分类
如何选择好的期权平台

技术解析

欧拉 了解品牌 >

课程总结丨OpenPPL CUDA 技术解析

· 插入排布选择算子 · 算子拆分

哈弗 了解品牌 >

魏牌 了解品牌 >

欧拉 了解品牌 >

长城皮卡 了解品牌 >

坦克 了解品牌 >

坦克500商务豪华越野SUV

坦克300智能豪华越野SUV

欧拉芭蕾猫女性专属优雅座驾

欧拉好猫新世代智美潮跑

摩卡新一代智能汽车人

摩卡DHT-PHEV0焦虑智能电动

拿铁DHT新一代智能DHT

拿铁DHT-PHEV对儿童更友好的智能电动

玛奇朵DHT新一代智能SUV

玛奇朵DHT-PHEV新一代智能SUV

哈弗酷狗3/4刻度潮酷座驾

哈弗神兽我的梦想坐骑

哈弗H6S新世代潮跑利器

哈弗赤兔新次元激擎座驾

哈弗初恋年轻人的第一台车

哈弗H6国潮版神气十足,智领浪潮

第三代哈弗H6领先不止一代

哈弗大狗我的潮玩新旅伴

哈弗M6 PLUS新超值家用SUV

哈弗H9智能硬派全地形 SUV

金刚炮时尚商用皮卡

火炮硬核大玩具

长城炮-乘用皮卡全球化乘用大皮卡

长城炮-商用皮卡新一代智能商用大皮卡

长城炮-越野皮卡全地形量产越野大皮卡

风骏7新一代互联网皮卡

风骏5欧洲品质经久耐用

“坦克”平台作为全球化智能专业越野平台,拥有动力强悍、高可靠性、智能越野三大硬核特征;
“坦克”平台可支撑不同级别,不同品类涵盖SUV、MPV、皮卡的车型开发,致力于为全球越野爱好者带来征服的快感;
“坦克”平台涵盖ICE、PHEV、HEV三种动力形式,可为不同需求用户提供多样化的动力选择。


强悍动力 实力领先

在动力方面,“坦克”平台涵盖ICE、PHEV、HEV三种动力形式,可为不同需求用户提供多样化的动力选择。在常规高效发动机中主要有2.0升、3.0升两种GDIT发动机,其中3.0T功率/扭矩分别达到了260 kW/500 N?m,并实现了38%的发动机热效率,做到了同级别最优。

与此同时,“坦克”平台还将搭载由长城汽车自主研发的中国首款纵置9AT变速器,该变速器涵盖常规、P2两种形式,通过液力变矩器进一步放大扭矩,扭矩容量达750N?m,扭矩密度和齿比跨度同级领先。其中,3.0GDIT发动机与 9AT P2的集成,更是打造出了堪称同级最优的越野动力,系统总功率/总扭矩分别达到了380kW/750N?m,为“坦克”平台的极致越野提供了强劲的动力保障。

现代燃料电池汽车NEXO技术解析

日趋严苛的排量法规以及相关环境污染的强制性措施将内燃机(大排量自然吸气发动机甚至是小排量涡轮增压发动机)的生存发展之路变得日益狭隘。从技术层面来讲,在当今的内燃机以及难以实现像以往压缩比、热效率方面的大幅度突破的前提下,越来越多的车企逐渐把重心倾向世界权威机构更加亲眛的纯电动汽车和燃料电池汽车领域,之前我们讲过了BMW i Hydrogen NEXT动力系统、丰田第二代燃料电池汽车Mirai动力系统、上汽PROME P390 氢能源动力系统。

