卷积和全连接神经网络实现手写数字识别 本文档介绍了使用卷积神经网络和全连接神经网络实现手写数字识别的方法。文档中首先介绍了实验的内容和实验原理，然后详细讲解了全连接神经网络和卷积神经网络的原理和结构。文档还提供了实验步骤，指导读者如何使用 Keras 实现手写数字识别。 一、实验内容 本实验的目的是使用 Keras 实现手写数字识别。实验中，我们将使用 MNIST 数据集，该数据集包含 60000 张手写数字图片，每张图片的大小是 28x28 个像素点。我们将使用全连接神经网络和卷积神经网络两种方法来实现手写数字识别。 二、实验原理 ### 2.1 数据集 MNIST 数据集是手写数字识别的常用数据集。每张图片由 28x28 个像素点构成，每个像素点用一个灰度值表示。可以将这 28x28 个像素展开为一个一维的行向量，作为输入，也就是有 784x1 的向量。 ### 2.2 神经元 人工神经网络（ANN，Artificial Neuron Network）是模拟生物大脑的神经网络结构，它是由许多称为人工神经细胞（Artificial Neuron，也称人工神经元）的细小结构单元组成。简易模型如下所示： x1 … xn：表示神经细胞的输入，也就是输入神经细胞的信号。 w1 … wn：表示每个输入的权重，就好比生物神经网络中每个轴突和树突的连接的粗细，强弱的差异。 b：偏置权重 threshold：偏置（可以将 threshold * b 看作是前面提到的生物神经细胞的阈值） 蓝色部分：细胞体。 黄色球形是所有输入信号以的求和。 红色部分是表示求和之后的信号的激励函数（即达到阈值就处于兴奋状态，反之抑制，当然作为人工神经细胞，其激励函数很多，阶跃（型）激励函数，sigmoid（s 型）激励函数，双曲正切（tanh）激励函数，ReLu（Rectified Linear Units）激励函数等等） ### 2.3 全连接神经网络 全连接神经网络模型是一种多层感知机（MLP），感知机的原理是寻找类别间最合理、最具有鲁棒性的超平面，感知机最具代表的是 SVM 支持向量机算法。神经网络同时借鉴了感知机和仿生学，神经元接受一个信号后会发送各个神经元，各个神经元接受输入后根据自身判断，激活产生输出信号后汇总从而实现对信息源实现识别、分类。 包含两个隐藏层的神经元网络结构如下： 每个结点和下一层所有几点都有运算关系，实践中全连接神经网络通常有多个隐藏层，增加隐藏层可以更好的分离数据的特征，但过多的隐藏层也会增加训练时间以及会产生过拟合。 训练神经网络中需要使用 bp 算法，先是通过前向传播，得到预测结果，再反向传播去调整模型权重。反向传播：反向传播根据前向传播产生的损失函数值，沿输出端向至输入端优化每层之间参数，在此过程中运算利用梯度下降法优化参数，神经网络求解参数本质上仍然是规则中求最优解问题，现在的机器学习框架如 Tensorflow、pytorch、keras 将梯度下降法、Booting、Bagging 这些优化中常用技巧封装起来，我们只用关注数据建模即可。 ### 2.4 卷积神经网络 卷积神经网络可以利用空间结构关系减少需要学习的参数量，提高反向传播算法的训练效率。一般的 CNN 有多个卷积层构成，每个卷积层会进行如下操作： 图像通过多个不同的卷积核的滤波，并加偏置（bias），提取出局部特征，每一个卷积核会映射出一个新的 2D 图像。将前面卷积核的滤波输出结果进行非线性的激活函数处理。对激活函数的结果再进行池化操作（即降采样），目前一般是使用最大池化，保留最显著的特征，并提升模型的畸变容忍能力。 这几个步骤就构成最常见的卷积层，当然也可以在加上一个 LRN 层（Local Response Normalization，局部响应归一化层）。 CNN 的要点是卷积核的权值共享（Weight Sharing）、局部连接模式（Local Connection）和池化层（Pooling）中的降采样（Down-Sampling）。局部连接和权值共享降低了参数量，使训练复杂度大大下降，减轻过拟合并降低计算量。同时权值共享还赋予了 CNN 对平移的容忍性，而池化层降采样则进一步降低了输出层参数，并赋予模型轻度形变的容忍性，提高模型的泛化能力。 每个卷基层包含三个部分：卷积、池化和非线性激活函数使用卷积提取空间特征降采样的平均池化层、双曲正切或 S 型的激活函数、MLP 作为最后的分类器层与层之间的稀疏连接减少计算复杂度。 三、实验步骤 ### 3.1 全连接神经网络实现 1. 获取数据集 Keras 中集成了 MNIST 数据集，直接从其中导入数据，并对数据进行整理。从之可以看出，数据为 28*28，一共 60000 张。 2. 对数据集中的数据进行可视化 3. 对数据进行维度转换把每一张 28 x 28 的图片分别转为长度为 784 的向量，再合并成一个大的像素矩阵，每个维度表示一个像素点的灰度值/255。 4. 对输出结果进行格式转化将经过神经网络训练完后的内容，转化为 10 个类别的概率分布。 本文档介绍了使用卷积神经网络和全连接神经网络实现手写数字识别的方法。使用 Keras 实现手写数字识别可以使用 MNIST 数据集，并使用全连接神经网络和卷积神经网络两种方法来实现手写数字识别。

