ADC(模数转换器)与DAC(数模转换器)详解:从基础到应用示例

51单片机ADC(模数转换器)与DAC(数模转换器 掌握ADC与DAC技术后,可实现单片机与模拟世界的灵活交互,适用于工业控制、仪器仪表、消费电子等多个领域。建议结合具体型号数据手册深入实践! 阅读详情
AI摘要

本文详细介绍了模数转换器(ADC)和数模转换器(DAC)的基本概念、工作原理、技术指标、应用场景以及在嵌入式系统中的使用案例。通过分析ADC和DAC在传感器接口和执行机构控制中的特点,探讨了如何在STM32等微控制器中配置和使用这些转换器,并提供了综合应用示例,如温度控制系统的设计。文章还强调了学习ADC和DAC的重要性,并给出了进一步学习的建议。

ADC(模数转换器)与DAC(数模转换器)详解:从基础到应用示例

引言

  • ADC是将模拟信号转换成数字信号的过程,数字信号更容易被计算机处理。而DAC则是相反的,把数字信号转换回模拟信号。这样,在嵌入式系统中,如果带有传感器(模拟信号),就需要ADC将这些信号转换为数字信号供微控制器处理;同样,如果要输出控制信号到执行机构(比如LED灯、电动机等,这些需要模拟信号驱动),就需要DAC来完成转换。
  • 好,我要先理解ADC的基本原理。ADC的主要任务是将连续的模拟信号转化为离散的数字信号。这一过程涉及到采样、量化和编码。采样就是从模拟信号中按照一定的频率提取信号的瞬时值;量化则是将采样得到的瞬时值映射到有限个电平上;编码则是将量化后的结果用数字形式表示。
  • DAC的过程与之相反,它是将数字量转化为模拟量。 Digital-to-Analog
    Converter的过程包括数据锁存、电阻分压或者电容充放电来生成对应的模拟信号。
  • 接下来,我需要了解ADC和DAC的技术指标,例如分辨率、采样率、转换时间、线性度、噪声等。这些指标会影响ADC和DAC在实际应用中的性能和选择。
  • 举个例子,分辨率是用来衡量ADC能够区分的最小信号变化的能力。对于ADC,分辨率越高,表示能够更精确地测量模拟信号的变化。而转换时间则是指完成一次转换的时间,这对于实时性要求高的应用非常重要。
  • 在嵌入式系统中,常见的ADC类型有逐次逼近型(SAR)、双积分型和流水线型。SAR
    ADC具有中等速度和较好的分辨率,适合大多数应用;双积分型ADC具有高分辨率和低功耗,但速度较慢;流水线型ADC则具有高速度,适用于高采样率的应用。
  • DAC常见的类型有电阻-电位器网络DAC、电阻-梯形DAC、二进制加权DAC和脉宽调制
    DAC。不同的DAC类型在精度、成本和应用场合上有所不同。
  • 我还想知道ADC和DAC在传感器接口中的应用特点。例如,ADC用来读取温度传感器、光敏传感器等的模拟信号,然后通过微控制器进行处理。而DAC则可以用来生成控制信号,如调整LED的亮度、控制电机的速度或者是模拟声音输出。
  • 在实际应用中,如何配置ADC和DAC是关键。我需要了解微控制器(如STM32、Arduino)中集成的ADC和DAC模块的使用方法,包括怎么初始化、设置采样率、分辨率以及如何读取或输出数据。
  • 哦,还有,还需要考虑ADC和DAC的抗干扰问题。模拟信号容易受到噪声的影响,因此在电路设计中要注意屏蔽、接地和滤波等措施,以保证信号的纯净。

一、ADC(模数转换器)

1. ADC的基本概念

ADC(Analog-to-Digital Converter) 是一种将连续的模拟信号转换为离散的数字信号的电子器件。模拟信号通常来自传感器(如温度传感器、光传感器等),而数字信号则由微控制器等数字设备处理。

2. ADC的工作原理

ADC的工作过程包括 采样 、量化 和 编码 三个步骤:
1. 采样 :按照一定的频率(采样率)从模拟信号中提取信号的瞬时值。
2. 量化 :将采样得到的瞬时值映射到有限的电平值上,减少信号的连续性。
3. 编码 :将量化后的瞬时值转换为二进制数字形式。

