反激式开关电源设计实战指南:从参数计算到PCB布局

反激式开关电源PCB设计要点 反馈环路的走线要远离与变压器相连的走线,也要远离主开关管,要是电路板上还有大电流的走线或者高速信号的走线,反馈信号的走线也要远离这些走线。对于开关电源的PCB布局及走线是一个很重要的环节,不是说原理图是正确的后续的工作就没有了,其实原理图设计的完成只能证明电路原理上是正确的,并不能说明按照这个原理图所设计出的电路板能正常工作,因为PCB合理布局及走线会很大程度上影响电路的正常工作,例如PCB布局不合理,首先会表现出来的就是电路的抗干扰能力差,并且对外辐射能力强。输入电容EC1要靠近电源芯片,如图3所示。 阅读详情

1. 从零开始:搞懂反激式开关电源到底是个啥

很多朋友一听到“反激式开关电源”这几个字,头就大了,感觉又是变压器又是开关管,一堆公式,肯定特别复杂。其实啊,它离我们一点都不远。你手机充电器、笔记本电脑的电源适配器,十有八九用的就是它。为啥它这么受欢迎?简单说就是成本低、效率高、结构还相对简单,特别适合中小功率的场合。

我刚开始接触电源设计那会儿,也觉得反激电路神神秘秘的。后来拆了十几个坏掉的充电器,对着电路板一点点琢磨,才慢慢摸清了门道。你可以把它想象成一个“能量搬运工”。这个搬运工(开关管)先把能量从输入端“搬”到变压器里存起来(充电),然后关上门(开关管断开),再把存好的能量“倒”给输出端(放电)。这个“先存后放”的过程,就是“反激”这个名字的由来。和正激式电源那种“即搬即用”的模式正好相反。

理解了这个核心动作,再看它的电路图就清晰多了。一个主开关管(通常是MOSFET)、一个变压器(这是灵魂)、一个整流二极管、几个电容电阻,基本框架就搭起来了。它的工作节奏完全由开关管的“开”和“关”来控制,这个节奏快慢就是开关频率,常见的有几十kHz到几百kHz。频率高,变压器和滤波电容就能做得更小,电源体积也就下来了,但开关损耗会增大,所以这里面都是权衡。

所以,当你准备设计一个反激电源时,别急着打开计算器摁公式。第一步,先明确你的任务书:输入电压范围是多少?(是通用的85-265VAC,还是特定的24VDC?)输出电压电流要多大?效率目标是多少?对体积和成本有没有硬性约束?把这些写在纸上,你的设计就有了清晰的靶心。我习惯在项目本子的第一页,用大号字把这些指标标出来,整个设计过程时不时回头看看,防止跑偏。

2. 核心计算:手把手搞定变压器参数

变压器是反激电源的心脏,所有能量都经过它传递。参数算对了,电路就成功了一大半;算错了,要么带不动负载,要么MOSFET直接炸机。网上能找到各种计算表格和软件,一键生成参数固然方便,但如果不理解背后的逻辑,调试时出了问题你根本无从下手。咱们还是得从原理入手,我带你一步步算一遍。

2.1 确定工作模式与关键波形

首先得决定让你的变压器在哪种模式下工作:连续模式(CCM) 还是 断续模式(DCM)?这就像开车选择巡航模式还是启停模式。

  • CCM模式:每个开关周期结束时,变压器原边的电流还没降到零,下一个周期就开始了。优点是原边峰值电流和有效值电流较小,MOSFET和变压器的导通损耗低,EMI特性也相对好一些。缺点是环路补偿设计更复杂,因为系统多了一个右半平面零点,动态响应会慢一点。
  • DCM模式:每个开关周期内,原边电流都会从零开始上升,最后再降回零。优点是环路补偿简单,动态响应快,次级二极管没有反向恢复问题。缺点是峰值电流大,对MOSFET和变压器的应力高,导通损耗和EMI噪声也更大。

怎么选?通常,功率较大(比如超过30W)、对效率要求高、空间允许用大一点磁芯的,优先考虑CCM。功率较小、成本敏感、追求简单稳定的,用DCM更省心。 我个人的经验是,在20W-60W这个常见的区间,可以根据芯片推荐和设计余量灵活选择,很多现代的控制芯片在轻载时会自动跳转到DCM模式以提高轻载效率。

