遗传算法 NSGA II

HMI STM32 串口屏 双向通信

经典手眼标定算法C++代码，程序是基于OpenCV 2.0以上版本，下载程序后需要配置OpenCV。工程主要包括三个文件，handeye.h为各种手眼标定的实现，quaternion.h为四元数运算文件，handeye_test.cpp为主程序，测试各手眼标定算法的可行性。

使用C#实现的delaunay三角网生成算法。使用说明：运行后在窗口中单击鼠标添加样采样点，当采样点大于等于3时自动生成delaunay三角网；点击工具栏上的按钮可以显示每个三角形的外心。

1、java socket2、UDP传输协议3、json数据格式4、简易聊天室程序实现

matlab 图像融合工具箱，里面包含了经典几种算法，包含了PCA、拉普拉斯金字塔、对比金字塔、梯度金字塔、基于离散小波变换、数学形态金字塔等流行的图像融合算法。

个人整理的CNN学习笔记，所有素材均来自于互联网。把经典的摘之以作备案，待整理好这份笔记后，发现对CNN也有了深入理解，希望对你也有帮助！LOCALLY CONNECTED NEURAL NETCONVOLUTIONAL NETSTATIONARI? Statisties issimilar at dif ferent locationsLearn multiple filters.Example: 1000x1000 image1M hidden unitsFilter size: 10x10E.g. 1000x1000 image100M parameters100 FiltersFilter size: 10x10u鴻網互聯EEIDEE下面的分析来源于:htp/ log csdn. net/zouxy09/ article/details,/8781543我们知道,隐含层的每一个神经元都连接10x10个图像区域,也就是说每一个神经元存在10x10=100个连接权值参数。那如果我们每个神经元这100个参教是相同的呢?也就是说每个神经元用的是同一个卷积核去卷积图像。这样我们就只有多少个参数??只有100个参数啊!!!亲!不管你隐层的神经元个数有多少,两层间的连接我只有100个参数啊!亲!这就是权值共享啊!亲!这就是卷积神经网络的主打卖点啊!亲!(有点烦了,呵呵)也许你会问,这样做靠谱吗?为什么可行呢?好了,你就会想,这样提取特征也忒不靠谱吧,这样你只提取了一种特征啊?对了,頁聪明,我们需要提取多种特征对不?假如一种滤波器,也就是一种卷积核就是提出图像的一种特征,例如某个方向的边缘。那么我们需要提取不同的特征,怎么办,加多几种滤波器不就行了吗?对∫。所以假设我们加到100种滤波器,每种滤波器的参数不一样,表示它提出输入图像的不同特征,例如不同的边缘。这样每种滤波器去卷积图像就得到对图像的不同特征的放映,我们称之为 Feature Map。所以100种卷积核就有100个 Feature Map。这100个 Feature Map就组成了一层神经元。到这个时候明了了吧。我们这一层有多少个参数了?100种卷积核x每种卷积核共享100个参数=100×100=10K,也就是1万个参数。才1万个参数啊!亲!(又来了,受不了了!)见上图右:不同的颜色表达不同的滤波器嘿哟,遗漏一个问题了。刚才说隐层的参数个数和隐层的神经元个数无关,只和滤波器的大小和滤波器种类的多少有关。那么隐层的神经元个数怎么确定呢?它和原图像,也就是输入的大小(神经元个数)、滤波器的大小和滤波器在图像中的滑动步长都有关!例如,我的图像是1000×1000像素,而滤波器大小是10×10,假设滤波器没有重叠,也就是步长为10,这样隐层的神经元个数就是(1000×1000y(10×10}=100×100个神经元了,假设步长是8,也就是卷积核会重叠两个像素,那么……我就不算了,思想懂了就好。注意了,这只是一种滤波器,也就是一个 Feature Map的神经元个数哦,如果100个 Feature Map就是100倍了。由此可见,图像越大,神经元个数和需要训练的权值参数个数的贫富差距就越大。CONV NETS: EXTENSIONSBypool ing"(e. g. max or average)filterresponses at different locations we gain Over the years. some new medes have proven to be veryrubustness to the exact spatial location effective when plugged inte corv-netsof featuresL2 PoolingU, kEN(x,r)Local Contrast normalizationhN(x y)iN(xvIRenato总之,卷积网络的核心思想是将:局部感受野、权值共享(或者权值复制)以及时间或空间亚采样这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性。23实例视觉皮层存在两类相关的细胞,S细胞( Simple Cel)和C( Complex Cell)细胞。S细胞在自身的感受野内最大限度地对图像中类似边缘模式的剌激做出响应,而C细胞具有更大的感受野,它可以对图像中产生刺激的模式的空间位置进行精准地定位C是卷积层,S是下采样层。参看这个两个网址,对理解CNN非常有帮助http://www.68idc.cn/help/buildlang/ask/20150705417730.htmlhttp://www.68idc.cn/help/buildlang/ask/20150705419299.html涵pC1s2c384江蘇鴻網互刷三 -TOLERc是卷积层,S是下采样层。