STM32与Linux飞控开发实战:从USB烧录到硬件仿真

STM32硬件在环测试实战:从Simulink模型到电机控制闭环搭建 硬件在环测试是嵌入式系统开发中连接仿真模型与真实硬件的关键技术。其核心原理在于通过实时仿真机或数据采集卡,将运行在真实微控制器(如STM32)上的控制算法代码,与Simulink中构建的高保真虚拟被控对象模型进行闭环连接,从而在安全、可重复的环境中验证系统整体性能。这项技术的核心价值在于能够提前暴露软硬件集成问题,例如时序同步、外设驱动和抗干扰能力,显著降低实物测试的风险与成本。在电机控制、汽车电子和无人机飞控等对实时性与可靠性要求极高的应用场景中,HIL测试已成为不可或缺的验证环节。本文将以STM32和M 阅读详情

1. 环境准备与工具安装

在开始STM32飞控开发之前,我们需要准备好Linux开发环境。我推荐使用Ubuntu 20.04或22.04 LTS版本,这两个版本在嵌入式开发中兼容性最好。实际测试中,我在Ubuntu 22.04上完成了所有开发工作,稳定性相当不错。

首先安装必要的开发工具链。打开终端,执行以下命令:

sudo apt update
sudo apt install git make gcc g++ python3 python3-pip
sudo apt install libusb-1.0-0-dev libftdi-dev

STM32开发离不开STM32CubeProgrammer,这是ST官方提供的烧录工具。从ST官网下载Linux版本后,解压并安装:

tar -xzf en.stm32cubeprog-lin-v2-15-0.zip
cd STM32CubeProgrammer
sudo ./SetupSTM32CubeProgrammer-2.15.0.linux

安装过程中可能会遇到USB权限问题,解决方法是将当前用户添加到plugdev组:

sudo usermod -a -G plugdev $USER

然后需要配置USB规则,创建文件/etc/udev/rules.d/49-stlink.rules,内容如下:

# STM32VLDISCOVERY
SUBSYSTEMS=="usb", ATTRS{idVendor}=="0483", ATTRS{idProduct}=="3748", MODE="0666"
# STLINK V2
SUBSYSTEMS=="usb", ATTRS{idVendor}=="0483", ATTRS{idProduct}=="374b", MODE="0666"

重新加载udev规则:sudo udevadm control --reload-rules。重启电脑后,STM32编程器就能正常识别USB设备了。

2. USB通信与端口管理

在Linux系统中,USB设备的管理与Windows有很大不同。当我们插入STM32开发板时,系统会自动识别并创建设备节点。通常STM32设备会出现在/dev/ttyACM0或/dev/ttyUSB0。

查看当前USB设备的最简单方法是使用ls命令:

ls /dev/ttyUSB*
ls /dev/ttyACM*

如果设备没有出现,可能是驱动问题。STM32设备通常使用CDC ACM驱动,检查驱动是否加载:

lsmod | grep cdc_acm

如果驱动未加载,使用sudo modprobe cdc_acm加载驱动。我遇到过好几次设备不识别的情况,后来发现是USB线质量问题。建议使用质量好的USB数据线,有些廉价款只能充电不能传输数据。

设置串口参数也很重要,STM32 bootloader通常使用115200波特率:

stty -F /dev/ttyACM0 115200 cs8 -cstopb -parenb

可以使用minicom或screen进行简单的串口测试:

sudo apt install minicom
minicom -D /dev/ttyACM0 -b 115200

在实际开发中,我习惯使用Python脚本进行USB通信测试,这里分享一个简单的测试脚本:

import serial
import time

try:
    ser = serial.Serial('/dev/ttyACM0', 115200, timeout=1)
    ser.write(b'Hello STM32\n')
    time.sleep(0.1)
    response = ser.readline()
    print('Response:', response)
    ser.close()
except Exception as e:
    print('Error:', e)

