STM32嵌入式PID控制:位置环与速度环的串级设计与调优

基于stm32的直流电机串级PID控制(代码开源) 基于stm32的直流电机串级PID控制,做速度位置控制 阅读详情

1. PID控制基础:从理论到实践

PID控制是工业控制领域最经典的控制算法之一,它在嵌入式系统中有着广泛的应用。简单来说,PID控制器通过比例、积分和微分三个环节来调节系统输出,使被控对象能够快速、稳定地达到期望状态。

比例环节(P) 就像我们开车时看到红灯后的第一反应:离红灯越远,我们踩刹车的力度就越轻;离红灯越近,踩刹车的力度就越大。在电机控制中,P项根据当前位置与目标位置的偏差来产生控制量,偏差越大,输出越大。

积分环节(I) 解决了系统静态误差的问题。就像停车时发现总是离停车线差几厘米,我们会轻轻补一脚油门。在电机控制中,I项会累积历史偏差,逐渐消除稳态误差。但要注意,积分项不能无限累积,否则会导致系统震荡,这就是为什么需要积分限幅。

微分环节(D) 具有预见性,它通过当前偏差的变化率来预测系统未来的行为。就像老司机能根据车速变化趋势提前调整刹车力度,D项可以抑制系统的超调,提高稳定性。

在实际项目中,我经常使用这样一个结构体来管理PID参数:

typedef struct {
    float Kp, Ki, Kd;      // PID参数
    float integral;         // 积分项
    float prev_error;       // 上一次误差
    float output_max;       // 输出限幅
    float integral_max;    // 积分限幅
} PID_Controller;

这种封装方式让PID控制器的使用更加方便,也便于多个控制环的管理。记得在初始化时一定要将所有变量清零,避免随机值导致系统异常。

2. 位置环与速度环的串级设计

串级控制是提高系统控制精度的有效方法。在电机控制中,我们通常采用外环位置环+内环速度环的结构。这种设计就像是一个经验丰富的司机:首先确定要到达的位置(位置环),然后根据当前位置调整车速(速度环)。

外环位置环 负责宏观定位,它计算当前位置与目标位置的偏差,并输出一个期望速度。这个期望速度就是内环速度环的目标值。在实际调试中,我发现位置环的P参数设置尤为关键:太大会导致超调,太小则响应缓慢。

内环速度环 负责微观调速,它根据期望速度与实际速度的偏差来调节电机输出。速度环的响应速度要比位置环快,通常其控制周期是位置环的1/5到1/10。

让我分享一个实际项目的代码实现:

// 位置环计算
float position_loop(PID_Controller* pos_pid, float target, float actual)
{
    float error = target - actual;
    float desired_speed = pos_pid->Kp * error;
    
    // 限幅处理
    desired_speed = constrain(desired_speed, -MAX_SPEED, MAX_SPEED);
    return desired_speed;
}

// 速度环计算
float speed_loop(PID_Controller* speed_pid, float desired_speed, float actual_speed)
{
    float error = desired_speed - actual_speed;
    speed_pid->integral += error;
    
    // 积分限幅
    speed_pid->integral = constrain(speed_pid->integral,
                                  -speed_pid->integral_max,
                                  speed_pid->integral_max);
    
    float output = speed_pid->Kp * error +
                  speed_pid->Ki * speed_pid->integral +
                  speed_pid->Kd * (error - speed_pid->prev_error);
    
    speed_pid->prev_error = error;
    return constrain(output, -speed_pid->output_max, speed_pid->output_max);
}

这种串级结构在实际应用中表现出色,特别是在需要精确定位的场合。外环保证最终定位准确,内环保证运动过程平稳。

3. STM32硬件配置与底层驱动

要实现高质量的PID控制,首先需要正确配置STM32的硬件外设。在我的工程实践中,通常使用TIM定时器产生PWM波驱动电机,同时使用编码器接口测量实际位置和速度。

