tiaoshixitong

data_interval :

当是ubus 时    重新赋值为 3;当是ws 时    重新赋值为 20;

1.  如何理解data_tik ?

         在函数can_packet_check_timer 定时can发送函数里面,data_tik 作为倒计时时间,当倒计时间到,则发送。

data_tik 的初始值为:Can_data_table[i].data_tik = Can_data_table[i].data_interval;

初始值为data_interval 赋值。

 data_tik 如何递减的?

在can_packet_check_timer 函数里面,进来时,执行

can_packet_check_timer

    for (i = 0; i < can_avaliable_data_num; ++i)
    {
        Can_data_table[i].data_tik--;
    }

在websocket 接收到下发参数时,比如同时下发了8个要读的参数,这时在ws_parse_msg 函数里面会把这8个对应的can_table 单元 data_interval 同时初始为 20 或者3 (ubus);

在每一个can_packet_check_timer 定时周期里面,除第一次会把can_table 单元消耗为19-19 19 等外,经过一轮周期8个定时周期  会最终演变为

如何理解read_times?

在早期,当一个科目结束的时候,平板并不会告诉你调试结束。导致设备任然会不停向平板发送数据。(当第二个科目到来的时候,此时又会下发新的数据。)

也就是设备不知道当前科目调试结束了,因此加了这个超时,一旦超时就不往平板发送数据了。

引言 非线性函数极值寻优是工程优化和科学计算中的核心问题,传统方法在处理高维、多峰或不可导函数时往往效果不佳。神经网络与遗传算法的结合为解决这类复杂优化问题提供了新思路。本文将从计算机专业角度,详细分析神经网络遗传算法在非线性函数极值寻优中的原理、实现方法及优化策略。 混合算法原理与架构 遗传算法(GA)与神经网络(NN)的混合架构充分发挥了两者的优势:神经网络提供强大的非线性拟合能力,遗传算法则提供全局搜索能力。该混合系统的工作流程可分为三个关键阶段: 神经网络建模阶段:构建BP神经网络结构(如2-5-1),通过训练数据学习目标函数的输入输出关系。激活函数通常选择Sigmoid或ReLU,损失函数采用均方误差(MSE)。 遗传算法优化阶段:将神经网络参数编码为染色体(实数编码),以网络预测精度作为适应度函数fitness = 1/(1+MSE)。通过选择、交叉(概率0.4-0.9)和变异(概率0.01-0.2)操作进化种群。 协同优化阶段:遗传算法优化后的参数初始化神经网络,再进行BP微调,形成"全局搜索+局部优化"的双重机制。 关键技术实现 神经网络建模 采用MATLAB的Neural Network Toolbox实现,关键步骤包括: net = feedforwardnet([5]); % 单隐藏层5神经元 net.trainFcn = 'trainlm'; % Levenberg-Marquardt算法 net = train(net, input, target); % 网络训练 遗传算法优化 适应度函数设计与参数编码是核心: function fitness = ga_fitness(x) = sim(net, x'); % 神经网络预测 fitness = 1/(1+mse(y-target)); end 种群规模建议50-
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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