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
200+累计阅读
276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
PID控制算法是一种常用的反馈控制算法，广泛应用于嵌入式系统中的自动控制领域。本文将介绍PID控制算法的原理和在嵌入式系统中的实现，并提供相应的源代码示例。
PID控制算法是由比例（P）、积分（I）和微分（D）三个部分组成的控制算法。它基于系统的当前误差、误差的累积和误差的变化率来调整控制器的输出，以使系统的输出达到期望值。
比例控制（Proportional Control）：比例控制根据当前误差的大小来调整控制器的输出。比例控制的作用是使系统更快地接近期望值，但可能会导致系统出现超调或震荡的问题。
积分控制（Integral Control）：积分控制根据误差的累积值来调整控制器的输出。积分控制的作用是消除系统的
PID控制算法C语言实战：从原理到代码实现详解
本文详细讲解PID控制算法的C语言实现，从基础原理、离散化处理到位置式和增量式PID的代码编写。通过电机转速控制和温度控制两个实战案例，展示PID参数整定方法和常见问题解决方案，帮助开发者掌握嵌入式系统中的精确控制技术实践。
PID控制算法实战：从原理到嵌入式与工业应用
PID控制算法作为经典反馈控制的核心，通过比例、积分、微分三个环节处理系统误差，实现对被控对象的精准调节。其技术价值在于将复杂的动态系统稳定化，广泛应用于电机调速、温度控制、机器人伺服等场景。在工程实践中，位置式与增量式是实现PID的两种关键范式，前者输出直观但需处理积分饱和，后者以增量输出更安全，天然抗饱和。理解这两种范式并结合硬件电路特性（如PWM驱动与电感滤波），是确保算法在嵌入式系统（如STM32）中稳定运行的基础。本文聚焦于PID的工程化落地，通过串级PID结构、参数整定方法及上位机调试工具，系统
PID控制算法原理与应用实战指南
PID控制是工业自动化领域的经典控制算法，通过比例(P)、积分(I)、微分(D)三个环节的协同工作实现对系统的精确控制。其核心原理是根据设定值与实际值的偏差进行动态调节，具有结构简单、鲁棒性强等特点。在工程实践中，PID算法广泛应用于温度控制、电机调速、无人机姿态控制等场景。参数整定是PID应用的关键环节，常见方法包括手动调试和Ziegler-Nichols等自动整定技术。针对复杂系统，可采用串级PID或增量式PID等改进结构。现代工业控制中，PID算法常与模糊控制、模型预测等先进算法结合使用，以满足不同场
嵌入式PID算法理论+实践分析
对于数字示波器来说它无法直接量化模拟信号，替代的办法就是持续周期性采样，然后将得到的一系列采样点显示出来，当采样速率越高，显示的图像越真实，这就是数学中极限的与微分的思想。调参技巧：在PID参数整定时，采取先内环再外环的方法，也就是先单独使用速度环控制，得到满意的参数后， 再把位置环套在外面，整定位置环参数，最后根据整体效果对速度环参数进行微调。由（式 2－8）可以看出，如果计算机控制系统采用恒定的采样周期τ，一旦确定 A、 B、 C，只要使用前后三次测量的偏差值，就可以由（式 2－8）求出控制量。
STM32单片机PID直流电机控制与编码器编程.zip
比例-积分-微分（PID）控制算法是工业控制领域中最常用的反馈控制策略。其基本原理在于对控制系统的输出量进行实时监控，通过计算设定值（期望值）与实际输出值之间的偏差（误差），并以此为基础，按照比例（P）、积分（I）和微分（D）三个参数来调整控制输入量，以此来减小系统误差，实现对控制对象的精确控制。PID控制器的三个主要组成部分，各自对应不同的控制作用：比例（P）：比例控制根据当前的误差值，产生一个与之成比例的控制作用。比例系数越大，响应越迅速，但过大可能会引起振荡。积分（I）
PID增量式控制算法详解与嵌入式实战
Ziegler-Nichols整定法是经典的PID整定方法之一，适用于具有自稳定特性的系统。其步骤如下：关闭积分和微分作用，即 $K_i = 0, K_d = 0$。逐步增加 $K_p$，直到系统出现等幅振荡。记录此时的临界增益 $K_u$和振荡周期 $T_u$。根据经验公式设定PID参数：控制类型$K_p$$K_i$$K_d$P0.5KuPI0.45Ku1.2Ku/TuPID0.6Ku。