3. 固件烧录实战

固件烧录是STM32开发中最常用的操作。使用STM32CubeProgrammer可以通过多种方式烧录:USB DFU、SWD接口、串口等。在实际飞控开发中,我们最常用的是SWD和串口方式。

首先介绍使用ST-LINK通过SWD接口烧录。连接好ST-LINK调试器后,先检查设备连接状态:

./STM32_Programmer_CLI -l

应该能看到连接的ST-LINK设备信息。烧录固件使用以下命令:

sudo ./STM32_Programmer_CLI -c port=SWD -d firmware.hex 0x08000000

这里的-c port=SWD指定使用SWD接口,-d参数指定要烧录的文件和地址。我建议在烧录前先擦除芯片:

sudo ./STM32_Programmer_CLI -c port=SWD -e all

有时候我们会遇到烧录失败的情况,常见原因包括:芯片写保护、电源不稳定、连接线接触不良。解决写保护问题可以尝试:

sudo ./STM32_Programmer_CLI -c port=SWD -ob nWRP=0

对于飞控开发,我们经常需要通过USB串口进行烧录。ArduPilot提供了方便的烧录脚本:

cd ardupilot/Tools/scripts
python3 uploader.py --port /dev/ttyACM0 --baud-bootloader-flash 115200 firmware.bin

在实际项目中,我建议编写一个简单的烧录脚本来自动化这个过程:

#!/bin/bash
PORT=$(ls /dev/ttyACM* | head -n 1)
if [ -z "$PORT" ]; then
    echo "No STM32 device found"
    exit 1
fi
echo "Flashing to $PORT"
python3 uploader.py --port $PORT --baud-bootloader-flash 115200 $1

记得给脚本添加执行权限:chmod +x flash.sh,然后就可以方便地使用了:./flash.sh firmware.bin。

4. 硬件在环仿真

硬件在环仿真(HITL)是飞控开发中非常重要的测试环节。它允许我们在实际硬件上运行仿真环境,大大提高了开发效率。

设置HITL环境需要先配置编译选项:

cd ardupilot
./waf configure --board=fmuv3 --extra-hwdef=libraries/SITL/examples/on-hardware/extra-hwdef-sitl-on-hw.dat

编译HITL版本固件:

./waf build --target bin/arducopter-hitl

烧录HITL固件后,需要连接MAVProxy进行仿真:

mavproxy.py --master=/dev/ttyACM0 --baudrate=115200 --out=127.0.0.1:14550

在实际使用中,我遇到过几个常见问题。首先是串口权限问题,解决方法是将用户添加到dialout组:

sudo usermod -a -G dialout $USER

其次是仿真环境与实际硬件不匹配的问题。建议在开始仿真前,先校准传感器:

param set CAL_GYRO0_ID 0
param set CAL_ACC0_ID 0
param set CAL_MAG0_ID 0

HITL仿真中最有用的功能是参数实时调整。比如测试PID参数:

param set RATE_RLL_P 0.15
param set RATE_RLL_I 0.2

我习惯在仿真时记录飞行数据,便于后续分析:

mavproxy.py --master=/dev/ttyACM0 --baudrate=115200 --logfile=hitl_log.bin

仿真完成后,使用Mission Planner或QGroundControl分析日志文件,可以直观地看到飞控的各项性能指标。

5. 飞控程序编译与调试

飞控程序的编译使用ArduPilot的waf构建系统。首先获取源码:

git clone https://github.com/Ardupilot/ardupilot.git
cd ardupilot
git submodule update --init --recursive

编译多旋翼飞控固件:

./waf configure --board=fmuv3
./waf build --target bin/arducopter

如果只需要编译特定模块,可以指定目标:

./waf build --target examples/INS_generic

在编译过程中经常遇到依赖问题。我总结了几个常见问题的解决方法:

Python环境问题:确保使用python3,如果系统默认是python2,需要创建符号链接:

sudo ln -s /usr/bin/python3 /usr/local/bin/python

库依赖问题:安装必要的开发库:

sudo apt install libxml2-dev libxslt1-dev libjansson-dev

编译优化:对于性能调试,可以关闭优化以便更好的调试:

./waf configure --board=fmuv3 --debug

使用GDB进行调试时,需要先安装调试工具:

sudo apt install gdb-multiarch

调试飞控程序:

gdb-multiarch build/fmuv3/bin/arducopter

在GDB中设置硬件断点:

target extended-remote /dev/ttyACM0
monitor swdp_scan
attach 1
break main

6. 实战问题排查

在实际开发中,我们会遇到各种各样的问题。这里分享几个我踩过的坑和解决方法。

问题一:USB设备频繁断开连接

这个问题困扰了我很久,最后发现是USB电源管理导致的。解决方法:

echo '1-1' | sudo tee /sys/bus/usb/devices/1-1/power/autosuspend_delay_ms
echo 'on' | sudo tee /sys/bus/usb/devices/1-1/power/control

问题二:烧录过程中出现校验错误

通常是电源不稳定或时钟配置问题。建议:

  1. 检查供电电压是否稳定
  2. 确认芯片时钟配置是否正确
  3. 尝试降低烧录速度:
sudo ./STM32_Programmer_CLI -c port=SWD freq=1000 -d firmware.hex

问题三:HITL仿真时传感器数据异常

检查传感器校准参数,重置为默认值:

param reset CAL_GYRO0_ID
param reset CAL_ACC0_ID
param reset CAL_MAG0_ID

问题四:飞控启动失败

使用串口调试输出查看启动日志:

screen /dev/ttyACM0 115200

常见的启动问题包括:堆栈大小不足、内存分配失败、硬件初始化超时。

问题五:无线数传连接不稳定

检查数传模块固件版本和参数设置:

param set SERIAL1_BAUD 57600
param set SERIAL1_PROTOCOL 1

建议使用质量好的USB Hub,避免电源干扰。我实测过,带独立供电的USB Hub能显著提高连接稳定性。

7. 开发技巧与优化

经过多个项目的实践,我总结了一些STM32飞控开发的实用技巧。

编译速度优化:使用ccache加速编译:

sudo apt install ccache
export CC="ccache gcc"
export CXX="ccache g++"
./waf configure --board=fmuv3

内存使用优化:监控飞控内存使用:

param set STAT_RUNTIME 1

然后通过MAVLink查看内存使用情况。

实时性能调优:使用Linux的实时调度策略:

chrt -f 99 ./arducopter

电源管理优化:降低功耗的方法:

param set FS_BATT_ENABLE 1
param set FS_BATT_MAH 5000

固件大小优化:移除不需要的功能:

./waf configure --board=fmuv3 --disable-features=ADSB,TERRAIN

调试输出优化:使用条件编译输出调试信息:

#ifdef DEBUG
printf("Debug info: %d\n", variable);
#endif

版本管理:使用git管理固件版本:

git tag -a v1.0 -m "Release version 1.0"
git push --tags

自动化测试:编写自动化测试脚本:

#!/bin/bash
# 自动编译、烧录、测试脚本
./waf build --target bin/arducopter && \
./flash.sh build/fmuv3/bin/arducopter.bin && \
./run_tests.py

这些技巧都是在实际项目中总结出来的,能显著提高开发效率和系统稳定性。特别是在进行长时间飞行测试时,系统的稳定性和可靠性至关重要。

开源飞控三驾马车:APM、Pixhawk与PX4演进史与选型指南 在无人机、机器人等自主系统开发中,飞行控制系统(飞控)是实现稳定飞行与智能控制的核心。其基本原理是通过传感器数据融合与实时控制算法,精确计算并输出执行器指令。这项技术的价值在于为各类移动机器人提供了可靠、可编程的底层运动控制平台,极大地降低了开发门槛。随着开源生态的发展,飞控技术栈已从单一固件演进为软硬件解耦、高度模块化的现代架构,广泛应用于科研、教育、农业、物流等多个场景。其中,以APM(ArduPilot)为代表的早期软件定义了基础功能,而Pixhawk作为开放的硬件设计标准,成为了飞控硬件的通用载体。 阅读详情

