22、用于手指关节运动检测的人造皮肤设计与制造

用于手指关节运动检测的人造皮肤设计与制造

1. 引言

与传统的刚性材料传感器相比,柔性传感器具有诸多潜在优势,如生物相容性、适应性,以及能与人类和物体进行有效且安全的交互。刚性传感器难以适应不同的表面纹理,可能无法准确测量显著的变形,而且通常体积较大,与皮肤接触时会让用户感到不适。而柔性传感器具有可拉伸和灵活的特性,能以更简单的结构解决这些问题。它们可以用相对廉价的材料制造,并且具有高可靠性和准确性。

常见的柔性传感器材料包括弹性体、聚合物和水凝胶等。例如,硅橡胶等弹性体因其弹性和柔韧性常被使用;聚氨酯和聚二甲基硅氧烷(PDMS)等聚合物,因其易于成型和生物相容性而受欢迎;聚丙烯酰胺和海藻酸盐等水凝胶,因其高含水量和生物相容性也被频繁应用。

可拉伸的柔性传感器能够捕捉人体各部位的运动,如手腕、肘部和膝盖的运动。目前已有多种类型的柔性可穿戴传感器被报道,但柔性传感器仍处于发展阶段,市面上广泛使用的相关商业产品较少,而且哪种柔性传感技术最适合应变或曲率测量仍不明确。现有的柔性传感技术在性能或可扩展性方面存在不足。

不同类型的柔性传感器性能各异。软压阻应变传感器由负载导电颗粒的软聚合物制成,但存在蠕变和滞后问题;软电容传感器通常线性度好、滞后小,但灵敏度较低;软光波导具有高可拉伸性和低光损耗,但线性度可能较差且相对较重;三层薄膜可拉伸应变传感器虽功能强大,但重复使用时性能会有变化;基于石墨烯和碳纳米管的方法灵敏度高,但需要先进的制造工艺。近年来,软超声导波管取得了进展,它能通过在软聚合物波导中引导超声波,实现应变和接触位置的解耦测量,且具有制造工艺简单、无泄漏等优点。

手部在人类与周围环境的交互中起着关键作用,因此开发能够检测手部运动的柔性传感器

相关推荐

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

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。

Rosenbrock 优化实验:GD、PSO 与 GA 的收敛对比matlab代码.rar

Rosenbrock 优化实验:GD、PSO 与 GA 的收敛对比matlab代码.rar

STM32 Modbus RTU 主站项目实战-多从站轮询、超时重试与断线自恢复,一个能长期跑的主站调度器

多从站轮询、超时重试与断线自恢复,一个能长期跑的主站调度器。适用:STM32F103C8T6 + 标准外设库,RS485 半双工总线,下挂变频器、电表、温控器。19 步完整工程 · 主站状态机 · 调度表 · 寄存器镜像双缓冲 · 断线降频重试 · 18 例故障速查。v1.0 · 嵌入式工程实战教程。从站是应答方,主站是发起方;发起方一旦没有调度,总线就会僵住。单从站能跑通,多从站就乱:谁先发、发完等多久、超时怎么退、某一个站掉线会不会拖死整条总线。答案不在协议里,在一个按时间戳推进的主站调度器里——本教程从空工程写到能长期运行

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

T18_低空经济示范区十五五通感一体化低空智联网与飞行服务保障体系设计方案_生态合作版.pptx

T18_低空经济示范区十五五通感一体化低空智联网与飞行服务保障体系设计方案_生态合作版.pptx

T04_城市生命线AI智能体平台及AI大模型应用场景规划方案_技术方案版.pptx

T04_城市生命线AI智能体平台及AI大模型应用场景规划方案_技术方案版.pptx

EPLAN自动成图与报表实战合集 API批量成图脚本+端子表电缆表自动生成

内容概要:EPLAN自动成图与报表自动生成实战合集,含2篇原创:API批量成图脚本骨架(对象模型+可运行C#代码+三个必踩坑+42页从3.5小时压到11分钟实测)、端子表/电缆表/部件清单报表自动生成(配置逻辑+翻车点+提效数据)。适用人群:电气设计工程师、成套厂制图员、EPLAN二次开发。使用场景:图纸批量生成提效、报表自动化。原创整理。

威百威9000V6商业管理软件-210930稳定版本

支持扫码支付

旋转中心标定诊断工具(视觉标定失败定位+Kasa圆拟合)

