我们了解VC++（Visual C++）的基本概念。VC++是Microsoft开发的一款强大的集成开发环境，主要用于编写Windows平台上的C++程序。它包含了编译器、调试器和IDE，支持多种编程模型，包括面向对象编程。 接着，我们讨论OpenCV（Open Source Computer Vision Library）。OpenCV是一个开源的计算机视觉库，提供了大量的函数和工具，用于处理图像和视频数据，如图像读取、图像处理、特征检测、机器学习等。在这个项目中，我们将利用OpenCV的视频读取和图像绘制功能。 在VC++中读取视频，我们需要首先包含OpenCV的相关头文件，并使用VideoCapture类来打开视频文件。例如： ```cpp #include cv::VideoCapture cap("video.mp4"); if (!cap.isOpened()) { std::cout << "无法打开视频文件" << std::endl; return -1; } ``` 视频帧可以通过调用VideoCapture的read()方法获取，然后可以进行进一步的处理，比如画点和画线。在OpenCV中，可以使用circle()和line()函数来实现： ```cpp cv::Mat frame; cap >> frame; // 画点 cv::circle(frame, cv::Point(100, 100), 10, cv::Scalar(0, 255, 0), -1); // 画线 cv::line(frame, cv::Point(0, 0), cv::Point(100, 100), cv::Scalar(255, 0, 0), 2); ``` 接下来，我们要设置检测区域。这通常涉及用户交互，例如使用鼠标选择兴趣区域。OpenCV提供了鼠标回调函数，允许我们在界面上添加交互式元素，比如拖动选择框来定义检测区域。 我们讨论Adaboost样本训练。Adaboost是一种弱分类器组合成强分类器的算法。在目标检测任务中，Adaboost可以用来训练特征检测器，例如Haar特征或LBP特征。我们需要准备正负样本，然后通过Adaboost迭代过程逐步筛选出对分类贡献最大的特征。OpenCV中的CascadeClassifier类可以实现Adaboost训练，但请注意，训练过程可能比较耗时。 ```cpp // 加载样本数据 std::vector positiveSamples, negativeSamples; // ... 加载样本代码 ... // 训练Adaboost分类器 cv::Ptr classifier = cv::ml::RTrees::create(); classifier->setMaxDepth(10); classifier->setMinSampleCount(50); classifier->setRegressionAccuracy(0.1); classifier->setUseSurrogates(false); classifier->train(sampleSet, cv::ml::ROW_SAMPLE, labels); ``` 这个项目结合了VC++的编程能力与OpenCV的图像处理功能，以及Adaboost的机器学习算法，为实现视频中的目标检测提供了一个基础框架。通过设置检测区域并训练样本，我们可以构建一个能够识别特定目标的系统，这对于监控、安全、自动驾驶等多个领域都有重要意义。

1.3 课题的主要研究内容 1.3.1 课题的主要工作 （1）本文先采用模块化方式设计自适应横向(FIR)滤波器,对 FPGA 设计自适应算法 的基本滤波器的方法进行探究，并对后文设计自适应陷波器提供设计思路，具有一定的 普遍意义。 （2）本文所要研究的自适应陷波器，需要对噪声信号以及有用信号进行分别采集， 所以对噪声采集分析模块要进行一定的研究工作，利用振动传感器采集对应的噪声信号 作为参考噪声信号进行分析，利用 FPGA 设计 FFT 噪声信号幅频转换模块。所以对采集 后进行 AD 转换以及，FFT 变换后的噪声分析进行控制程序编写以及研究。 （3）针对自适应陷波器结构特点，设计一种新型自适应陷波器，可以将 FFT 变换 后的噪声分析出的三个噪声特征频率输出到自适应陷波器模块中，并实时调整滤除噪声 频率，以得到更好的滤波效果。 万方数据

内容概要：本文详细介绍了如何利用MATLAB的Fuzzy Logic Toolbox构建模糊控制系统，以识别驾驶员的制动意图。首先阐述了模糊控制的基本原理，包括模糊化、模糊推理和去模糊化的三个主要步骤。接着，通过具体的MATLAB代码示例，逐步构建了一个基于车速、前方障碍物距离和加速踏板松开程度的模糊模型。文中还提供了多个试验案例，验证了模糊控制器在不同驾驶场景下的表现，如紧急制动和正常减速。最后，讨论了未来的改进方向，如引入更多输入变量和结合机器学习方法，以提高系统的准确性和鲁棒性。 适合人群：对智能驾驶技术和模糊控制算法感兴趣的科研人员、工程师以及相关专业的学生。 使用场景及目标：适用于智能驾驶和自动驾驶领域的研究与开发，旨在通过模糊控制算法实现对驾驶员制动意图的准确识别，从而提高行车安全性。 其他说明：文章不仅提供了理论讲解，还包括详细的代码实现和实验验证，帮助读者更好地理解和应用模糊控制算法。此外，还提到了一些调试技巧和注意事项，确保系统在实际应用中的稳定性。