确定了模式,我们脑海里(或者纸上)要有电流的波形。CCM模式原边电流是个梯形波,DCM模式是个三角波。这个波形决定了后续几乎所有计算公式里的系数。

2.2 原边电感量与匝数计算

这是最关键的一步,咱们以一个典型的通用输入(85-265VAC)、输出12V/2A(约24W)的DCM模式电源为例来演算。

  1. 计算输入功率与峰值电流: 假设目标效率η为85%,那么输入功率 Pin = Pout / η = 24W / 0.85 ≈ 28.2W。 在最低输入直流电压时(对应交流85V,整流后约85*1.414≈120VDC),原边峰值电流最大。设定最大占空比 Dmax 为0.45(一般不超过0.5)。开关频率 fs 设为65kHz。 对于DCM模式,原边电感量 Lp 的计算公式为: Lp = (Vin_min * Dmax)^2 / (2 * Pin * fs) 代入:Lp = (120V * 0.45)^2 / (2 * 28.2W * 65000Hz) ≈ 0.000378 H = 378 μH。 这个电感量就是变压器原边绕组的电感值。

  2. 计算原边匝数: 先选磁芯。根据功率和频率,查磁芯厂商(如TDK、Ferroxcube)的数据手册,用AP法(面积乘积法)估算。对于24W/65kHz,一个EE25或EFD25的磁芯通常够用。假设我们选定EE25,其磁芯有效截面积 Ae 约为52mm² (0.52 cm²)。 为了防止磁芯饱和,我们需要设定一个最大磁通密度变化量 ΔB。对于常用的PC40材质,一般取0.2~0.3 T(特斯拉)。这里取 ΔB = 0.25 T。 原边匝数 Np 公式为: Np = (Vin_min * Dmax) / (ΔB * Ae * fs) 注意单位统一

基于多路单端反激式开关电源的设计方案 主路匝比:Np/Ns_main = Vin_min × Dmax / (Vout_main + Vf) ≈ 100×0.45 / 12.7 ≈ 3.54。耐压 ≥ Vin_max + Vor + 裕量 ≈ 400V + 23V + 50V → 选500V/5A(如STP5NK50Z)。工作模式:DCM(断续模式,适合中小功率)或CCM(连续模式,需斜率补偿)。输入电压范围:AC 85-265V(通用输入)或DC 24V(工业应用)副路:40V/1A(5V输出),200V/1A(24V输出)。 阅读详情

相关推荐

新手必看:反激式开关电源PCB布局的5个致命错误(附避坑指南)

本文针对反激式开关电源设计,详细剖析了新手在PCB布局中最易犯的五个致命错误,包括忽视功率回路最小面积、反馈信号受干扰、散热设计不当、地平面处理混乱及高频细节缺失。文章提供了具体的避坑指南与实战案例,帮助工程师从原理图走向稳定可靠的实物,提升电源性能和可靠性。

gg901的博客 1197

UC3842驱动的高效反激式开关电源设计与PCB布局优化

本文详细介绍了基于UC3842电流模式PWM控制器设计高效反激式开关电源的全过程。内容涵盖芯片选型、外围电路参数计算、高频变压器设计、PCB布局优化及调试验证,重点阐述了如何利用UC3842实现可靠的逐周期电流保护,并通过优化功率回路布局与RCD钳位电路来提升电源效率和稳定性,适合电源设计初学者和工程师参考。

dropout6artist的博客 915

反激式开关电源实战:从局部电路到PCB布局的完整设计流程

本文详细解析反激式开关电源的完整设计流程,从基础原理到PCB布局实战。涵盖EMI滤波、PWM控制、功率级设计等关键环节,提供选型建议和计算公式,并分享调试技巧与常见故障处理方案,助力工程师高效完成中小功率电源设计。

weixin_28711397的博客 490

手把手教你用UC3842打造60W反激式开关电源(附PCB设计避坑指南)

本文以经典的UC3842电流型PWM控制器为核心,提供了一份详尽的60W反激式开关电源实战设计指南。内容涵盖从核心参数计算、高频变压器设计,到关键外围电路配置、PCB布局避坑,以及最终的调试测试与波形分析,旨在帮助开发者系统掌握设计要点,有效规避炸管、啸叫等常见问题,打造稳定高效的电源方案。

h9j8k7l6m5n的博客 1234

一文讲清反激式开关电源PCB布局的实战避坑指南

本文详细解析了反激式开关电源PCB布局中的核心挑战与实战避坑技巧,涵盖安规设计、关键回路布局、电磁兼容性及热设计等关键环节。通过具体案例和数据对比,帮助工程师优化LAYOUT设计,避免常见错误,提升电源效率和可靠性。

weixin_30753873的博客 635

反激式开关电源 12V/2A 设计:从理论计算到 PCB 布局的 3 个常见错误

本文深入探讨反激式开关电源12V/2A设计中的三个常见错误,包括变压器选型偏差、PCB布局缺陷和反馈环路调试误区。通过实际案例和详细解决方案,帮助工程师避免炸机、输出不稳定等问题,提升设计可靠性和效率。重点关注反激式开关电源的关键参数匹配和工程化验证。

