登录
首页 » Others » 基于RS485总线的PC与单片机多机通信系统设计

基于RS485总线的PC与单片机多机通信系统设计

于 2020-12-02 发布
0 363
下载积分: 1 下载次数: 2

代码说明:

该文档介绍了基于RS485总线的PC与单片机多机通信系统设计。《自动化与仪器仪表》2012年第1期(总第159期)再由嵌入式网关上的应用程序去执行相应的操作音等等)同样能完成相应物理量的检测并回传信息。若嵌入式网关数据上传下发平台定时读con1.txt,负责增加无线节点个数、传感器数量,系统硬件、軟件稍加改把串口收到的数据进行检索,并实时上传由热释电红外传.动,还能完成对相关智能家居的远程控制。感器通过网关数据采集平台采集来的数据。图11为系统参考文献功能图。[]刘富强.数字视频监控系统开发及应用「M].北京:机械工业出系统登版社,2003[2]卓晴,黄开胜,邵贝贝.学做智能车一挑战“飞思卡尔”杯[M]北京:北京航空航天大学出版社,2007[3]陈有卿,谢刚新颖电子模块应用手册[M].北京:机械工业出版[现场慰过[车週卧车左糙[石恩匚社,2004图11远程巡警控制系统功能图[季]廖俊.基于B/S模式的远程监控系统的研究及软件实现[D]成3.结语都:西南交通大学,2006本文改计的智能家居远程巡瞀监控系统,根据远程[5]周立功.ARM&WnCE实验与实践—基于S3c240[].北京北监视图像,通过网页浏览的方式控制家居移动小车的运动京航空航天大学出版社,2007.方向,小车上装有热释电红外传感模块,能实时检测室内[6]陈素华,方旭司宏昌.基于ARM和FGA的智能小车监控系统是否有人,并将信息及时回传给所览的N页。根据需J].现代电子技术2010,16(21):5961求,传感探测器还可更换其它的类别(如气体、温澠度、声上接第31页)符输出,当发送0-9时是%d,此处特别注意,否则接到的是(2)单片机串口主程序乱码)d mainom striata+= strtemp;//加入接收编i REN=1辑框对应字符串( m striata与编辑框ID对应,修改其ea 1ID时此处要做相应修改)Serial IUpdateData( FALSE);//更新编辑框内容Data-SUBF//接收上位机发来的数据3.2单片机通信程序设计while(1)80C51单片机的数据通信由串行口完成,定时器T1作为波特率发生器,其波特率要与PC机一致。数据的传送格式为1位起始位、8位数据位、作为地址/数据控制位的第4结语9位和1位停止位。采用中断方式发送和接收数据,定时器本文通过对RS-485多机通信系统的研究,设计了一TI设置为工作模式2,串行口设置为工作方式3,由第9位种以PC机作为主机,多个8051单片机作为从机的主从式判断地址码或数据。当某台单片机与PC机发出的地址码多机通信系统。本系统采用主从分布式网络,通过自定义致时,就发出应答信号给PC机,而其他单片机则不发应通信协议实现了系统通信功能。上位机通过标准串行接口答信号,这样在某一时刻PC机只与一台单片机传输信息。COM口经RS232/485转换器将电平转换为RS-485标准电平这里给出8051主程序完成串行口和中断的初始化后,则与下位机通信:下位单片机的串行信号通过MAX485芯片将等待中断,以及单片机中断方式接收和发送数据的中断服TL电平转换为RS-485标准电平实现网络通信。而且,小务程序。局域网多机通信在如食堂刷卡收费管理系统、汽车加油刷1)单片机串口初始化程序卡系统、电能运输秒表管理系统等领域应用广泛。因此,void Serial Init (void)开展本领域的研究有较好的应用前景。REN=1步考文煮RI=0;//接收中断软件清零E1]李宁.基于PC机和单片机土从式控制系统的设计{D]西安:西TMOD=0x20;//定时器工作方式设定安理工大学,2008,5SC0N=0xFC;//串口工作在方式3,允许按收L2]辛萌萌.RS-485通信接口芯片的IC设计与实现[D].大连;大连理PCON=0x80;//波特率加倍工大学200712TH1=0xf4;//初值3]陈光东,赵性初单片微型计算机原理与接口技术.第2版[M]武汉:华咔科技大学出版社,2004,156-16生IE=0X90;/开CPU中断,串口中断[4」李宁基于PC机和单片机主从式控制系统的设计[D].西安:西TR1=1;//启动定时器安理工大学,2008,5万方数据