3. ADC的主要类型

• 逐次逼近型 ADC(SAR ADC)
	○ 通过比较输入电压与内部参考电压来确定每一位的二进制值。
	○ 常见于嵌入式系统中,具有中等速度和较高的分辨率。
• 双积分型 ADC
	○ 利用积分器对输入信号进行积分操作,通过积分时间来确定数字值。
	○ 具有高分辨率和低功耗特点,适用于精度要求高的场合。
• 流水线型 ADC
	○ 通过多个阶段的SAR结构并行处理,提高采样速度。
	○ 适用于需要高速采样的应用。

4. ADC的技术指标

• 分辨率(Resolution) :ADC能区分的最小信号变化,通常以位数表示(如12位、16位)。
• 采样率(Sampling Rate) :单位时间内完成的采样次数,影响ADC的实时性。
• 转换时间(Conversion Time) :完成一次采样到数字输出所需的时间。
• 线性度(Linearity) :实际转换结果与理论值之间的偏差,影响整体准确性。
• 信噪比(SNR) :信号与噪声的比率,越高表示信号质量越好。
• 输入范围(Input Range) :ADC可以处理的输入电压范围,需根据传感器的输出匹配。

5. ADC的应用场景

• 传感器信号采集 :如温度传感器、压力传感器、光传感器等。
• 音频处理 :将麦克风采集的模拟声音信号转换为数字信号进行处理。
• 数据采集系统 :如工业自动化中的多通道数据采集。
• 图像处理 :相机传感器的模拟信号转换为数字信号。

6. ADC在嵌入式系统中的使用案例

以下是一个使用STM32微控制器配置ADC读取温度传感器的示例:
硬件准备 :
• STM32开发板
• 温度传感器(如LM35)
• 连接线
• 电源模块
代码实现 (基于STM32CubeMX和HAL库):

#include "main.h"
#include "adc.h"

// 定义ADC通道
#define ADC_CHANNEL TEMP_SENSOR_CHANNEL

void ADC_Init(void) {
    ADC_HandleTypeDef hadc;
    
    hadc.Instance = ADC1;
    hadc.Init.ClockPrescaler = ADC_CLOCK_SYNC_PCLK_DIV4;
    hadc.Init.Resolution = ADC_RESOLUTION_12B;
    hadc.Init.ScanConvMode = ADC_SCAN_DIRECTION_FORWARD;
    hadc.Init.ContinuousConvMode = DISABLE;
    hadc.Init.DiscontinuousConvMode = DISABLE;
    hadc.Init.ExternalTrigConvEdge = ADC_EXTERNALTRIGCONVEDGE_NONE;
    hadc.Init.DataAlign = ADC_DATAALIGN_RIGHT;
    hadc.Init.NbrOfConversion = 1;
    hadc.Init.DMAContinuousRequests = DISABLE;
    
    if (HAL_ADC_Init(&hadc) != HAL_OK) {
        Error_Handler();
    }
}

void Read_Temperature(void) {
    ADC_HandleTypeDef hadc;
    uint32_t adcValue = 0;
    
    hadc.Instance = ADC1;
    HAL_ADC_Start(&hadc);
    if (HAL_ADC_PollForConversion(&hadc, 1000) != HAL_OK) {
        Error_Handler();
    }
    adcValue = HAL_ADC_GetValue(&hadc);
    HAL_ADC_Stop(&hadc);
    
    // 将ADC值转换为温度(假设LM35的输出为10mV/°C)
    float temperature = adcValue * (3.3 / 4095) * 100;  // 3.3V参考电压,12位分辨率
    printf("Temperature: %.2f°C\n", temperature);
}

int main(void) {
    HAL_Init();
    SystemClock_Config();
    MX_GPIO_Init();
    MX_ADC_Init();
    
    while (1) {
        Read_Temperature();
        HAL_Delay(1000);
    }
}

注意事项 :
• 确保ADC参考电压的稳定,以提高转换精度。
• 避免高频信号的干扰,使用屏蔽线或滤波电容。
• 根据传感器的输出范围,设置合适的ADC输入范围。

二、DAC(数模转换器)

