9、汽车电力系统:车身与底盘的电子技术应用

汽车电力系统:车身与底盘的电子技术应用

1. 车身系统中的功率转换器

在汽车车身系统中,功率转换器的应用至关重要。输出电压的均方根(rms)值定义如下:
[
V_{rms}=\sqrt{\frac{1}{wT}\int_{0}^{wT}v(wt)^2dt}
]

在无调制(方波输出相电压)的特殊运行情况下,rms 值为:
[
V_{rms}=\frac{1}{\pi}\left[\int_{\frac{\pi}{6}}^{\frac{\pi}{2}}\frac{1}{3}V_{dc}^2dt+\int_{\frac{\pi}{2}}^{\frac{5\pi}{6}}\frac{2}{3}V_{dc}^2dt+\int_{\frac{5\pi}{6}}^{\pi}\frac{1}{3}V_{dc}^2dt\right]=\frac{\sqrt{2}}{3}V_{dc}\approx0.4714V_{dc}
]

无调制逆变器的缺点是低频谐波含量高,会导致能量损失增加、机械振动或振荡等不良影响。采用脉冲宽度调制(PWM)时,由于波形中存在多个脉冲,rms 的定义会发生变化。之前定义的调制指数需与上述结果关联,并可通过正弦参考信号的幅值进行调整。

PWM 发生器在功率晶体管的控制中起着关键作用。对于单相逆变器,PWM 生成原理是将低频正弦波参考信号与高频载波波形进行比较。当正弦波高于三角波信号时,上侧晶体管导通;反之,下侧晶体管导通,且两个晶体管互补。三相 PWM 发生器则基于一组三个参考信号和相同的高频载波波形。

载波信号可以是上升、下降或对称的。混合模式集成电路或微控制器通过外部电容生成

相关推荐

IEC 63281-3-1:2024 电动运输车 - 第3-1部分:考虑实际使用温度条件的电动滑板车总运行时间性能测试方法 - 完整英文电子版(30页)

IEC 63281-3-1:2024规定了电动滑板车单人运输总运行时间的测试方法,考虑了用户在不同温度下驾驶时的实际使用温度条件,用于公路或公共场所。 本文件不涵盖残障人士或老年人的电动滑板车。此外,本文件不包括货运电动滑板车。

YOLO26算法表面凹坑与条纹检测+训练好的模型+610张数据集+pyqt可视化界面.zip

附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[未获取()] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 100 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.7184** mAP50-95 | 0.4372 Precision | 0.6793 Recall | 0.7024 train/box_loss | 1.1399 train/cls_loss | 0.7578 val/box_loss | 1.3453 val/cls_loss | 1.0488 【训练过程分析】 记得从开始第一轮训练起,那曲线就一直像坐滑梯一样,很快地就下滑到了低谷值。大概到第 10 轮时,模型就开始缓慢而持续地从 0.5 左右的 mAP50 走向平稳上升的通道。整个训练过程,除了初期的那股势如破竹的气势外,中间部分的曲线就变得起伏不定,有时还会在某个阶段停滞不前,似乎在寻找下一个前进的方向。而到了后期,曲线又慢慢开始平稳下来,从第 80 轮开始,mAP50 的提升逐渐减缓,这时候,我不得不面对一个问题:是继续等待模型自行收敛,还是尝试更多的调参策略。在经过一轮轮的观察和思考后,我觉得继续等待已经不太可能有显著的进步,于是决定在第 95 轮时停下了脚步,最终完成了总共 100 轮的训练任务。 在训练过程的后半程,我注意到 loss 曲线虽然总体下降趋势明显,但在某些阶段却出现了停滞,特别是在第 70 轮到... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。

chromedriver-mac-arm64-159.0.8145.0(Canary).zip

chromedriver-mac-arm64-159.0.8145.0(Canary).zip

编程语言扩展与跨边界架构设计:五种组合方式、统一判定与框架开发(20章)

