25、导抗模拟方法在滤波器设计中的应用

导抗模拟方法在滤波器设计中的应用

1. 引言

采用插入损耗法设计的双电阻端接 LC 滤波器,旨在实现通带内的最大功率传输,具有极小的元件灵敏度。由此可以推测,模拟 LC 滤波器能量关系的有源 RC 滤波器也将具备较低的元件灵敏度。本文将探讨几种利用有源元件实现 LC 网络中某些非理想电路元件的方法,这些方法被称为导抗模拟方法,因为它们模拟了阻抗和导纳。

电感可以通过广义导抗转换器(GIC)来实现,其输入阻抗为:
[Z_{in}(s) = K(s)Z_{L}^{-1}]
通过选择合适的 (K(s)) 和指数,可得到不同类型的转换器和逆变器,例如正阻抗转换器(PIC),其中 (K(s) = ks) 且符号为正;正阻抗逆变器(PII),其中 (K(s) = k) 且符号为负。

2. 基于 PIC 的模拟

电感可以用一个加载有电阻的 PIC 来模拟。最常见且最佳的实现方式基于 Antoniou 的 GIC。然而,在实际应用中,实现浮动电感(即一端不接地的电感)较为困难。适合的 LC 梯形结构,如高通(HP)和带通(BP)滤波器,仅包含接地电感,且在上阻带没有有限零点,最多在 (s = 1) 处有一个零点。下面通过一个例子来演示该方法。

2.1 示例 8.1:实现 Cauer HP 滤波器

要求:(A_{max} = 0.01087 dB),(A_{min} = 60 dB),(f_c = 16 kHz),(f_s = 6 kHz),(R_s = R_L = 50 \Omega)。
步骤如下:
1. 映射到相应的低通(LP)要求 :
- (\Omega_c = \omega_{I}^{2}/\omega_c),其中 (\omega_c = 2\pi f_c = 2\pi\times16 krad/s)。
- (\Omega_s = \omega_{I}^{2}/\omega_s),其中 (\omega_s = 2\pi f_s = 2\pi\times6 krad/s)。
- 选择 (\omega_{I}^{2}) 使得 (\Omega_c = 1),即 (\omega_{I}^{2} = \omega_c),则 (\Omega_s = \omega_{I}^{2}/\omega_s = \omega_c/\omega_s = 16/6 = 2.666)。
2. 选择 LP 滤波器和梯形结构 :选择 LP 滤波器 C051523 和仅含两个电容的 T 型梯形结构。因此,相应的 HP 滤波器仅需模拟两个电感。
3. 归一化元件值 :(L_1 = 0.732110),(L_2 = 0.044113),(C_2 = 1.261137),(L_3 = 1.496225),(L_4 = 0.121060),(C_4 = 1.149490),(L_5 = 0.662813),(R_s = R_L = 1)。
4. 转换为 HP 滤波器元件并改变阻抗水平 :
- (l_{HP} = R_0/(\omega_{I}^{2}C_{LP}) = R_0/(\omega_cC_{LP}))
- (c_{HP} = 1/(R_0\omega_{I}^{2}L_{LP}) = 1/(R_0\omega_cL_{LP}))
其中 (R_0 = 50 \Omega),得到:
- (c_1 = 271.7401 nF)
- (c_2 = 4.509865 mF)
- (l_2 = 0.3943736 mH)
- (c_3 = 132.9637 nF)
- (c_4 = 1.643348 mF)
- (l_4 = 0.4326781 mH)
- (c_5 = 300.1505 nF)
5. 用 PIC 替换接地电感 :每个接地电感用一个加载有电阻的 PIC 替换,其中 (l_2 = kr_2) 且 (l_4 = kr_4),转换函数为 (K(s) = ks)。
6. 使用 Antoniou 的 GIC 实现 :图 8.2 展示了使用 Antoniou 的 GIC 的相应实现。为简化起见,使用图 8.2 右侧所示的符号表示 Antoniou 的 GIC,其中 (R_2 = R_3)。使用匹配的运算放大器很重要。在理想运算放大器的情况下,根据方程(5.63),输入阻抗为:
[Z_{in} = \frac{R_1R_3}{R_2(1/sC_4)}r]
为了最小化运算放大器有限带宽的影响,选择 (\omega_cC_4r_2 = 1),(\omega_cC_4r_4 = 1),且 (R_2 = R_3)。选择 (C_4 = 1 nF),则 (r_2 = r_4 = 1/(\omega_cC_4) = 9.94719 k\Omega)。从方程(5.63),当 (R_2 = R_3 = 10 k\Omega) 时,对于第一个和第二个 PIC 中的电阻 (R_1),分别得到 (R_1 = l_2/(r_2C_4) = 39.6468 \Omega) 和 (R_1 = l_4/(r_4C_4) = 43.4975 \Omega)。

2.2 流程总结

步骤 操作
1 将 HP 滤波器要求映射到 LP 滤波器要求
2 选择合适的 LP 滤波器和梯形结构
3 确定归一化元件值
4 将 LP 元件转换为 HP 元件并改变阻抗水平
5 用 PIC 替换接地电感
6 使用 Antoniou 的 GIC 实现并选择合适的元件值

2.3 流程图

graph TD;
    A[开始] --> B[映射到 LP 要求];
    B --> C[选择 LP 滤波器和梯形结构];
    C --> D[确定归一化元件值];
    D --> E[转换为 HP 元件并改变阻抗水平];
    E --> F[用 PIC 替换接地电感];
    F --> G[使用 Antoniou 的 GIC 实现];
    G --> H[选择合适的元件值];
    H --> I[结束];