1. DAC的基本概念

DAC(Digital-to-Analog Converter) 是一种将数字信号转换为连续的模拟信号的电子器件。DAC常用于需要生成模拟信号的场合,如音频输出、控制电机速度、调节LED亮度等。

2. DAC的工作原理

DAC的工作过程包括 数字输入到模拟输出 的转换,主要有两种实现方式:
1. 电阻-电位器网络 :通过开关控制不同的电阻分压,生成对应的模拟电压。
2. 电容-二进制加权 :利用电容的充放电特性,快速生成模拟信号。

3. DAC的主要类型

• 电阻-梯形DAC
	○ 利用电阻梯网络,将每个位的数字权重分配到相应的电阻,生成模拟输出。
	○ 具有较高的精度,但电阻匹配要求高。
• 二进制加权DAC
	○ 每个位的数字权重由不同的电阻来实现,适合快速转换。
	○ 电阻值差异大,难以精确匹配,影响精度。
• 脉宽调制 DAC(PWM DAC)
	○ 通过控制PWM信号的占空比来模拟模拟信号。
	○ 适用于需要高频刷新的场合,如音频输出。

4. DAC的技术指标

• 分辨率(Resolution) :DAC能输出的最小电压步进,影响输出的细腻度。
• 转换速度(Conversion Speed) :完成一次数字到模拟转换所需的时间。
• 线性度(Linearity) :DAC输出与理想输出的偏差程度。
• 输出范围(Output Range) :DAC能够生成的最大和最小模拟电压。
• 信噪比(SNR) :输出信号与噪声的比率,影响音质等性能。

5. DAC的应用场景

• 音频输出 :将数字音频信号转换为模拟声音信号。
• LED调光 :通过PWM信号生成模拟亮度控制。
• 电机控制 :根据数字信号输出模拟控制电压或电流。
• 工业控制 :生成控制信号调节工业设备的运行参数。

6. DAC在嵌入式系统中的使用案例

以下是一个使用STM32微控制器配置DAC进行LED调光的示例:
硬件准备 :
• STM32开发板
• DAC输出模块或直接驱动LED
• 连接线
• 滤波电容
代码实现 (基于STM32CubeMX和HAL库):

#include "main.h"
#include "dac.h"

void DAC_Init(void) {
    DAC_HandleTypeDef hdac;
    
    hdac.Instance = DAC1;
    hdac.Init далее@example.org ( tst@example.org ) settings

这是一个基本的DAC初始化示例:

#include "main.h"
#include "dac.h"

void DAC_Init(void) {
    DAC_HandleTypeDef hdac;
    
    hdac.Instance = DAC1;
    hdac.Init.WaveGeneration = DAC_WAVE_GENERATION_NONE;
    hdac.Init.OutputBuffer = DAC_OUTPUTBUFFER_ENABLE;
    
    if (HAL_DAC_Init(&hdac) != HAL_OK) {
        Error_Handler();
    }
}

void Set_LED_Brightness(uint16_t value) {
    DAC_HandleTypeDef hdac;
    
    hdac.Instance = DAC1;
    if (HAL_DAC_SetValue(&hdac, DAC_CHANNEL_1, DAC_ALIGN_12B_R, value) != HAL_OK) {
        Error_Handler();
    }
}

int main(void) {
    HAL_Init();
    SystemClock_Config();
    MX_GPIO_Init();
    MX_DAC_Init();
    
    while (1) {
        // 改变LED亮度
        Set_LED_Brightness(0x0000); // 0% 亮度
        HAL_Delay(1000);
        Set_LED_Brightness(0x0800); // 50% 亮度
        HAL_Delay(1000);
        Set_LED_Brightness(0x0FFF); // 100% 亮度
        HAL_Delay(1000);
    }
}

注意事项 :
• 使用滤波电容平滑DAC输出的PWM信号,减少纹波。
• 根据输出设备的需求,设置合适的DAC分辨率和输出范围。
• 确保DAC的参考电压稳定,以保证输出精度。

三、ADC与DAC的综合应用示例

项目目标 :设计一个温度控制系统,使用ADC读取温度传感器的信号,根据预设温度值通过DAC调整电热器的功率,实现温度的闭环控制。
硬件准备 :
• STM32开发板
• 温度传感器(如LM35)
• 电热器
• 固态继电器(SSR)或PWM驱动模块
• 连接线
• 电源模块
软件准备 :
• STM32CubeMX配置工具
• 嵌入式开发环境(如Keil MDK、IAR Embedded Workbench)
• 串口调试工具
系统架构图 :