机器视觉旋转中心标定失败诊断工具:Kasa圆拟合求旋转中心+四类失败原因自动定位(标定点共线/旋转角步集中/拟合残差大/像素机器人映射方向反),含README与示例数据,仅依赖numpy,源自真实产线客诉排查经验。

【微机电系统】基于SOI工艺的MEMS微镜芯片设计:3D视觉中激光扫描与点云生成的核心组件

内容概要:本文系统阐述了MEMS微镜芯片在机器3D视觉系统中的核心作用,将其类比为“微米级扫描瞳孔”,重点解析其在三维深度相机、激光雷达(LiDAR)、AR光机及光通信等场景中的工作原理与关键技术。文章从应用场景切入,深入剖析MEMS微镜的双轴谐振结构、驱动机制(静电/压电/电磁/电热)、扫描模式(光栅与李萨如)及闭环控制,并详细说明基于SOI晶圆的材料体系、深反应离子刻蚀(DRIE)与晶圆级真空封装工艺对性能的影响。进一步提出CMF(颜色-材料-表面处理)在芯片层面的转译逻辑,强调面形精度、反射率、动态形变与多物理场耦合的协同优化。最后针对四类典型应用场景构建差异化选型准则,指出镜面口径、扫描角与谐振频率之间存在强耦合硬约束,整机点云性能上限在芯片选型阶段即已确定。; 适合人群:从事光电系统、MEMS器件设计、自动驾驶感知硬件、工业视觉及微纳制造的研发工程师与技术人员,具备一定的光学、机械与材料基础知识。; 使用场景及目标:①理解MEMS微镜在3D视觉系统中的功能定位及其与替代技术(如机械转镜、Flash、OPA)的适配边界;②掌握器件从结构设计、材料工艺到封装测试的全流程关键技术与性能约束关系;③建立面向不同应用场景的科学选型方法论,避免因参数定义不清或单点优化导致系统级失败; 阅读建议:此资源兼具技术深度与工程实用性,建议结合图表(尤其是五幅核心工程图)与附录术语表进行精读,重点关注“工艺-性能”因果链与多目标冲突的权衡逻辑,在实际项目中应用于器件选型、系统集成与失效分析。

多目标粒子群算法求解综合能源系统最优容量配置研究(Matlab代码实现)

内容概要:本文研究了基于多目标粒子群算法(MOPSO)求解综合能源系统(IES)中最优容量配置的方法,并提供了完整的Matlab代码实现。研究旨在通过优化风电机组、光伏机组、燃气轮机、储能系统等多种能源设备的容量配置,实现系统在经济性、环保性和能源利用率等方面的多目标平衡。文中构建了综合能源系统容量配置的数学模型,明确了以最低综合成本、最小碳排放为核心的目标函数,以及能量供需平衡、设备出力能力等关键约束条件,并详细阐述了MOPSO算法的实现流程,包括种群初始化、非支配排序、拥挤距离计算和外部存档更新等核心机制。最后,通过Matlab平台的仿真实验验证了该方法的有效性,结果表明该算法能够生成分布均匀且具有良好多样性的Pareto最优解集,为决策者根据不同侧重点选择最终方案提供了科学依据。; 适合人群:具备一定电力系统、优化算法和Matlab编程基础的研究生、科研人员及工程技术人员。; 使用场景及目标:① 学习和掌握综合能源系统容量配置问题的建模方法;② 深入理解多目标粒子群算法(MOPSO)的核心原理及其在实际工程优化问题中的应用;③ 获取可直接运行和修改的Matlab代码,用于复现研究成果或进行二次开发。; 阅读建议:建议读者在阅读时,首先理解综合能源系统的背景和优化问题的数学建模过程,然后结合提供的Matlab代码,逐步跟踪算法的执行流程,重点关注目标函数和约束条件的代码实现,以及MOPSO算法中非支配排序和拥挤距离计算等核心模块。为了更好地掌握,可以尝试调整算例参数、增减优化目标或修改算法参数,观察结果的变化。

PSO-LSTM基于PSO优化LSTM网络的电力负荷预测(Python代码实现)