本资源是一份 20章系统化技术长文,围绕“宿主语言如何借外部力量获得自身不具备的能力”展开,建立 “脚本解释器核心—适配层—被组合组件”三层统一模型,系统拆解 进程级、函数级、协议级、语言级、数据级 五种边界,并给出可复用的 三问拆解法、跨边界四要素、适配层厚薄定律与横向判定规则。内容覆盖 Shell 管道、Python import、requests/psycopg2、setuptools entry_points、Make/CMake、CI/CD、Lua 嵌入式脚本、Airflow DAG 等八个典型实例,深入讲解进程通信、ABI/FFI、动态库加载、import 协议、插件发现与入口点、HTTP 与数据库线协议、序列化与 Schema、构建编排、任务调度与数据管道等机制。文档同时包含混合系统主导/从属方式判定、选型决策树、反模式批判、框架开发清单、插件 SDK 设计、隔离策略、性能预算、可观测治理、综合实例、术语表、原文核心内容收录与交付校验清单。本资源适合 架构师、框架/平台开发者、插件系统设计者、跨语言集成工程师、后端与数据平台工程师、技术负责人 阅读,可作为技术选型、架构评审、插件体系设计、跨边界排障与团队内训的参考手册。关键词: 编程语言扩展、跨边界架构、五种边界、三层模型、进程级组合、函数级组合、协议级组合、语言级组合、数据级组合、插件系统、FFI、ABI、import机制、HTTP、数据库线协议、CI/CD、Lua、Airflow、框架设计、技术选型。

植物大战僵尸神人版-手机版-arm64-2026.10.30-手机版.apk.1

植物大战僵尸神人版-手机版-arm64-2026.10.30-手机版.apk.1

不平衡电网下自抗扰顺序模型预测PWM整流器控制仿真模型(Simulink仿真实现)

不平衡电网下自抗扰顺序模型预测PWM整流器控制仿真模型(Simulink仿真实现)

双向储能变流器DCDC+并网PQ控制仿真(Simulink仿真实现)

内容概要:本文介绍了一种基于Simulink的双向储能变流器(DC-DC)与并网PQ控制的联合仿真模型,旨在实现储能系统在直流侧与交流侧的能量高效管理与协调控制。该仿真系统集成了双向DC-DC变换器的闭环控制策略与并网逆变器的PQ控制算法,能够精确模拟储能系统在不同工况下的充放电动态响应及并网运行特性。通过构建完整的系统架构,验证了控制策略在动态调节、功率解耦及系统稳定性方面的有效性,适用于微电网、可再生能源并网及储能系统参与电网辅助服务等应用场景的研究与开发。; 适合人群:具备电力电子、自动控制理论及新能源系统基础知识的高校研究生、科研人员以及从事储能系统、微电网或电力电子装置研发的工程技术人员。; 使用场景及目标:①研究双向储能变流器在直流微电网中的能量双向流动与电压稳定控制;②实现储能系统并网运行时的有功功率与无功功率独立调节(PQ控制);③验证DC-DC变换器与逆变器之间的协同控制策略在动态工况下的响应性能与稳定性;④为储能系统参与电网调频、调压及黑启动等辅助服务提供仿真验证平台。; 阅读建议:建议结合Simulink仿真模型与相关控制理论资料同步学习,重点关注控制器参数设计、系统动态响应分析及仿真结果的工程意义解读,有条件者可进一步进行硬件在环(HIL)实验验证,以提升对实际控制系统的理解与应用能力。

阻尼器磁流变阻尼器MR Damper非线性(阻尼、滞回)特性研究(Matlab代码实现)