PWM生成配置 是关键的第一步。以STM32F103为例,配置TIM1的CH1通道产生PWM:

void PWM_Init(uint16_t arr, uint16_t psc)
{
    TIM_TimeBaseInitTypeDef TIM_TimeBaseStructure;
    TIM_OCInitTypeDef TIM_OCInitStructure;
    
    // 时钟使能
    RCC_APB2PeriphClockCmd(RCC_APB2Periph_TIM1, ENABLE);
    
    // 时基配置
    TIM_TimeBaseStructure.TIM_Period = arr;
    TIM_TimeBaseStructure.TIM_Prescaler = psc;
    TIM_TimeBaseStructure.TIM_CounterMode = TIM_CounterMode_Up;
    TIM_TimeBaseInit(TIM1, &TIM_TimeBaseStructure);
    
    // PWM输出配置
    TIM_OCInitStructure.TIM_OCMode = TIM_OCMode_PWM1;
    TIM_OCInitStructure.TIM_OutputState = TIM_OutputState_Enable;
    TIM_OCInitStructure.TIM_Pulse = 0;
    TIM_OCInitStructure.TIM_OCPolarity = TIM_OCPolarity_High;
    TIM_OC1Init(TIM1, &TIM_OCInitStructure);
    
    TIM_CtrlPWMOutputs(TIM1, ENABLE);
    TIM_Cmd(TIM1, ENABLE);
}

编码器接口配置 同样重要。我通常使用正交编码器模式,这样可以获得4倍频的精度:

void Encoder_Init(void)
{
    GPIO_InitTypeDef GPIO_InitStructure;
    TIM_TimeBaseInitTypeDef TIM_TimeBaseStructure;
    TIM_ICInitTypeDef TIM_ICInitStructure;
    
    // 编码器引脚配置
    GPIO_InitStructure.GPIO_Pin = GPIO_Pin_6 | GPIO_Pin_7;
    GPIO_InitStructure.GPIO_Mode = GPIO_Mode_IPU;
    GPIO_Init(GPIOB, &GPIO_InitStructure);
    
    // 定时器基础配置
    TIM_TimeBaseStructure.TIM_Period = 0xFFFF;
    TIM_TimeBaseStructure.TIM_Prescaler = 0;
    TIM_TimeBaseStructure.TIM_ClockDivision = TIM_CKD_DIV1;
    TIM_TimeBaseStructure.TIM_CounterMode = TIM_CounterMode_Up;
    TIM_TimeBaseInit(TIM4, &TIM_TimeBaseStructure);
    
    // 编码器接口配置
    TIM_EncoderInterfaceConfig(TIM4, TIM_EncoderMode_TI12, 
                              TIM_ICPolarity_Rising, 
                              TIM_ICPolarity_Rising);
    TIM_ICStructInit(&TIM_ICInitStructure);
    TIM_ICInit(TIM4, &TIM_ICInitStructure);
    
    TIM_Cmd(TIM4, ENABLE);
}

这些底层驱动的稳定性直接决定了整个控制系统的性能。在实际项目中,我建议为每个外设编写独立的初始化函数,并做好错误处理。

4. 参数整定与调试技巧

PID参数整定是一个需要经验和技巧的过程。经过多个项目的积累,我总结出了一套实用的调试方法。

先调内环后调外环 是基本原则。首先将位置环参数设为0,单独调试速度环。让电机以不同速度运行,观察速度跟踪效果。速度环应该快速且无超调,我通常从较小的P值开始,逐渐增加直到出现轻微震荡,然后回调到稳定状态。

Ziegler-Nichols方法 是经典的参数整定方法,但实际应用中需要灵活调整。我的做法是:先将I和D设为0,逐渐增大P直到系统出现等幅振荡,记录此时的临界增益Ku和振荡周期Tu,然后按照以下规则设置参数:

  • P = 0.6 * Ku
  • I = 2 * P / Tu
  • D = P * Tu / 8

实际调试案例:在调试一个伺服系统时,我发现电机在启动阶段有较大超调。通过分析,发现是积分项积累过快导致的。解决方法是在误差较大时禁用积分,等系统接近目标位置时再启用积分项:

// 条件积分实现
if(fabs(error) > ERROR_THRESHOLD) {
    // 误差较大时只使用PD控制
    output = pid->Kp * error + pid->Kd * derivative;
} else {
    // 误差较小时加入积分项
    pid->integral += error;
    output = pid->Kp * error + pid->Ki * pid->integral + pid->Kd * derivative;
}

这种方法有效解决了启动超调问题,同时保证了定位精度。

5. 野火调试助手的实战应用

野火多功能调试助手是STM32开发的得力工具,特别是在PID参数调试过程中。它能够实时显示系统响应曲线,帮助开发者直观地观察控制效果。

通信协议配置 是关键第一步。我们需要在STM32端实现数据发送函数:

void Send_To_Host(uint8_t cmd, uint8_t ch, void* data, uint8_t num)
{
    uint8_t buffer[20];
    // 构建数据帧
    buffer[0] = 0x59;  // 帧头
    buffer[1] = 0x48;
    buffer[2] = 0x5A;
    buffer[3] = 0x53;
    buffer[4] = ch;     // 通道号
    // 数据长度和命令字
    // 数据内容
    // 校验和
    
    USART_SendData(USART1, buffer, frame_length);
}

多通道数据发送 可以让调试更加高效。我通常使用4个通道:通道1发送目标位置,通道2发送实际位置,通道3发送速度指令,通道4发送实际速度。这样可以在同一个界面观察整个控制过程。

调试技巧分享:在调试过程中,我习惯先给系统一个阶跃信号,观察系统的响应曲线。理想的响应应该是快速上升且超调小。如果超调过大,可以适当增大微分系数或减小比例系数;如果响应过慢,可以适当增大比例系数。

有一次遇到一个棘手的问题:系统在小信号时表现良好,但大信号时震荡严重。通过野火调试助手的数据记录功能,发现是积分饱和导致的。解决方法是在误差较大时暂停积分,这个问题让我深刻认识到积分限幅的重要性。

6. 常见问题与解决方案

在实际项目中,我们会遇到各种意想不到的问题。这里分享几个典型案例和解决方案。

积分饱和问题 是最常见的问题之一。当系统存在较大偏差时,积分项会快速积累,导致系统超调严重。我的解决方案是:

// 抗积分饱和实现
void PID_AntiWindup(PID_Controller* pid, float error, float output_limit)
{
    pid->integral += error;
    
    // 如果输出饱和,停止积分累积
    if(pid->integral > output_limit) {
        pid->integral = output_limit;
    } else if(pid->integral < -output_limit) {
        pid->integral = -output_limit;
    }
}

测量噪声问题 会影响微分项的效果。编码器测量中的噪声会被微分放大,导致控制输出抖动。解决方法是在微分项中加入低通滤波:

// 微分项滤波
float filtered_derivative = 0.9 * filtered_derivative + 0.1 * (error - prev_error);

参数自适应调整 可以提升系统在不同工况下的性能。我实现了一个简单的自适应算法:

// 根据误差大小自适应调整参数
if(fabs(error) > LARGE_ERROR_THRESHOLD) {
    // 大误差时使用 aggressive 参数
    use_aggressive_params();
} else {
    // 小误差时使用保守参数
    use_conservative_params();
}

系统辨识方法 对于复杂系统很有帮助。通过分析系统的阶跃响应,可以估算出系统的数学模型,从而为PID参数整定提供理论依据。我通常记录系统在阶跃输入下的响应曲线,然后计算系统的增益、时间常数等参数。

这些问题的解决需要耐心和系统性的思维。每次遇到问题,都要仔细分析现象,找出根本原因,而不是盲目调整参数。

7. 高级优化技巧与实践经验

在经过多个项目的磨练后,我积累了一些高级优化技巧,这些技巧能够进一步提升系统性能。

前馈控制 可以显著提高系统响应速度。在位置控制中,我们可以在PID输出的基础上加入前馈项:

// 前馈补偿
float feedforward = target_velocity * VELOCITY_FF_GAIN + 
                   target_acceleration * ACCEL_FF_GAIN;
output = pid_output + feedforward;