代码示例 :

#include "main.h"
#include "adc.h"
#include "dac.h"

#define TARGET_TEMPERATURE 30.0  // 目标温度

void System_Init(void) {
    // 初始化ADC和DAC
    ADC_Init();
    DAC_Init();
}

float Read_Temperature(void) {
    uint32_t adcValue = 0;
    float temperature = 0.0;
    
    ADC_HandleTypeDef hadc;
    hadc.Instance = ADC1;
    HAL_ADC_Start(&hadc);
    if (HAL_ADC_PollForConversion(&hadc, 1000) != HAL_OK) {
        Error_Handler();
    }
    adcValue = HAL_ADC_GetValue(&hadc);
    HAL_ADC_Stop(&hadc);
    
    // 将ADC值转换为温度
    temperature = adcValue * (3.3 / 4095) * 100;  // 假设3.3V参考电压,12位分辨率
    return temperature;
}

void Control_Heater(float currentTemp) {
    float temperatureDifference = TARGET_TEMPERATURE - currentTemp;
    uint16_t dacValue = 0;
    
    if (temperatureDifference > 0) {
        // 计算DAC输出值(例如,通过比例控制)
        dacValue = (uint16_t)(temperatureDifference * (0xFFFF / 50.0));  // 最大输出调节为50°C
    } else {
        dacValue = 0;
    }
    
    // 设置DAC输出值
    DAC_HandleTypeDef hdac;
    hdac.Instance = DAC1;
    if (HAL_DAC_SetValue(&hdac, DAC_CHANNEL_1, DAC_ALIGN_12B_R, dacValue) != HAL_OK) {
        Error_Handler();
    }
}

int main(void) {
    HAL_Init();
    System_Init();
    
    while (1) {
        float currentTemperature = Read_Temperature();
        printf("Current Temperature: %.2f°C\n", currentTemperature);
        Control_Heater(currentTemperature);
        HAL_Delay(1000);
    }
}

注意事项 :
• 确保ADC和DAC的工作参数(如采样率、分辨率)与控制算法的要求相匹配。
• 在实际应用中,加入抗干扰措施,如滤波和误差处理。
• 根据系统的安全性需求,加入过温保护等安全机制。

四、学习ADC与DAC的步骤

1. 理解基本原理 :
	○ 学习ADC和DAC的基本工作原理和它们在信号转换中的作用。
	○ 了解不同类型的ADC和DAC,及其各自的优缺点。
2. 学习技术指标 :
	○ 重点掌握分辨率、采样率、转换时间、线性度等关键指标的意义和影响。
3. 实践配置与使用 :
	○ 使用嵌入式开发工具(如STM32CubeMX、Keil MDK)配置微控制器的ADC和DAC模块。
	○ 编写代码实现ADC读取传感器信号,DAC输出控制信号。
4. 参与实际项目 :
	○ 设计并实现一个综合项目,如温度控制系统、音频播放器等,将ADC和DAC应用于实际问题中。
5. 优化与调试 :
	○ 学习如何通过滤波、校准等方法提高ADC和DAC的性能。
	○ 使用示波器、逻辑分析仪等工具调试和验证信号的转换质量。

五、常见问题与解决方案

1. ADC读取精度低
	○ 可能原因 :参考电压不稳定、ADC配置错误(如分辨率设置不正确)、环境干扰。
	○ 解决方法 :使用高质量的参考电压源,添加滤波电容,仔细检查配置参数,确保ADC输入信号的良好屏蔽。
2. DAC输出异常
	○ 可能原因 :DAC配置错误(如输出范围设置不当)、滤波电容不足导致波纹过大。
	○ 解决方法 :重新检查DAC的配置参数,增加滤波电容以平滑输出信号。
3. 采样率与转换速度不匹配
	○ 可能原因 :系统中同时进行多个转换任务,导致资源争用。
	○ 解决方法 :优化代码逻辑,减少其他任务的执行时间,或使用DMA进行数据传输。