相关推荐

Simulink与Cube Autopilot:模型化设计在无人机飞控开发中的实践

模型化设计是一种广泛应用于控制系统开发的工程方法,它通过图形化建模和仿真来设计和验证算法,显著提高了开发效率和系统可靠性。其核心原理是将控制逻辑、状态机等算法模块以模型形式构建,并利用自动代码生成技术将其转换为嵌入式代码,从而减少手动编码错误。这一技术对于无人机、机器人等自主系统的开发具有重要价值,能够有效降低从算法设计到硬件部署的工程门槛。在实际应用中,开发者常将Simulink作为模型化设计工具,与PX4飞控生态的硬件(如Cube Autopilot)结合,实现从仿真、硬件在环测试到实机部署的全流程开发

357

从零搭建无人机飞控开发环境:一个Linux极客的踩坑与填坑指南

本文详细介绍了在Linux环境下从零搭建STM32无人机飞控开发环境的完整流程,涵盖工具链配置、VSCode环境设置、USB设备识别、固件烧录及硬件在环仿真等关键步骤,特别针对Linux系统下的权限配置和调试技巧提供了实用解决方案,帮助开发者高效构建稳定的飞控开发平台。

s3t4u的博客 1098

从MIL到HIL:在环仿真技术全解析与PX4无人机实战指南

在环仿真(X-in-the-Loop, XiL)是一种通过数学模型或模拟器替代部分真实系统,在实验室环境下进行测试与验证的核心技术。其基本原理是构建一个包含控制器与被控对象的闭环系统,通过软件或硬件模拟来评估系统性能。这项技术的核心价值在于能够大幅降低开发成本、提高效率,并将风险识别与解决前置到早期阶段。它广泛应用于机器人、自动驾驶、航空航天、电力电子及工业控制等多个领域,是进行算法验证、代码测试和系统集成不可或缺的手段。例如,在无人机开发中,通过硬件在环仿真,可以在不进行真实飞行的前提下,对飞控系统进行全

weixin_33743703的博客 532

从零构建无人机飞控:STM32与Linux的软硬件交响曲

本文详细介绍了如何从零构建无人机飞控系统,重点讲解了STM32与Linux环境的软硬件集成方法。内容包括开发环境搭建、工具链配置、飞控固件编译烧录、通信协议应用及硬件在环仿真,为开发者提供完整的飞控开发实践指南。

white的博客 186

GD32入门级MCU选型与开发实战:从小家电到电机控制

MCU是嵌入式系统的核心,而入门级MCU凭借成本低、功耗小、资源够用的特点,成为小家电、电动工具、智能家居等海量场景的出货主力。它基于Cortex-M内核,通过合理的时钟配置、GPIO复用与外设驱动,就能实现可靠的信号采集与控制逻辑。在开发中,串口通信、ADC采样、定时器PWM等基本功往往决定项目成败,FOC电机控制也并非高端芯片专属,入门级芯片配合定点运算同样可行。GigaDevice的GD32系列提供了完善的固件库、开发工具链与兼容生态,大幅降低了原型验证和量产落地的门槛。本文围绕GD32入门级MCU,

