墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
164平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Google Earth Engine（GEE）是一个功能强大的云平台，提供了丰富的地理空间数据和计算资源，用于进行遥感影像分析和地理空间数据处理。在GEE中，我们可以使用JavaScript编程语言来访问和处理遥感数据。
本文将介绍如何在GEE中获取随机点的长时序波段折线图。首先，我们将创建一个随机点图层，然后从该图层中选择一些点，并提取这些点在一段时间内的多个波段数据。最后，我们将使用图表工具在折线图中可视化这些波段数据的变化趋势。
以下是在GEE中实现此任务的详细步骤和代码示例：
步骤1：导入图像和区域兴趣
首先，我们需要导入我们感兴趣的图像数据。在此示例中，我们将使用Landsat 8卫星的图像作为示例数据。我们还需要选择一个区域兴趣（Region of Interest，ROI），以便在该区域内选择随机点。
// 导入Landsat 8图像
var imageCollection = ee.ImageCollection('LANDSAT/LC08/C01/T1'Google Earth Engine——给影像添加一个属性对于单景的时间序列并返回影像
这里有一个简答的方式，就是我们首先将获取这个波段中的影像时间然后转化成为时间属性，然后让影像的返回值设定系统的时间，然后将时间的的毫秒来进行还原原有的时间序列。上面这个函数我们就可以通过影像获取时间，然后返回值给到影像，然后后续这个集合中就有了影像的时间，这里就可以实现后续长时序影像的分析做出相应的折线图即可。我也想过使用ee.Date.difference但这仅适用于单个图像日期，不适用于图像集合，因此在过滤器中没有用。我曾尝试使用ee.filter.lte等，但这当然行不通。...
利用MATLAB 4f光学系统，在Python中进行弗劳恩霍夫衍射和傅里叶面滤波——用镜头模拟光学图像处理。.zip
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
利用MATLAB和Excel对逆流双管热交换器的热性能进行分析。.zip
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
利用MATLAB对5G NR波束成形技术的性能分析.zip
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
上市公司赫芬达尔指数、企业勒纳指数（1999-2025年）
上市公司赫芬达尔指数（HHI）和勒纳指数（LI）是衡量市场结构和市场势力（垄断力量）的两个重要指标 赫芬达尔指数（HHI）可衡量一个公司在市场中的相对份额或集中度，通过计算公司在市场中份额的平方和得出。数值越小，说明市场份额分布越分散，竞争程度越高；数值越大，说明市场集中度越高，少数企业占据较大份额，垄断程度越高 勒纳指数（LI）用于衡量企业的市场势力，即企业偏离完全竞争价格、制定高于边际成本的价格的能力，数值越接近1，表示企业市场势力越强，垄断程度越高 本文借鉴刘贯春等（2021）、孙茹峰和李楠博（2024）的思路和方法，分别测算上市公司赫芬达尔指数、勒纳指数： 赫芬达尔指数 = （公司营业收入／同行业同年营业收入合计）的平方和 企业勒纳指数 =（营业收入-营业成本-销售费用-管理费用）/营业收入 一、数据介绍 数据名称：上市公司赫芬达尔指数、企业勒纳指数 数据范围：上市公司 时间范围：1999-2025年 样本数量：85810条 数据来源：上市公司年报 更新时间：2026年11月 数据说明：内含原始数据、测算结果 二、数据指标 股票代码 股票简称 年份 省份 城市 区县 省份代码 城市代码 区县代码 行业代码 行业名称 赫芬达尔指数 勒纳指数 营业收入 营业成本 销售费用 管理费用 三、参考文献 [1]刘贯春,叶永卫,张军.社会保险缴费、企业流动性约束与稳就业——基于《社会保险法》实施的准自然实验[J].中国工业经济,2021,(05):152-169. [2]孙茹峰,李楠博.金融化对企业绿色转型意向的影响研究[J].管理学报,2024,21(11):1612-1620+1677. [3]张倩肖,段义学.数字赋能、产业链整合与全要素生产率[J].经济管理,2023,45(04):5-21. [4]伍兆祥,代吉林,