六、总结

学习ADC和DAC技术是嵌入式系统开发中的重要一环,它们是连接数字世界与模拟世界的桥梁。通过理解和实践这些关键技术,开发者能够实现更为复杂的控制和数据处理功能,提升嵌入式系统的综合性能。掌握ADC和DAC的配置、使用及调试技巧,将显著增强在嵌入式领域的竞争力,为更高级的项目开发奠定坚实的基础。

进一步学习建议 :
• 学习ADC和DAC的高级配置,如使用DMA进行高速数据转换。
• 研究如何通过ADC和DAC实现复杂的控制算法,如PID控制。
• 深入理解并实践更多实际应用案例,巩固所学知识。

ADC与DAC 阅读详情

相关推荐

电路设计学习一:DAC/ADC原理

文章目录参考文献DAC基本原理DAC分类倒T型电阻网络权电流转换器DAC的性能指标分辨率转换速度ADC基本原理ADC分类ADC的性能指标ADC的位数分辨率基准源转换速率量化误差 参考文献 DAC数模转换/ADC模数转换 单片机 AD/DA数模转换 模数转换(A/D)与数模转换(D/A) DAC基本原理 DAC将输入的数字量按权的大小,通过电阻网络转化为模拟量,再通过加法电路,转换为与数字量成比例的模拟量。 实际上就是二进制转换为十进制的过程。 基本组成包括锁存器、电子开关、基准源、权电阻网络和求和电路。 锁

coin的博客 3万+

ADC和DAC的工作原理及其区别

ADC和DAC的工作原理及其区别。。ADC和DAC都是用于模拟信号与数字信号之间的转换器。。ADC,即模数转换器,是将连续的模拟信号转换为数字信号的电路。。

yishuihanq的博客 6万+

嵌入式硬件之ADC/DAC

嵌入式硬件之ADC/DAC 写在前面 这几天在做一个寒假练项目,其中涉及到了音频的处理,ADC、DAC再次进入到了我的视野,并引起了我新的思考。 1、初次相识 记得去年七月份,本科毕业刚离校,就到研究生学校这边打杂,导师让我参与了一个小项目,那个控制器电路中有一个让我印象很深的的电路——ADC采样电路。 这个电路目的很简单,就是读出P35的AD采样值,借此来估算VDD的大小,进行监测。 它的模拟信号就是电阻两端的电压,数字信号是通过P35读取到的数值,再根据相应的计算公式,就可以得出VDD的大小。

小胡同学的工程师学习之路 1745

ADC及DAC简介

ADC与DAC的相关分类简介

alone_l的博客 1万+

C2000 模拟子系统 (ADC, CMPSS , DAC, PGA)

关于C2000 模拟子系统 ,ADC, CMPSS , DAC, PGA。

weixin_41261080的博客 1813

【硬件基础概念】ADC与DAC

在数字电子系统中,ADC(模数转换器)和DAC(数字模拟转换器)是两个至关重要的组件。ADC负责将来自外部世界的模拟信号转换为数字信号,使得数字系统可以对其进行处理和分析。而DAC则执行相反的功能,将数字信号转换为模拟信号,使得数字系统可以与外部世界进行交互。本文将介绍ADC和DAC的基本概念及其在数字电子系统中的作用。ADC和DAC是数字电子系统中至关重要的组件,它们负责在数字世界与模拟世界之间建立桥梁。

m0_62599305的博客 1714

ADC模数转换器和DAC数模转换器基础

本文介绍了模数转换(A/D)和数模转换(D/A)的基本原理与实现过程。A/D转换包含采样、量化和编码三个步骤,关键参数包括采样定理、量化台阶和编码位数;D/A转换则逆向进行解码、保持和平滑三个步骤。文章详细对比了A/D和D/A在分辨率、转换速率和误差源等方面的差异,并重点阐述了STM32 ADC的关键特性,包括分辨率、参考电压、通道配置、转换时间、触发源、工作模式等参数。最后提供了STM32 ADC的典型配置流程和常见应用场景,如传感器读取、电池监测和音频采集等。通过表格和公式直观展示了转换原理,为嵌入式系