weixin_34161032的博客 438

基于Simulink与Cube飞控的自主系统开发:从模型到嵌入式部署全流程解析

模型化设计(MBD)是一种广泛应用于控制、机器人和嵌入式系统开发的工程方法,它通过图形化建模取代传统手工编码,将算法设计、仿真验证与实现环节紧密结合。其核心原理在于利用可视化框图描述系统行为,并通过自动代码生成技术将模型直接转换为可在目标硬件上运行的高效C/C++代码。这一流程的技术价值在于显著提升复杂系统(如无人机、无人车)的开发效率与可靠性,减少人为错误,实现“设计即实现”。在工程实践中,MBD常与硬件在环测试结合,用于验证算法在贴近真实硬件环境下的性能。本文聚焦于如何将Simulink搭建的自主算法模

weixin_30387423的博客 403

基础知识记录

大杂烩,简要记录解决的问题

响望的博客 1579

STM32F103C8T6蓝药丸深度解析:硬件设计、外设实战与防抄板经验

在嵌入式系统开发中,单片机选型是决定项目成败的关键一环。STM32F103C8T6作为意法半导体经典MCU,基于ARM Cortex-M3内核,以72MHz主频、丰富外设和极低的开发门槛,成为几代工程师入门的“蓝药丸”。其技术价值不仅在于均衡的性能与成本,更在于庞大的生态资源,覆盖工业控制、物联网终端、智能家居等广泛应用场景。围绕这颗芯片,文章系统梳理了最小系统搭建、从寄存器到HAL库的开发方式演进、OLED与磁编码器等外设实战、FreeRTOS移植中的资源权衡,以及加密防抄板和调试避坑指南,结合工程经验分

weixin_33843947的博客 385

高级职位面试基础知识记录,Python上机面试题

① 2000多本Python电子书(主流和经典的书籍应该都有了)② Python标准库资料(最全中文版)③ 项目源码(四五十个有趣且经典的练手项目及源码)④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)⑤ Python学习路线图(告别不入流的学习)

m0_60388292的博客 858

基于单片机的自动喷淋系统设计【毕业设计】

随着人民生活质量提高与生活节奏的加快,城市居民对于花草绿植的家庭培养与装饰需求增加,随之因浇灌植物的需要,智能浇花系统的市场逐渐扩大。现有自动浇花系统大部分只能通过设置固定浇水时间而难以实现适时、适量浇水,或在植物环境土壤含水量低时进行报警而并不能实际补水。为克服局限性而设计以单片机为控制中心的自动浇花系统。通过湿度传感器检测目标植物环境土壤湿度数据,再经ADCO832将其放大转换为数字量,由单片机读取输出向LCD1602 显示屏显示并通过比对键盘向单片机所设置的湿度范围而利用中断服务程序进行补水需求判断。

qq_48771816的博客 1712

从USB相机标定到Aruco码精准定位:基于aruco-ros的机器人视觉实践

本文详细介绍了基于aruco-ros的机器人视觉实践,从USB相机标定到Aruco码精准定位的全流程。通过实战案例和优化技巧,展示了Aruco码在机器人导航中的高精度位姿识别能力,帮助开发者快速实现毫米级视觉定位系统。

weixin_27310417的博客 487

华为面试题及答案基础知识记录(1),快点来学吧

这是我花了几天的时间去把Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。最近我才对这些路线做了一下新的更新,知识体系更全面了。

m0_60144796的博客 746

浅谈车联网概述-1

车联网技术目前在车企中应用广泛,车联网通过车载传感器、无线通信等技术,能够将车辆上百的传感器数据上传至云端,当前智能网联车辆可以理解为一个“大号”手机。

Hello, World! 新能源汽车智能网联工程师,分享日常工作思考。 560

STM32MP1双核异构实战:SoM+底板设计与A7/M4协同开发

嵌入式系统设计中,复杂逻辑与硬实时需求往往相互制约,单核处理器难以兼顾。SoM(核心板)与底板(Baseboard)的模块化架构,将主控、内存、电源等复杂部分集成在核心板上,开发者只需专注底板外设设计,从而大幅缩短研发周期。ST推出的Cortex A7/M4双核异构方案,A7运行Linux处理UI、网络、存储等复杂任务,M4运行裸机或RTOS执行高频率采集与电机控制,通过OpenAMP/RPmsg实现核间通信,兼顾性能与实时性。该架构适用于运动相机、便携遥测终端、无人机地面站等场景,具备高扩展性与快速迭代优