3. 基于回转器的模拟

电感也可以用一个加载有电容的回转器来实现。这种方法也最适合具有接地电感的 LC 结构。回转器是一种非互易二端口网络,定义如下:
[\begin{cases}V_1 = -r_1I_2\I_1 = \frac{V_2}{r_2}\end{cases}]
其中 (r_1) 和 (r_2) 是大于 0 的实常数。如果 (r_1 = r_2),则回转器是一个无损电路元件。根据第 5.4.4 节,回转器是一个正阻抗逆变器(PII),端口 1 的输入阻抗为:
[Z_{in1} = \frac{B(s)}{C(s)}Z_2 = \frac{r_1r_2}{Z_2}]
对于图 8.3 所示的电路,输入阻抗为:
[Z_{in}(s) = r^2Cs]
因此,电感可以用一个加载有电容的回转器来模拟。

回转器有离散的集成电路可供使用,如 TCA 580 和 TESLA SN150 10,但由于与运算放大器相比市场相对有限,它们尚未取得商业成功。然而,回转器可以用仅包含晶体管和电容的电路来实现,晶体管数量与运算放大器大致相同。因此,基于回转器的方法非常适合并常用于集成有源滤波器中。

3.1 示例 8.2:用回转器实现相同的滤波器

根据方程(8.4),电感可以用加载有电容的回转器替换,如图 8.4 所示。得到 (C_2 = r^2l_2) 且 (C_4 = r^2l_4)。这种方法的一个优点是,在数字 CMOS 技术中,实现高质量的电容比实现电阻更容易。

3.2 基于跨导器的回转器 - C 滤波器

在导抗模拟方法中,一些元件被等效网络所替代,例如电感被加载有电容的回转器所替代。接地电感可以使用一个电容和由两个跨导器实现的回转器来实现,如图 5.55 所示。然而,许多结构,如 Cauer 滤波器(图 8.5),包含浮动电感。图 8.6 展示了如何用回转器和电容模拟图 8.5 所示梯形网络中的浮动电感。浮动电感由图 5.58 所示的电路实现。需要注意的是,所得电路包含两个浮动电容,其上下极板的寄生电容会加到电容 (C_1)、(C_3) 和 (C_5) 上。连接到高阻抗节点的浮动导抗会受到寄生电容的影响,从而影响频率响应。如示例 5.3 所示,浮动阻抗可以用两个回转器之间的并联导纳来替代,如图 8.7 所示,其中 (Z = r^2Y)。

一种更好且更通用的方法是使用图 8.7 所示的等效网络将串联导纳转换为接地阻抗,如图 8.8 所示。具有有限零点和并联谐振类型串联臂的 LP 滤波器可以根据图 5.59 和 5.61 转换为接地串联谐振电路,其中 (Z_i’ = Y_i/(g_{m2}g_{m3})) 且 (g_{m1} = g_{m3})。

3.3 基于 CCII 的回转器 - C 滤波器

本节展示了如何使用由电流传送器实现的回转器 - C 电路来模拟 LC 滤波器。

3.3.1 示例 8.3

图 8.9 所示的 Cauer LC 滤波器满足以下要求:(\omega_c = 10 Mrad/s),(\omega_s = 52.4 Mrad/s),(A_{max} = 0.1 dB),(A_{min} = 50.5 dB),元件值为 (R_s = R_L = 50 \Omega),(C_1 = C_3 = 2.020486 pF),(C_2 = 49.048 pF),(L_2 = 5.59284 mH)。

图 8.10 展示了使用电流传送器的相应实现。传送器 1 实现了一个电压控制电流源(VCCS),传送器 2 实现了源电阻 (R_s)。如果选择 (r = r_3 = r_4 = r_5 = r_6),则可得到一对对称的回转器,根据方程(5.65),这对应于一个电感为 (L = r^2C) 的串联电感。当 (r = 2158.87 \Omega) 且 (C = 1.2 pF) 时,(L_2 = 5.59284 mH)。可以选择 (r_1 = ar_L) 以将增益提高 (a) 倍。例如,当 (R_s = R_L) 时,(a = 2) 可以补偿衰减 (R_L/(R_s + R_L) = 1/2)。

3.4 流程总结

步骤 操作
1 确定滤波器要求和元件值
2 用加载有电容的回转器替换电感
3 处理浮动电感和寄生电容问题
4 使用电流传送器实现回转器 - C 滤波器
5 调整元件值以满足滤波器要求

3.5 流程图

graph TD;
    A[开始] --> B[确定滤波器要求和元件值];
    B --> C[用回转器替换电感];
    C --> D[处理浮动电感和寄生电容];
    D --> E[使用电流传送器实现];
    E --> F[调整元件值];
    F --> G[结束];

4. Gorski - Popiel 方法

Gorski - Popiel 方法是阻抗模拟方法的推广。在该方法中,滤波器被分为两部分:包含所有电感的网络 (N_L) 和包含其余电路元件的网络 (N_1)。然后,将网络 (N_L) 中的所有阻抗除以 (ks) 进行频率变换。由于 (N_L) 仅由电感组成,变换后的网络将具有相同的拓扑结构,但仅由电阻组成。为了不影响网络 (N_1),在两个网络之间放置 (K(s) = ks) 的 PIC,如图 8.11 所示。