山东科技大学 嵌入式实验 串口输入对象+数字，控制舵机转角和电机转速

C++是一种广泛使用的编程语言，它是由Bjarne Stroustrup于1979年在新泽西州美利山贝尔实验室开始设计开发的。C++是C语言的扩展，旨在提供更强大的编程能力，包括面向对象编程和泛型编程的支持。C++支持数据封装、继承和多态等面向对象编程的特性和泛型编程的模板，以及丰富的标准库，提供了大量的数据结构和算法，极大地提高了开发效率。12 C++是一种静态类型的、编译式的、通用的、大小写敏感的编程语言，它综合了高级语言和低级语言的特点。C++的语法与C语言非常相似，但增加了许多面向对象编程的特性，如类、对象、封装、继承和多态等。这使得C++既保持了C语言的低级特性，如直接访问硬件的能力，又提供了高级语言的特性，如数据封装和代码重用。13 C++的应用领域非常广泛，包括但不限于教育、系统开发、游戏开发、嵌入式系统、工业和商业应用、科研和高性能计算等领域。在教育领域，C++因其结构化和面向对象的特性，常被选为计算机科学和工程专业的入门编程语言。在系统开发领域，C++因其高效性和灵活性，经常被作为开发语言。游戏开发领域中，C++由于其高效性和广泛应用，在开发高性能游戏和游戏引擎中扮演着重要角色。在嵌入式系统领域，C++的高效和灵活性使其成为理想选择。此外，C++还广泛应用于桌面应用、Web浏览器、操作系统、编译器、媒体应用程序、数据库引擎、医疗工程和机器人等领域。16 学习C++的关键是理解其核心概念和编程风格，而不是过于深入技术细节。C++支持多种编程风格，每种风格都能有效地保证运行时间效率和空间效率。因此，无论是初学者还是经验丰富的程序员，都可以通过C++来设计和实现新系统或维护旧系统。3

《合肥工业大学数字逻辑电路历年期末试卷解析》 在学习电子工程和计算机科学的过程中，数字逻辑电路是基础且至关重要的一个领域。合肥工业大学作为国内知名的工科院校，其数字逻辑电路课程的期末试卷往往能反映出该领域的核心知识和技能要求。这份资料包含20-21学年和22-23学年的期末真题，对于学生来说，是复习和备考的宝贵资源。 一、数字逻辑基础 数字逻辑电路是研究数字信号处理的硬件基础，主要包括基本逻辑门（与门、或门、非门）、组合逻辑电路（加法器、编码器、译码器、数据选择器等）和时序逻辑电路（寄存器、计数器）。试题中可能会涉及这些基本概念的理解和应用，例如设计简单的逻辑电路图，分析电路功能等。 二、布尔代数 布尔代数是数字逻辑电路的理论基础，用于简化逻辑表达式，理解并行和串行操作。试卷可能要求考生运用德摩根定律、代数恒等式进行逻辑函数的化简，以及解决布尔方程的问题。 三、数字系统设计 这部分可能会考察数字系统的设计方法，如使用硬件描述语言（VHDL或Verilog）来描述逻辑电路，或者用逻辑综合工具对设计进行实现。考生需要理解模块化设计思想，能够将复杂逻辑功能分解为简单的模块。 四、触发器和计数器 在时序逻辑部分，考生需要掌握各种触发器（RS、D、JK、T等）的工作原理和特性，以及同步和异步计数器的设计。可能的考题会要求设计特定计数模式的计数器，或者分析计数器的时序行为。 五、存储器 存储器是数字系统的重要组成部分，包括RAM（随机存取存储器）和ROM（只读存储器）。考生需了解它们的工作原理、地址线、数据线和控制线的作用，以及不同类型的存储器（如SRAM、DRAM、PROM、EPROM、EEPROM）的区别。 六、数模转换和模数转换 数模转换器（DAC）和模数转换器（ADC）是数字系统与模拟世界之间的桥梁。试题可能会考察转换过程、分辨率、量化误差等相关知识，要求考生分析转换电路的工作原理。 七、综合性应用问题 试卷可能会包含一些综合性的应用题目，比如设计一个数字系统完成特定任务，如波形发生器、频率计或数据处理器等。这需要考生具备综合运用所学知识的能力。 通过这份合肥工业大学的历年真题，学生不仅可以检验自己的理解和应用能力，还能深入理解数字逻辑电路的核心概念，为未来的学习和职业生涯打下坚实的基础。在备考过程中，建议考生不仅要熟记理论，更要动手实践，通过仿真软件验证自己的设计方案，以提高解决问题的实际能力。