内容概要:本文聚焦于磁流变阻尼器(MR Damper)的非线性动力学特性研究,重点探讨其在外部磁场调控下的阻尼力输出与典型滞回行为的建模与仿真。通过建立精确的数学模型描述其非线性、迟滞、饱和等复杂动态响应特征,并基于Matlab/Simulink平台实现完整的仿真系统,验证模型在不同激励条件下的有效性与鲁棒性。资源包含详细的建模过程、可运行的仿真代码及技术文档,支持用户进行二次开发与实验拓展,适用于深入理解智能材料器件的非线性机理及其在振动控制中的应用。; 适合人群:具备控制理论、机械动力学或智能材料基础知识,从事车辆工程、结构减振、半主动控制等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握磁流变阻尼器的非线性滞回特性及其物理建模方法;②熟练运用Matlab/Simulink进行复杂非线性系统的仿真分析;③支撑半主动悬架系统、建筑抗震装置等实际工程系统的控制器设计与性能优化;④服务于科研论文复现、课程项目设计及学位课题的技术实现。; 阅读建议:建议结合文档中提及的模糊PID控制、双闭环系统等相关仿真资源进行联动学习,重点关注模型参数辨识、仿真步长设置与结果收敛性分析,务必动手运行、调试代码并尝试引入不同输入信号以观察系统响应,从而深化对非线性动态行为的理解。

从可观测性的角度研究基于扩展卡尔曼滤波器(EKF)的同时定位与地图构建(SLAM)中的不一致性问题(Matlab代码实现)

内容概要:本文聚焦于基于扩展卡尔曼滤波器(EKF)的同时定位与地图构建(SLAM)系统中存在的估计不一致性问题,重点从系统可观测性的理论角度深入剖析其根本成因。通过严谨的数学推导与完整的Matlab仿真代码实现相结合,系统阐述了在观测信息受限、状态误差累积等条件下,EKF-SLAM中状态估计偏差与协方差低估现象的产生机制。文章进一步探讨了提升滤波器一致性的改进思路,并利用仿真实验验证了理论分析的有效性,帮助读者深刻理解非线性系统中可观测性对状态估计性能的关键影响。; 适合人群:具备控制理论、概率机器人学及状态估计基础知识,从事机器人自主导航、自动驾驶环境感知或SLAM算法研发的研究生、科研人员及工程技术人员。; 使用场景及目标:①深入掌握EKF-SLAM中不一致性问题的来源及其可观测性本质;②学习并应用可观测性分析方法研究非线性滤波系统的稳定性与收敛性;③通过Matlab代码复现典型SLAM场景,验证理论结论并优化估计算法设计。; 阅读建议:建议读者在学习前巩固Kalman滤波、非线性系统线性化及可观测性秩判据等相关理论基础,结合文中的分析逻辑与代码实现同步运行仿真程序,通过可视化结果直观理解估计偏差演化过程,从而深化对SLAM系统内在缺陷与改进方向的认识。

【无源谐波滤波器通常用于电力系统中的谐波抑制】用于抑制电力系统谐波的无源谐波滤波器(Simulink实现)

内容概要:本文系统介绍了用于电力系统谐波抑制的无源谐波滤波器,重点围绕其结构组成、工作原理、设计方法及仿真验证展开。无源谐波滤波器由电感、电容和电阻等无源元件构成,通常安装在非线性负载附近,用于滤除特定次数的谐波电流,从而提升电网电能质量。文章详细阐述了滤波器参数的设计依据与选取原则,并基于Simulink平台构建了完整的电力系统仿真模型,通过对比接入滤波器前后系统电流的谐波畸变情况,直观展示了滤波效果,验证了所设计滤波器的有效性与实用性。该研究为电能质量治理提供了理论支持和可行的技术路径。; 适合人群:电气工程及其自动化、电力电子与电力传动等相关专业的高校本科生、研究生,以及从事电能质量分析、电力系统仿真与谐波治理的工程技术人员。; 使用场景及目标:①深入理解无源谐波滤波器的拓扑结构与频率响应特性;②掌握基于Simulink的电力系统谐波建模与仿真分析方法;③为实际工程项目中的谐波问题提供解决方案设计与仿真验证手段。; 阅读建议:建议读者结合Simulink软件动手搭建仿真模型,按照文档步骤完成参数设置与仿真运行,重点观察不同谐波次数下的滤波性能差异,并尝试调整元件参数以探究其对滤波特性的敏感性,从而深化对理论知识的理解与工程应用能力。