内容概要:本文提出了一种基于粒子群优化算法(PSO)优化长短期记忆网络(LSTM)的电力负荷预测方法,并通过Python代码实现了完整的模型构建与仿真验证。该方法利用PSO算法全局寻优的能力,自动优化LSTM网络的关键超参数,如学习率、隐含层节点数、训练迭代次数等,从而克服传统LSTM依赖人工调参导致的预测精度不高和收敛速度慢的问题。文中详细阐述了PSO-LSTM混合模型的架构设计、算法流程及其实现细节,结合实际电力负荷数据进行了实验验证,结果表明该模型在预测精度、稳定性与泛化能力方面均优于标准LSTM及其他传统预测模型,尤其适用于短期电力负荷预测任务。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事电力系统分析、能源管理、智能电网调度及相关领域研究的研发人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于电力系统短期负荷预测,提升电网运行调度的科学性与经济性;②为能源管理系统提供高精度负荷数据支持,优化发电计划与资源配置;③作为智能优化算法与深度学习融合的教学案例,帮助学习者掌握PSO与LSTM协同建模的方法与实践技巧;④为后续研究提供可复现的代码基础和技术参考。; 阅读建议:建议读者结合提供的Python代码,动手复现整个建模与训练过程,深入理解PSO优化机制与LSTM网络结构的耦合方式,并尝试在不同时间尺度和负荷场景的数据集上进行迁移测试,以全面评估模型的适应性与鲁棒性。

基于粒子群优化算法的三方三层的主从博弈能源系统优化模型研究(Matlab代码实现)

内容概要:本文研究了基于粒子群优化算法的三方三层主从博弈能源系统优化模型,旨在通过Matlab代码实现对包含风、光、火、储等多种能源形式的综合能源系统进行优化调度。该模型构建了包含能源供应商、运营商与用户三类主体的多层次博弈架构,引入主从博弈机制,将不同参与者划分为领导者与跟随者角色,并在不完全信息环境下采用Epsilon纳什均衡策略实现多方利益协调。结合多目标粒子群优化算法,有效解决了系统运行成本、峰谷差与碳排放等多重目标间的权衡问题。研究进一步整合了需求响应与电能转气(P2G)等灵活性资源,提升了系统调节能力,并通过IEEE39等标准系统进行潮流计算与电能质量分析,验证了模型在提升综合能源系统经济性、稳定性与环保性方面的有效性。; 适合人群:具备电力系统、优化算法及博弈论基础知识的科研人员与研究生;从事能源系统优化、智能调度及相关领域研究的专业技术人员;有志于复现高水平期刊论文成果并开展创新性研究的硕博生。; 使用场景及目标:① 学习并掌握主从博弈在综合能源系统中的建模方法与求解流程;② 理解多目标粒子群算法在复杂能源调度问题中的应用技巧;③ 掌握需求响应、P2G等灵活性资源在系统优化中的集成方式;④ 借助Matlab代码复现IEEE39系统的潮流计算与电能质量分析过程,支撑科研项目或学术论文撰写。; 阅读建议:本资源以Matlab代码为核心载体,强调理论建模与仿真实践的深度融合。建议读者在学习过程中结合博弈论与智能优化算法的基础理论,逐步调试代码并分析关键参数的影响,重点关注Epsilon纳什均衡的实现逻辑与多目标优化的收敛特性,从而深入理解能源系统协同优化的内在机制。

复现基于全局积分滑模控制(GISMC)的欠驱动自主水下航行器(AUV)水平轨迹跟踪控制研究(Simulink仿真、Matlab代码实现)

内容概要:本文研究了基于全局积分滑模控制(GISMC)的欠驱动自主水下航行器(AUV)水平轨迹跟踪控制方法,通过Simulink仿真与Matlab代码实现对该控制策略进行复现与验证。针对欠驱动AUV系统存在的模型不确定性与外部干扰问题,设计了全局积分滑模控制器,有效提升了轨迹跟踪精度与系统鲁棒性,克服了传统滑模控制存在的稳态误差与抖振问题。该控制器通过引入积分项增强了对持续干扰的抑制能力,并确保系统在整个状态空间内实现渐近收敛。仿真结果表明,在复杂海洋环境下,所提方法能够实现对期望轨迹的高精度跟踪,具备优良的动态响应性能与抗干扰能力,适用于AUV在水平面内的精确导航与控制任务。; 适合人群:具备自动控制理论基础、海洋工程背景或从事无人系统控制研究的科研人员,以及熟悉Matlab/Simulink仿真工具的自动化、船舶与海洋工程等相关专业的研究生与工程师。; 使用场景及目标:①用于解决欠驱动AUV在未知扰动下的轨迹跟踪控制问题;②为滑模控制在非线性、强耦合系统中的应用提供仿真验证案例;③推动先进控制算法在水下机器人系统中的工程化实现。; 阅读建议:读者应结合Matlab代码与Simulink模型进行仿真操作,重点关注滑模面设计、控制律推导与参数整定过程,建议在复现基础上尝试引入不同干扰条件或优化控制结构,以深入理解GISMC的控制机理与鲁棒特性。