模糊自适应PID 适合非线性系统。我实现了一个简单的模糊控制器来自动调整PID参数:

// 模糊逻辑调整PID参数
void Fuzzy_Adjust_PID(PID_Controller* pid, float error, float error_change)
{
    // 根据误差和误差变化率模糊调整参数
    if(fabs(error) > 0.5 && fabs(error_change) > 0.3) {
        pid->Kp *= 1.2;
        pid->Ki *= 0.8;
    }
    // 更多模糊规则...
}

多采样率控制 可以优化计算资源使用。内环速度环使用较高的采样率(如1kHz),外环位置环使用较低的采样率(如200Hz)。这样既保证了控制性能,又减轻了CPU负担。

代码优化技巧:在资源受限的STM32平台上,代码效率很重要。我通常使用定点数运算代替浮点数运算,特别是在中断服务程序中:

// 定点数PID计算
int32_t PID_FixedPoint(PID_Controller* pid, int32_t error)
{
    static int32_t integral = 0;
    static int32_t prev_error = 0;
    
    integral += error;
    int32_t derivative = error - prev_error;
    
    int32_t output = (error * pid->Kp + 
                     integral * pid->Ki + 
                     derivative * pid->Kd) >> 8;  // Q格式调整
    
    prev_error = error;
    return output;
}

这些高级技巧需要建立在对基础PID控制的深刻理解之上。建议初学者先掌握基本的PID调试方法,再逐步尝试这些高级技术。

在实际项目中,文档和记录同样重要。我习惯为每个项目建立调试日志,记录参数调整过程和效果,这样不仅便于后续维护,也为类似项目积累了宝贵经验。

记得在调试过程中保持耐心,很多时候一个小小的参数调整需要反复验证多次。好的控制系统是在不断调试和优化中逐渐形成的,这个过程需要技术、经验和耐心的完美结合。

STM32使用串级PID对编码器电机进行控制 PID控制器是一种广泛应用于工业控制系统的反馈控制器,其名称来源于其三种基本控制规律:比例(Proportional)、积分(Integral)和微分(Derivative)。其基本原理是通过反馈实现控制,反馈来源是电机上安装的编码器,编码器种类有很多,常见的是霍尔式还有光电式,本文中使用的电机使用的就是霍尔式编码器电机普通电机上电后即可进行旋转运动,运动方向可以通过调节控制器的高低电平翻转来实现,而调节输出的电压,则可实现对电机的速度调节。 阅读详情

相关推荐

基于stm32的位置和速度双闭环PID直流电机控制

基于stm32的位置和速度双闭环PID直流电机控制为什么要用双闭环PID算法?如何将位置环和速度环一起使用?程序部分代码 为什么要用双闭环PID算法? 在PID算法中,我们如果只是使用单个闭环PID控制会出现很多的不足。例如我们在单独使用位置环时,在电机未能达到预设位置时,电机的运行状态是100%PWM满偏运行的,这样在我们实际运用时,如果我们使用的电机功率很高就会造成速度过快的现象。所以在电机的...

qq_41327460的博客 2万+

【STM32】单级与串级PID控制的C语言实现

笔者最近在学习PID控制器,本文基于Blog做以总结。优快云上已有大量PID理论知识的优秀文章,因此本文将略写理论部分,重点放在应用。PID(比例-积分-微分)控制器是一种广泛用于自动控制系统的闭环反馈控制器,能够实现系统的稳定、快速和精确控制。