Gorski - Popiel 方法适用于具有浮动电感的网络,如低通(LP)和带通(BP)滤波器。需要注意的是,在许多情况下,PIC 的数量少于电感的数量。

4.1 具体步骤

考虑图 8.12 所示的网络,其中仅 (N_L) 包含电感。
1. 第一步 :在 (N_1) 和 (N_L) 之间插入一个 PIC。根据方程(5.20),输入阻抗 (Z_{in1}) 为 (Z_{in1} = \frac{A(s)}{D(s)}Z_L = k_1sZ_L),其中 (Z_L) 是 (N_L) 网络左端口的输入阻抗。为了不改变 (Z_{in1}),将网络 (N_L)、(N_2) 和 (N_3) 中的所有阻抗除以 (k_1s)。得到的网络如图 8.13 所示。在修改后的网络 (N_L) 中,电感现在变成了电阻,而在 (N_2) 和 (N_3) 中,电阻和电容分别变成了电容和超级电容。
2. 第二步 :在 (N_L) 和 (N_2) 之间插入一个 PIC,端口如图 8.14 所示。根据方程(5.21),输入阻抗 (Z_{in2}) 为 (Z_{in2} = \frac{D(s)}{A(s)}Z_{load} = \frac{1}{k_2s}Z_{load}),其中 (Z_{load}) 是 (N_2) 网络左端口的输入阻抗。为了不改变 (Z_{in2}),将网络 (N_2) 中的所有阻抗乘以 (k_2s)。因此,(N_2) 中的阻抗与原始网络中的阻抗相同,只是有一个实比例因子 (k_2/k_1)。然而,(N_3) 中原始的电阻和电容分别变成了电容和超级电容。
3. 第三步 :在 (N_L) 和 (N_3) 之间插入一层 PIC,如图 8.15 所示。这样,网络 (N_3) 被转换回原始状态,只是有一个实比例因子 (k_3/k_1)。

Antoniou 的 GIC 的转换因子 (k = R_1C_4)(当 (R_2 = R_3) 时),应根据以下讨论的方法进行选择,以最小化运算放大器有限带宽的影响。

4.2 元件选择方法

从对图 8.16 中网络 (N_L) 的阻抗分析开始:
1. 首先选择 (R_1 = \frac{V_1}{I_1}\big| {\omega = \omega_c})。
2. 然后选择 (C_1),使网络 (N_L) 中的电阻获得合适的值。
3. 接着选择 (C_2 = \frac{R_1C_1}{\big|\frac{V_4}{I_4}\big|
{\omega = \omega_c}})。
4. 选择 (R_2),使网络 (N_2) 中的阻抗获得合适的值。
5. 选择 (C_3 = \frac{R_1C_1}{\big|\frac{V_2}{I_2}\big| {\omega = \omega_c}}),(C_4 = \frac{R_1C_1}{\big|\frac{V_3}{I_3}\big| {\omega = \omega_c}})。
6. 最后,必须选择 (R_3C_3 = R_4C_4),因为最后两个 PIC 必须具有相同的转换因子 (k_3)。

4.3 示例 8.4

考虑图 3.68 中的梯形网络,消除最右侧的并联电感后,得到图 8.17 所示的梯形网络,其中 (C_4 = n(n - 1)C_{2b}+n^2C_3)。
1. 首先提取电感网络,如图 8.18 所示。
2. 电感网络只有三个端口与梯形网络的其余部分相连,因此需要三个正阻抗转换器,且它们必须具有相同的转换因子 (K(s) = ks)。得到的实现如图 8.19 所示,其中 (R_1 = \frac{L_1}{k}),(R_2 = \frac{L_{2a}}{k}),(R_3 = \frac{L_{2b}}{k(1 - n)}),(R_4 = \frac{L_{2b}}{kn})。

4.4 流程总结

步骤 操作
1 提取电感网络 (N_L)
2 第一步:在 (N_1) 和 (N_L) 间插入 PIC,对 (N_L)、(N_2)、(N_3) 阻抗除以 (k_1s)
3 第二步:在 (N_L) 和 (N_2) 间插入 PIC,对 (N_2) 阻抗乘以 (k_2s)
4 第三步:在 (N_L) 和 (N_3) 间插入 PIC,使 (N_3) 恢复(有比例因子)
5 选择合适的元件值(如 (R_1)、(C_1) 等)

4.5 流程图

graph TD;
    A[开始] --> B[提取电感网络 \(N_L\)];
    B --> C[第一步:插入 PIC 并阻抗变换];
    C --> D[第二步:插入 PIC 并阻抗变换];
    D --> E[第三步:插入 PIC 并恢复 \(N_3\)];
    E --> F[选择合适的元件值];
    F --> G[结束];

5. Bruton 方法

Bruton 方法是 Gorski - Popiel 方法的推广。与仅对电感网络中的元件进行频率变换不同,Bruton 方法将所有电路元件的阻抗乘以 (1/s) 或 (s) 进行变换。由于(电压)传递函数是不同阻抗之间的比值,因此阻抗的变换不会影响传递函数。

5.1 定理

如果网络中的所有阻抗都乘以相同的函数 (g(s)),则所有类型为 (V_{out}/V_{in}) 和 (I_{out}/I_{in}) 的传递函数以及所有输入和输出阻抗都是不变的。

5.2 阻抗变换规则

  • 乘以 (s) 时 :
    • 电阻 (R) 变为电感 (Ls)(电感值 (L = R))。
    • 电感 (Ls) 变为超级电感 (Es^2)(超级电感值 (E = L) [Hs])。
    • 电容 (1/sC) 变为电阻 (R)(电阻值 (R=\frac{1}{C}))。
  • 乘以 (1/s) 时 :
    • 电阻 (R) 变为电容 (1/s^2D)(电容值 (C=\frac{1}{R}))。
    • 电感 (Ls) 变为电阻 (R)(电阻值 (R = L))。
    • 电容 (1/sC) 变为超级电容 (1/s^2D)(超级电容值 (D = C) [Fs])。