【卡尔曼滤波】具有梯度流的一类系统的扩散映射卡尔曼滤波器研究(Matlab代码实现)

内容概要:本文提出并研究了一类结合梯度流系统与扩散映射方法的新型卡尔曼滤波器,旨在提升非线性动态系统中的状态估计精度与鲁棒性。通过将扩散映射引入传统卡尔曼滤波框架,有效处理高维非线性空间中的数据分布特征,并利用梯度流机制优化状态演化路径,增强了滤波器在复杂噪声环境下的适应能力。文章系统阐述了算法的理论基础、数学推导过程及关键步骤设计,并配套提供了完整的Matlab代码实现,便于读者复现结果、验证性能并进一步拓展应用。该方法在SLAM、惯性导航、多传感器融合等领域具有良好的应用前景,属于先进状态估计技术的重要探索方向。; 适合人群:具备控制理论、信号处理或状态估计等相关背景的研究生、科研人员及工程技术人员,尤其适合熟悉卡尔曼滤波家族算法(如EKF、UKF)并掌握Matlab编程工具的研究者;亦适用于从事智能系统、机器人导航、航空航天等领域的专业人士。; 使用场景及目标:①应用于非线性、高噪声环境下的动态系统状态估计任务,如同时定位与地图构建(SLAM)、惯性导航与视觉/惯性融合定位;②为改进型卡尔曼滤波算法的研发提供理论参考与代码支撑,推动传统滤波方法与流形学习、几何分析等前沿数学工具的深度融合;③支持学术研究中的算法对比实验、论文复现及工程原型开发。; 其他说明:资源包含详尽的Matlab代码与实现细节,建议结合相关文献深入理解扩散映射与梯度流的数学内涵,推荐在科研项目、课程设计或算法优化中实际应用与扩展。

模糊PID与传统PID控制无刷直流电机对比仿真模型(Simulink仿真实现)

内容概要:本文提供了基于Simulink的模糊PID与传统PID控制无刷直流电机的对比仿真模型,系统展示了两种控制策略在电机调速系统中的建模过程与性能差异。文档深入阐述了模糊PID控制器的设计原理,包括模糊规则构建、隶属度函数设定及解模糊化方法,并与传统PID控制器在动态响应速度、超调量、稳态精度及抗负载扰动能力等方面进行量化对比。仿真模型涵盖完整的无刷直流电机数学模型、双闭环控制结构(速度环与电流环)、PWM驱动模块以及信号采集与可视化单元,支持用户灵活调整参数并直观分析控制效果,有助于理解智能控制算法在电机系统中的优越性与工程应用价值。; 适合人群:自动化、电气工程、控制科学与工程等专业的本科生、研究生,以及从事电机驱动系统、电力电子与运动控制领域研发的工程技术人员。; 使用场景及目标:①掌握模糊PID控制器的设计流程及其在Simulink中的实现方法;②学习无刷直流电机的建模与双闭环控制策略;③对比分析模糊PID与传统PID在动态性能、鲁棒性及抗干扰能力方面的差异,优化实际控制系统的性能指标;④服务于教学实验、课程设计、科研项目验证及工程原型开发。; 阅读建议:建议结合所提供的说明文档与参考文献,逐步搭建并调试仿真模型,重点观察不同工况下(如突加负载、转速指令变化)两者的响应曲线差异,深入理解模糊控制在非线性系统中的自适应调节机制,提升对先进控制算法的应用与创新能力。

