基于51单片机的蓝牙温度监控与智能报警系统设计

零基础学会制作 基于STM32/51单片机的输液监控系统设计/医院输液/输液检测/输液检测装置 设计一基于单片机的输液监控系统,该系统以单片机作为控制芯片,可以检测输液瓶内液位、检测液体点滴速度值及液体温度,传感器采集到的信号通过A/D转换传送到单片机中完成数据处理,控制步进电机工作来调整滴速,实现液体点滴的智能监控。 1)实现输液瓶中液位的测量、点滴速度的测量及液体温度检测; 2)可手动设置液位阈值、速度阈值及温度阈值; 3)在显示屏上显示相关数据信息; 4)可实现报警功能; 5)可实现点滴速度控制和液体温度控制功能。 6)可将数据通过蓝牙传输到手机端。 阅读详情

1. 系统概述与核心功能

今天给大家分享一个我最近完成的实用项目——基于51单片机的蓝牙温度监控与智能报警系统。这个系统特别适合智能家居、温室大棚、仓库温控等场景,能够实时监测环境温度并通过手机APP远程查看和控制,温度异常时还会自动报警。

整个系统的核心功能包括:实时温度监测(使用DS18B20传感器)、无线数据传输(通过HC-05蓝牙模块)、手机APP远程监控、温度阈值设置与智能报警。我选择51单片机是因为它成本低、资料丰富,非常适合初学者上手。DS18B20是单总线数字温度传感器,精度达到0.5℃,而且抗干扰能力强。HC-05蓝牙模块性价比高,传输稳定,最远能到10米。

在实际测试中,这套系统表现很稳。我在自家书房和阳台都部署过,温度数据刷新快,报警响应及时。特别是用手机APP调整温度阈值特别方便,不用走到设备跟前就能修改参数。下面我会详细讲解硬件连接、软件设计和调试过程中遇到的坑,帮助大家快速实现类似项目。

2. 硬件设计与连接要点

硬件部分需要准备51单片机最小系统板、DS18B20温度传感器、HC-05蓝牙模块、LCD1602显示屏、蜂鸣器、按键和必要的电阻电容。先说说各模块的连接方式,这里有几个容易踩坑的地方要特别注意。

DS18B20是单总线设备,只需要一根数据线连接单片机。我通常用P3.7引脚,连接时记得加一个4.7kΩ的上拉电阻到VCC,否则数据读取可能不稳定。传感器供电可以用外部电源也可以从数据线取电,实测下来外部电源更稳定些。HC-05蓝牙模块有六个引脚,但只需要接四根线:VCC接3.3V(切记不要接5V,会烧模块)、GND接地、TX接单片机RX(P3.0)、RX接单片机TX(P3.1)。

LCD1602显示屏直接插在开发板的对应接口就行,一般是P0口作为数据线,P2.0-P2.2作为控制线。蜂鸣器接在P2.3引脚,通过三极管驱动。按键部分我建议用矩阵键盘而不是独立按键,因为独立按键K2和串口RX共用P3.0引脚,如果用来调整温度阈值会影响蓝牙数据传输。我自己就踩过这个坑,按键按几次后温度阈值突然乱跳,查了好久才发现是引脚冲突。

所有模块共地很重要,不然数据会飘。电源方面,单片机用5V供电,蓝牙模块用3.3V,记得加电平转换电路或者用LDO降压。如果要做成成品,建议画个PCB把各模块固定好,比用杜邦线连接稳定得多。这是我实际项目的连接方式,测试了很久确保稳定可靠。

3. 温度采集与DS18B20驱动

温度采集是系统的核心功能,DS18B20这款传感器用起来很方便,但时序要求严格。它采用单总线协议,所有通信都通过一根数据线完成,包括初始化、温度转换和数据读取。

驱动DS18B20需要严格按照时序图操作。首先是初始化,单片机发送复位脉冲(拉低总线480us以上),然后释放总线等待DS18B20回应存在脉冲(拉低60-240us)。如果初始化失败,通常是因为总线没有上拉或者时序不对。温度转换需要发送0x44命令,这个过程大约需要750ms,期间总线会被拉低,所以不能进行其他操作。

读取温度时先发送0xBE命令,然后连续读取两个字节的温度数据。温度值以16位补码形式存储,需要转换成实际温度值。转换公式很简单:温度 = 读取的数值 × 0.0625。比如读到0x0191,转换成十进制是401,乘以0.0625就是25.0625℃。

