数学建模——光盘的数据容量
1、背景和问题
(1)20世纪80年代出现激光唱片(CD)与激光视盘(LD),统称为光盘。
(2)20世纪90年代出现数字视频光盘(DVD)。
(3)光盘用于存储数字声频、视频信号和计算机数据等。
(4)CD的数据容量:单层650MB(兆字节)。
(5)DVD的数据容量:单层4.7GB(千兆字节)。
(6)光盘的数据容量是怎么确定的?
在一定条件下怎样使容量最大化?
2、调查和分析
(1)光盘的内圈直径45mm,外圈直径120mm,外围2mm不存储数据
(2)光盘表面内外圈之间不慢呈螺旋线形状的信道
(3)数字信息经过编码,以一定深度和宽度、不同长度的凹坑形式,用激光技术存储在信道上。
(4)数据容量大小取决于:
①信道长度
②存储数据的线密度
(5)信道长度取决于信道间距
(6)决定信道间距和线密度的两个主要因素:
①激光波长
②驱动光盘的机械形式
(7)信号间距、线密度决定了光盘数据容量
(8)激光波长、驱动形式又决定了信道间距、线密度
(9)激光线速必须精确聚焦,才能识别信道上的信息
(10)光的衍射使激光线束形成圆状的光斑
(11)光斑越小,则信道间距越小,线密度越大
(12)光斑的大小与激光波长成正比(其他条件给定时)
(13)几种激光器的激光波长、光斑直径、信道间距和数据线密度比较
激光器 | 激光波长(um) | 光斑直径(um) | 信道间距(um) | 数据线密度(字节/mm) |
红外(CD) | 0.78 | 2 | 1.6 | 121 |
红色(DVD) | 0.64 | 0.925 | 0.74 | 387 |
蓝色(DVD) | 0.41 | 0.4 | 0.32 | 800 |
(14)、驱动光盘的机械形式有两种:
①恒定线速度(CLV)
各圈螺旋线上数据的线密度不变。
容量取决于线密度和信道间距。
②恒定角速度(CAV)
每圈螺线上存储同等数量的数据信息。
容量取决于最内圈的长度和线密度及信道间距。
(15)光盘容量:CLV(恒定线速度)优于CAV(恒定角速度)
数据读取时间:CLV每圈转速不同,当读出磁头在内外圈移动时,需要等待光盘加速或减速,而CAV则不需要。
CLV适用于:音乐、影像、计算机文件等按顺序播放的信息。
CAV适用于:词典、数据库、人机交互等需要随时查找的信息。
3、模型建立:
(1)CLV(恒定线速度)光盘
数据容量,其中表示线密度,表示信道总长度
又、表示内圈和外圈的半径,d表示信道间距,n表示总圈数,
则
其他建模方法:
环型区域面积/信道间距:
同心圆平均周长*总圈数:
(2)CAV(恒定角速度)光盘
数据容量:,表示最内圈线密度,表示信道有效长度
有效长度=最内圈长度*总圈数
4、模型求解:
(1)CLV(恒定线速度)光盘
,,,
激光器 | d(um) | (字节/mm) | 影像时间(min) | ||
红外(CD) | 1.6 | 121 | 5,611,179 | 679 | 18 |
红色(DVD) | 0.74 | 387 | 12,132,279 | 4,695 | 126 |
蓝色(DVD) | 0.32 | 800 | 28,055,895 | 22,445 | 603 |
(2)CAV(恒定角速度)光盘
,,,时,最大
激光器 | d(um) | (字节/mm) | 影像时间(min) | ||
红外(CD) | 1.6 | 121 | 3,302,599 | 400 | 11 |
红色(DVD) | 0.74 | 387 | 7,140,755 | 2,764 | 74 |
蓝色(DVD) | 0.32 | 800 | 16,512,996 | 13,210 | 355 |
即使在选择最佳的情况下,信息容量也要小于
5、光盘的数据容量建模过程评述
(1)准备工作:问题背景和资料,数据的调研都是建模的基础。
(2)计算信道长度时用同心圆代替螺旋线,简化了模型的建立和求解。
(3)用微积分方法计算螺旋线长度,可以发现近似计算误差不超过0.02%。
数学建模——光盘的数据容量相关推荐
- 光盘的数据容量 模型
2.1 光盘的数据容量 模型 CD 的数据容量 : 单层 650 MB(兆字节) DVD 的数据容量 : 单层 4.7 GB (千兆字节) 从数学建模的角度研究 : 光盘的数据容量是怎么确定的 , 在 ...