【Linux系统】Linux head命令详解

内容概要:本文详细介绍了Linux系统中的head命令,重点阐述了其基本语法、核心选项及高级应用技巧。head命令用于快速查看文件开头部分内容,默认显示前10行,支持按行数或字节数截取输出,并可结合管道与其他命令协同工作。文章还列举了多种实用场景,如日志排查、CSV表头提取、压缩文件预览和脚本自动化处理等,同时提供了常见问题的解决方案和相关命令对比,帮助用户全面掌握该命令的使用方法。; 适合人群:熟悉Linux操作系统基础操作的开发人员、运维工程师及系统管理员,尤其适用于需要频繁处理日志、配置文件或大数据文件的技术人员。; 使用场景及目标:①快速预览大文件或日志的起始内容以进行故障排查;②在Shell脚本中实现文件内容校验与自动化提取;③结合tail、grep、zcat等命令完成复杂的数据筛选任务;④无需解压直接查看压缩文件头部信息。; 阅读建议:建议读者结合实际Linux环境动手实践文中示例,重点关注-n、-c、-q、-v等关键选项的用法以及管道组合的应用,注意处理二进制文件时避免乱码问题,提升命令使用的准确性与效率。

让 AI 别急着回答,再查一轮:元宝搜索多轮检索源码

Go Deeper 技术文章配套 Python 源码,包含 SearchPro 客户端、站点与时效参数、有限重试和预算、多轮复核、上下文选材与引用检查。含24项测试、三轮检索清单、离线回放、实验统计和配置说明,共7个文件。Python 3.10+,仅使用标准库;离线检查无需密钥,在线运行使用自己的元宝搜索与文本模型接口。

Playwright MCP中文增强版 微软官方浏览器自动化MCP Server 大模型直连浏览器点击填表截图抓包 含中文使用指南与客户端配置示例

内容概要:微软官方开源的 Playwright MCP Server(GitHub microsoft/playwright-mcp,Apache-2.0 许可证,39k+ stars)。让大模型通过 MCP 协议直接操控真实浏览器:打开网页、点击、填表、下拉选择、文件上传、整页截图、导出 PDF、抓取网络请求。基于结构化无障碍快照驱动,无需视觉模型,速度快且结果确定。 适用人群:AI 应用开发者、自动化测试工程师、爬虫与 RPA 从业者、想给大模型装上「浏览器双手」的 MCP 玩家。 使用场景:VS Code Copilot / Cursor / Claude Desktop 等任意 MCP 客户端一键接入;网页数据采集、表单自动提交、UI 自愈合测试、长时间自治浏览任务。 其他说明:本增强版含中文使用指南 README_CN.md(安装要求、三种客户端配置、常用参数表、中文示例提示词)与 mcp-config-zh-CN.json 客户端配置示例,保留原始 Apache-2.0 LICENSE,Node.js 18+ 即可运行,源码完整可二次开发。

【选址和定容】模拟退火改进多目标粒子群算法在分布式电源选址和定容中的应用【IEEE69节点】(Matlab代码实现)

内容概要:本文研究了模拟退火改进多目标粒子群算法在分布式电源选址和定容中的应用,以IEEE69节点配电系统为算例进行仿真分析。通过融合模拟退火算法的强全局搜索能力与粒子群算法的高效局部收敛特性,构建了一种改进的多目标优化算法,用于解决分布式电源在配电网中的最优位置选择与容量配置问题。研究旨在实现多重优化目标,包括最小化网络有功损耗、提升节点电压质量、增强系统运行的经济性与稳定性。文中详细阐述了多目标优化模型的数学构建、算法的改进机制与实现流程,并基于Matlab平台完成了算法编程与仿真验证,结果表明所提方法在求解质量和收敛性能上均优于传统算法。; 适合人群:具备电力系统分析、优化理论基础及Matlab编程能力,从事配电网规划、分布式能源系统优化、智能优化算法应用等相关领域的科研人员、工程师以及高校研究生。; 使用场景及目标:①解决高比例分布式电源接入背景下配电网的科学规划问题;②为新型电力系统中源网协调设计提供有效的优化工具;③为相关领域的科研工作提供可复现、可拓展的算法模型与仿真代码实例,支持进一步的算法对比与功能升级。; 阅读建议:建议读者结合提供的Matlab代码与IEEE69节点标准数据,动手复现实验结果,深入理解算法的参数设置、迭代过程与多目标折衷分析方法,并可根据实际研究需求修改目标函数或引入新的约束条件以适应不同的应用场景。