在实际编程中,我建议把DS18B20操作封装成独立模块。下面是我常用的驱动代码,包含初始化和读取温度的函数:

#include <REGX52.H>
sbit DS18B20_DQ = P3^7;

unsigned char DS18B20_Init() {
    unsigned char ack;
    DS18B20_DQ = 1;
    DS18B20_DQ = 0;
    Delay500us();
    DS18B20_DQ = 1;
    Delay60us();
    ack = DS18B20_DQ;
    Delay500us();
    return ack;
}

float DS18B20_ReadT() {
    unsigned char LSB, MSB;
    int temp;
    float temperature;
    DS18B20_Init();
    DS18B20_WriteByte(0xCC);
    DS18B20_WriteByte(0xBE);
    LSB = DS18B20_ReadByte();
    MSB = DS18B20_ReadByte();
    temp = (MSB << 8) | LSB;
    temperature = temp * 0.0625;
    return temperature;
}

使用时要先调用DS18B20_ConvertT()启动温度转换,等待至少750ms后再读取温度值。主程序上电后最好先转换一次温度,避免第一次读取错误数据。

4. 蓝牙通信与HC-05配置

HC-05蓝牙模块是系统中实现无线通信的关键。这款模块默认波特率是38400,但51单片机串口最高一般只能到9600,所以需要先配置模块的波特率。

配置HC-05需要进入AT模式:按住模块上的按键再上电,指示灯慢闪表示进入AT模式。然后用USB转TTL模块连接电脑,打开串口调试助手,设置38400波特率,发送"AT"命令应该收到"OK"回应。接着发送"AT+UART=9600,0,0"将波特率改为9600,这样就能和51单片机正常通信了。

单片机端需要初始化串口。我用的是11.0592MHz晶振,定时器1模式2,自动重装值计算如下:9600波特率对应TH1=0xFD。初始化代码:

void UART_Init() {
    SCON = 0x50;
    TMOD &= 0x0F;
    TMOD |= 0x20;
    TH1 = 0xFD;
    TL1 = TH1;
    TR1 = 1;
    ES = 1;
    EA = 1;
}

数据发送函数要支持单字节和字符串发送。因为蓝牙调试器APP要求特定数据包格式,我写了专门的发送函数:

void UART_SendByte(unsigned char byte) {
    SBUF = byte;
    while(TI == 0);
    TI = 0;
}

void UART_SendString(unsigned char *str, unsigned int len) {
    int i;
    for(i = len-1; i >= 0; i--) {
        UART_SendByte(str[i]);
    }
}

注意这里字符串是倒着发送的,是因为手机APP解析数据时的字节序要求。我在调试时就在这里栽过跟头,数据老是解析错误,后来发现是字节序问题。

5. 手机APP与数据协议设计

手机端我用的是一款叫"蓝牙调试器"的APP,它支持自定义数据包格式,不需要自己开发APP就能实现监控功能。在APP里新建工程,进入通信设置,定义接收数据包和发送数据包格式。

接收数据包要添加三个float类型变量,分别对应实时温度、上限温度和下限温度。发送数据包添加一个byte类型变量,用来传输控制命令。数据包格式固定为:0xA5开头,数据内容,校验和,0x5A结尾。校验和是前面所有数据字节相加的低8位。

在编辑控件界面,添加文本显示框绑定到三个温度变量,再添加四个按钮绑定到发送字节。按钮对应关系:上限+0.5℃发送0x01,上限-0.5℃发送0x02,下限+0.5℃发送0x03,下限-0.5℃发送0x04。

单片机端需要按照相同格式解析数据。我在串口中断中接收数据:

void UART_ISR() interrupt 4 {
    if(RI == 1) {
        recvBuf[recvIndex] = SBUF;
        recvIndex++;
        if(recvIndex >= 4) {
            if(recvBuf[0] == 0xA5) {
                if(recvBuf[1] == 0x01) upperTemp += 0.5;
                else if(recvBuf[1] == 0x02) upperTemp -= 0.5;
                else if(recvBuf[1] == 0x03) lowerTemp += 0.5;
                else if(recvBuf[1] == 0x04) lowerTemp -= 0.5;
            }
            recvIndex = 0;
        }
        RI = 0;
    }
}