现代燃料电池汽车NEXO技术解析

01 基本参数

现代NEXO与ix35 FCEV技术参数


02 动力系统构型

现代燃料电池汽车NEXO技术解析3

03 车辆运行模式

现代燃料电池汽车NEXO技术解析4

04 电堆系统构成


05 动力驱动系统

06 动力电池系统

现代NEXO搭载了1.56 kW•h的动力电池组,该动力电池组在不同模式下发挥着不同的作用,在较高车速时或较大功率输出时,FCS与动力电池同时供电,FCS输出电压通过直流升压转换器与动力电池向驱动电机提供能量。当车辆正常行驶时,FCS工作,输出电压通过直流升压转换器给驱动电机提供能量,同时给动力电池充电。当车辆长时间驻车怠速时,动力电池的SOC下降到电脑设定的阀值时,FCS启动工作,输出电压通过直流升压转换器给动力电池充电。

现代燃料电池汽车NEXO技术解析7

07 储氢系统

“大数据时代”翩然而至,成为本世纪继云计算、物联网后又一次颠覆性的技术变革,对国家、企业、 团体、个人都已经或将要产生巨大影响.面对汹涌澎湃的大数据浪潮,笔者拟从时代背景与技术实现两个维度对大数据的基础知识——概念( What)、理由( Why) 以及方式方法(How)做一简单梳理与解析。

什么是大数据? 为什么要研究大数据? 对此,IT 行业已做出了精确的界定与合理的解释。 2011 年,麦肯锡( McKinsey & Company) 将大数据定义为“大小超出了传统数据库软件工具的抓取、存储、管理和分析能力的数据群”。 随后,IBM 公司概括了大数据的三大特点——大量化( Volume) 、多样化( Variety)和快速化( Velocity) 。

笔者拟在此基础上,联系信息化发展演变的具体语境,对这两个命题进行再审视,以做出更通俗的阐释与解析。20 世纪中叶,人类迈入了信息时代。随着计算机的发明和应用,信息的承载从“语言”到“文字”,进而发展到了“数据”.“数据”是客观事物的符号化表示,二进制的发明实现了数据在物理机器中的表达、 计算和传输,数据可输入计算机,被计算机程序理解和处理,这样利用计算机强大的计算能力,人类对数据得以有效的管理与开发利用。

但是,信息时代在利用现代信息技术有效管理利用数据的同时,也带来了数据的爆发式增长。据国际数据中心 IDC 发布[2],2010 年全球数据量已达 1. 2 ZB,2011 增长到 1. 8 技术解析 ZB,2012 年达到 2. 8 ZB,全球数据总量年增长率维持在 50% 左右,预计到 2020 年,全球数据总量将达到 40 ZB. 现在,数据不仅数量庞大( Volume) ,增长迅速( Velocity) ,而且来源类型多样化( Variety)。


02 大数据采集、 处理、存储、分析的系统实现

信息时代极大地彰显了“数据”的价值,但人们无法有效地利用“数据”,望“大数据”而兴叹。 由此,“大数据技术”应运而生. 2012 年,美国政府颁布《大数据研究与发展倡议》( Big Data Research and Development Initiative) ,并投资两亿美元以支持大数据相关技术的研发。

2015 年 9 月,国务院印发《促进大数据发展行动纲要》,围绕“大数据”着手实施一系列研发应用工程。 另外,IBM、谷歌、亚马逊、阿里巴巴等商业公司亦纷纷推出了大数据系统解决方案. 当前,大数据技术初见端倪,初显成效。下面笔者对大数据的系统实现模式做一简要梳理。

大数据来源

大数据主要有三个来源,一是传统的行业/企业内部数据,如 ERP( Enterprise Resource Planning,企业资源计划系统) CRM (Customer Relation ship Management,客户关系管理) 等,这类数据以结构化数据为主;

还有就是物联网数据,如 RFID( radio frequency identification,射频识别) 和传感器数据,这类数据以半结构化数据为主。

对于结构化数据的采集利用传统关系型数据库管理系统接口实现。 对于非结构化的泛互联网数据,可通过网络爬虫或网站公开 API 等方式获取非结构化数据,再在本地存储为结构化数据. 对于半结构化数据流,需借助专用采集工具,如 Chukwa、Flume 等。

大数据来源多样,类型复杂,数据大多不完整或不一致,需要 ETL( Extract - Transform - Load) 进行预处理,将数据从来源端经过抽取( extract) 、转换( transform) 、加载( load) 至目标数据库或相应文件存储系统。