输入的一幅图像,在C1层,通过和3个卷积模板做卷积运算,然后加上偏置值,再经过 sigmoid激活函数,得到3幅输出图像,在S2层,对C1层输出的3幅图像做下采样,假设采样因子是2,也就是图中每2*2的 patch中的4个像素进行求和,再加偏置,再通过激活函数,得到3张尺寸减小了的输出图像。同样的,再经过C3S4。将S4的输出拉成一个向量,输入传统的神经网络中,并得到输出24综合实例G1: feature maps8@28X28C3: f. mapInp ut20@10x1032×32S1: f. mapsS4: f. maps@14x1420@5x5C5:120Output: 9ConvolutionsSubsamplingSubsamplingconnectionConvolutions og. Csdn. n Convolutions 688图中的卷积网终Ⅰ作流程如下,输入层由32×32个感知节点组成,接收原始图像。然后,计算流程在卷积和子抽样之间交替进行,如下所述·第一隐藏层进行卷积,它由8个特征映射组成,每个特征映射由28×28个神经元组成,每个神经元指定一个5×5的接受域,这28×28个神经元共享5×5个权值参数,即卷积核第二隐藏层实现子抽样和局部平均,它同样由8个特征映射组成,但其每个特征映射由14×14个神经元组成。每个神经元具有一个2×2的接受域,一个可训练系数,一个可训练偏置和一个 sigmoid激活函数。可训练系数和偏置控制神经元的操作点;第三隐藏层进行第二次卷积,它由20个特征映射组成,每个特征映射由10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接,它以与第一个卷积层相似的方式操作。第四个隐藏层进行第二次子抽样和局部平均汁算。它由20个特征映射组成,但每个特征映射由5×5个神经元组成,它以与第一次抽样相似的方式操作。●第五个隐藏层实现卷积的最后阶段,它由120个神经元组成,每个神经元指定一个5×5的接受域。最后是个全连接层,得到输出向量。综合起来,如下图山辆入员/閩张38的圈像辆入|种特图到C28×28KD卷,:对应位遇相森再未和⊙如偏置每种图有个偏置a老积层f同治减函数6↑5的卷铝kC6个偏置值b输邶钟培钲图24X0mno:22域的值平均坐smle=2辆入6种征图列12|2k2个55的着核kKk22个偏置值b辆出12钟特钲图8×88×g年怦居D mean pooL斜样9=2s输出口钟特征图4x叶把S园輪出的特征图垣成一年向量入,维,:平4x×12=12F房入节点有2个192资接的神经刚络W1,09W参教W:20×192矩阵爹教bho0x1向量oh辆出节点有个,国为baby的度是o·上图中28如何变成24的?12如何变成8的?详情见这个网址:hto:/ud. stanfordedu/wki/ index. php/ Featureextractionusing convolution这个过程中,有这么几个参数:a.深度 depth:神经元个数,决定输出的dept厚度。同时代表滤波器个数。*b.步长 stride:决定滑动多少步可以到边缘。C.填充值zero- padding:在外围边缘补充若干圈0,方便从初始位置以步长为单位可以刚好滑倒末尾位置,通俗地讲就是为了总长能被步长整除。最左边一列是输入层,第二列是第一个滤波器(W0),第三列是第二个滤波器(W1),第四列是输出层。*该图有两个神经元,即 depth=2,意味着有两个滤波器数据窗口每次移动两个步长取3*3的局部数据,即stde=2。zero-padding=13cNN的激励层与池化层ReLU激励层不要用 sigmoid,因为它容易饱和、造成终止梯度传递,且没有0中心化ReLU的优点是收敛快,求梯度简单。·池化poo层池化,简言之,即取区域平均或最大,如下图所示Single depth slice1124Xmax pool with 2X2 filters5678 and stride 26832234304y参考文献:·htp:/ yann lecun. com/exdb/lenet/index. html( Yann securη实现的CNN演示,以动画的形式演示了位移、加噪、旋转、压缩等识别,最有价值的是把隐层用图像显示出来了,很生动形象)

本文档是以ABB公司具体仿真为参考，通过对仿真过程及仿真结果的分析，阐述了噪声在变压器中的影响。三三ABABPRODUCTIOSTAR COST OFDESIGN CHANGETIMEPRODUCTIONSTARTPOSSIBILITY TOCHANGE DESIGNTIMEABThey can be considered as the gearboxes of the electrical gridABABNo-load noise(core noise)Sound powerLoad noise (winding noise)RadiationTank resonanceTankVibrationOiltransmissiontransmissionIndingCoreWindingsMagnetic pull注上计ElectromagneticMagnetostrictionorceNO-LOADLOAD CURRENTABn x 100 Hz(n x 120 Hz) with n=2, 3WAABdBln requency Response H1(4508(2), PCB208A03 Ref )-STS Measurement 11(Magnitude(m/s/N]Amplitude3533025f, ffr f213420Frequency1500102003008000204008501001200140016018002cFrequency HzEc;415AB