AbaAbaxxx_的博客 1998

江协科技-PID实战调参-(项目笔记)-基于STM32的平衡车速度环与位置环控制

本文基于江协科技STM32平衡车项目,详细解析了PID实战调参的核心步骤。重点阐述了速度环与位置环(平衡环)的调参策略:速度环采用PI控制以消除稳态误差,位置环采用PD控制引入阻尼抑制振荡,并强调了双环串联时“先内后外”的整定顺序与传感器滤波、计算周期固定、输出限幅等关键准备工作。

xray4的博客 747

【手把手带你用pid算法控制电机】——(4)串级PID控制电机

串级pid控制电机。

weixin_62261692的博客 1万+

手把手教你实现串级PID电机控制——从原理到实战调参

本文详细介绍了串级PID电机控制的实现方法,从原理分析到STM32实战调参。通过编码器数据采集、位置环与速度环PID实现,以及双环整合技巧,帮助开发者掌握高性能电机控制技术,解决常见调试问题并优化系统性能。

h0i1j2k3l的博客 683

STM32电机双闭环控制:位置环+速度环串级PID的工程实现与调参实战

在工业运动控制与机器人关节驱动中,双闭环串级控制是确保电机精准定位与平稳运行的核心方案。这种控制架构将位置环与速度环分层协同,内环负责快速响应速度波动,外环保证最终位置精度,配合PID算法实现对电机动态过程的精细调节。STM32凭借丰富的外设资源和成熟的HAL库,成为实现此类控制的常用平台。该方案的价值在于通过有效的参数整定,能够同时抑制超调、消除稳态误差并提升抗扰动能力,因而广泛应用于智能车、云台、机械臂等场景。本文基于STM32F4平台,完整展示了位置环与速度环的串级控制实现,涵盖编码器速度计算、位置式

weixin_34194829的博客 239

超详细!一文搞定PID!嵌入式STM32-PID位置环和速度环

本文介绍了PID控制的基本原理与应用。PID控制器由比例(P)、积分(I)、微分(D)三部分组成,分别用于调节当前偏差、消除稳态误差和预测系统行为。文章重点讲解了工程实现中的两个关键限幅技术:积分限幅防止积分项过度累积导致震荡,输出限幅确保PWM信号在有效范围内。并给出了STM32的PID控制工程实现框架,包括定时器配置(PWM生成、采样定时、编码器接口)及中断处理流程。通过这三个定时器的配合,实现了电机位置闭环控制,并将实际速度值通过串口发送给上位机显示。代码示例展示了积分限幅函数和输出限幅的具体实现方法

qq_1033275663的博客 3万+

天池长期赛:二手车价格预测(422方案分享)

本次比赛是一次很好的锻炼数据挖掘能力的入门赛,从EDA-数据清洗-特征工程-模型调参-模型融合,能够完整的学习到大数据的分析和挖掘,值得历练。

weixin_46685991的博客 1万+

foc学习笔记4——速度环和位置环

foc学习笔记4——速度环和位置环 PID的资料网上有很多,包括原理以及调试,相信大家对于PID都有着自己的理解,因此这里就不多介绍了。本节只讲一些针对电机的关键东西,避免新手朋友因为歧义而发生错误。 加上速度环和位置环的foc框图 什么叫串级PID ​ 这里先看一个我自己用的PID代码: struct PID_Type{ float32_t kp; //P、I、D各自参数 float32_t ki; float32_t kd; float32_t target

jdhfusk的博客 2万+

从URDF到Gazebo:一个完整的ROS2机械臂仿真项目实战与避坑指南

本文提供了一个完整的ROS2机械臂仿真项目实战指南,详细讲解了从URDF建模、ROS2 Control配置、MoveIt2集成到Gazebo仿真的全流程。文章重点分享了URDF惯性参数设置、Gazebo插件选择、MoveIt2配置修正等关键步骤的避坑经验,帮助开发者快速搭建可用的六轴机械臂仿真环境,实现从静态模型到物理仿真的跨越。

weixin_29279153的博客 277

threejs加载3dtiles(倾斜摄影)数据

1、安装3dTilesRenderer 插件 使用npm 安装 npm install 3d-tiles-renderer --save 或者去官网下载都行 GitHub - NASA-AMMOS/3DTilesRendererJS: Renderer for 3D Tiles in Javascript using three.js 2、使用 首先引入,在填入3dtiles数据的地址,可以是文件路径也可以是网站路径 const tilesRenderer = new TilesRend..