主动配电网故障恢复的重构与孤岛划分统一模型研究升级版本(Matlab代码实现)

内容概要:本文针对主动配电网在故障情况下的恢复问题,提出了一种网络重构与孤岛划分的统一优化模型,旨在通过协同优化配电网的拓扑结构与分布式电源形成的可控孤岛,最大限度恢复关键负荷供电,提升系统韧性。该模型充分考虑了分布式电源出力特性、负荷分级需求以及配电网辐射状运行等多重约束,构建了以负荷恢复最大化和网络损耗最小化为目标的混合整数非线性规划问题,并采用高效的优化算法进行求解。研究通过Matlab编程实现了完整的模型求解与仿真验证,结果表明所提方法能有效协调重构与孤岛策略,显著提高故障后的供电恢复能力和系统运行的稳定性。; 适合人群:具备电力系统分析、优化理论及Matlab编程基础,从事主动配电网、分布式能源集成、电网韧性提升或智能电网故障恢复等相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于高比例分布式电源接入的现代配电网故障应急处置与恢复决策;②为提升电网应对极端事件的能力提供先进的理论模型与技术方案;③通过Matlab代码复现与仿真,深入学习和掌握配电网重构、孤岛划分及综合优化的前沿算法。; 阅读建议:建议读者结合电力系统潮流计算、图论基础和优化建模知识进行学习,重点理解模型中目标函数的设计理念、各类物理约束(如潮流、辐射状、孤岛连通性)的数学表征方法,以及求解算法的实现逻辑。务必动手运行并调试所提供的Matlab代码,通过改变网络参数和故障场景来探究模型的适应性和性能边界。

塔式熔盐光热朗肯循环电站建模!并且搭建了Simulink模型!!

内容概要:本文详细介绍了塔式熔盐光热朗肯循环电站的建模过程,并基于Simulink搭建了相应的仿真模型,旨在对太阳能热发电系统进行动态仿真与性能分析。通过建立太阳能集热、熔盐传热、蒸汽朗肯循环及发电等关键环节的数学模型,实现对整个电站能量转换过程的精确模拟,为系统优化设计、控制策略研究及运行调度提供技术支持。该模型有助于提升清洁能源系统的仿真精度与研究效率。; 适合人群:从事新能源发电、电力系统仿真、热能工程及相关领域的研究人员、高校师生及工程技术人员。; 使用场景及目标:①用于塔式光热电站的系统级仿真与动态特性分析;②支撑热电联产、多能互补系统及综合能源系统优化调度研究;③为新型控制策略(如温度控制、功率调节)的验证提供平台; 阅读建议:此资源以Simulink仿真为核心,建议读者结合相关热力学与电力系统知识,逐步理解各模块建模原理,并通过调整参数进行仿真实验,深入掌握光热电站的运行机制与优化潜力。

三相充电桩维也纳PFC+三电平LLC谐振变换器三电平PSIM仿真设计(Simulink仿真实现)

内容概要:本文围绕三相充电桩中采用的维也纳PFC(功率因数校正)与三电平LLC谐振变换器展开,重点研究其PSIM与Simulink仿真设计。核心内容涵盖维也纳PFC的双闭环PI控制策略、中点电位平衡控制、SVPWM调制技术的应用,以及三电平LLC谐振变换器的闭环控制设计。通过MATLAB/Simulink搭建仿真模型,验证了所提出的控制策略在稳定800V直流母线电压、实现上下电容电压均衡、降低输入电流THD方面的有效性。研究结果表明,基于电容电压差值补偿的中点平衡策略能显著提升系统输出品质,有效抑制中点电位漂移,同时SVPWM调制确保了良好的谐波性能,为中大功率充电桩的高性能控制提供了可行且高效的解决方案。; 适合人群:具备电力电子、自动控制理论基础,从事新能源汽车充电、电力变换器设计、工业电源开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为三电平维也纳整流器的中点电位平衡问题提供一种基于SVPWM调制的软件解决方案;②为三相充电桩前端PFC与后端DC-DC两级变换器的协同仿真与控制设计提供参考实例;③服务于高校或企业的电力电子技术教学、课程设计及科研项目开发。; 阅读建议:此资源以科研论文形式呈现,包含详细的数学推导、控制框图和仿真结果分析。学习者应结合PSIM/Simulink仿真软件,动手复现文中模型,重点关注双闭环参数整定、SVPWM调制与中点平衡策略的协同机制,并尝试在不同工况下测试系统的动态响应与鲁棒性。

