挑战杯日记—数据采集与无线通讯


2015年1月5日: 买饭时接到老师电话,参加挑战杯。晚上开了个会。我的CM4计划又搁置了。。。 早晨4点半被海涛拉起来写申请书。6点半的车回家。 




2015年1月6日: 晚上把先行到达的的快递看了一遍,发现买的诺基亚5110显示屏被磕过。 能用倒是能用。。 接着试了一下惯导模块。不得不承认这模块很牛逼。 卖家给了上位机和很多资料。 






2015年1月7日: 已至凌晨2点,用单片机接收惯导信息后。显示总是异常。加速度就是出不来 角速度和角度还有延迟卡顿现象。。难道是因为我用15片子12倍速的原因?为什么我调成12分频后串口接收到单片机无数的0? 




貌似是这一段有问题: 




89C52调成无校验位居然成功了!可是说明书上不是说0校验么?! 



STC12C5204AD读取成功 





今天一天都在想怎么把惯导模块的float数据载入unsigned char型数组里。。。最后写了对编码与解码函数。发送端程序刚开始定义了1个9个长度的float数组,data超了。改了下程序改成了3个长度便好了。。。 




临睡前程序没有成功。还不知道原因。串口没有打印任何数据。可能是NRF模块问题。之前觉得是串口中断问题,进入串口中断太频繁所致,但是加了标志位后还是无果。明天继续。 



2015年1月8日: NRF开发板测试,工作正常。内部IRC震荡器22.1184MHz 波特率11520 

虽说NRF通信和惯导读取数据这两个程序都好使。但是合起来了还是不行。下午发射端程序由于太长,还一度烧录不进单片机。 话说这问题,接收端程序一直在等待数据。发送端单片机串口通讯一点反应也没有。 


2015年1月10日: 数据发送成功但是貌似数据读取有问题。(后来发现STC15L204EA没有串口,使用的串口功能是IO口模拟出来的) 

2015年1月12日: 开始学车了。时间不是那么多了。首先换89读取数据用屏幕显示数据。 

2015年1月14日: 利用无线串口实现数据的传输与接收。 为以后方便展示,所有东西都放在了一个小板子上。 今天搞懂一件事情。定时器1是波特率发生。Printf只适用于定时器1。 

2015年月15日: 新买的2401模块到货。 NRF24L01最令我蛋疼就是一次只能发32个字节。哪怕再多一个字节也好,再多一个字节能省下120块钱的成本。。。 

这模块使用前需先设置好。包括每次数据包的大小。如果实际发送大小和预先设定的不一致则不会发出任何数据。经测试,每帧数据在9600波特率情况下不得低于42ms,若每组数据发送间隔低于42ms则模块会初始化。 

数据采集后编码并无线传输成功! 

2015年1月16日: 继续前一天的工作。把编码后的数据用接收端单片机解码后5110显示。发送端串 口部分使用到了查询法,学习到了一种新的方法。除此之外的串口发送还有中断法。 

编码后一共27个数据。但是为了数据的传输准确在发送缓冲区数组前加了一个帧头0x55,以便接收端检测,并提高数据无线传输准确率。不过目前只显示X轴的角度,具体原因还需进一步查清。 

2015年1月19日: 数据采集部分及无线通讯部分全部搞定。只显示X轴数据是因为我接收端程序中的一个for多写一位。应该是27却写成了28。致使出错。

之前自己的感觉是没有错的,这模块是的上电延时才能正常工作。经过2天STM8的学 习了解到,STM8在上电后1秒内是UART烧录模式,在此期间串口除了烧录不得使用。如果用了会使模块卡死。


由于5110屏幕太小显示不全,只显示了角度。其实还有xyz轴的加速度和角速度没有显示。

 

后来又修改了一下程序,定义了一个float型数组。犯了个低级错误,9个长度的数组受float s[0]的影响定义写成了float s[8],致使z轴角度始终是0。发现错误改正后正常。应该定义:float s[9],9个长度就定义9,但是此数组最高为s[8]。

 

2401模块一个18,替代无线串口后大约是省下了300块钱。要是NRF2401发送缓冲区比32字节再大一个字节就好了。那样直接就可以连接惯导模块,省去发射端的单片机。

 

告一段落。2015.1.19

 



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