海康威视后台摄像头视频管理系统
海康威视后台摄像头视频管理系统，vue+py框架
esp-labs-web- 把 ESP32-S3 实验台搬进浏览器：交互式学习指南
esp-labs-web项目把 ESP32-S3 的实验台教程做成了一个网页应用，叫 ESP32 Labs，里面有 32 个动手实验，带实时模拟器、3D 板子、引脚图，还有一个能逐行讲固件的代码阅读器。 每个实验就是一张单子，写着目标、用到的引脚在实时引脚图上的位置、接线、烧录命令和要打勾的步骤，旁边还有个模拟器，能先在浏览器里看到应该出现的效果。 模拟串口也挺像回事，在里面敲个命令，板子会像真固件一样回你，不用先把硬件接好就能先练一遍。 代码阅读器读的是实验真正烧进去的固件，Tour 模式一次只走几行，还先让你猜，Story 模式跟着程序从 setup() 一路往下走，Explore 是点哪行讲哪行，生词一次只给三个，词典还会记住你见过的词。 语言做了 8 种，英法西意德中日阿都有，阿拉伯语还是从右往左排版，手机 390 像素宽也能用，浅色深色、减动效都照顾到了。 里面还有个 3D 的 DevKitC-1 板子，六个标注点一点就亮，还会列出用它的实验，实验台日志就是 public/data 里的一份普通 JSON，改了不用重新编译，学习进度只存在你自己浏览器里，不用注册账号。 实验主题分得挺全，入门、显示和按键、Wi-Fi、RFID、蓝牙、声音都有，传感器那块还是计划中，每个实验的固件都是 esp-labs 里独立的 PlatformIO 工程。
工业互联网工控安全与工业质检AI大模型建设方案.pptx
工业互联网工控安全与工业质检AI大模型建设方案.pptx
通信行业CentOS 7内核网络栈优化：高并发连接下UDP/TCP性能调优与系统资源管理
内容概要：本文聚焦于CentOS 7系统在通信行业高并发场景下的性能调优实践，重点围绕内核网络栈优化展开，涵盖UDP/TCP缓冲区调整、文件句柄与连接跟踪表扩容、TIME_WAIT状态复用、软中断分布优化及tuned工具的自动化调优。通过具体配置参数和实际案例（如VoIP软交换系统）深入解析各项调优措施的设计原理与实施效果，有效解决高CPS下丢包、连接失败等问题，并展望了向云化、eBPF等动态智能调优方向的发展趋势。; 适合人群：从事通信系统运维、网络开发或Linux系统性能优化的技术人员，具备一定操作系统和网络基础知识，工作经验1年以上的中初级工程师。; 使用场景及目标：①应用于软交换、媒体网关、信令网关等高并发通信设备的系统调优；②解决UDP丢包、conntrack表满、TCP连接队列溢出等典型性能瓶颈；③提升系统在小包高频、低时延要求场景下的稳定性和吞吐能力。; 阅读建议：建议结合实际生产环境或测试平台同步验证文中配置，重点关注参数背后的物理意义（如BDP、softirq、conntrack机制），并配合ss、conntrack、dmesg等命令进行调优前后对比分析，确保安全可控地实施变更。
从Elasticsearch的jvm.options读懂JVM参数的生效核验、内存分账与诊断兜底代码包
拿到一台机器和一个 Java 服务，怎样确认 JVM 实际吃进去了哪些参数，怎样给堆和堆外分配内存，怎样把 GC 日志、堆转储、异常栈这些“事后取证”的参数配齐，以及怎样在 JDK 8 与 JDK 9+ 之间安全迁移。 讲解的抓手是 Elasticsearch（下文简称 ES）的 jvm.options。这份文件经过 ES 团队多年打磨，又被无数生产集群验证过，几乎每一行都对应一个踩过的坑，是学习 JVM 参数最好的“样板间”。
2024 《计算机网络》实验教学指导书.doc
2024 《计算机网络》实验教学指导书.doc
不平衡电网下自抗扰顺序模型预测PWM整流器控制仿真模型（Simulink仿真实现）