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • synopsys DC-RM_O-2018.06.tar
    # Synopsys(R) Design Compiler(R) Reference Methodology# Version: O-2018.06 (July 23, 2018)# Copyright (C) 2014-2018 Synopsys, Inc. All rights reserved.官方DC综合参考脚本
    2021-05-06下载
    积分:1
  • 基于OpenMP的并行遗传算法
    基于OpenMP的粗粒度并行遗传算法,相比于串形遗传算法提升了运行速度。
    2020-12-10下载
    积分:1
  • FPGA--图像对比度&亮度调整代码-Verilog
    【实例简介】
    2021-08-05 00:30:59下载
    积分:1
  • Logistic回归模型——方法与应用附例题数据和源码
    数学建模中很好的学习spss软件并解决回归类题型的有力工具!
    2020-12-09下载
    积分:1
  • STM32F407系列(ZG/VG/IG)原理图封装全
    画了挺长时间的,参照了几个参考。现在发上来,希望大家会用到。封装库都是通用,库里边自己关联一下就OK了
    2020-12-06下载
    积分:1
  • 用MATLAB实现基于支持向量机的垃圾邮件分类
    用MATLAB实现基于支持向量机的垃圾邮件分类
    2020-12-09下载
    积分:1
  • 深入理解linux设备树dts
    深入理解linux设备树的来龙去脉,非常好。国内架构师总结,国外架构师文档,例子。
    2020-12-05下载
    积分:1
  • 最新版的m_map工具箱
    最新版的m_map工具箱,添加了Shaded Relief地图功能,可以画出精美的地图。下载e_topo2或者e_topo1就可以画Shaded Relief图了。
    2020-12-09下载
    积分:1
  • 数值分析答案 第五版 李庆扬
    哎 课后习题不会做!-_-不怕 有参考~_~ 此答案为数值分析第五版(最新版)李庆扬主编的课后答案 且为完整版 分两部分(数值分析(一)、数值分析(二))
    2021-05-06下载
    积分:1
  • 反向传播算法推导—全连接神经网络
    反向传播算法是人工神经网络训练时采用的一种通用方法,在现代深度学习中得到了大 规模的应用。全连接神经网络(多层感知器模型,MLP),卷积神经网络(CNN),循环神 经网络(RNN)中都有它的实现版本。算法从多元复合函数求导的链式法则导出,递推的 计算神经网络每一层参数的梯度值。算法名称中的“误差”是指损失函数对神经网络每一层 临时输出值的梯度。反向传播算法从神经网络的输出层开始,利用递推公式根据后一层的误 差计算本层的误差,通过误差计算本层参数的梯度值,然后将差项传播到前一层(w, x,)+b这个神经元接受的输入信号为向量(),向量()为输入向量的组合权重,为徧置项,是标量。