2.1 Simulink模块的组成要素 用户构建系统模型时无需直接面对成千上万行的代码,而是通过模块化图形界面以模块化的方式构建,能够使理解变得容易,让大脑减负.通过层次化模块分布将系统功能模块化,而将每个功能的细节隐藏在模块内部. 模块的构成元素 输入/输出端口:作为模块之间传递数据的纽带,连接输入信号和输出信号. 模块外观:通常为矩形或圆形,上面带有说明文字或图像并显示有输出/输出端口名. 模块对话框:双击模块外观后弹出的参数GUI,可以在参数控件上进行参数设置. Ctrl+R顺时针旋转90

0. 引言 0.1 本文内容 基于SOGI函数,将s域传递函数转换为离散的z域函数,并以m语言形式进行实现,在simulink中封装为m-function并进行验证 0.2 学到什么 离散化方法 函数程序实现方法 1. SOGI简介 以TI官方文档中单相锁相环中SOGI应用为例 框图如下所示 正弦信号经过SOGI可得到同相信号及正交信号 2. 传递函数 同相传递函数 \[H_{d}(s)=\frac{v^{\prime}}{v}(s)=\frac{k \omega_{n} s}{s^{2}+k

目前,深度学习(Deep Learning,简称DL)在算法领域可谓是大红大紫,现在不只是互联网.人工智能,生活中的各大领域都能反映出深度学习引领的巨大变革.要学习深度学习,那么首先要熟悉神经网络(Neural Networks,简称NN)的一些基本概念.当然,这里所说的神经网络不是生物学的神经网络,我们将其称之为人工神经网络(Artificial Neural Networks,简称ANN)貌似更为合理.神经网络最早是人工智能领域的一种算法或者说是模型,目前神经网络已经发展成为一类多学科交叉的

本文由远航路上ing 原创,转载请标明出处. 这节笔记记录IP核的生成以及参数设置. 先再IP库里下载安装Framebuffer 的ipcore 并安装完毕. 一.IP核的生成: 1.先点击IP核则右边会出现生成对话框: 按箭头指示顺序进行设置:要设置生成ip核的路径(可以新建一个文件夹ipcore来放置IP核,若有多个IP核则在ipcore下分别建立文件夹),IP核的名字,以及语言的类型:verilog或VHDL.最后点击Customize. 2. 在上一步设置之后会出现下面的设置界面,先设置

作为应用工程师,我们经常遇到各种有关差分输入型高速模数转换器(ADC)的驱动问题.事实上,选择正确的ADC驱动器和配置极具挑战性.为了使鲁棒性ADC电路设计多少容易些,我们汇编了一套通用“路障”及解决方案.本文假设实际驱动ADC的电路——也被称为ADC驱动器或差分放大器——能够处理高速信号. 引言大多数现代高性能ADC使用差分输入抑制共模噪声和干扰.由于采用了平衡的信号处理方式,这种方法能将动态范围提高2倍,进而改善系统总体性能.虽然差分输入型ADC也能接受单端输入信号,但只有在输入差分信号时才

原文链接:https://yq.aliyun.com/topic/111 本文是对原文内容中部分概念的摘取记录,可能有轻微改动,但不影响原文表达. 08 - BP算法双向传,链式求导最缠绵 反向传播(Back Propagation,简称BP) 算法 在神经网络(甚至深度学习)参数训练中,BP算法占据举足轻重的地位. 实际上BP算法是一个典型的双向算法,但通常强调的是反向传播. 工作流程分两大步: 正向传播输入信号,输出分类信息(对于有监督学习而言,基本上都可归属于分类算法).简单说来,就是把信

一.MINIST数据集下载 1.https://pjreddie.com/projects/mnist-in-csv/      此网站提供了mnist_train.csv和mnist_test.csv,其中mnist_train.csv有60000个训练数据,mnist_test.csv有10000个测试数据 2.还有两个较小数据集,可供测试. https://raw.githubusercontent.com/makeyourownneuralnetwork/makeyourownneura