超级电感在实际中不可用,因为它们代表二阶导数。微分器的幅度函数随频率线性增加,超级电感更是如此,即高频噪声将被强烈放大,任何包含此类元件的电路的信噪比都将很差。

5.3 示例 8.5

实现图 8.21 所示的梯形网络,滤波器需满足以下要求:(A_{max} = 1 dB),(A_{min} = 40 dB),(\omega_c = 22 krad/s),(\omega_s = 38 krad/s)。
1. 确定元件值 :去归一化后的元件值为 (R_s = R_L = 1 k\Omega),(L_1 = 60.86877 mH),(L_2 = 10.791805 mH),(C_2 = 55.841824 nF),(\omega_{02} = 40.7355 krad/s),(L_3 = 65.099016 mH),(C_4 = 70.125962 nF)。
2. 阻抗变换 :由于 T 型网络包含三个电感和仅两个电容,将所有阻抗乘以 (k/s) 是合适的,这样可以得到一个具有超级电容的滤波器结构。选择常数 (k = 10^5 [1/s]),使元件获得合适的值。变换后的元件值如下:
- (R_sk/s) 变为 (1/(c_1s)),其中 (c_1 = \frac{1}{R_sk}=\frac{1}{1000\times10^5}=10 nF)。
- (sL_1k/s) 变为 (r_1 = kL_1 = 10^5\times60.86877\times10^{-3}=6086.88 \Omega)。
- (sL_2k/s) 变为 (r_5 = kL_2 = 10^5\times10.791805\times10^{-3}=1079.18 \Omega)。
- (k/(C_2s^2)) 变为 (D_4 = \frac{C_2}{k}=55.841824\times10^{-9}/10^5 = 55.841824\times10^{-14} Fs)。
- (sL_3k/s) 变为 (r_6 = kL_3 = 10^5\times65.099016\times10^{-3}=6509.9 \Omega)。
- (k/(C_4s^2)) 变为 (D_6 = \frac{C_4}{k}=70.125962\times10^{-9}/10^5 = 70.125962\times10^{-14} Fs)。
- (R_Lk/s) 变为 (1/(c_2s)),其中 (c_2 = \frac{1}{R_Lk}=\frac{1}{1000\times10^5}=10 nF)。
3. 实现超级电容 :超级电容可以用一个加载有电容的 GIC 来实现。从方程(5.63),当 (Z_1 = 1/sC),(Z_2 = Z_3 = R),(Z_4 = R_4),(Z_5 = 1/sC) 时,输入阻抗为 (Z_{in}(s)=\frac{1}{s^2C^2R_4}=\frac{1}{s^2D}),其中 (D = C^2R_4)。
- 对于超级电容 (D_4),选择 (R_2 = R_3 = R = 10 k\Omega),由 (\omega_cC_4R_4 = 1) 可得 (C_4 = D_4\omega_c = 12.2852 nF),(R_4 = 3.6999 k\Omega)。
- 同理,对于超级电容 (D_6),可得 (C_6 = D_6\omega_c = 15.4277 nF),(R_6 = 2.9463 k\Omega)。
4. 解决直流偏置问题 :运算放大器的两个输入都需要一个到地或到运算放大器输出的直流路径来提供偏置电流。在图 8.22 中,由于电容 (c_1) 和 (c_2) 的存在,没有这样的直流路径到地。一种解决方法是将 (c_1) 和 (c_2) 与两个电阻 (R_{1p}) 和 (R_{2p}) 并联。选择 (R_{1p} = 56 k\Omega) 和 (R_{2p} = 81 k\Omega),使得参考滤波器在 (\omega = 0) 时的增益 (|H| = 0.5) 也适用于 FDNR 滤波器,且 (R_{1p}) 和 (R_{2p}) 应远大于 (r_1) 和 (r_6)。输出还需要一个缓冲放大器,因为输出可能不能加载。

5.4 流程总结

步骤 操作
1 确定滤波器要求和原始元件值
2 选择合适的阻抗变换因子 (k/s) 进行阻抗变换
3 用加载有电容的 GIC 实现超级电容
4 解决运算放大器输入的直流偏置问题
5 添加输出缓冲放大器

5.5 流程图

graph TD;
    A[开始] --> B[确定要求和元件值];
    B --> C[进行阻抗变换];
    C --> D[实现超级电容];
    D --> E[解决直流偏置问题];
    E --> F[添加输出缓冲放大器];
    F --> G[结束];

6. 问题与实践

提供了一系列设计问题,涵盖了不同类型滤波器的设计和实现,包括二阶陷波滤波器、Chebyshev I 型滤波器、Cauer 滤波器等,要求使用不同的模拟方法(如 PIC、回转器、Gorski - Popiel 方法、Bruton 方法等)来实现这些滤波器,并确定合适的元件值。这些问题有助于深入理解和掌握各种导抗模拟方法在滤波器设计中的应用。

综上所述,不同的导抗模拟方法在滤波器设计中各有优劣。基于 PIC 的方法适合接地电感的模拟,基于回转器的方法在集成有源滤波器中有优势,Gorski - Popiel 方法适用于具有浮动电感的网络,Bruton 方法则提供了一种更广泛的阻抗变换方式。在实际应用中,需要根据滤波器的具体要求和结构特点选择合适的方法。