发送温度数据时,需要把float类型转换成字节数组发送。我用联合体实现类型转换:

typedef union {
    float temperature;
    unsigned char tempBytes[4];
} FloatUnion;

FloatUnion currentTemp, upperTemp, lowerTemp;

void SendTempData() {
    unsigned char checksum = 0;
    UART_SendByte(0xA5);
    UART_SendString(currentTemp.tempBytes, 4);
    UART_SendString(upperTemp.tempBytes, 4);
    UART_SendString(lowerTemp.tempBytes, 4);
    for(int i=0; i<4; i++) {
        checksum += currentTemp.tempBytes[i];
        checksum += upperTemp.tempBytes[i];
        checksum += lowerTemp.tempBytes[i];
    }
    UART_SendByte(checksum);
    UART_SendByte(0x5A);
}

这种数据包设计经过实测很稳定,手机APP显示的温度数据不会错乱。如果直接发送ASCII字符串,反而容易出现数据截断和显示问题。

6. 温度监控与报警逻辑实现

温度监控逻辑主要在主循环中实现。系统不断读取当前温度,与设定的上下限阈值比较,如果超出范围就触发报警。同时还要实时显示温度和更新时间。

我用了定时器中断来维护时间显示。51单片机的定时器最大定时约65ms,所以我设置每50ms中断一次,计数20次就是1秒。时间变量在中断中更新:

void Timer0_ISR() interrupt 1 {
    TH0 = 0x4B;
    TL0 = 0xD5;
    count++;
    if(count >= 20) {
        count = 0;
        seconds++;
        if(seconds >= 60) {
            seconds = 0;
            minutes++;
            if(minutes >= 60) {
                minutes = 0;
                hours++;
                if(hours >= 24) hours = 0;
            }
        }
    }
}

温度判断和报警逻辑在主循环中:

while(1) {
    currentTemp.temperature = DS18B20_ReadT();
    if(currentTemp.temperature >= upperTemp.temperature) {
        Buzzer_On();
        LED_Red_On();
        Relay_Cooling_On();
    } else if(currentTemp.temperature <= lowerTemp.temperature) {
        Buzzer_On();
        LED_Green_On();
        Relay_Heating_On();
    } else {
        Buzzer_Off();
        LED_Off();
        Relay_Off();
    }
    SendTempData();
    DelayMs(1000);
}

蜂鸣器报警我用的是脉冲方式,这样既提醒到位又不会太吵:

void Buzzer_Alert() {
    unsigned int i;
    for(i=0; i<1000; i++) {
        Buzzer = ~Buzzer;
        Delay10us();
    }
    Buzzer = 1;
}

实际应用中,还可以增加报警延时判断,比如温度连续5秒超限才报警,避免瞬时波动误报。我在仓库环境中测试时加了这个功能,效果很好。

7. 系统优化与实用技巧

在这个项目中我积累了一些优化经验和实用技巧,分享给大家希望能少走弯路。电源方面,如果系统要长时间运行,最好给单片机加看门狗,防止程序跑飞。我在测试中就遇到过几次死机,加了看门狗后再没出现过。

温度采样可以做软件滤波。DS18B20每次读取可能有小幅波动,我采用中值平均滤波法:连续采样5次,去掉最高最低值,取中间3次的平均值。这样温度显示就很稳定了,不会跳来跳去。

蓝牙数据传输容易受到干扰,我在数据包中增加了校验和,发现错误就重发。同时设置发送间隔为1秒,既保证实时性又避免过于频繁发送导致数据碰撞。在实际环境中测试,10米内传输很稳定,隔墙会有些衰减。

对于按键处理,要加入去抖逻辑。我采用软件去抖:检测到按键按下后延时10ms再次检测,如果还是按下状态才确认有效。矩阵键盘扫描时要注意延时时间,太短会漏检,太长会影响其他功能。