weixin_28292761的博客 446

反激式开关电源PCB设计实战:从布局布线到EMI抑制的全流程解析

开关电源作为电力电子技术的核心应用,其性能与可靠性高度依赖于印刷电路板(PCB)的设计质量。从原理上看,高频开关动作会产生极高的电压电流变化率(dv/dt, di/dt),若PCB布局不当,寄生电感和电容会引发严重的电磁干扰(EMI)和电压尖峰。在工程实践中,通过优化功率环路布线以最小化寄生参数、实施严格的功能分区布局,是提升效率与稳定性的关键技术。这些方法能有效抑制传导与辐射噪声,确保电源在消费电子、工业控制等场景中通过EMC认证。本文以反激式拓扑为例,系统拆解了包含EMI抑制和热管理在内的PCB设计全流

weixin_34124651的博客 561

24W反激式开关电源设计全解析:从原理到PCB布局实战

开关电源作为现代电子设备的核心供电单元,其核心原理是通过高频开关动作实现电能的高效转换与调控。反激式拓扑因其结构简单、成本低廉且具备天然电气隔离能力,成为中小功率电源设计的首选方案。该技术通过控制开关管的通断,在变压器中交替储存与释放能量,从而实现电压变换与稳定输出,在提升效率、减小体积方面具有显著优势。其工程价值在于能够适应宽电压输入范围,并易于实现多路输出,广泛应用于路由器、笔记本适配器及各类智能硬件中。本文以一款24W反激电源为例,深入剖析其变压器参数计算、关键元器件选型及PCB布局中的功率回路最小化

weixin_30723433的博客 468

反激式开关电源设计避坑指南:从磁芯气隙计算到多路输出稳压

本文深入剖析了反激式开关电源设计中的关键难点与解决方案。重点阐述了磁芯气隙的双重作用与计算误区,强调了通过仿真与实测防止磁饱和的重要性。同时,详细分析了漏感的成因及其RCD钳位电路设计,并提供了优化PCB布局以改善EMI和稳定性的实用技巧。最后,针对多路输出稳压的交叉调整率问题,给出了从变压器绕制到电路架构的综合性优化策略。

nnn11的博客 528

反激式开关电源PCB设计实战:从核心原理到EMC优化的完整指南

开关电源设计是电力电子领域的核心技术,其核心原理在于通过高频开关动作实现能量的高效转换。然而,高频开关带来的电压电流剧烈变化(dv/dt, di/dt)会激发PCB走线中无处不在的寄生电感和寄生电容,导致严重的电压尖峰、开关损耗和电磁干扰(EMI)。要解决这些问题,关键在于理解并控制高频电流回路,通过精心的PCB布局布线来最小化回路面积和噪声路径。这直接决定了电源的可靠性、效率和电磁兼容性(EMC)。在工程实践中,反激式拓扑因其结构简单、成本低廉,成为中小功率应用中最常见的选择,但其PCB设计也尤为考验工程

weixin_34161032的博客 588

反激式开关电源实战:从核心原理到PCB布局的完整设计流程

本文系统阐述了反激式开关电源从核心原理到PCB布局的完整设计流程。文章深入剖析了其“先储能后释能”的工作机制,并详细讲解了输入滤波、PWM控制、吸收电路、反馈环路等关键模块的实战设计与选型要点。重点分享了PCB布局中功率回路最小化、信号隔离、接地策略等核心技巧,旨在帮助工程师掌握设计精髓,打造高效可靠的电源产品。

kmeans3miner的博客 353

反激式开关电源 TOP266VG 设计实战:12V/5A 输出电路 PCB 布局 3 要点解析

本文详细解析了采用TOP266VG芯片的12V/5A反激式开关电源PCB布局的三大关键要点,包括功率环路优化、热管理设计及EMC防护策略。通过精确的参数计算和布局技巧,帮助工程师提升设计效率并降低EMI干扰,特别适合中小功率电源设计参考。

weixin_29191081的博客 340

手把手教你用UC3842设计单端反激式开关电源(附EMI电路避坑指南)

本文详细介绍了使用经典电流模式PWM控制器UC3842设计单端反激式开关电源的完整流程。内容涵盖从反激拓扑原理、关键参数计算、元件选型到外围电路搭建,并重点提供了EMI电路设计的实战避坑指南,帮助工程师有效解决电磁干扰问题,实现稳定可靠的电源设计。

happy2的博客 960

手把手教你用UC3842设计反激式开关电源(附PCB布局避坑指南)