关于token无痛刷新的两个方案

目录方案一方案二 方案一 思路: 后端需要返回一个token过期的时间,在请求发起前拦截每个请求,判断token的有效时间是否已经过期,如果已过期,则暂时将请求挂起,先刷新token后再继续请求。 前期思考: 返回过期时间是为了判断是否过期的,但是如果服务器时间和系统时间不一致呢? 如果同时发起多个请求时怎么办? 实现: 因为是在请求前进行拦截,所以这里用axios的axios.interceptors.request.use()方法 首先,关于服务器时间和系统时间不一致的问题,我的解决方法是:

Yugoup的博客 2718

LIO-SAM运行报错‘process has died’?别慌,一个命令搞定libmetis.so库路径问题

本文详细解析了LIO-SAM运行中常见的‘process has died’报错问题,特别是由libmetis.so库路径错误导致的节点崩溃。通过一个简单的命令移动库文件到正确位置,即可快速解决这一问题,同时提供了多种替代方案和预防措施,帮助开发者更好地理解Linux动态库加载机制和ROS环境管理。

weixin_29231221的博客 206

《从底层结构开始学习FPGA》目录与传送门

《从底层结构开始学习FPGA》目录与传送门

孤独的单刀 16万+

LPDDR4 JEDEC标准测试实例解析--写操作

LPDDR4的JEDEC标准一致性测试项详解以及实例分享,满满干货!感兴趣的小伙伴可以持续关注!!

一只豌豆象的博客 7778

如何通过conda安装HyPhy教程

本文介绍了在Ubuntu系统上通过conda安装分子进化分析工具HyPhy的详细步骤。首先创建conda环境并指定Python 3.8版本,然后通过bioconda通道安装HyPhy软件包。安装完成后可通过conda list命令验证安装。文中还特别指出可能遇到的libcrypto.so.1.1共享库缺失错误,并提供了解决方案的参考链接。该教程配有安装过程截图,帮助用户直观了解操作流程和验证安装结果。

猿小白的博客 8263

CollisionLoss 设计与实现原理说明

文章摘要 CollisionLoss是一种用于自动驾驶轨迹规划的碰撞惩罚损失函数,其核心思想是用多个沿车身纵轴排列的圆盘来近似表示车辆(Oriented Bounding Box)。该设计通过圆盘间的距离计算实现碰撞检测,具有以下特点: 可微性:圆盘距离计算处处可微,便于梯度回传,而传统矩形碰撞检测(分离轴定理)不可微且计算复杂。 多圆盘设计:沿车身纵向排列多个圆盘能更精确地拟合细长车体,避免单圆盘过度膨胀导致的误报。 安全覆盖:圆盘半径经过数学推导,确保完全覆盖车体矩形,避免漏检(宁可保守)。 软惩罚机制

@bangbang的博客 97

RK3568平台(电源篇)电源域IO配置

在kernel之前需要修改电源域,主控电源域的IO电平要与对接外设芯片的IO电平匹配,还要注意软件的电压配置要跟硬件的电压一致,否则,最坏的情况可能会导致IO的损坏。其实就是管理 IO 输出的电平;假如硬件上 IO 电源域配置为 3.3V,则 IO 输出最大电平为 3.3V;同理 IO 电源域硬件配置为 1.8V,则 IO 输出最大电平是 1.8V;这样有利于 IO 电平的灵活配置;

weixin_49303682的博客 3480

北斗导航 | 卫星/惯导组合导航方法

从组合导航结构方面来讲,卫星/惯导(下文以GPS/INS)组合模式一般分为三种,即松组合、紧组合和超紧组合(即深组合)。

尘世冰封的专栏 1543

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

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")

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

上一篇: 25、线性回归全解析:从基础到高级应用
下一篇: 13、基于混合PSO - LSSVM算法的造纸过程电力消耗预测模型
电竞养老选手
博客等级 码龄4年 61粉丝 1196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