空间变化

空间变化

第一种:圆

 

第二种: 矩形

 

第三种:正五边形

 

第四种:正六边形

 

第五种:腰圆

 

算法:

在规则图形(不包括圆心-直径法)中,等于或者超过三个点。一般的,利用p1,p2,p3来建立一个用户坐标系,其中P1作为原点,P2是x方向,P3是Y方向
切入点是从P1与p2的中心进行切入。也就是图形的激光切割点。
setframe(p1,p2,p3,fframe)
nXradio=distance(p1.trsf,p2.trsf)/2
需要求出所有规则图形的最大的内切圆的圆心和半径。
除去引线与打孔点。
圆:4个点    三角形:5个点   矩形:6个点   五边形:7个点  六边形:8个点   腰圆:8个点

圆心-直径法:
R1=Pcenter*{ndiameter/2,0,0,0,0,0}
R2=Pcenter*{0,ndiameter/2,0,0,0,0}
R3=Pcenter*{-ndiameter/2,0,0,0,0,0}
R4=Pcenter*{0,-ndiameter/2,0,0,0,0}

三点法圆:
通过三点法求的外接圆的圆心和直径,就可以使用圆心-直径法来获取。
通过获取fframe,知道在p1,p2,p3,在{0,0,0,0,0,0},{x2,0,0,0,0,0,0},{x3,y3,0,0,0,0}
由于圆心到三个点的距离相等,可以假设圆心{xc,yc,0,0,0,0} 可求的xc,yc, xc=x2/2, yc=y3*y3+x3*x3-x2x3/2y3,
通过圆心与其中一个点的距离乘以2就获得直径,就可以使用圆心-直径法。

三角形:
都是在fframe中
R1={nxradio/2,0,0,0,0,0}
R2=P2->fframe
R3=P3->fframe
R4=P1->fframe
R5={nxradio/2,0,0,0,0,0}

矩形:
都是在fframe中
R1={nxradio/2,0,0,0,0,0}
R2=P2->fframe
R3=P3->fframe
R4={distance(p2.trsf,p3.trsf),0,0,0,0,0}
R5=P1->frame
R6={nxradio/2,0,0,0,0,0}

五边形:
都是在fframe中
R1={nxradio/2,0,0,0,0,0}
R2=P2->fframe
R3=P3->fframe
R4={distance(p2.trsf,p3.trsf),0,0,0,0,0}
R5=P1->frame
R6={nxradio/2,0,0,0,0,0}

 

 

六边形:
都是在fframe中
R1={nxradio/2,0,0,0,0,0}
R2=P2->fframe
R3=P3->fframe
R4={distance(p2.trsf,p3.trsf),0,0,0,0,0}
R5=P1->frame
R6={nxradio/2,0,0,0,0,0}

 

 

腰形孔:
都是在fframe中
R1={nxradio/2,0,0,0,0,0}
R2=P2->fframe
R3=P3->fframe
R4={distance(p2.trsf,p3.trsf),0,0,0,0,0}
R5=P1->frame
R6={nxradio/2,0,0,0,0,0}

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