信息隐藏与数字水印技术是信息安全领域的重要组成部分，旨在通过将秘密信息巧妙地嵌入到普通数据中，实现信息的保密传输和版权保护。这一技术起源于古老的隐写术，随着时间的发展，结合了数字信号处理、人类感知理论、现代通信技术和密码学等多种领域的知识。 信息隐藏的基本思想是在不引起第三方怀疑的情况下，将秘密信息嵌入到公开的消息中。这种技术的目的是使得即使攻击者能够获取到包含隐藏信息的数据，也无法察觉或解析出隐藏的信息。在囚犯问题的场景中，两个囚犯必须在看守者的监控下传递信息，信息隐藏技术可以帮助他们在看似正常的信息中传递秘密。 信息隐藏与传统的密码学不同，密码学主要关注加密信息的内容，而信息隐藏则更进一步，不仅隐藏内容，还隐藏信息存在的事实。两者结合起来，可以提供更为全面的信息安全保护。数字水印技术是信息隐藏的一种应用，它用于证明数字内容的所有权，通常应用于图像、音频和视频等多媒体数据，防止未经授权的复制和传播。 信息隐藏技术的实现依赖于人类感知系统的冗余和计算机处理系统的冗余。例如，在视觉信息中，人眼对于某些微小变化可能并不敏感，这就可以用来隐藏信息。同样，音频信号中的某些频率成分也可能不易被察觉，这些都可以作为隐藏信息的渠道。 信息隐藏技术的分类主要包括隐秘信道和信息伪装。隐秘信道是指利用正常通信中不易察觉的通道来传递隐藏信息，如图像的噪声、音频的边带等。信息伪装则是通过改变数据的外观，使其看起来是普通信息，但实则包含秘密数据。 信息隐藏技术的历史悠久，从古代的头发掩盖、无形墨水，到现代的数字水印和高级隐写术，都体现了人们对于隐藏信息的不断探索。在文学作品中，藏头诗就是一个典型例子，诗的每一句首字组合起来形成一个秘密信息。 数字水印技术在数字版权管理（DRM）中扮演着关键角色，它可以在数字产品中嵌入不可见的标识，以便于追踪和验证内容的合法性。此外，信息隐藏也广泛应用于信息的隐蔽通信、身份验证、数据完整性保护等多个领域。 信息隐藏与数字水印技术是信息安全的重要支柱，它们利用科学和艺术的手段，创造出既安全又难以察觉的信息传递方式，保护了信息的机密性和知识产权。随着技术的不断发展，未来的信息隐藏技术将会更加先进，为我们的数字世界提供更强大的安全保障。