目前,深度学习(Deep Learning,简称DL)在算法领域可谓是大红大紫,现在不只是互联网.人工智能,生活中的各大领域都能反映出深度学习引领的巨大变革.要学习深度学习,那么首先要熟悉神经网络(Neural Networks,简称NN)的一些基本概念.当然,这里所说的神经网络不是生物学的神经网络,我们将其称之为人工神经网络(Artificial Neural Networks,简称ANN)貌似更为合理.神经网络最早是人工智能领域的一种算法或者说是模型,目前神经网络已经发展成为一类多学科交叉的

本文转载自:http://www.cnblogs.com/maybe2030/p/5597716.html 阅读目录 1. 神经元模型 2. 感知机和神经网络 3. 误差逆传播算法 4. 常见的神经网络模型 5. 深度学习 6. 参考内容 目前,深度学习(Deep Learning,简称DL)在算法领域可谓是大红大紫,现在不只是互联网.人工智能,生活中的各大领域都能反映出深度学习引领的巨大变革.要学习深度学习,那么首先要熟悉神经网络(Neural Networks,简称NN)的一些基本概念.当然

引言 自适应共振理论的发源与现状 1976年, 美国 Boston 大学学者 G. A.Carpenter 提出自适应共振理论(Adaptive Res-onance Theory , ART ), 他多年来一直试图为人类的心理和认知活动建立统一的数学理论, ART 就是这一理论的核心部分.随后 G. A.Carpenter 又与 S.Grossberg 提出了ATR 网络. 经过了多年的研究和不断发展,ART 网已有 3 种形式:ARTⅠ 型处理双极型或二进制信号: ART Ⅱ 型是 ART

孙剑博士分享的是<深度学习变革视觉计算>,分别从视觉智能.计算机摄影学和AI计算三个方面去介绍. 他首先回顾了深度学习发展历史,深度学习发展到今天并不容易,过程中遇到了两个主要障碍: 第一,深度神经网络能否很好地被训练.在深度学习获得成功之前曾被很多人怀疑,相比传统的机器学习理论,深度学习神经网络的参数要比数据大10倍甚至上百倍: 第二,当时的训练过程非常不稳定,论文即使给出了神经网络训练方法,其他研究者也很难把结果复现出来. 这些障碍直到2012年才开始慢慢被解除. 人工智能可以分为感知和认

/********************************************************************************* * Company : * Engineer : 空气微凉 * * Create Date : 00:00:00 22/03/2013 * Design Name : * Module Name : * Project Name : * Target Devices : * Tool versions : * Description

         4046系IC(下简称4046),包括最常见的CD4046(HEF4046),可以工作在更高频的74(V)HC4046,以及冷门而且巨难买到的74HC(T)7046和74HCT9046(下文简单介绍),是工作在较低频率的模拟CMOS锁相环IC,被广泛应用在谐振功率变换器控制,FM解调以及频率合成等场合,也经常被单纯地当成VCO来使用,虽然我也不是很懂为什么要放着性能更好的专用VCO IC不用而非要把一个PLL的鉴相器浪费掉然后抽出VCO来用.然而我在应用这样一款常用的IC进行设

目录 1.感知机的描述 2.感知机解决简单逻辑电路,与门的问题. 2.多层感应机,解决异或门 个人学习笔记,有兴趣的朋友可参考. 1.感知机的描述 感知机(perceptron)由美国学者Frank Rosenblatt在1957年提出来的.是作为神经网络(深度学习)的起源的算法. 学习感知机的构造也就是学习通向神经网络和深度学习的一种重要思想 感知机接收多个输入信号,输出一个信号.如下图: 其中: x1.x2是输入信号,y是输出信号 w1.w2是权重 图中的○,代表一个个"神经元"