汽车NVH领域的经典入门读物，引领进入汽车振动噪声研究的最佳选择。第一章管道声学(1.12)时,声压幅值达到最大,反节点的位子是:(1.13)驻波是由频率相同的向右传播的入射波和向左传播的反射波迭加而成。驻波并不是运动的波,而是静止的,这是“驻”波名称的由来。波表示管道中的声音的模态。对於长度一定的管道来说,由于有许多频率的波,因此也就有很多驻波。这里所提到的驻波是假设管壁刚硬,所冇声波遇到管壁时全部被反射回来。可是实际上,管端壁不是完全刚性,因此反射波的声压不完全等於入射波声压,因此在节点处,入射波和反射波不可能完全抵消。但是这些点处的声压大部分被抵消,声压最低。第二节管道声阻抗阻抗是指当对媒质受到压力或者搾动力时,媒质会对传播产生阻碍。管道中的声学阻抗Z,定义声压与质点体积速度的比值,即(1.14)式中,u,U和S分别是管道中的速度,体积速度和截面积。体积速度与质点速度的关系为:L=SL。声吝在管道內传播,当管道的截面积发生变化的时候,声阻抗也发生变化。图1.3是截面积变化的管道,在变截面的地方,由于阻抗发生变化,一部分入射波就会被发射回原来的管道而另一部分入射波会在新的截面管道中继续传播。抗性消音器的工作原就是基于这种阻抗的变化。声波从发动机出来并在进气或者排气系统中传播,当遇到消音元件或者截面积变化时,入射声波被反射回发动机声源,从而抑制声音的传播。进排气系统中声阻抗不匹配的情况主要有截面积变化,主管道中插入了其他管道(如旁支消音器等),管道开口通往大气等等图1.3截面积变化的管道进排气系统中管道的长度都是有限的。图1.4表小一个长度为L的管道。假改管道两端的声阻抗分别已知,即在=处,声阻抗为,在=处,声阻抗为由公式(1.6)和(1.9),可以得到管道中仟一点的声阻抗为管道声学图1.4长度为L的管道将=代入公式(1.15)中,得到该处的声阻抗为:将三代入公式(1.15)中,得到该处的声阻抗:公式(17)可以重新写成下面的形式18将方程(1.16)代入到方程(1.18中,消除和,就得到输入声阻抗和输出声阻抗的关系,如下第一章管道声学(1.20第三节管口封闭与管口敞廾声波从管道入口端发射出来,传播到尾端。管道尾端通常有两种情况,一种是开口的,如进气管口,排气尾管口;另一种是封口的,如四分之一波长管。下面就来分析这两种尾端的声学特征。1.开∏-封闭管道图1.5表示管道尾端封闭状况。声音在管道里问石传播,当声波碰到刚性的封闭端时,声波被全部反弹冋来,再向左传播管口封闭图1.5开凵封闭管道对一个刚性的封闭口来说,其声阻抗为无穷大,即>0,根据公式(1.19),得到:1.21)声阻抗可以写成下面的形式:(1.22)式中R和粉别是阻抗的实部和虚部,R为声阻,称为声抗。声阻取决于结构的材料特性,而声抗则取决」结构的儿何特性。当声抗为零的时候,结构就发生共振。公式(1.21)中的声阻抗也可以写成公式(1.22)那样的形式,为(1.23)上式如果满足下亩的条件:(1.24)即,那么这个开口-封闭管道就发生共振,其固有频率为:(1.25)当n-=1,2,3,.,时,分别对应著管道第·阶、第二阶、第三阶,,.,等阶次频率图1.6是管道声波的第一阶和第阶模态。这个声波在封闭端时,声压达大最大值,然后发射第一章管道声学到入口处,使得入口端的声压为零,即在开口端形成驻波节点。四分之一波长管就是应用这个原理来工作的。图1.6管道声波的第一阶模态(A)和第二阶模态(B)公式(1.25)可以转变为管道长度与波长的关系,表达如下1.26)当n=1时,管道的长度是波长的四分之,即:。所以这种开∏封闭的管道通常叫著四分之一泼长管2.开口开口答道图1.7为一个尾端开口的管」。声波从入口端向右传播进入开口端时,声音与大气产生声耦合。大气的辐射声阻抗会将一部分声波返回管口敞开图1.7开口-开口管道声波在尾端的声阻抗为周围坏境的声阻抗,也就是说这个声阻抗不为零。为了使问题简化起见,我们先假设这个阻抗为零,然后再对所得到的结构进行修正。