在IT领域，特别是编程与计算机科学中，汇编语言作为一种低级编程语言，直接对应处理器指令集，提供了对硬件的直接控制能力。本篇将详细解析一个特定的汇编语言程序设计任务：“用汇编语言将字符串中的字母和数字分开存储”。这个任务不仅涉及基本的字符串处理技巧，还考验了对汇编语言流程控制、内存管理和数据操作的理解。 ### 汇编语言简介 汇编语言是一种用于编写可直接与计算机硬件交互的程序的语言。它是一系列机器指令的文本表示，每条指令通常对应处理器的一个操作。由于其与硬件的紧密联系，汇编语言在系统编程、嵌入式系统开发、游戏开发以及需要高性能或精细控制的应用中尤为重要。 ### 任务分析：字母和数字分离 在给出的代码示例中，主要目标是读取一个混合包含字母和数字的字符串，并将其拆分为两个独立的字符串：一个仅包含所有数字，另一个仅包含所有字母。这涉及到几个关键步骤： 1. **读取和检查每个字符**：程序通过遍历源字符串，逐个检查每个字符，判断其是否为数字或字母。 2. **分类和存储**：根据字符类型（数字或字母），将其存储到相应的缓冲区中。 3. **排序（可选）**：对于某些应用，可能还需要对结果字符串进行排序或进一步处理。 ### 汇编代码详解 #### 数据段定义 数据段定义了几个关键变量： - `buf`：存储原始字符串的缓冲区。 - `buf1` 和 `buf2`：分别用于存储分离后的数字和字母。 - `buf3`：用于存储处理后的数字字符串。 - `len`：原字符串的长度。 - `N`：用于计算`buf1`缓冲区的大小。 #### 主程序逻辑 程序的主逻辑位于代码段，它包括以下关键部分： - 初始化数据段和代码段的连接。 - 遍历源字符串，使用`cmp`指令比较字符与数字和字母的范围，决定是否将字符复制到`buf1`或`buf2`。 - 使用循环结构`loop`来确保每个字符都被处理。 - 在处理完所有字符后，程序还包含了对`buf1`中的数字进行排序的逻辑，虽然这部分代码的实现方式较为复杂，但其目的是确保数字按升序排列。 ### 指令集使用 在处理字符串时，汇编语言的指令集发挥了重要作用： - `mov`指令用于移动数据，如从一个寄存器移动到另一个寄存器，或者从内存单元移动到寄存器。 - `cmp`指令用于比较两个值，基于比较结果执行不同的跳转指令（如`jl`、`jg`等）。 - `loop`指令简化了循环的实现，自动递减计数器并检查是否到达零，从而避免了手动管理循环次数的复杂性。 ### 结论 通过对“用汇编语言将字符串中的字母和数字分开存储”的任务的深入分析，我们可以看到汇编语言的强大之处在于它能够直接控制硬件资源，实现高效且精确的数据处理。尽管其语法和逻辑对初学者来说可能显得复杂，但掌握汇编语言可以极大地提高程序员在底层系统编程领域的技能和效率。此外，这个例子还展示了如何在有限的资源下优雅地解决复杂问题，这对于任何层次的程序员都是宝贵的教训。

: "基于HarmonyOS使用ArkTS开发的数字华容道APP" : "本项目是一个使用HarmonyOS的ArkTS语言开发的数字华容道应用程序，是移动应用开发课程的第二次实验项目。 ArkTS是HarmonyOS为开发者提供的强类型JavaScript方言，用于构建跨平台的应用。它结合了TypeScript的静态类型检查和JavaScript的灵活性，旨在提升开发效率和代码质量。项目来源于GitHub，是一个开源示例，展示了如何在HarmonyOS平台上构建游戏应用。" : "harmonyos" - HarmonyOS是华为推出的面向全场景的分布式操作系统，旨在提供无缝、智能的生活体验，覆盖手机、手表、电视等多设备。 "harmonyos harmonyos" - 这两个标签强调了该应用是在HarmonyOS生态系统中开发的。 【压缩包子文件的文件名称列表】: "Klotski-master" - 这个文件名可能代表项目源代码仓库的主分支，Klotski是一种逻辑益智游戏，也被称为“滑块谜题”，在这里被用作数字华容道游戏的实现基础。 **知识点详解：** 1. **HarmonyOS**：HarmonyOS是华为公司自主研发的操作系统，支持多种设备，包括手机、平板、电视、智能家居等。其核心特性包括分布式能力、微内核设计和全场景智能，旨在打造一个万物互联的智能世界。 2. **ArkTS**：ArkTS是HarmonyOS SDK的一部分，它是TypeScript的子集，为HarmonyOS应用开发提供强类型支持。使用ArkTS可以提升代码的可读性和可维护性，同时避免因类型错误导致的运行时问题。 3. **移动应用开发**：这个项目是移动应用开发课程的一部分，说明它旨在教授学生如何在HarmonyOS平台上创建应用程序，涵盖设计、编码、测试和发布等环节。 4. **GitHub**：这是一个全球知名的代码托管平台，开发者可以在这里分享和协作项目。项目来源于GitHub，意味着它是开源的，其他人可以学习、 fork 或者贡献代码。 5. **数字华容道**：数字华容道是一种逻辑游戏，玩家需要通过移动数字方块，使得每个数字按照特定顺序排列。在这个项目中，它被用作一个示例应用，展示了如何在HarmonyOS上实现交互式游戏功能。 6. **益智游戏开发**：开发益智游戏需要理解游戏规则、设计用户界面、处理用户输入以及实现算法来验证解决方案。在HarmonyOS上，开发者需要利用ArkTS来完成这些任务，并考虑跨平台兼容性和性能优化。 7. **分布式应用**：HarmonyOS的分布式能力允许开发者构建跨设备的应用，这意味着数字华容道游戏不仅可以运行在手机上，还可以扩展到其他支持HarmonyOS的设备，如智能手表或平板电脑，提供一致的用户体验。 8. **项目结构**："Klotski-master"通常包含项目的基本结构，如源代码文件、资源文件、配置文件等。开发者可以通过查看这个目录来了解项目的组织方式，学习如何在HarmonyOS环境中构建和管理项目。 9. **学习资源**：对于想学习HarmonyOS应用开发的初学者，这个项目提供了一个很好的实例，他们可以通过阅读代码、调试和修改来实践ArkTS编程和HarmonyOS应用设计。 10. **社区参与**：开源项目鼓励社区成员参与讨论、提交bug修复或增加新功能，这有助于项目持续改进，也为开发者提供了学习和贡献的机会。