内容概要：本文围绕面向城市空中交通的多无人机路径规划问题展开研究，提出了一套融合全局规划、动态避障与局部协同调整的综合路径规划方法。研究内容涵盖基于改进RRT算法与图论的全局路径规划、基于动态风险场和动态窗口法（DWA）的模型预测控制实现动态避障，以及基于分布式协同控制的多无人机局部路径协同策略。通过Matlab平台构建仿真环境，在多种典型城市交通场景下对所提方法进行了系统性验证，结果表明该方法在路径安全性、编队稳定性与任务效率方面表现优异。文章还深入探讨了算法的创新点与未来研究方向，为复杂城市环境下多无人机系统的自主协同提供了理论支撑与技术路径。; 适合人群：具备自动化、控制理论、计算机科学或相关领域基础知识，从事无人机系统、智能交通、路径规划、多智能体协同控制等方向研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①为城市空中交通系统中的多无人机安全、高效飞行提供可靠的路径规划解决方案；②支持在复杂、动态的城市场景中开展无人机自主导航、编队飞行与协同控制的技术研究与仿真验证。; 阅读建议：建议结合提供的Matlab代码进行实践操作，重点关注算法的具体实现细节、参数配置对性能的影响以及不同仿真场景下的实验设计，以深入理解各模块的集成逻辑与实际应用效果。
【选址和定容】模拟退火改进多目标粒子群算法在分布式电源选址和定容中的应用【IEEE69节点】（Matlab代码实现）
内容概要：本文研究了模拟退火改进多目标粒子群算法在分布式电源选址和定容中的应用，以IEEE69节点配电系统为算例进行仿真分析。通过融合模拟退火算法的强全局搜索能力与粒子群算法的高效局部收敛特性，构建了一种改进的多目标优化算法，用于解决分布式电源在配电网中的最优位置选择与容量配置问题。研究旨在实现多重优化目标，包括最小化网络有功损耗、提升节点电压质量、增强系统运行的经济性与稳定性。文中详细阐述了多目标优化模型的数学构建、算法的改进机制与实现流程，并基于Matlab平台完成了算法编程与仿真验证，结果表明所提方法在求解质量和收敛性能上均优于传统算法。; 适合人群：具备电力系统分析、优化理论基础及Matlab编程能力，从事配电网规划、分布式能源系统优化、智能优化算法应用等相关领域的科研人员、工程师以及高校研究生。; 使用场景及目标：①解决高比例分布式电源接入背景下配电网的科学规划问题；②为新型电力系统中源网协调设计提供有效的优化工具；③为相关领域的科研工作提供可复现、可拓展的算法模型与仿真代码实例，支持进一步的算法对比与功能升级。; 阅读建议：建议读者结合提供的Matlab代码与IEEE69节点标准数据，动手复现实验结果，深入理解算法的参数设置、迭代过程与多目标折衷分析方法，并可根据实际研究需求修改目标函数或引入新的约束条件以适应不同的应用场景。
无刷直流电机BLDC无感+滑模观测器+转速电流双闭环PI控制（总共三个仿真模型）（Simulink仿真实现）
内容概要：本文档系统性地提供了无刷直流电机（BLDC）的高级控制策略仿真资源，聚焦于无位置传感器控制技术，重点实现了基于滑模观测器（SMO）的转子位置估算方法，并结合转速与电流双闭环PI控制结构，构建了完整的Simulink仿真模型体系。资源包含三个核心仿真模型：无感控制下的滑模观测器设计、双闭环PI控制器的参数整定与动态调节，以及系统整体的运行性能仿真分析。文档深入剖析了滑模观测器在反电动势提取与相位补偿中的关键技术，展示了其在不同工况下对电机启动、调速及负载扰动响应的鲁棒性表现，旨在帮助研究人员掌握BLDC在无传感器条件下的高精度控制实现路径，并为进一步引入模糊PID等先进控制策略提供对比基准与技术支撑。; 适合人群：具备电机控制理论基础、自动控制原理知识及Simulink建模经验，从事电气工程、自动化、电力电子或新能源驱动系统研究的科研人员、工程技术人员及高校研究生。; 使用场景及目标：①深入理解无刷直流电机无位置传感器控制的基本原理与实现流程；②掌握滑模观测器在转子位置与速度估算中的设计方法及其抗干扰特性；③学习并优化转速电流双闭环PI控制结构，提升系统动态响应性能与运行稳定性。; 阅读建议：建议结合Simulink模型进行同步仿真操作，重点关注滑模观测器的抖振抑制效果、系统启动过程的稳定性以及PI参数调节对动态性能的影响，同时可参照文档中提及的模糊PID等对比方案，拓展对先进控制算法的研究与实践应用。
别再瞎调了！STM32 Systick延时函数避坑指南（正点原子、野火、慧净代码对比）