如果在x=处的声阻抗为零,那么由公式(1.19)可以得到下式(1.27)同样,当这个声阻抗中的声抗为零的吋候,管道就发生共振,这时必须满足:即:这时,开口-开口管道的共振频率为:当n=1,2,3,,时,分别对应著管道第一阶、第二阶、第三阶,.,等阶次频率第一章管道声学图1.8是开口-开口管道声波的第一阶和第二阶模态。图1.8开口-开口管道的第一阶模态(A)和第二阶模态(B)公式(1.30)可以转变为管道长度与波长的关系,衣达如下(1.31)3.开口管道的修正在推导尾端廾口公式时,我们假设了出口周围坯境的声阻抗为零,但是实际上这个阻抗不为零,因此必须对公式(1.27-1.31)的结论做修止。对图1.9这样的开∏终端,被称为自由自由开口。该开口处的声阻抗为:等效管图1.9自山开口-开口修正管道山于管道的直径非常小,因此和都远远小于1。山公式(1.27)和(1.32)得到:(1.33)这样,管道内的频率为34)管道长度与波长的关系为(1.35这样管道的长度比声阻抗为零的时候要短些,也就是说好像有一根等效的延长管与原来的管道相连接。管道的计算长度就是实际管子长度加上等效延长管长度△即第一章管道声学(1.36有时侯,在出口管处还会加类似与法兰的结构,如图1.10所示。这时,有效延长管的长度为△实际管子的长度为:△式中是管子的计算长度发等效管图1.10法兰开口-开口修正管道第四节四端网终分析进气系统或者排气系统都是有很多管道和消音元件组成。分析整个系统往往是非常复杂的,但是如果将系统分解到一些小的段落,那么分析起来就相对容易些。得到了每个段落或者是每个部件的分析结果,然后将之合成起来就得到了整个系统的结果。四端网络分析就是这种分析方法,在管道声学分析中得到了广泛的应用。对於管道中一小段质量(如图1.11)来说,动力方程可以写成如下:(1.39)式中,S是管道的截面积,是这个小质量段的长度,和分别是质量端两边的压力图1.11管道中一小段质量的受力分析公式(1.39)可以表达为(1.40)第一章管道声学对这一小段质量来说,假设两边的速度是相等的,即将这公式(1.40)和(1.41)写成矩阵形式,得到:(1.42)公式(1.42)建立起这段小质量块两边的压力和速度的关系。管道中小段质量块后端的压力和速度可以用它前端的压力和速度来表示。也就是说质量块后端与前端之间建立起来一种传递关系。同样对一个长度为L的管道(如图1.4所示)也可以得到管道两端的传递关系。在=处的压力和速度可以通过公式(1.6)和(1.9)分别求得(1.13)由以上两式可以得到和,如下:45(1.46根据公式(6)和(9),在处的压力和速度分别为将公式(1.45)和(1.46)中和的表达式代入公式(1.47)和(1.48)之中,就得到管道入冂与出∏之间声压和速度之间的关系,为:+49将公式(1.49)和(1.50)写成如下的矩阵形式第一章管道声学这样就得到了管道两边的压力和速度的传递关系。公式(1.51)可以简单地写成如下形式式中,被称为传递矩阵。如果管道的传递矩阵知道,那么只要知道管道端的压力和速度,就可以通过传递矩阵算出另一端的压力和速度。在传递矩阵两边分别是两个输入参数和两个输出参数。这四个参数的关系由传递矩阵来确定,因此这种表达方式称为四端网络法。上面介绍了小段质量和长度为L的管道的传递矩阵表达方法。这种方法可以推广到任何一个声学元件,其输入端和输出端的声压和速度都可以用四端网络米表示。图1.12代表某个声学元件i。图1.12一个管道元件的四端网终图这个元件两边的压力和速度关系为式中是传递矩阵,是传递矩阵系数。汽车的进气系统包括进气管道、空气过滤器、赫耳姆兹消音器、四分之波长管等。排气系统包括排气多支管、催化器、谐振器、消音器和管道等。一个系统如果由N个元件组成。而且每个元件的传递矩阵都知道,那么出声口的声压和速度就可以用声源的声压和速度来表示如下形式:(1.54)式中的L1是系统的传递矩阵,如下形式(1.55)

非线性跟踪微分器 安排过度过程PID控制 非线性扩张观测器的PID控制

这是加拿大网络安全研究所（UNB）的数据，该文件是一个csv文件格式，可以用excel打开，已经整理完成。方便研究者用于机器学习或深度学习，一共包含22.5w条记录。主要用于DDoS的检测。