引言 该部分主要回顾了本科时数字电路中组合逻辑电路部分,内容相对简单和基础. 内容主要包括:布尔代数相关知识,卡诺图,最大项与最小项,竞争和冒险以及一些常见模块 数字电路中的逻辑 组合逻辑:输出可以表示为瞬时输入变量的布尔函数.→即输出仅有当前输入决定 时序逻辑:输出与之前的历史输入(当前状态)有关.→需要相应的存储单元 正逻辑:高电平为1,低电平为0 负逻辑:高电平为0,低电平为1 布尔代数 常用算符(不多赘述) 代数法则 本科时的数电考试,这部分被玩出了花样.但个人感觉除了要考试的学生需要额

根据系统是否含有参数随时间变化的元件,自动控制系统可分为时变系统与定常系统两大类. 定常系统又称为时不变系统,其特点是:系统的自身性质(所研究物体的本质属性例如:质量.转动惯量等)不随时间而变化.具体而言,系统响应的性态只取决于输入信号的性态和系统的特性,而与输入信号施加的时刻无关,即若输入u(t)产生输出y(t),则当输入延时τ后施加于系统,u(t-τ)产生的输出为y(t-τ). 定常系统又称为时不变系统 即:系统的自身性质不随时间而变化.具体而言,系统响应的性态只取决于输入信号的性态和系统的

1. simulink仿真设计 震荡信号本质是调制信号,可以表示为: u(t)=A*(1+m*cos(Ωt+θ))*cos(ωt+φ)=A*cos (ωt+φ)+ A*m*cos(Ωt+θ)*cos(ωt+φ) 使用simulink仿真如下: 2. 时域信号 时域信号输入设计为信号调制模型. u(t)=A*(1+m*cos(Ωt+θ))*cos(ωt+φ)=A*cos (ωt+φ)+ A*m*cos(Ωt+θ)*cos(ωt+φ) 输入信号1: m*cos(Ωt+θ) = 0.5*cos(2*p

创建简单模型 您可以使用 Simulink® 对系统建模,然后仿真该系统的动态行为.Simulink 允许您创建模块图,图中的各个连接模块代表系统的各个部分,信号代表这些模块之间的输入/输出关系.Simulink 的主要功能是对系统各个组件随时间流逝的行为变化进行仿真.简单来讲就是:采用一个时钟,按时间确定各个模块的仿真顺序,并在仿真过程中依次将在上一个模块图中计算得出的输出传播到下一个模块,直至最后一个模块.假设有一个打开加热器的开关.在每个时间步中,Simulink 必须计算开关的输出,将该

SIMILINK模块库按功能进行分为以下8类子库:Continuous(连续模块)Discrete(离散模块)Function&Tables(函数和平台模块)Math(数学模块)Nonlinear(非线性模块)Signals&Systems(信号和系统模块)Sinks(接收器模块)Sources(输入源模块) 连续模块(Continuous)continuous.mdlIntegrator:输入信号积分Derivative:输入信号微分State-Space:线性状态空间系统模型Trans

从2019年12月27到2020年2月12日,学习了Simulink仿真及代码生成技术入门到精通,历时17天. 学习的比较粗糙,有一些地方还没理解透彻,全书梳理总结: Simulink的基础模块已基本掌握,对不熟悉的模块可以借助帮助文档了解其功能: Simulink信号基本掌握,了解了各种信号的外观及意义的不同: 对Simulink子系统的认识有待深入,对原子子系统需要进一步熟悉: 对仿真过程及参数配置有所了解,对Debugger的应用不太熟悉: 对回调函数有所认识,能够简单应用到参数预加载等场

TLC(Target Language Compiler)是一种为转换为目标语言而存在的额解释性语言,其目的就是将模型中编译出来的rtw文件转换为目标代码(C/C++等).与M语言类似,既可以写成脚本文件,也能够作为函数存在,都是解释性语言,更相似的是它们都提供具有强大功能的内建函数库. 18.1 TLC的作用 支持模型针对通用或特定目标硬件的代码生成功能: 为S函数模块提供代码生成功能,可以让用户自己增加支持代码生成的模块: 在代码生成过程中,生成不依赖S函数模块的自定义过程代码. Simul