近年来，深度学习在计算机视觉领域中的表现优于传统的机器学习技术，而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据，且无法满足人们对图像分类精度和速度的要求，而基于深度学习的图像分类方法突破了此瓶颈，成为目前图像分类的主流方法。从图像分类的研究意义出发，介绍了其发展现状。其次，具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次，对比分析了方法之间的差异及其在常用数据集上的性能表现。最后，探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。
2022-07-21 12:28:15
926KB
1
利用STM32F103ZET6结合PID算法控制编码器电机速度。编码器为霍尔编码器电机，参数为11线AB相4倍频。不同的编码器可以直接修改程序中参数即可。
2022-07-20 22:08:26
5.46MB
1
自编码器算法非常简单，实现方便，训练也较为稳定，相对于PCA算法，神经网络的强大表达能力可以学习输入的高层抽象的隐藏特征向量z,同时也能够基于z重建出输入。这里基于FashionMNIST数据集进行图片重建实战。
说明文档：https://blog.csdn.net/qq_43753724/article/details/125862444?spm=1001.2014.3001.5501
2022-07-19 09:07:32
15KB
1
霍尔旋转编码器主要由旋转磁铁组合、取样电路和信号处理电路等部分组成，如图1所示。其中，旋转磁铁组合安装在胶印机收纸辊上，霍尔旋转编码器电路部分固定在机体上，敏感面对准磁极，两者间距小于5 mm，对收纸辊的旋转角度进行取样。因磁极的位置是确定的，所以取样信号是绝对位置量。如果取样电路具有识别印刷工艺起点和位置顺序控制点的能力，那么印刷的过程就能通过一个传感器的多点取样，实现程序控制。取样的基础是基于霍尔电路A3144，显然单一霍尔芯片不能实现包括起始点和顺序点的取样，需要对取样电路进行特殊设计，以满上述要求。取样电路获取的位置信号送信号处理电路，经软件系统对信号进行判断处理，确认后输出编码信息。
2022-07-10 00:21:34
900KB
1