相关推荐

openworker(Python)

「openworker(Python)」是开源项目(Python)。源码完整,下载解压即可查看使用,适合学习参考、课程设计与二次开发。

用于加权和帕累托粒子群优化的灰度与彩色图像增强的可复现MATLAB工具箱.rar

用于加权和帕累托粒子群优化的灰度与彩色图像增强的可复现MATLAB工具箱.rar

STM32 低功耗模式与唤醒源-三级休眠怎么选、电流为什么降不下来 / SLEEP·STOP·STANDBY 对照 / 唤醒源清单 / 四层漏电排查 / 功耗预算算法

三级休眠怎么选、电流为什么降不下来 / SLEEP·STOP·STANDBY 对照 / 唤醒源清单 / 四层漏电排查 / 功耗预算算法。适用:STM32F1 / F4 系列,电池供电或需要长时间待机的场景。三级模式对照 · 唤醒源与恢复动作 · 四层漏电排查 · 功耗预算算例 · 故障表。v1.0 · 硬件开发参考资料。进得去、醒得来、电流真降——三件事分别对应三套动作。手册写着 STOP 只要十几微安,自己板子量出来却是一毫安——差的那部分不在芯片里。平均电流 = 休眠电流 × 休眠占比 + 工作电流 × 工作占比,先用这条式子定方向再改电路

【塑料加工工程】气体辅助注塑成型工艺技术:厚壁件中空减重与缩痕控制的系统性解决方案

内容概要:本文系统阐述了气体辅助注塑成型(GAIM)在厚壁塑料制品中实现中空减重与缩痕控制的核心技术原理与工程应用方案。针对传统注塑中因保压压力衰减、浇口冻结导致的缩痕、缩孔、内应力、超重及高锁模力等耦合缺陷,GAIM通过“短射+注气”方式,在熔体芯部形成连续中空气道,利用高压氮气实现内部等压补缩,从根本上重构了压力传递路径。文章深入剖析了短射率、延迟时间、分段气压、氮气纯度等关键参数的作用机制,提出了涵盖模具设计(气针布局、气道拓扑、溢料井)、CAE仿真前置、质量评价体系(CT检测、壁厚均匀性、缩痕等级)及量产管控(SPC、缺陷诊断矩阵)的全流程解决方案。; 适合人群:从事注塑工艺开发、模具设计、高分子材料成型及相关制造领域的工程师与技术人员,尤其适用于具备一定注塑基础、致力于解决厚壁件成型难题的研发人员。; 使用场景及目标:①解决厚壁注塑件的缩痕、缩孔与残余应力问题;②实现产品轻量化设计并降低锁模力与生产周期;③指导GAIM工艺调试、模具开发与缺陷排查,提升量产稳定性与经济效益;④为新材料、新结构的工艺可行性评估提供理论依据。; 阅读建议:此资源强调理论与实践结合,建议读者在掌握聚合物流变学与传热学基础知识的前提下,结合实际案例对照参数窗口与缺陷诊断矩阵进行学习,并重视CAE仿真与首件CT检测在工艺开发中的前置作用,避免仅凭经验调机。

压铸工艺基于壁厚参数的结构设计与工艺协同优化:铝合金压铸件缺陷控制与模具寿命提升方法研究

内容概要:本文系统阐述了压铸件结构设计与工艺参数之间的内在关联,强调结构设计是决定压铸成败的关键因素,约80%的模具与工艺问题源于设计不符合压铸成形规律。文章围绕壁厚、脱模斜度、圆角、加强筋、局部特征等核心结构要素,深入剖析其对填充、凝固、缺陷形成及模具寿命的影响,并建立“结构—工艺—缺陷”的因果链条。同时介绍了真空压铸、超低速层流+局部挤压、半固态压铸、一体化压铸及CAE仿真等现代技术如何优化传统设计约束,推动设计从经验导向转向预测导向。; 适合人群:从事压铸产品设计、模具开发、工艺调试的工程师,以及材料成型、机械制造等相关专业的技术人员与高校师生。; 使用场景及目标:①指导压铸件结构设计合理性评估,避免因结构问题导致缩孔、气孔、变形等缺陷;②优化工艺参数匹配,提升良品率与模具寿命;③应用现代压铸技术突破传统设计局限,实现高性能复杂铸件开发;④结合CAE仿真实现设计前置验证,减少试模成本。; 阅读建议:此文档兼具理论深度与工程实践性,建议结合具体设计案例对照文中参数标准与设计反例进行逐项核查,并充分利用CAE工具对充型、凝固、应力等过程进行模拟验证,真正实现“设计即正确”。

T03_eVTOL低空经济低空无人机AI识别自动处理图像项目设计方案_技术方案版.pptx

T03_eVTOL低空经济低空无人机AI识别自动处理图像项目设计方案_技术方案版.pptx

python 操作海康威视工业相机资源例子--ParametrizeCamera_LoadAndSave.zip

python 操作海康威视工业相机资源例子--ParametrizeCamera_LoadAndSave

工控工程师求职简历包 3模板8话术 上位机自动化岗位专用

内容概要:工控工程师求职简历包v1.0,3套简历模板+8个面试话术,8页PDF,专为工控/上位机/自动化/PLC岗位定制,含项目描述写法与技术关键词优化。适用人群:工控求职工程师、自动化专业应届生、跳槽人员。使用场景:简历制作、面试准备。原创整理。