LCD显示可以优化刷新方式。不需要每次循环都刷新全部内容,只刷新变化的部分。比如温度值只有小数点后一位变化时,只刷新那位数字,这样显示更稳定不会闪烁。

如果系统要部署在电磁环境复杂的场所,建议加上金属屏蔽壳,各接口用磁珠滤波。我在工厂环境中测试时,最初没加屏蔽,温度数据偶尔会跳变,加上屏蔽后就稳定了。

这些优化措施都是我在实际项目中一点点摸索出来的,确实能提升系统稳定性和用户体验。做嵌入式开发就是这样,需要不断调试优化,有时候一个小改动就能解决大问题。

安卓手机与蓝牙模块联合调试(四)—— 单片机数据上传至蓝牙(STC89C52 + DS18b20) 系列博文: (1)安卓手机与蓝牙模块联合调试(一)—— 蓝牙模块的串口通讯 (2)安卓手机与蓝牙模块联合调试(二)—— 单片机蓝牙控制LED灯亮灭(上) (3)安卓手机与蓝牙模块联合调试(三)—— 单片机蓝牙控制LED灯亮灭(下) (4)安卓手机与蓝牙模块联合调试(四)—— 单片机数据上传至蓝牙(STC89C52 + DS18b20) 本教程的项目地址:1989Jiangtao/...... 阅读详情

相关推荐

Python实战:从中国气象局天擎平台自动化获取与处理雷达基数据

本文详细介绍了如何利用Python脚本实现从中国气象局天擎平台自动化获取与处理雷达基数据。通过环境搭建、安全认证、核心代码编写及工程化优化,构建了一个包含自动查询、批量下载、错误重试和格式转换的完整数据管道,旨在帮助气象水文领域的研究者与数据分析师从繁琐的手动操作中解放出来,高效管理海量数据。

ipfs8storage的博客 931

基于51单片机的蓝牙无线温度监测与显示系统

本文设计了一种基于51单片机的无线温度监测系统,通过Proteus仿真实现。系统采用DS18B20传感器采集温度数据,经51单片机处理后,同时通过LCD1602本地显示和蓝牙模块无线传输(波特率4800)。重点解决了DS18B20初始显示85℃的问题,实现了温度数据的四舍五入处理和格式化显示(如+7.0)。文章详细介绍了系统硬件连接、软件编程及Proteus仿真中的关键注意事项,包括蓝牙模块调试方法和温度数据处理算法,为低成本无线温度监测系统开发提供了完整解决方案。

KU_GOULY的博客 466

PPT+视频 | 详解智能营销增益模型(uplift model)

分享营销增益模型的原理和常见的建模及评估方法,并以淘票票智能票补为例介绍uplift model技术的实践经验。

阿里文娱技术 8629

51单片机ds18b20

温度传感器是比较简单的外设之一,学习51单片机都会学习ds18b20来学习51的ad转换。 ds18b20是通过iic总线来进行通行的,属于比较简单的模块之一,这里贴出ds18b20的驱动程序,调用时只要直接读取对应地址的数据即可。 #include"temp.h" void Delay1ms(uint y) { uint x; for( ; y>0; y--) { for(x...

weixin_43185308的博客 3256

poincare截点

poincare映射定义比较抽象,简单理解就是每个原始周期取一个点,表现在程序中的思路如下: 以激励的周期T0为poincare的原始周期,设置1个周期取m个点,取N个周期设置T0/m为ode45的步长,每个周期的 i*m个点处取一个点(i=0.0-1.0),把这些点画出来就行了。有几个点就是几倍周期。 (注意:ode45算法是变步长的算法,所以一定要之前自己设置步长,我在这个地方吃了很大一个亏...

小树 3008

FPGA 学习系列(2):Verilog 语法基础

Verilog 由门级建模数据流建模行为建模门级建模(Gate Level Modeling):使用基本逻辑门描述电路,接近硬件物理结构。数据流建模(Data Flow Modeling):使用assign语句进行组合逻辑建模,类似数学方程式。行为建模(Behavioral Modeling):使用always代码块和if-elsecase等控制语句建模,抽象程度较高。Verilog 代码一般由模块(module)组成,每个模块描述一个独立的硬件功能。

Azperk的博客 989

基于51单片机温度控制系统报警器恒温箱蓝牙app控制设计

本文介绍了一种基于51单片机的智能温控报警系统设计方案。系统采用STC89C52单片机作为控制核心,集成了DS18B20温度传感器、LCD1602液晶显示、继电器控制、蜂鸣器报警和蓝牙通信模块。系统能够实时采集温度数据,通过比较设定阈值自动控制加热/制冷装置,异常时触发声光报警,并支持手机APP远程监控和参数设置。设计详细阐述了硬件电路和软件程序设计,包括温度采集、显示控制、继电器驱动及蓝牙通信等关键功能模块的实现。该系统适用于恒温箱、实验室设备等场景,具有实用性强、操作便捷等特点,为温控自动化提供了可靠的