大数据场景下,数据量呈爆炸式增长,存储方案一般是分布式存储架构,以保障海量数据的读取. 当前较出名的存储技术有谷歌的 GFS( Google File System) 和 Hadoop 的 HDFS( Hadoop Distributed File System)

另外,采用 NoSQL( Not Only SQL) 数据模型自定义数据存储格式,对数据和系统架构进行扩展,也是较流行的存储技术。

完成了数据的采集、处理和存储,下一步就是数据的分析和挖掘。当前大数据分析主要采用数据仓库、联机分析和数据挖掘解决方案。 数据仓库( Data Warehouse) 是核心,它是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合。联机分析( On - Line Analysis Processing,简写为 OLAP) 和数据挖掘( Data mining) 是数据仓库系统的主要应用形式. OLAP 属于验证型的分析,辅助实现多元数据一致存取和多维分析,从而获得对数据的更深入了解.

数据挖掘是通过算法从大量的数据中搜索隐藏于其中信息的过程,它主动去发现有用信息,发掘潜在规律,与 OLAP 一同用于支持管理决策。

互联网和物联网的广泛应用,产生了大小超出了传统数据库软件工具处理能力的数据群,使得人们无法有效地利用“数据”,望“大数据”而兴叹。由此“大数据技术”应运而生。 人们通常所说的“大数据”,其实更多地是指“大数据技术”,实质是一个“新技术群”。 大数据技术丰富多彩,难以面面俱到,笔者仅撷取其最基本的关键技术做一简要解析。

大数据技术与传统数据处理在流程上并无太大差异,主要的区别在于处理方式。 大数据处理方式是基于 MapReduce 技术对海量结构化、半结构化和非结构化数据的混合并行处理,MapReduce 技术应用于各个环节.MapReduce 最早是由 Google 公司研究提出的一种面向大规模数据处理的并行计算模型和方法。


Google 公司设计 技术解析 MapReduce 的初衷主要是为了解决其搜索引擎中大规模网页数据的并行化处理,但由于 MapReduce 对数据一致性要求不高,具有可扩展性和可用性,可以普遍应用于很多大规模数据的计算问题,特别适用于海量的结构化、半结构化及非结构化数据的混合处理,因此 MapReduce 迅速普及成为通用的面向大数据并行处理的计算模型、软件框架和系统平台. MapReduce 的运行原理。

因为对于大数据的处理,不是一台计算机同时处理许多任务,而是许多计算机同时做一件任务的逻辑关系,所以必须进行有效的分工与协同. MapReduce 将计算机分为两类,一类是 Master 负责调度,另一类是 Worker 负责执行。 同时,MapReduce 将大数据处理任务分为 Map( 映射) 和 Reduce( 化简) 两个阶段,首先 Master 对来自 User Program 的大数据进行 Map( 映射) 技术解析 ,即把海量数据分割成若干部分 split,分给多台处理器 Woker 并行处理; 然后对处理结果 Reduce( 化简) ,即把各台处理器 Worker 处理后的结果进行汇总操作、集成输出 Output file 以得到最终结果。

MapReduce 将传统的查询、分解及数据分析进行分布式处理,并基于网络环境共享大量的廉价 PC资源,耦合度低,有容错机制,所以特别适合大数据环境下的处理需求。 MapReduce 已经成为事实上的大数据处理工业标准,尽管还有很多局限性,但人们普遍公认 MapReduce 是截止目前最为成功的大数据并行处理技术,也是截至目前大数据处理的关键技术。

大数据和其他划时代的信息技术一样,几乎对所有行业及其从业人员都有革命性的影响。 大数据时代,数据就是最重要的“财富”,能汇集挖掘大数据价值为己所用的行业及其从业人员将是未来的“赢家”。 千里之行始于足下,大数据时代已经翩然而至,融入大数据时代,成为大数据时代的佼佼者,就从了解“大数据的入门知识”开始。