神经儿对输入冋量进行加权求和,并加上偏置项最后经过激活函数变换产生输出为表述简洁,我们把公式写成向量和矩阵形式。对每个神经元,它接受的来自前一层神经元的输入为向量,本节点的权重向量为,偏置项为,该神经元的输出值为先计算输入向量与权重向量的内积,加上偏置项,再送入一个函数进行变换,得到输出这个函数称为激活函数,典型的是函数。为什么需要激活函数以及什么样的函数可以充当激活函数,在之前的公众号文章“理解神经网终的激活函数”中已经进行了介绍。神绎网络一般有多个层。第一层为输入层,对应输入向量,神绎元的数量等于特征向量的维数,这个层不对数据进行处理,只是将输入向量送入下一层中进行计算。中间为隐含层,可能有多个。最后是输出层,神经元的数量等于要分类的类别数,输出层的输岀值被用来做分类预测。下面我们来看一个简单神经网络的例了,如下图所示这个网络有层。第一层是输入层,对应的输入向量为,有个神经元,写成分量形式为(),它不对数据做任何处理,直接原样送入下一层。中间层有个神经元,接受的输入数据为向量,输出向量为,写成分量形式为。第三个层为输出层,接受的输入数据为向量,输出向量为,写成分量形式为()。第一层到第层的权重矩阵为(,第二层到第三层的权重矩阵为()。权重矩阵的每一行为一个权重向量,是层所有神经元到本层某一个神经儿的连接权重,这里的上标表小层数如果激活函数选用函数,则第二层神经元的输出值为+(-(+0)+(1+(0)(-(()第三层神经元的输出值为如果把代入上面二式中,可以将输出向量表示成输出向量的函数。通过调整权重矩阵和偏置项可以实现不同的函数映射,因此神经网终就是一个复合函数需要解决的·个核心问题是·旦神经网络的结构(即神经元层数,每层神经元数量)桷定之后,怎样得到权重矩阵和偏置项。这些参数是通过训练得到的,这是本文推导的核心任务个简单的例子首先以前面的层神经网络为例,推导损失函数对神经网络所有参数梯度的计算方法假设训练样本集中有个样本()。其中为输入向量,为标签向量。现在要确定神经网络的映射函数:什么样的函数能很好的解释这批训练栟本?答案是神经网络的预测输出要尽可能的接近样本的标签值,即在训练集上最小化预测误差,如果使用均方误差,则优化的目标为:∑‖()-其中()和都是向量,求和项内部是向量的范数平方,即各个分量的平方和。上面的误差也称为欧氏距离损失函数,除此之外还可以使用其他损失函数,如交叉熵、对比损失等。优化目标函数的自变量是各层的权重矩阵和梯度向量,一般情况下无法保证目标函数是凸函数,因此这不是一个凸优化问题,有陷入局部极小值和鞍点的风险(对于这些概念和问题之前的公众号文章“理解梯度下降法”,“理解凸优化”中己经做了详细介绍)这是神经网络之前一直被诟病的一个问题。可以使用梯度下降法进行求解,使用梯度下降法需要计算出损失函数对所有权重矩阵、偏置向量的梯度值,接下来的关键是这些梯度值的计算。在这里我们先将问题简化,只考虑对单个样本的损失函数()-‖后面如果不加说明,都使用这种单样木的损失函数。如果计算出了对单个样木损失函数的棁度值,对这些梯度值计算均值即可得到整个目标函数的梯度值。和(要被代入到网络的后一层中,是复合函数的内层变量,我们先考虑外层的和。权重矩阵是一个x的矩阵,它的两个行分别为向量(和是个维的列向量,它的两个元素为()和()。网络的输入是向量,第一层映射之后的输出是向量首先计算损失函数对权重矩阵每个元素的偏导数,将欧氏距离损尖函数展开,有((+))(())6(如果,即对权重矩阵第行的元素求导,上式分了中的后半部分对来说是常数。根据链式法则有S()+()O如果,即对矩阵第二行的元素求导,类似的有:可以统一写成可以发现,第一个下标决定了权重矩阵的第行和偏置向量的第个分量,第二个下标决定了向量的第个分量。这可以看成是一个列向量与一个行向量相乘的结果,写成矩阵形式为上式中乘法⊙为向量对应元素相乘,第二个乘法是矩阵乘法。