xuezhang666666的博客 1116

汇川AM402、H3U和上位机C#ModebusTcp通讯

目录一、测试任务二、测试环境三、PLC工程1、组态配置2、ip地址、端口号 3、全局变量定义四、C#端Winform程序创建1创建主界面 2、创建子窗口 3、运行生成,界面效果4、Modebus协议说明5、Modebus操作说明六、测试1、寄存器读测试 2、MW1300寄存器的BIT位3、写寄存器测试4、PLC断电或者断网 七、工程下载连接1、PLC作为ModebusTCP端,端口号都是502,PC端上位机软件作为TcpClient去连接多台PLC。PC端读写PLC寄存器。2、PC端在有的PLC断电、断网的

panjinliang066333的博客 2万+

基于单片机智能热水壶/养生壶设计

系统硬件部分采用DS18B20数字温度传感器采集水温数据,确保温度测量的准确性;YW01水位传感器实时监测水位高低,通过模拟信号转换为数字量输入单片机。LCD1602液晶屏作为人机交互界面,动态显示当前水位和温度数值,用户可通过按键设置水位上限、下限及温度阈值。当水位低于设定下限时,单片机驱动继电器启动水泵进行补水,水位达到上限后自动停止;水温低于设定下限时,继电器控制加热片工作,温度超过上限则停止加热。异常情况(如水位超限)触发蜂鸣器报警提示。

Holidaylive的博客 1406

C#的GDI+绘图详解

/消除锯齿 或 AntiAlias。// 1.在窗体或控件的Paint事件中,用PaintEventArgs e 创建绘图对象 ---- 控件或窗体重绘时。//为控件创建绘图对象。//--------------------以上方法三选一。//2.创建绘图对象 panel1中绘图。

weixin_50920631的博客 3457

【保姆级教程】教你如何轻松获取MIMIC数据使用权限

文章非常详细地介绍了MIMIC数据库申请使用的全部步骤。

越努力 越幸运 6603

基于51单片机HC-05无线蓝牙的温度控制报警手机APP系统设计

随着无线通信技术的发展,基于蓝牙的温度监测和控制系统在工业自动化、家庭环境监控以及医疗设备等领域的应用日益广泛。本论文设计并实现了一种基于51单片机和HC-05无线蓝牙模块的温度控制报警系统,结合智能手机APP,实现温度数据的实时监测、显示以及报警控制功能。系统以STC89C52/51单片机为核心控制器,采用DS18B20温度传感器实现环境温度的实时检测,检测到的温度数据通过LCD1602显示屏即时显示。为了实现远程监控,通过HC-05蓝牙模块将温度数据传输到手机APP,用户可以在手机上查看实时温度数据。

3254968421的博客 2785

Python 爬虫实战:爬取豆瓣读书评论并分析

摘要:本文以豆瓣读书《活着》评论数据为例,详细讲解Python爬虫开发与文本分析全流程。首先通过requests库爬取评论数据,解决分页、反爬等问题;然后利用BeautifulSoup解析页面提取评论内容、评分等核心信息;最后结合jieba进行关键词提取、snownlp完成情感分析,并通过可视化展示结果。分析显示该书评分以5星为主(占比70%),正面评论达82%,核心关键词为"活着""余华""生命"。全文包含完整代码与详细解析,帮助读者掌握非结构化

2503_91057718的博客 1499

基于51单片机智能家居监控系统设计

💗博主介绍:✌全网粉丝10W+,优快云特邀作者、博客专家、优快云新星计划导师,一名热衷于单片机技术探索与分享的博主、专注于 精通51/STM32/MSP430/AVR等单片机设计 主要对象是咱们电子相关专业的大学生,希望您们都共创辉煌!✌💗👇🏻 精彩专栏 推荐订阅👇🏻单片机设计精品实战案例✅。

QQ1928499906的博客 3035

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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