weixin_39481659的博客 1万+

嵌入式STM32-PID位置环和速度环

本文围绕STM32中的PID控制展开。介绍了PID的比例、积分、微分三部分作用,以及积分限幅和输出值限幅。阐述了位置式、增量式和串级PID的原理与代码。还讲述了Kp、Ki、Kd调参要点,并介绍了野火多功能调试助手的调参方法及通信代码。

weixin_43932886的博客 1271

elegant(ELEctron Generation ANd Tracking)入门指南(1)

elegant (ELEctron Generation ANd Tracking),美国先进光子源(APS)所用的圆环加速器的模拟程。

qq_41106132的博客 1850

STM32串级PID电机控制:位置与速度双环实现

串级PID是一种将控制系统解耦为外环(如位置)与内环(如速度)的分层反馈架构,其核心在于目标值的动态映射与频带分离,以兼顾响应速度、稳态精度与抗扰性。该架构广泛应用于直流/步进电机运动控制,尤其在嵌入式平台(如STM32)中需结合编码器测速、PWM驱动与实时中断调度进行工程落地。关键技术价值体现在参数整定可预测、抗负载扰动能力强、避免积分饱和等;典型应用场景包括机器人关节定位、AGV底盘控制、精密传送系统等。本文聚焦基于STM32F4的串级PID软硬件协同实现,涵盖增量式与位置式PID选型依据、编码器接口配

hhh00的博客 868

ZYNQ专题-7020驱动KSZ9031 PHY芯片

之所以有这篇文章,得益于Alinx的开发板。

Anitawen的博客 4972

Linux CentOS7文件系统(/dev/var)的容量扩充

原因是之前安装docker后,再想安装Nessus,系统说home、var文件系统的内存都不够。

JHoanna的博客 3226

**无人机水平方向四环串级控制,竖直方向三环串级控制

首先我是看无名的无人机是四环串级控制 后来我分析正点原子的非控股源码发现正点原子也是四环串级控制 https://blog.youkuaiyun.com/sinat_16643223/article/details/106325836 刚刚我看《多旋翼无人机技术基础》这本书,发现这本书里面讲的也是四环串级控制,都是位置环+速度环+角度环+角速度环 ...

自主无人机 PX4 ROS SLAM 路径规划 MVS等技术分享 3016

【OTFS与信号处理:论文阅读4】OTFS时延多普勒域嵌入导频辅助信道估计(已更新)

【OTFS与信号处理:论文阅读】Embedded Pilot-Aided Channel Estimation for OTFS in Delay–Doppler Channel(快来看看OTFS嵌入式导频设计的经典之作!!!)

Cuby的博客 5340

串级PID控制:内环外环设计全解析

摘要: 串级PID控制系统中,内环和外环的确定遵循"响应速度决定层级"原则。内环负责快速执行和抗扰动,控制快速变化的物理量(如电机转速);外环负责宏观决策,控制响应较慢的物理量(如位置)。以无人机控制为例,采用三级串级结构:外环位置环(50Hz)→中环角度环(250Hz)→内环角速度环(500Hz-1kHz)。参数整定需从内到外逐级进行,内环要求快速无超调,外环侧重精确跟踪。其他典型应用包括平衡车、电机调速等系统。

Shylock_Mister的博客 2598

学习QT之应用程序打包发布

一、编译QT程序(release编译) 二、将release文件夹中的可执行文件复制到一个空的文件夹中 三、使用windeployqt打包工程 切换到可执行文件路径,执行windeployqt xxx.exe: 然后就会将程序所需要用到的资源以及库文件生成到可执行文件路径下: 此时应用程序就可以点击运行了。 四、使用Enigma Virtual Box封包(将文件夹内的文件集成为单可执...

贝勒里恩的博客 763

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

【Servo】现代控制系统中常用的概念之速度环、位置环

现代控制系统中常用的概念之速度环、位置环

weixin_44939430的博客 2656

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")

上一篇: 告别电脑!安卓手机秒变专业局域网扫描仪,这款神器太强了
下一篇: 从零到全向移动:揭秘麦克纳姆轮背后的运动学与Arduino控制艺术
ruby5
博客等级 码龄15年 29粉丝 893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