是个维列向量,+也是一个维列向量,两个向量执行⊙运算的结果还是个维列向量。是一个元素的列向量,其转置为维行向量,前面这个:维列向量与的乘积为的矩阵,这正好与矩阵的尺寸相等。在上面的公式中,权重的偏导数在求和项中由部分组成,分别是网络输出值与真实标签值的误差激活区数的导数+(),本层的输入值。神经网络的输出值、激活函数的导数值本层的输入值都可以在正向传播吋得到,因此可以晑效的计算出来。对所有训练样本的偏导数计算均值,可以得到总的偏导数对偏置项的偏导数为:如果上式分子中的后半部分对来说是常数,有:()⊥()如果类似的有这可以统写成:写成矩阵形式为偏置项的导数由两部分组成,分别是神经网络预测值与真实值之间的误差,激活函数的导数值,与权重矩阵的偏导数相比唯一的区别是少了。接下来计算对和的偏导数,由于是复合函数的内层,情况更为复杂。()是个的短阵,它的个行向量为(),(,(,(。偏置项()是维向量,个分量分别是(),(,(),(。首先计算损失函数对的元素的偏导数:而上式分子中的两部分都有,因此都与有关。为了表述简活,我们令:根据链式法则有:其巾((和和都是标量和()是两个()向量的内积,的每一个分量都是()的函数。接下来计算和这里的一是个向量,衣示的每个分量分别对求导。当时有:后面个分量相对于求导变量(都是常数。类似的当时有:()0)(()和时的结果以此类推。综合起来有:同理有:()十如果令合并得到()()[()-)。()。()写成矩阵形式为()最后计算偏置项的偏导数()类似的我们得到:合并后得到()写成矩阵形式为:(0)至此,我得到了这个简单网络对所有参数的偏导数,接下来我们将这种做法推广到更般的情况。从上面的结果可以看岀一个规律,输出层的权重矩阵和偏置向量梯度计算公式中共用了()-)()对」隐含层也有类似的结果完整的算法现在考虑一般的情况。假设有个训练样本(),其中为输入向量,为标签向量。训练的目标是最小化样木标签值与神经网络预测值之闩的误差,如果使用均方误差,则优化的目标为:其中为神经网络所有参数的集合,包括各层的权重和偏置。这个最优化问题是·个不带约束条件的问题,可以用梯度下降法求解。上面的误差函数定义在整个训练样本集上,梯度下降法每一次迭代利用了所有训练样本,称为批量棁度卜降法。如果样木数量很大,每次迭代都用所有样木进计算成木太高。为了解决这个问题,可以采用单样本梯度下降法,我们将上面的损失函数写成对单个样本的损失函数之和:定义对单个样本()的损失函数为)=-()如果采用单个样本进行迭代,梯度下降法第次迭代时参数的更新公式为:nV如果要用所有样本进行迭代,根据单个样本的损失函数梯度计算总损失梯度即可,即所有样本梯度的均值用梯度下降法求解需要初始化优化变量的值。一般初始化为一个随机数,如用正态分布(a)产生这些随机数,其中G是一个很小的正数到日前为止还有一个关键问题没有解决:日标函数是一个多层的复合函数,因为神经网络中每一层都有权重矩阵和偏置向量,且每一层的输出将会作为下一层的输入。因此,直接计算损失函数对所有权重和偏置的梚度很复杂,需要使用复合函数的求导公式进行递推计算几个重要的结论在进行推导之前,我们首先来看下面几种复合函数的求导。又如下线性映射函数:其中是维向量,是×的矩阵,是维向量。问题:假设有函数,如果把看成常数,看成的函数,如何根据函数对的梯度值Ⅴ计算函数对的梯度值Ⅴ?根据链式法则,由于只和有关,和其他的≠无关,因此有:c∑(对于的所有元素有:写成矩阵形式为:问题:如果将看成常数,将看成的函数,如何根据V计算Ⅴ?由于任意的和所有的都有关系,根据链式法则有写成矩阵形式为这是一个对称的结果,在计算函数映射时用矩阵乘以向量得到,在求梯度时用矩阵的转置乘以的梯度得到的梯度。问题:如果有向量到向量的映射:
    2020-12-09下载
    积分:1
  • 696516资源总数
  • 106914会员总数
  • 0今日下载