weixin_34121282的博客 416

百度地图街景图像批量获取

由于个人研究需要在最近试了一下使用API获取百度地图街景图片,在此介绍一下基于我个人需求的百度街景批量获取方法,本文以Python编码作为主要方法,如果对零编码工具有需要的可以关注一下UA城市分析小组刚刚发布的街景图片获取工具。 街景图像用作区域细粒度空间指标测度需要解决几个问题。 1. 首先就是调用额度的限制,现在百度对于个人认证开发者每天可用的街景图像调用额度为100张,在不考虑购买额度上限(1万张600元,其实有经费的前提下可以直接考虑钞能力)的情况下动辄几千上万张的爬取数量会大大增加需要爬取的时间周

boycetoon29的博客 1万+

SPSS中的数据分析—信度效度检验【1】

前一段时间跟大家分享了好几篇关于EXCEL方面的数据分析知识,不知道大家都掌握得怎么样了。今天咱们换个口味,给大家讲一下关于SPSS中的数据分析——信度效度检验。 现阶段正处在毕业季阶段,很多同学可能都正在忙着去弄自己的论文和答辩(不知道大家在翟天临上热搜这个事情上有没有做出过一定贡献),很多时候我们在写论文答辩甚至于其他课题研究的时候都会选择用问卷这种形式来收集数据。最后我们只需要针对问卷所取...

小白数据营的博客 6万+

开源硬件跨界创新:树莓派CM5工业应用、Arduino汽车控制与仿生机器人实战

开源硬件与嵌入式系统开发是当前技术创新的重要基石,其核心在于通过模块化、可编程的硬件平台,结合软件算法,实现对物理世界的感知与控制。从原理上看,开源硬件降低了电子系统开发的门槛,使得开发者能够快速构建原型并验证想法。其技术价值在于促进了技术民主化,加速了从概念到产品的迭代过程。在应用场景上,开源硬件已从早期的教育、爱好者玩具,广泛渗透到工业自动化、物联网、机器人、汽车电子原型开发及智能设备等领域。本文聚焦于树莓派CM5的工业级载板设计与高速信号处理、基于Arduino框架的电动汽车控制原型开发,以及仿生鸽机

weixin_34411563的博客 324

博图Advanced实战:VB脚本实现HMI画面智能弹出(附完整代码解析)

本文详细介绍了在西门子博图Advanced平台中利用VB脚本实现HMI画面智能弹出的实战方法。通过动态计算坐标、分辨率自适应方案和完整代码解析,帮助工程师解决不同显示环境下的定位难题,提升工业自动化界面的交互体验。

weixin_29041767的博客 345

基于开源飞控pix的无人机装调与测试

适用人群:希望进一步掌握无人机装调的飞手从零搭建无人机硬件平台的学生/教师无人机爱好者,开发者其他尚未入门开源PX4固件调试的学习者直播回放无人机装调与测试(一):无人机基本常识/预备知识固件是是烧录在飞控硬件中的软件,pixhawk飞控支持PX4和ArduPilot两种版本的固件。本次课程重点以PX4固件为基础进行讲解PX4 1.10以上固件QGC固件版本1.11一、将要观察的数据声明成uORB消息,并发布。我这里随便添加了一个。

超维空间科技的博客 2万+

振镜控制卡硬件接口揭秘:XY2-100/SL2-100协议对比

本文对比分析了工业振镜控制领域两种主流数字通信协议XY2-100和SL2-100的硬件接口差异与应用场景。XY2-100作为开放式协议兼容性强,采用LVDS差分信号传输,适用于激光打标等中高精度场景;SL2-100为半封闭协议,采用RS485差分信号,专为高速响应场景设计。文章详细解析了两种协议的引脚定义、通信机制和性能参数,指出XY2-100适配多品牌振镜且调试简单,SL2-100则更适合Nutfield专用设备的高速高精度需求。最后提供了接口调试的实操建议和选型逻辑,强调应根据具体应用场景的精度、速度和