本文深入解析STM32 Systick延时函数的实现差异与优化策略，对比正点原子、野火、慧净等主流方案的优缺点。针对us和ms级延时精度问题，提供避坑指南和高级优化技巧，帮助开发者根据项目需求选择最佳方案，提升嵌入式系统的定时控制精度。
ICESat-2数据下载的两种方法
ICESat-2数据下载
西门子 S7-200 SMART 系列六：手把手教你配置S7-200 SMART Modbus RTU
最新发表：https://www.ics-pedia.com/%e8%a5%bf%e9%97%a8%e5%ad%90-s7-200-smart-%e7%b3%bb%e5%88%97%e5%85%ad%ef%bc%9a%e6%89%8b%e6%8a%8a%e6%89%8b%e6%95%99%e4%bd%a0%e9%85%8d%e7%bd%aes7-200-smart-modbus-rtu%e5%ae%9e%e4%be%8b/
Mixer-First Receiver适用于宽带阵列应用的接收机技术1
Mixer-First Receiver适用于宽带阵列应用的接收机技术1技术的背景单元级数字化阵列传统链路到Mixer-First链路的逻辑考虑三种场景小结 技术的背景 在文章《吊打全球的顶级毫米波数字阵列项目-MIDAS》中提到了DARPA在MIDAS项目中在毫米波实现宽带单元级数字化阵列用到了一个关键的叫做N-Path filter的技术，而这个技术同样出现在了《让微波射频工程师颤抖的芯片-MATRICs》的MATRICs芯片中。 为什么DARPA的各个合作研究机构选择这种技术？这篇来自Universi
在ROS中使用行为树
在ROS中使用行为树 我提供的工程示例文件： demo链接 文章目录在ROS中使用行为树0、 学习本教程的前提1、 behaviorTree 库安装(ROS使用下的安装方式)2、 处理 behaviortree 库并准备好 service 和 ros action2.1 对ROS 的 service 和 action 进行封装，使其在 behaviortree 上使用更加方便。2.2 创建一个 service 和一个 action2.3 创建与决策树相关的数据类型2.4 修改`package.xml`文件2
控制科学与工程（自动化）保研经验【2】——南开、同济篇
禁止转载 1、南开人工智能学院夏令营 保研之旅第一个夏令营就是南开，南开夏令营非常早（6月份），当时我们专业仅有两人入营。夏令营前一天我们两个坐高铁来到了天津，几经辗转来到了南开的津南校区，非常偏僻。在自己找的酒店住了一晚，第二天一早去学院报到，资格审查、报销路费等等，然后开营仪式，吃饭，入住酒店，实验室参观。 开营仪式和实验室参观了解到，南开人工智能学院是国内第一批人工智能学院，和很多高...
CANbus收发器ADM3053BRWZ-REEL7应用原理图设计
ADM3053 在 CAN 协议控制器与物理层总线之间创建一个 完全隔离的接口。该器件具有限流和热关断特性，可防止输出短路。额定温 度范围为工业温度范围，提供 20 引脚、宽体 SOIC 封装。该器件采用 5 V 单电源供电， 提供完全隔离的 CAN 解决方案。ADM3053 是一款隔离式控制器区域网络 (CAN) 物理层收 发器，集成隔离 DC/DC 转换器，符合 ISO 11898 标准。该器件采用 ADI 公司的。Coupler® 技术，将双通道隔离器、 CAN 收发器和 ADI 公司的。
多跳问答技术解析：从原理到金融领域实践
多跳问答(Multi-hop QA)是自然语言处理中的高级任务，要求系统通过多步推理整合分散信息来回答问题。其核心技术在于理解文档间的复杂关联，相比单跳问答需要更精细的数据集设计和模型架构。在金融、医疗等专业领域，多跳问答能有效处理如'腾讯大股东投资的港股上市公司'这类需要串联多个信息点的问题。典型实现方案包括MR-Search框架的三级检索器设计，分别处理实体召回、关系匹配和数值比较。当前最佳实践表明，结合稠密检索与稀疏检索的混合策略，配合动态路由机制，能在保持较高精度的同时控制计算成本。这类技术在金融风
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
960
扫一扫