机械拆装-基于Unity-总体设计

建立一个机械装配的场景

唐小墨同学的博客 2774

ADC选型实战:从参数指标到精准应用的工程指南

本文深入解析ADC(模数转换器)选型的关键参数与实战技巧,涵盖分辨率、转换误差等核心指标,并提供高精度温度测量、高速数据采集等五大应用场景的选型指南。通过实际案例和代码示例,详细讲解校准方法、功耗优化策略及常见问题排查,帮助工程师实现从参数指标到精准应用的工程实践。

weixin_29166013的博客 324

21天教你学会PCIe专栏(17)--多功能设备

1.1 定义多功能PCIe设备:多功能PCIe设备是指在一个物理设备中集成了多种功能的设备。这些功能可以通过不同的PCIe功能(Function)来实现,每个功能可以独立配置和管理。1.2 优点资源利用率:通过集成多种功能,减少物理设备的数量,提高资源利用率。成本效益:减少硬件成本和功耗,提高系统的经济性。灵活性:用户可以根据需要启用或禁用不同的功能,提高系统的灵活性。可扩展性:通过增加新的功能,扩展设备的功能,提高系统的可扩展性。1.3 应用场景网络设备。

xiaoheshang_123的博客 531

视觉媒体通信作业记录(六)端到端的视频传输系统

将采集、编码、传输、显示各模块连接起来,形成一个端到端的视频通信系统,开发一个特色模块,将其加入系统;

weixin_45774698的博客 1967

lammps模拟石墨烯吸附水分子(gcmc)

本文分享lammps gcmc吸附的一个案例代码,上下壁面的通道材料为石墨烯,吸附的分子为tip4p水分子。大家好,我是小马老师。

lammps_jiayou的博客 2590

uniapp - 获取设备麦克风权限+麦克风设备列表,用户可选择切换麦克风设备功能,选择麦克风采集设备后点击录制音频外部声音+可随时暂停/继续录音+记录音频录制时长(支持在线播放试听或下载MP3文件)

uniapp获取麦克风设备列表,uniapp录制声音,Uniapp获取麦克风权限,uniapp苹果ios安卓app获取麦克风设备列表,Uniapp H5获取浏览器麦克风并实现录音,Uniapp实现麦克风权限管理与音频录制全流程,uni-app实战案例:实现H5页面麦克风权限获取与录音功能,uni-app音频录制,uniapp麦克风授权窗口,uniapp获取iOS麦克风权限,实现前端录音并播放,把音频传给后端接口处理,获取麦克风并实现录音功能,前端获取/切换麦克风播放采集音频和采集音量大小,前端调用麦克风实现

🏆 前端领域优质创作者 2978

Qt —— 在Win11下“Qt for Android“开发环境,通过USB在真机(华为Meta60 PRO)上调试运行,并打包APK并在真实手机运行

Qt —— 在Win11下“Qt for Android“开发环境,打包APK并在真实手机运行

310

leetcode134 加油站

题目如下 在一条环路上有 N 个加油站,其中第 i 个加油站有汽油 gas[i] 升。 你有一辆油箱容量无限的的汽车,从第 i 个加油站开往第 i+1 个加油站需要消耗汽油 cost[i] 升。你从其中的一个加油站出发,开始时油箱为空。 如果你可以绕环路行驶一周,则返回出发时加油站的编号,否则返回 -1。 说明: 如果题目有解,该答案即为唯一答案。 输入数组均为非空数组,且长度相同。 输...

ayang818 's blog 233

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

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。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 10、粒子群聚类算法与超宽带天线优化研究
下一篇: 11、超宽带天线优化与分层差分进化算法研究
zero1
博客等级 码龄24年 951粉丝 1198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