- Python小白的数学建模课-23.数据拟合全集
拟合是用一个连续函数(曲线)靠近给定的离散数据,使其与给定的数据相吻合. 数据拟合的算法相对比较简单,但调用不同工具和方法时的函数定义和参数设置有所差异,往往使小白感到困惑. 本文基于 Scipy 工 ...
- Python小白的数学建模课-02.数据导入
数据导入是所有数模编程的第一步,比你想象的更重要. 先要学会一种未必最佳,但是通用.安全.简单.好学的方法. 『Python小白的数学建模课 @ Youcans』 带你从数模小白成为国赛达人. 1. ...
- 2022年第三届MathorCup高校数学建模挑战赛——大数据竞赛(baseline)
教育部<高等学校人工智能创新行动计划>教技[2018]3号,鼓励对计算机专业类的智能科学与技术.数据科学与大数据技术等专业进行调整和整合,鼓励各个领域与大数据进行深度融合,通过大数据技术促 ...
- Python的数学建模课-02.数据导入
数据导入是所有数模编程的第一步,比你想象的更重要. 先要学会一种未必最佳,但是通用.安全.简单.好学的方法. 『Python小白的数学建模课 @ Youcans』 带你从数模小白成为国赛达人. 1. ...
- MathorCup高校数学建模挑战赛——大数据竞赛 赛道A 移动通信基站流量预测baseline
文章目录 前言 一.简单分析 二.具体程序 1.引入库 2.读入数据 3.数据处理 4.模型训练和预测 5.结果文件输出 总结 前言 本文给出2020年MathorCup高校数学建模挑战赛--大数据竞 ...
- 第三届2022MathorCup高校数学建模挑战赛大数据论文加代码(附详解)
基于系统决策树分类的移动用户体验影响因素研究 摘要 本题主要是一个研究预测模型,以中国移动通信集团北京公司为背景,让客户根据 自身在网络覆盖与信号强度方面的体验和语音通话过程中的整体体验来进行语音通话 ...
- 2021年MathorCup高校数学建模挑战赛—大数据竞赛A题二手车估价问题解题思路
MathorCup高校数学建模挑战赛-大数据竞赛 A题 二手车估价问题 原题再现: 随着我国的机动车数量不断增长,人均保有量也随之增加,机动车以"二手车"形式在流通环节,包括二 ...
- 数学建模如何查找数据?
数学建模竞赛中,有时参赛选手发现模型算法都有思路了,但是没数据!一个空壳模型是求不出结果的.那么如何找到所需数据呢?下面是整理的一些搜集数据的网站. Google,SCI-Hub 用Google和SC ...
最新文章
- verycd重整——linux教程
- 支付宝的kill-ie
- 聊聊IO多路复用之select、poll、epoll详解
- 【转】NIO的定义和原理是什么?
- Boost:宏BOOST_NO_RTTI的使用实例
- 使用 intellijIDEA + gradle构建的项目如何debug
- [CMake] 官方文档 和 FAQ
- [CTSC2018]暴力写挂
- 【IP分析】合并信号concat,拆分总线slice
- NSGA-II资料合集
- 算法:分离链表为两部分,小于某个值都在左边,大于等于某个值在右边 Partition List
- 带你啃透深度学习必学“圣经”花书!(附带论文代码精读讲解)
- 牛顿插值java_java实现牛顿插值法
- FlashFxp配置ftp
- ubuntu开机桌面不显示
- 鸿蒙真机运行调试步骤
- idw matlab 程序_idw插值算法的C#和Matlab简单实现
- 漫谈程序员(十二)IT程序猿之猿体是革命的本钱
- 数据分析统计学原理第十二章:多个比例的比较、独立性及拟合优度检验 | 我的统计学原理复习日记
- 2020年Q3房产行业网络关注度分析报告
热门文章
- python制作标书_Python爬取比比网中标标书并保存成PDF格式
- (二)快速图像风格转换
- 微信JS-SDK,助力网页开发
- IDL图形化界面设计自学总结
- android zip解压 速度,如何在Java / Android中加快解压缩时间?
- 系统升级维护页面例子
- BOC保护的苯丙氨酸锌卟啉(Zn·TAPP-Phe-BOC)/铁卟啉(Fe·TAPP-Phe-BOC)/镍卟啉(Ni·TAPP-Phe-BOC)/锰卟啉(Mn·TAPP-Phe-BOC)齐岳科普
- python力扣刷题记录——204. 计数质数
- ie浏览器上取到多个MAC地址
- 7月8日,腾讯电子签棋煜“签千万”专场招商会,重磅来袭