科研创新行业可信数据空间应用规划方案(生态合作版).pptx

科研创新行业可信数据空间应用规划方案(生态合作版).pptx

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同三维避障路径规划中的应用,旨在实现最低成本的飞行路径。目标函数综合考虑路径长度、飞行高度、环境威胁和转弯角度等因素,通过改进蜣螂算法提升搜索效率与全局优化能力,有效解决复杂三维空间中多无人机集群的路径规划与避障问题。文中详细阐述了算法改进策略、三维环境建模方法以及多无人机协同机制,并通过Matlab仿真验证了该方法在降低飞行成本、提高避障能力和路径平滑性方面的优越性能。; 适合人群:具备一定优化算法和无人机控制基础,从事智能优化、路径规划或集群控制研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于多无人机在复杂三维环境下的协同任务执行,如灾害救援、军事侦察与智能巡检;②为解决多目标路径优化问题提供高效智能算法方案,提升无人机系统的自主性与安全性。; 阅读建议:建议结合Matlab代码深入理解算法实现细节,重点关注多策略改进机制与目标函数设计,可通过调整环境参数和算法配置进行仿真实验,进一步掌握其在不同场景下的适应性与优化效果。

悬臂梁冲击事件的解析有限元解研究(Matlab代码实现)

内容概要:本文围绕“悬臂梁冲击事件的解析有限元解研究”展开,结合Matlab代码实现,系统探讨了悬臂梁在冲击载荷作用下的动力学响应问题。研究采用有限元方法对悬臂梁结构进行建模,涵盖一维杆单元与二维梁单元等多种单元类型,通过解析与数值相结合的方式求解结构的动态行为,重点分析冲击过程中的位移、应力与应变响应规律。文中详细阐述了有限元离散化策略、刚度与质量矩阵的构建、边界条件处理以及时间积分算法等关键技术环节,并通过Matlab编程实现全过程仿真,验证了数值方法的准确性与有效性。该研究为结构动力学问题提供了可复现的仿真框架,有助于深入理解冲击载荷下工程结构的力学行为机制。; 适合人群:具备结构力学基础知识和Matlab编程能力的理工科研究生、科研人员及工程技术人员,特别适用于从事结构动力学、振动分析、有限元仿真等相关领域的研究人员。; 使用场景及目标:①掌握悬臂梁冲击问题的有限元建模与数值求解流程;②学习Matlab在结构动力学仿真中的编程实现方法;③为复杂工程结构在动态载荷下的响应分析提供理论指导与代码参考。; 阅读建议:建议读者结合文中提供的Matlab代码逐段调试运行,深入理解单元离散、矩阵组装、时间步进求解等核心步骤,同时可尝试扩展至不同边界条件、加载方式或更高维单元类型,以深化对有限元方法的理解与应用能力。

【Linux系统】Linux groupadd命令详解

内容概要:本文详细介绍了Linux系统中的`groupadd`命令,该命令用于创建新的用户组,是系统管理员进行用户权限管理的重要工具。文章讲解了命令的基本语法及其在`/etc/group`和`/etc/gshadow`文件中的信息存储机制,并重点解析了常用选项的功能与使用方法,如指定GID(-g)、创建系统组(-r)、强制执行(-f)、允许非唯一GID(-o)、设置组密码(-p)、批量添加初始用户(-U)以及覆盖系统配置(-K)等,同时强调了安全性注意事项,例如避免使用明文可见的密码选项。此外还提供了各选项的速查表以便快速参考。; 适合人群:具备基本Linux系统操作能力的运维人员、系统管理员或初级开发人员,尤其适用于正在学习用户权限管理相关内容的技术人员。; 使用场景及目标:①在服务器上创建具有特定GID的用户组以满足权限分配需求;②自动化脚本中安全地创建用户组(配合-f选项);③为特定服务或应用创建隔离的系统组;④批量初始化用户与组关系,提升运维效率。; 阅读建议:学习时应结合实际环境进行操作验证,注意区分普通组与系统组的用途,避免滥用不安全选项(如-p),建议优先理解系统默认配置(如/etc/login.defs)对GID分配的影响,并通过-help选项熟悉本地系统的具体实现差异。

有限元悬臂梁-含一维和二维多种单元类型研究(Matlab代码实现)

内容概要:本文围绕“有限元悬臂梁——含一维和二维多种单元类型研究”展开,利用Matlab编程实现悬臂梁在不同单元类型下的有限元分析,涵盖一维梁单元与二维平面单元等多种建模方式,系统研究其变形、应力分布等力学特性。文中详细阐述了有限元法的基本理论框架,包括单元刚度矩阵的推导、整体刚度矩阵的组装、边界条件处理及载荷施加方法,并通过典型算例验证了数值模型的准确性与可靠性。研究进一步对比了多种单元类型在计算精度、收敛性与计算效率方面的表现,同时引入多重网格高斯-赛德尔迭代法等高效求解策略,以提升大规模线性方程组的求解性能。该工作为复杂工程结构的有限元建模与仿真分析提供了可复用的技术路径与方法参考。; 适合人群:具备有限元分析基础和Matlab编程能力,从事力学、土木、机械等工程领域的研究人员及高年级本科生、研究生。; 使用场景及目标:①掌握有限元法在悬臂梁结构分析中的完整实现流程;②深入理解一维与二维单元在建模精度、适用范围与计算复杂度上的差异与权衡;③通过Matlab代码实践提升数值仿真、算法实现与结果可视化能力;④为复杂结构的有限元建模、性能评估与优化设计提供技术支撑与参考范例。; 阅读建议:建议读者结合文中提供的Matlab代码逐段调试运行,重点关注单元刚度矩阵的数学推导与整体刚度矩阵的组装逻辑,深入理解边界条件的处理技巧;同时鼓励尝试修改单元类型、网格密度或加载方式,观察其对位移与应力结果的影响,从而深化对有限元原理与数值误差来源的认识。