嵌入式系统实战：从零开始制作寻迹小车
嵌入式系统是指为特定应用设计的、具有嵌入式处理器的专用计算机系统。它们通常被嵌入到整个设备或系统中，执行独立的特定功能，同时对用户透明。与通用计算机不同的是，嵌入式系统通常具有更高的实时性和资源受限特性。嵌入式系统的核心组件包括微处理器或微控制器单元（MCU）、必要的输入/输出设备、存储器和软件。微处理器负责处理数据和执行程序，I/O设备负责与外部环境交互，存储器用于存放数据和程序代码，而软件则是嵌入式系统实现特定功能的大脑。
PID控制算法大全（经典）
PID控制算法大全（经典），以前开发四轴飞行器时，收集整理的，很不错
量子阱技术解析：从基础原理到前沿应用
本文深入解析量子阱技术，从微观“能量游泳池”的基础原理出发，阐释了其通过限制电子实现能级量子化，从而精确调控发光波长的核心机制。文章详细探讨了量子阱在半导体激光器和LED中的革命性应用，如实现低阈值电流与高亮度显示，并展望了其在能带工程及量子级联激光器等前沿领域的发展与挑战。
双有源桥DC-DC变换器：原理、软开关与移相控制深度解析
隔离型DC-DC变换器是电力电子系统的核心部件，通过高频变压器实现电气隔离与电压匹配，保障系统安全与灵活适配。其工作原理基于功率半导体器件的开关动作，通过调制策略控制能量传输。该技术的核心价值在于实现高效、高功率密度的电能转换，并支持双向能量流动，这对于提升系统整体能效和运行灵活性至关重要。在新能源储能、电动汽车V2G及数据中心供电等场景中，双向能量流成为刚性需求，推动了如双有源桥等先进拓扑的应用。本文聚焦于双有源桥这一实现高效双向隔离变换的“明星”方案，深入剖析其利用移相控制实现软开关的机理。通过分析谐振
黑暗中的爆破（船讯网Ais爬虫暨爬虫实战js逆向学习经验分享）
船讯网 爬虫 js逆向 python
手把手教你用 Cursor 写一个完整的 Web 应用（含前后端 + 部署）
本文介绍如何利用Cursor AI工具从零开发一个完整的全栈待办事项Web应用。文章针对开发者常见痛点——无法独立完成项目闭环，提供了一套AI驱动的全栈开发范式。通过Vue3+Node.js+MySQL技术栈，全程由Cursor自动生成项目架构、前后端代码、数据库设计，并解决联调、部署等关键问题。重点展示了如何用AI完成：项目规划与架构设计、后端接口开发、前端页面实现、跨域联调、打包优化及云端部署全流程。该方法将传统需要3-5天的开发工作压缩至1小时内完成，产出规范可上线的项目，特别适合想突破"碎
【研发日记】Matlab/Simulink自动生成代码(二)——五种选择结构实现方法
相比C文本类编程语言，Simulink图形化编程语言的优势是逻辑思路和数据流清晰了很多，劣势是程序执行的时序不明确，而且各个模块的配置使编程的灵活度下降了不少，在使用习惯上面总感觉有各种限制。本文就是拆解Simulink中最基础的几个编程模块，发扬它的优势，避开劣势。
『OPEN3D』1.2 mesh处理 python篇
介绍open3d对mesh的基本处理操作
全面解析量化价值投资多因子模型的原理
明明知道“买便宜的好公司”是价值投资的核心，但面对3000+只A股，如何快速筛选出“便宜又好”的标的？主观判断总被情绪干扰——明明PE很低的股票，买了却不涨；或者因为“感觉”错过牛股？想规模化投资，但手动分析100只股票就要花一周，根本无法覆盖全市场？量化价值投资的多因子模型，正是解决这些问题的钥匙。它将价值投资的核心逻辑（“便宜”“好公司”）转化为可量化的因子，用数学模型替代主观判断，实现系统化筛选、可回测验证、规模化复制的投资决策。为什么多因子模型能有效预测股票收益？
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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")
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
618
扫一扫