本文详细解析了使用UC3842设计反激式开关电源的全过程,从高频变压器设计到PCB布局避坑指南。重点介绍了UC3842的核心特性、电流模式控制优势及关键电路模块设计,帮助工程师快速掌握高效开关电源的设计技巧与优化方法。

weixin_30352645的博客 428

反激式开关电源输出电容精确计算与设计实战

htmltable {th, td {th {pre {简介:反激输出电容计算是反激式开关电源设计中的关键环节,直接影响电源的稳定性、效率和瞬态响应性能。本文档详细介绍了反激转换器的工作原理及输出电容在滤波、电压保持和负载瞬态响应中的核心作用,系统阐述了基于负载电流、纹波电压、开关频率、负载变化率和电容ESR等参数的电容计算方法,并提供完整的计算公式与选型流程。通过本参考资料,工程师可掌握输出电容的精准设计方法,优化电源性能,确保在多种工作条件下实现稳定高效的直流输出。

weixin_42575505的博客 1867

反激式开关电源RCD吸收电路设计与优化

反激式开关电源是一种常见的开关电源拓扑结构,它利用变压器的漏感和储能元件,在开关管关闭时进行能量传递。这种结构通常用于小功率电源设计,因其结构简单且成本较低而受到广泛应用。在本章节中,我们详细探讨了反激式开关电源设计中对二极管的选型要求,以及系统动态性能平衡的设计策略。首先,我们分析了不同类型的二极管以及选型时需要考虑的因素,如反向恢复时间、正向电流与电压等。接着,我们聚焦于动态性能的测试与评估,强调了负载突变测试和频率响应测试的重要性。

weixin_36289742的博客 1615

车载毫米波雷达实战:用MATLAB复现DDMA-MIMO雷达的Empty-band算法(附代码解析)

本文详细介绍了车载毫米波雷达中DDMA-MIMO技术的实战应用,重点解析了Empty-band算法的原理与MATLAB实现。通过搭建仿真环境,文章深入探讨了发射天线通道解调与相位法速度解模糊两大核心难题的解决方案,并提供了完整的代码解析,为雷达算法工程师提供了从理论到实践的清晰指南。

hill8的博客 565

WRF中使用ERA5再分析数据

   本人在做一些实例时,需要用到最新的ERA5再分析数据集,其中我下载的是ERA5 hourly data on pressure levels form 1979 to present和ERA5 hourly data on single levels from 1979 to present中的3天数据。 1、注册climate copernicus账号 下载ERA5数据前先要注册其账号 2、选择变量    WRF中对于气象数据的字段有具体的要求, ......

GIS 8173

Unity插件——WebView内嵌网页/浏览器插件

一、相关插件: 1、Embedded Browser 插件(文件夹名ZFBrowserUnity) 2、UniWebView插件 3、UnityAndroidWebviewToTexture插件 4、3D WebView for Android插件 二、遇到的问题: 3D WebView显示问题 项目中使用3D WebView存在的问题 三、插件使用 Embedded Browser 加载页面的使用

青岚岁叶的博客 1万+

在PyCharm中配置使用Anaconda环境

在PyCharm中配置使用Anaconda环境一、步骤1.Anaconda2.PyCharm总结 一、步骤 1.Anaconda 如未安装Anaconda可至其官网下载,学习使用个人版就可以了。 下载地址:https://www.anaconda.com/products/individual 1、打开Anaconda Navigator,点击Environments可以看到anaconda中已经有了默认的“base”环境,其中包含了大多数我们会用到的包,在PyCharm中可以直接使用该环境,而无需自行下载

TuckX的博客 19万+

win7 vs2012+wdk8.0 搭建wdf驱动开发环境

开发环境搭建: 系统:win7 x64 工具:vs2012 + WDK8.0 插件:wdfcoinstaller.msi (1)先安装vs2012,再安装wdk8.0,这样在打开vs2012时可以创建windows drivers类型的工程。 注:vs2012不能安装wdk8.1,wdk8.1必须安装在vs2013上 下载链接:http://msdn.microsoft.com/zh-cn/win...

技术联盟 5344

笔试题-2023-星宸-数字IC设计【纯净题目版】

4 笔试题-2023-星宸-数字IC设计【纯净题目版】

w0shishabi的博客 1172

CloudCompare 二次开发(16)——计算点云最值

不依赖任何第三方点云相关库,使用ClopudCompare计算点云最值。

点云侠的博客 518

2025年广东省职业院校技能大赛高职组“区块链技术应用”正式赛题解析答案(标准答案参阅)

某公司规划开发一个区块链供应链金融平台,包括核心企业、供应商、银行等角色,通过智能合约代码逐步构建区块链供应链金融平台的基本功能,实现银行向核心企业提供授信并发行数字凭证,企业与企业之间转让数字凭证。此外需要完成区块链供应链金融平台的前后端,实现基本的业务逻辑

我是网络安全兼技能大赛工程师,专注网络安全技术学习与技能大赛实战!持续分享最新的技术文章,帮你少走弯路,一起在技术赛道上进步~ 1273

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

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")

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

上一篇: C++实战:基于ONNX Runtime与OpenCV部署XFeat图像匹配模型
下一篇: PyQt5+OpenCV打造智能图像分割工具:从滑块调参到自动阈值
人间清醒863
博客等级 码龄3年 33粉丝 1544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