悬臂梁的有限元分析,采用多重网格高斯-赛德尔方法求解(Matlab代码实现)

内容概要:本文系统阐述了悬臂梁的有限元分析方法,重点采用多重网格高斯-赛德尔迭代法对有限元模型进行高效求解,并提供了完整的Matlab代码实现。内容涵盖有限元法在悬臂梁结构中的应用全过程,包括结构离散化、单元刚度矩阵构建、总体刚度矩阵组装、边界条件施加与载荷处理,以及大型稀疏线性方程组的数值求解策略。通过引入多重网格技术,有效缓解了传统迭代法在细网格下收敛缓慢的问题,显著提升了求解效率与数值稳定性。该方法适用于一维梁单元与二维平面单元等多种建模方式,具有良好的通用性与工程实用性。; 适合人群:具备有限元分析基础、数值计算方法知识及Matlab编程能力的理工科研究生、科研人员与工程技术人员,特别适用于从事力学、土木工程、机械设计与结构仿真等相关领域的专业人员。; 使用场景及目标:① 掌握悬臂梁结构从理论建模到数值仿真的完整实现流程;② 深入理解多重网格法与高斯-赛德尔迭代在提升有限元计算效率方面的协同机制;③ 通过Matlab代码实践,掌握刚度矩阵组装、边界条件处理与大规模方程求解的核心编程技巧,可用于教学示范、科研验证或进一步开发高效求解器。; 阅读建议:建议读者结合经典有限元教材进行对照学习,动手运行并调试所提供的Matlab代码,尝试改变网格划分密度、材料参数、截面尺寸或加载方式,观察位移、应力分布的变化,从而深入理解离散精度、收敛性与数值稳定性之间的关系。

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文详细介绍了具有PWM控制的VSC-HVDC链路在IEEE30节点电力系统中的Simulink仿真实现,涵盖系统建模、控制策略设计与动态仿真验证。重点阐述了基于PWM的电压源换流器(VSC)在高压直流输电中的工作原理,通过构建完整的IEEE30总线系统模型,实现VSC-HVDC链路的集成,展示了其在系统正常运行、有功与无功功率独立调节、故障穿越及动态响应等工况下的性能表现。研究验证了该控制策略在提升系统稳定性、优化潮流分布以及改善电能质量方面的有效性与工程应用价值。; 适合人群:电气工程、电力系统及其自动化等相关专业的研究生、科研人员及从事高压直流输电系统、柔性交流输电系统(FACTS)与新能源并网技术研究的工程技术人员。; 使用场景及目标:①掌握VSC-HVDC在标准IEEE测试系统中的建模与仿真方法;②深入理解基于PWM的矢量控制策略在有功/无功功率解耦控制中的具体实现;③分析VSC-HVDC对复杂电网的动态支撑能力,包括故障响应、潮流控制和谐波特性,为新能源大规模接入与电网互联工程提供理论依据和技术参考。; 阅读建议:读者应具备电力电子技术、电力系统分析及自动控制理论的基础知识,建议在阅读时结合提供的Simulink模型进行同步仿真操作,重点关注VSC控制模块的结构设计、参数整定及其与交流系统的交互影响,可通过设置不同的负载扰动和故障场景,深入探究系统的动态行为和控制性能。

优快云首页 发布文章 优快云同步助手 悬臂梁冲击事件的解析有限元解研究(Matlab代码实现) 28 100 摘要:会在推荐、列表等场景外露,帮助读者快速了解内容,支持一键将正文前 25

内容概要:本文围绕基于粒子群优化算法(PSO)优化长短期记忆网络(LSTM)的电力负荷预测模型展开研究,提出了一种将智能优化算法与深度学习相结合的预测方法。通过PSO算法对LSTM的关键超参数(如学习率、隐层节点数、训练轮次等)进行自动寻优,克服了传统手动调参带来的主观性强、效率低、易陷入局部最优等问题,有效提升了模型的预测精度与泛化能力。文章详细阐述了LSTM在处理时间序列数据方面的优势,分析了其结构特点与训练机制,并结合PSO算法的全局搜索能力,构建了完整的PSO-LSTM预测框架。实验部分采用真实电力负荷数据进行验证,结果表明该混合模型在均方根误差(RMSE)、平均绝对误差(MAE)等指标上优于标准LSTM及其他基准模型,具备较高的实用价值。; 适合人群:具备Python编程基础和机器学习基础知识,从事电力系统分析、能源管理、负荷预测等相关领域的科研人员与工程技术人员,尤其适合高校研究生、企业研发人员及对智能算法与深度学习融合应用感兴趣的研究者。; 使用场景及目标:①应用于电力系统短期或中期负荷预测,为电网调度、发电计划制定和电力市场运营提供高精度数据支撑;②作为智能优化算法与深度学习模型融合的典型范例,用于学习如何利用群体智能算法优化神经网络超参数,提升模型性能;③为相关科研项目、课程设计或工程实践提供可复现的代码实现与完整的技术路线参考。; 阅读建议:读者应在理解LSTM网络原理和PSO算法机制的基础上,重点掌握二者融合的实现逻辑,建议结合所提供的Python代码进行动手实践,通过调试参数、替换数据集、对比实验等方式深入理解模型的训练流程与优化效果,从而真正掌握该方法的核心思想与应用技巧。

用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)