2401_84977420的博客 1693

STM32F407ZET6--19ADC与DAC

文章中所需图片在对应资源中。

2502_90801893的博客 935

STM32基础教程(CubeMX)—— ADC与DAC

ADC与DAC ADC与DAC的原理 参考电压    ADC与DAC都是基于参考电压工作的,以百分数的形式进行工作。例如,参考电压为3V时,ADC测定电压为0.5就是1.5V,DAC输出0.5就是输出1.5V。开发板原理图中搜索VREF可以看到参考电压是从哪个管脚引入的。 分辨率    对于ADC/DAC来说,分辨率表示输出/输入数字量变化一个相邻数据码所需输入/所需输出模拟电压的变化量,反映了ADC/DAC对输入模拟信号最小变化的分辨能力。一般,已知一个转换器的位数,并且知道参考电压,其分辨率就是确定的。

weixin_43718316的博客 5833

数模与模数转换器的教程与实践

数模转换器(DAC)是将数字信号转换为模拟信号的电子设备。在我们日常使用的数字设备中,如智能手机、电脑、音频播放器等,DAC扮演着至关重要的角色。它把处理过程中的数字信息,如音乐、视频等,转换成可以驱动耳机、喇叭等设备的声音或图像信号。转换速率通常指转换器完成一次从输入到输出转换所需要的最短时间,是衡量转换器性能的关键指标之一。对于ADC而言,它代表着每秒钟能够采集的样本数,单位是次/秒(SPS)或赫兹(Hz);对于DAC,则是每秒钟能够更新输出信号的次数,单位通常是赫兹(Hz)。

weixin_33363025的博客 1566

RK3308B开发板WiFi+蓝牙一体模组RTL8821CS驱动移植保姆级教程(含DTS配置与避坑点)

本文提供RK3308B开发板RTL8821CS WiFi+蓝牙模组驱动移植的完整教程,涵盖SDK环境配置、DTS设备树设置、内核编译优化及功能验证全流程。重点解析引脚复用冲突、电源管理等关键配置,并给出常见错误解决方案,帮助开发者快速实现双模通信功能。

weixin_42531163的博客 399

STC51-10-ADC0808与DAC0808的应用

本文包含ADC0808和DAC0808芯片的相关应用,ADC0808对应调温报警器,DAC0808对应直流电机调速器。分别从芯片介绍、电路连接图,源代码、实验结果四个部分进行描述。

L的博客 5259

Windows11 下 Detectron2 的安装与配置全攻略

本文提供了在Windows11系统下安装和配置Detectron2的完整教程。详细介绍了从环境准备、创建虚拟环境、安装PyTorch与CUDA,到修改源码、编译安装以及运行验证Demo的全过程,帮助开发者克服Windows平台上的常见问题,成功部署这一强大的计算机视觉库。

weixin_29081703的博客 248

ADC和DAC

ADC(Analog-to-Digital Converter,模数转换器)和DAC(Digital-to-Analog Converter,数模转换器)是信号处理中两种关键的转换器,它们的功能和用途有显著区别。现实概念中永远划分不完的量就是模拟量。用有限的存储单元存储起来叫数字量。

嵌入式心学修行者,以代码为器,以良知为核。探索嵌入式开发中的“知行合一”,在编译、调试、部署中事上磨练致心中之光,铸可靠之器。 1506

未来计算的革命:探索存算一体芯片的潜力与挑战

未来计算的革命:探索存算一体芯片的潜力与挑战

jtwqwq的博客 1619

Hodgkin-Huxley Model

介绍了经典的动力学模型:HH Model

weixin_73557167的博客 2476

微型计算机adc,ADC/DAC简介

ADC/DAC简介2018-11-26ADC/DAC简介原文:http://mengke2222.blog.163.com/blog/static/89377989200874101047848/http://www.weeqoo.com/zhuanti/ADC-DAC/1.产生原因随 着现代科学技术的迅猛发展,特别是数字系统已广泛应用于各种学科领域及日常生活,微型计算机就是一个典型的数学系统。但...

weixin_28844235的博客 2174

华为OD机考双机位C卷 - 简单的解压缩算法 (Java & Python & JS & GO & C++ & C)

华为OD机考双机位C卷 - 简单的解压缩算法 , 提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。

算法大师! 132

手把手教学51单片机 | 第六课——D/A,A/D转换器,运放电路

单片机中对初学者比较困难的一块

Yizkkkkang的博客 3065

如何在 DevOps 管道中实现 AI?