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 654

基于 Qt C++ 的战术通信终端

logMessage(QString("新客户端连接来自: %1:%2").arg(incomingTcpSocket->peerAddress().toString()).arg(incomingTcpSocket->peerPort()));logMessage(QString("服务器已启动,在 [%1]:%2 监听IPv6连接...").arg(ui->lineEditAddress->text()).arg(port));

寒寒豆豆软件公司的博客 81

VMware+Ubuntu开发环境四层搭建实战指南

Linux开发环境是嵌入式、机器人、AI和后端服务的基础支撑,其核心在于可复现性、隔离性与硬件兼容性。VMware提供稳定虚拟化底座,Ubuntu则保障原生Linux生态完整性;二者组合规避了WSL2驱动冲突、Windows USB权限异常及Server版图形栈缺失等工程痛点。通过分层架构(虚拟机底座→系统镜像→工具链→领域框架),可系统性解决PX4仿真、ROS2可视化、STM32调试、ESP32-P4开发等典型场景的环境依赖问题。本文聚焦VMware Workstation Pro与Ubuntu 22.0

weixin_33970449的博客 481

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")

嵌入式开发:中年技术人的“压舱石”与长期职业价值

嵌入式系统是资源受限环境下实现特定功能的专用计算机系统,其核心在于对计算、存储、功耗和成本的极致优化。这一领域要求开发者深入理解硬件原理、实时操作系统调度和算法优化,从而在MCU等有限资源上实现稳定高效的任务执行。这种“资源受限”的思维模式和技术能力,构成了嵌入式开发者的核心竞争力和技术价值,使其在物联网、工业控制、汽车电子、医疗设备等广泛的应用场景中不可或缺。随着技术发展,嵌入式开发的知识体系具有“滚雪球”效应,经验复利明显,为开发者构筑了深厚的职业护城河。本文从一位资深开发者的视角,探讨了嵌入式这一“慢

456

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Monokode云端开发环境:用Git管理可复现的终端级开发环境

开发环境本质上是软件工程中的‘基础设施即代码’(IaC)问题——它应具备可定义、可版本化、可验证、可协作等工程属性。传统本地配置依赖隐式状态、不可追溯的PATH修改和碎片化工具链,导致环境不一致成为交付瓶颈。Monokode通过Dockerfile + devcontainer.json声明式定义环境,结合容器镜像分层缓存与WebAssembly终端,在浏览器中交付字节级一致、毫秒级启动、权限可控的终端级开发环境。其技术价值在于将环境从物理机器抽象为Git可管理的资源实体,天然支持快照、共享、CI集成与教学

z466459262的专栏 428

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

PX4-Autopilot:构建企业级无人机飞行控制系统的完整解决方案

PX4-Autopilot作为开源无人机飞行控制软件栈的核心,为开发者提供了从底层硬件驱动到高层飞行算法的完整解决方案。该项目支持超过200种飞行控制器硬件,包括CUAV Pixhawk V6X等工业级设备,实现了跨平台、模块化的无人机控制系统开发。通过PX4,开发者可以快速构建从消费级多旋翼到专业测绘、物流无人机的各类应用,同时享受开源社区持续优化的算法和丰富的生态系统支持。 **核心关键词*

gitblog_01186的博客 427
上一篇: 超越轮询:探讨轻量级调度器在物联网终端设备中的优化与实践
下一篇: 西门子S7-200Smart与施耐德ATV12变频器Modbus通讯实战:断电自恢复与多机协同控制
code8
博客等级 码龄17年 65粉丝 1720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  | 博主筛选后可见
 
 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