内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开深入研究,系统阐述了卡尔曼滤波在动态系统状态估计中的核心作用与实现机制。文章全面梳理了KF、EKF、UKF、PF、FKF、DKF等多种卡尔曼系列滤波算法的基本原理、数学推导、适用条件及其性能特点,重点剖析了各类算法在处理线性与非线性系统、高斯与非高斯噪声环境下的适应性与局限性。研究通过Matlab编程实现了卡尔曼最优增益的递推计算与MMSE估计全过程,并结合目标跟踪、导航定位及多传感器数据融合等典型应用场景进行仿真验证,展示了不同算法的实际表现。同时,文章深入探讨了当前滤波技术面临的挑战,如分布式协同优化难度大、非稳态系统适应性弱、多源异构数据融合不充分等问题,并前瞻性地展望了未来技术发展方向,包括多算法融合滤波、智能自适应参数优化、轻量化分布式滤波架构以及面向非稳态复杂系统的高精度估计算法迭代。; 适合人群:具备扎实的信号处理、控制理论与概率统计基础,熟练掌握Matlab编程语言,从事自动化控制、导航制导、传感器融合、智能系统研发等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①深入理解卡尔曼滤波系列算法的核心机理与状态估计理论框架;②掌握在Matlab中实现卡尔曼最优增益计算与MMSE估计的具体方法;③对比分析不同滤波算法在各类系统条件下的性能差异与适用边界;④为复杂动态环境中多源数据的高效融合与高精度状态估计提供理论支持与技术解决方案。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过仿真实验对比不同滤波算法的估计效果,重点关注算法在非线性、噪声干扰等复杂工况下的鲁棒性与精度表现,并尝试将其应用于自身的科研或工程项目中,以提升系统状态感知的准确性与可靠性。

Qt QChart实战:从零打造一个实时温度监控仪表盘(附完整源码)

本文详细介绍了如何使用Qt QChart模块从零构建一个工业级实时温度监控仪表盘。通过实战案例,展示了波形图的绘制、坐标轴配置、数据流模拟等关键技术,并提供了完整的源码实现,帮助开发者快速掌握Qt在数据可视化领域的应用。

weixin_42537919的博客 246

汽车OTA自动化测试解决方案

目前OTA远程升级技术已成为众多汽车制造商的标配。由于OTA升级可能会带来潜在的风险(特别是包含ECU固件更新的FOTA升级),针对OTA系统的测试过程就尤为重要。

东舟技术的博客 7761

PX4无人机实战:手把手教你用MAVROS实现Offboard模式(附避坑指南)

本文提供了一份详尽的PX4无人机Offboard模式实战指南,重点解析了如何通过MAVROS实现从仿真到实机的控制。内容涵盖硬件连接、串口权限设置、MAVROS配置、核心代码编写以及实机操作全流程,并附有详细的避坑指南和故障排查手册,帮助开发者快速掌握ROS与PX4飞控的集成开发。

weixin_29172201的博客 270

无感无刷电机控制进阶:反电动势过零检测的5种实现方案对比

本文深入探讨无感无刷电机控制中反电动势过零检测的5种实现方案,包括电阻分压虚拟中性点法、专用BEMF检测IC方案、基于ADC采样的数字锁相环、无传感器观测器技术及混合方案创新实践。通过对比分析各方案的优劣及适用场景,为电机控制工程师提供实用的技术选型指南,助力提升系统性能与成本效益。

weixin_28691741的博客 852

【技术分享】ArcGIS Pro底图色彩优化实战:从DEM到山体阴影的进阶调色技巧

本文深入探讨了在ArcGIS Pro中优化地形底图色彩的进阶技巧。通过分析DEM与山体阴影的直方图,详细讲解了如何运用图层混合、亮度、对比度及伽马值等核心参数进行精细化调色,从而将灰暗平淡的地图转化为层次分明、视觉美观的专业成果。

5b6n7m8的博客 762

【异常】Coze/扣子 Workflow 调用报 4200 错误深度解析

Coze API 的。

奶爸的编程之路,也就一周冷个三天 304

Python赋能,洞见先机:构建基于异步爬虫与流处理的实时舆情监控系统

我们将从核心概念入手,逐步搭建一个集。.option("es.resource", "public-opinion-%s" % time.strftime("%Y-%m-%d")) \ # 按日期分索引。| 数据采集层 |----->| 消息队列层 |----->| 流处理与分析层 |----->| 存储与可视化层 |:使用Spark Streaming的状态操作或Flink的CEP库,检测更复杂的模式,如“某关键词的负面舆情在1小时内激增500%”。

2201_76125261的博客 434

【SOUND】Linux音频子系统ASoC的驱动框架总分析

ALSA系统在芯片(ASoC)层的总体项目目标是为嵌入式芯片处理器(例如PXA2XX,AU1X00,IMX等)和便携式音频编解码器提供更好的ALSA支持。 在进入ASoC子系统之前,内核对SoC音频有一些支持,但是它有一些局限性:ASoC层旨在解决这些问题并提供以下内容特征 :为了实现这一切,ASoC基本上将嵌入式音频系统分为多个可重复使用的组件驱动程序:另外,这里提下OSS(Open Sound System)这个基本被弃用的音频框架。 可以参考Linux OSS架构声卡驱动框架 2.3 ASoC重要

wang 恒 的博客 1785

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")

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

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。

上一篇: 54、自由BSD系统网络流量控制与TCP包装器配置指南
下一篇: 55、FreeBSD网络安全:TCP包装器与数据包过滤详解
sql99
博客等级 码龄19年 168粉丝 1905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