AI与DevOps的融合(AIOps)正在重塑软件开发生命周期。本文系统阐述了AI在DevOps中的五大应用场景:智能监控、自动化测试、安全防护、CI/CD优化和事件管理,并提出了六步实施框架:痛点识别、工具选型、流程集成、智能监控、MLOps和治理合规。通过Netflix、Google等企业的实践案例,验证了AI在提升部署效率(降低40%故障率)、缩短问题解决时间(MTTR减少60%)方面的显著价值,同时指出数据质量、模型偏差等实施挑战。研究表明,战略性地

介绍AWS Azure GCP devops Terraform 等技术 498

姿态传感器/陀螺仪之BMI270应用原理图设计

BMI270是一款由博世(Bosch)推出的高性能、超低功耗惯性测量单元(IMU),专为可穿戴设备、智能设备及物联网应用设计。

corlin6688的博客 2867

一.stm32上ADC,DAC的应用说明

一.stm32上ADC,DAC的应用说明: 1.首先ADC是将模拟信号转成数字信号,DAC则相反。 (模拟信号可以简单的理解为温度,光照,压力等,数字信号则可以是电压等), 2.一般某些传感器上会标出AO,DO,AI,DI。 其中AO叫做模拟量输出,DO数字信号输出。AI,DI则对应着输入。 (未知)AO–>转化–>DI(对应的数字信号)。 进一步解读:可以看成AO是模拟信号采集以后输出给数字信号DI接收后经过数据处理就得到了对应的电压数值,而这些电压数字一般和模拟量之间存在这一些数学转换公式,

weixin_44386927的博客 2524

基于Simulink的PMSM轮毂电机崎岖路面悬架协同控制仿真

本文完成了基于Simulink的PMSM轮毂电机崎岖路面悬架协同控制仿真,实现了:✅ 构建了四轮独立驱动+主动悬架高保真整车模型✅ 实现了Skyhook主动悬架控制✅ 设计了驱动-悬架状态共享与协同决策机制✅ 验证了5 m/s高速下连续颠簸路面稳定通过能力✅ 为高性能移动机器人提供一体化底盘解决方案。

xiaoheshang_123的博客 190

数模与模数转换器:从数字到模拟的桥梁

在现代电子系统中,数模转换器(DAC)和模数转换器(ADC)是连接数字世界与模拟世界的核心桥梁。无论是智能手机的音频处理、医疗设备的生理信号监测,还是工业控制系统的传感器数据采集,都离不开这两种转换器的精准协作。它们的性能直接决定了整个电子系统的精度、速度和可靠性,是电子工程领域不可或缺的关键组件。

chenqinhuan的博客 983

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

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

1) DAC 数模转换器 2) TIA 跨阻放大器 3) ADC 模数转换器

1,光学处理器中的模拟器件 https://cloud.tencent.com/developer/article/1678554 其中vector DAC将数字信号转变为输入矢量,optical core中MZI调制器的电压由weight DAC进行控制,而最终的信号由PD探测,经过TIA放大,再通过ADC转变为数字信号。DAC的位数决定了相应的矩阵元或者矢量的精度。虽然矩阵计算通过optical core实现,但是它还需要外部模拟电路的帮助。整个系统中涉及到的模拟器件包括: 1) DAC数模转换.

学海无涯的专栏 4915

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

嵌入式知识-ARM裸机-学习笔记(12):ADC模数转换器

嵌入式知识-ARM裸机-学习笔记(12):ADC模数转换器 一、ADC 1. 什么是ADC ADC(analog digital converter):模数转换(也就是模拟量转换为数字量)。由于CPU本身是数字的,而外部世界变量(如电压、温度、高度、压力···)都是模拟的,所以需要用CPU来处理这些外部的模拟变量的时候就需要做AD转换。 模拟的就是连续的,现实生活当中的时间、电压、高度等都是模拟的...

qq_42826337的博客 5191

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: PWM(脉宽调制)技术详解:从基础到应用实践示例
下一篇: 【PID调节算法详解】
南窗的雨
博客等级 码龄6年 687粉丝 97原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值