本电路实现了同步五进制减法计数器的功能: 电路能准确地按照五进制减法计数的规律进行计数. 读者应深刻理解本例的分析和设计过程, 以为日后设计更为复杂的同步时序逻辑电路打下基础.

本电路实现了同步四进制加法计数器的功能: 电路能准确地按照四进制加法计数的规律进行计数. 读者应深刻理解本例的分析和设计过程, 以为日后设计更为复杂的同步时序逻辑电路打下基础.

BP神经网络，即反向传播神经网络（Back Propagation Neural Network），是一种按误差逆传播算法训练的多层前馈神经网络。它通常包含输入层、一个或多个隐藏层以及输出层。BP神经网络在信息处理、人工智能、图像识别等领域有着广泛的应用。 手写数字识别是神经网络应用的一个重要领域，通常采用机器学习算法进行识别。传统的软件实现方式依赖于数据的串行传送，而神经网络本身具有并行数据处理的特性。为了实现数据的实时处理，可以利用FPGA（现场可编程门阵列）硬件平台，因为FPGA能够利用其并行计算和高速信息处理的优势来提高效率。 FPGA是一种可以通过编程来配置的集成电路，允许用户在硬件级别上实现自定义的算法。随着技术的发展，FPGA的集成度越来越高，拥有数百万个门电路以及集成处理器核心（如PowerPC）、高速乘法单元和其他功能单元。这使得FPGA成为实现复杂算法，尤其是在实时数据处理场景下的理想选择。 研究中使用了MNIST数据集，这是一个包含手写数字图像的数据集，常用于训练各种图像处理系统。数据集中的60000个样本用于训练BP神经网络。BP算法主要由随机梯度下降算法和反向传播算法组成，通过小批量数据迭代的方式（本例中为30次）进行网络权重和偏置的训练。 在FPGA上实现BP算法，需要采用硬件描述语言（如Verilog）编写代码，以实现算法的各个组成部分，包括时序控制、网络状态控制、激活函数（如S型函数Sigmoid及其导数的线性拟合）等。网络权重和偏置的初始化通常采用高斯分布方法，本研究中使用的是均值为0，方差为1的分布。 为了评估设计的网络性能，采用了Quartus 13.0和ModelSim进行仿真与分析，这是一种常见的数字逻辑电路仿真软件。仿真分析的结果表明，该FPGA实现的手写数字BP神经网络能够在4.5秒内迭代30次，并达到91.6%的样本识别正确率。与传统软件Python 2.7实现的方法相比，FPGA平台的设计不仅满足了实时性要求，同时也在手写数字识别的准确率上表现优秀。 基于FPGA实现的手写数字BP神经网络研究与设计涉及到了硬件设计、算法优化、软件仿真等多个方面，展示了FPGA技术在加速神经网络应用方面的重要潜力。这项研究不仅为手写数字识别提供了一个高效的硬件实现方案，也为其他需要实时数据处理的机器学习应用场景提供了可借鉴的参考。