从蓝牙协议栈到温度数据流:HC-05模块与51单片机的深度对话

本文深入探讨HC-05蓝牙模块与51单片机的集成应用,重点解析蓝牙协议栈配置、DS18B20温度传感器数据采集及蓝牙数据包设计。通过AT指令优化、浮点数传输处理和抗干扰设计,实现稳定的温度报警系统,为工业监控和智能家居提供可靠解决方案。

l3m4n的博客 1031

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

2187、基于STM32单片机智能火灾烟雾温度检测报警无线蓝牙远程监控系统

(1)有优异的性能价格比。(2)集成度高、体积小、有很高的可靠性。单片机把各功能部件集成在一块芯片上,内部采用总线结构,减少了各芯片之间的连线,大大提高了单片机的可靠性和抗干扰能力。另外,其体积小,对于强磁场环境易于采取屏蔽措施,适合在恶劣环境下工作。(3)控制功能强。为了满足工业控制的要求,一般单片机的指令系统中均有极丰富的转移指令、I/O口的逻辑操作以及位处理功能。单片机的逻辑控制功能及运行速度均高于同一档次的微机。(4)低功耗、低电压,便于生产便携式产品。

ENGLISH_HHZ的专栏 988

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")

基于51单片机的无线蓝牙热水器控制系统设计

*单片机设计介绍,基于51单片机的无线蓝牙热水器控制系统设计。

2201_75940997的博客 1193

2194、STM32单片机智能火灾烟雾温度检测报警无线蓝牙远程监控系统

(1)有优异的性能价格比。(2)集成度高、体积小、有很高的可靠性。单片机把各功能部件集成在一块芯片上,内部采用总线结构,减少了各芯片之间的连线,大大提高了单片机的可靠性和抗干扰能力。另外,其体积小,对于强磁场环境易于采取屏蔽措施,适合在恶劣环境下工作。(3)控制功能强。为了满足工业控制的要求,一般单片机的指令系统中均有极丰富的转移指令、I/O口的逻辑操作以及位处理功能。单片机的逻辑控制功能及运行速度均高于同一档次的微机。(4)低功耗、低电压,便于生产便携式产品。

ENGLISH_HHZ的专栏 1119

基于51单片机与HC05蓝牙模块的智能温度监控系统设计

本文详细介绍了基于51单片机和HC05蓝牙模块的智能温度监控系统设计。系统通过DS18B20传感器采集温度数据,实现LCD本地显示和蓝牙无线传输,支持手机APP远程监控和温度阈值报警功能。该系统成本低、稳定性好,适用于家庭和工业环境的温度监测需求。

moon9的博客 288

基于51单片机温度报警器系统 温度检测控制无线蓝牙成品DIY

基于51单片机的温度报警系统是一种集成温度检测、无线蓝牙通信及报警控制的DIY电子项目。该系统通过DS18B20等温度传感器实时采集环境温度,由51单片机处理数据后,通过蓝牙模块(如HC-05)将温度数据传输至手机APP或上位机,同时根据预设阈值触发声光报警(如蜂鸣器、LED)。适用于智能家居、工业监控等场景。

QQ1304979694的博客 459

基于单片机无线智能报警系统的设计

💗博主介绍:✌全网粉丝10W+,优快云特邀作者、博客专家、优快云新星计划导师,一名热衷于单片机技术探索与分享的博主、专注于 精通51/STM32/MSP430/AVR等单片机设计 主要对象是咱们电子相关专业的大学生,希望您们都共创辉煌!✌💗👇🏻 精彩专栏 推荐订阅👇🏻单片机设计精品实战案例✅基于单片机无线智能报警系统是一种结合了单片机控制技术、无线通信技术以及智能报警策略的安全防护系统。以下是该系统设计的详细介绍:一、系统概述。

QQ1928499906的博客 2087

11、基于51单片机蓝牙温度加热控制系统设计

随着人们生活水平的提高,对生活环境的要求也越来越高,家用电器越来越趋向于自动控制控制乃至于智能控制,针对目前家庭的实际需要,自动控制水温报警系统比较方便实用,本文就通过51系列单片机来实现一种家用自动控制水温报警系统的设计。该家用自动控制水温报警系统即实时反映当前系统工作区的温度信息,温度信息通过液晶屏直观的显示给用户,用户可根据自己对水温的实用要求,通过键盘自行设定温度及温度的报警值,当温度值超出用户设定的范围时,本系统可以自动执行报警。+继电器+加热片+DS18B20温度传感器+

2301_76924958的博客 925
上一篇: 基于STM32与LSTM的智能空气质量预测系统实现【附完整代码】
下一篇: 从零构建:手搓STM32启动文件与链接脚本的底层逻辑
docker8compose
博客等级 码龄1天 0粉丝 1102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