最近做项目总结

                                                                                              经验总结和体会

 自从做项目以后,让我体会的到团队团结和默契的重要性,这些很需要时间磨练才行,希望以后做项目队友都能一起动手。分工需要明确,但是还是需要相互交流各自任务的进展,然后帮助进展落后的赶上来,这样能更好的减少研发项目的时间。经常浏览别人的博客,发现他们学到了什么,都会在博客留下痕迹——进行总结,这样也能发现自己有木有学踏实,我觉得这是一个非常好的学习方法,。我是惭愧,很早就觉得这方法好,可是就是不想写,没动力,希望大家能相互监督好些。

   谈一下这段时间学到了些什么,首先接触的是RS232这个可以将电平转化为TTL电平,TTL电平能够和板子直接进行通讯的,一般的是不行的。比如说LPC2103这个板子,它的串口0可以直接和电脑串口通讯,而串口1不行。这是因为串口0经过了一个芯片进行转换为了TTL电平。GPS输出的就是TTL电平,就可以直接通讯的,不用转换。刚开始做GPS项目的时候,在这就犯了一个大错。使用IIC总线时,SCL,SDA,RESET这三个引脚一定要拉高。用SPI做主机时有一个从机或者多个从机,CS引脚基本木有用,要拉高,SPI作从机时CS引脚作为片选型号。GPIO口初始化时,尽量去或初始化值,这样就不会改变其他IO口值,这样就避免了,把其他IO功能给屏蔽了,如果不小心在这出错,很难发现的。

  在做电子寻星仪这个项目中,我使用12864时遇到的一些问题以及解决方法;

1,开始液晶的背光没有调好,果断有些液晶可以调节背后的电阻调节背光。

 

2,在液晶显示的时候利用画图显示功能时,当我只画一小部分时,其它的部分没有初始化

导致显示时其他部分出现乱点,在写值时先将所有的ram清零就没有问题了。

 

3,写入一个字节时,写字节的函数里面有延时,且延时时间比较长,因为画一次图要调用几百次写函数,开启ram画图功能时,延时叠加起来就浪费很多时间。

 

4,当用拓展指令在12864的cgram中写入图片时,只能是在cgram中清零才是真正的清除了cgram中的数据

 

5,如果只是用12864指令0x01清屏的话,可以清屏屏幕显示的东西,但是不能清除cgram的数据,当再次调用图片显示功能时,就会显示你原来写入ram中的数据。(就是用0x01指令清屏,可以清除屏幕显示的东西,不能清除ram中的数据,,这就是为什么一开始在ram中要全部写零清屏而不用0x01指令清屏的原因)。

 

6,有些12864液晶psb本身就接了高电平或是低电平。

 

7,spi主机通信时,sck与液晶屏的时钟端口连接,mosi与液晶屏的数据端口连接,ssel直接拉高。(在实际操作中将液晶屏的片选的端口与p0.7口连接,因为片选端口要拉低,而ssel端口要拉高,所以出现错误,导致通信不能正常进行。)

 

在悬挂运动控制系统中遇到一些问题以及解决方法

1, 在项目的一开始没有统一搞好方案,以及方案的可行性,搞到一半了又要换方案,浪费了很多时间,

2, 在使用光电开关时,用黑白相间的白纸想测移动距离,但是临界值问题导致光电开关检测误差太大。

 


  做项目时,细心这个我觉得是最重要的了,一个小小的错误,就可能耽误很长一段时间,甚至查不出来,这是非常致命的。刚接到项目时,首先得去分析和研究方案,尤其重要的一部分那就是方案的可行性了,对这个进行评估得多花点时间,然后确定方案。必须具有一种精神那就是坚持不懈,遇到问题,要积极去解决,不要轻易改变方案。

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值