每天努力一点点

原创 Virtuoso IC618-二级运放电路设计

本次采用二级结构的设计。第二级增益级采用共源放大级，让NMOS作放大级，PMOS作电流源负载。负载端是一个NMOS电流镜结构，保持两路的电流相等，但也带来了较大的1/f噪声，所以尽可能使这两个NMOS管的L长一点。根据饱和电流公式，需要先通过MOS管的V/I特性曲线求出Kn.通过扫描Vgs得出电压-电流关系图，根据得到的数据列出对应的方程。

原创 论文怎么放入高清图片，且转成PDF不失真

论文怎么放入高清图片，且转成PDF不失真。

原创 Virtuoso IC618-带隙基准

带隙基准

原创 Virtuoso IC618-10uA电流基准的二级Miller补偿运放电路设计

10uA电流基准的二级Miller补偿运放电路设计启动电路+基准电流源+二级运放

原创 Virtuoso IC618-系统稳定性

频率补偿的二级放大器

原创 从图像统计特征看图像内在-均值，方差，对比度，熵

图像统计特征 分析纹理所需，灰度共生矩阵学习前预习知识

原创 深度学习-基于(Pytorch)卷积神经网络对多分类实验分析

本次实验利用CNN对类别数据集进行分类，并掌握卷积神网络搭建的过程，了解卷积模块，池化模块，Batch Normalization模块，激活函数等各个模块的原理，以及对图像进行卷积操作，池化操作等计算方法与过程；对每次训练损失进行可视化，不断调整参数，例如优化器的选取、学习率等；通过混淆矩阵来评判分类结果好坏。 数据集描述实验使用的类别数据集有6400张大小不统一的彩色图片，这些彩色图片归属八个类别，该类别包括猫、狗、飞机、花、水果、摩托车、汽车、人；每个类别含有800张图片。

原创 机器学习-使用决策树DecisionTreeClassifier()对鸢尾花数据集进行分类

模式识别实验课1．1决策树回归的工作基础或实验条件（1）我们组的主要任务是首先介绍什么时决策树和信息增益，平均误差，Gini系数等一些基础概念，之后手动推演和上机实践实现决策树的分类与回归（2）我的工作是介绍决策树分类理论，并根据鸢尾花数据集，通过python上机验证。1．2决策树分类的实验条件使用了python作为主要工具。1．3 设计思想使用基尼系数作为划分标准，基尼系数越小，则不纯度越低，区分的越彻底。假设一个数据集中有K个类别，第K个类别的概率为pk,则基尼系数表达式为：对于个给

原创 机器学习-使用决策树DecisionTreeRegressor模型对水果蔬菜价格预测

使用DecisionTreeRegressor模型对水果蔬菜价格预测

原创 目标检测-基于轮廓字符计数

基于轮廓字符计数1. 字符图片2. 字符图片灰度化将彩色图像转换成灰度图像，采用的灰度平均值法，公式为：H=0.229R+0.587G+0.144B(opencv,BGR格式) 公式中 H表示灰度图的亮度值；R代表彩色图像红色分量值；G代表色彩图像绿色分量值；B代表彩色图像蓝色分量值。RGB三分量前的系数为经验加权值，加权系数的取值建立在人眼的视觉模型之上。对于人眼较为敏感的绿色取较大的权值；对人眼较为不敏感的蓝色则取较小的权值。3. 梯度计算边缘是指图像灰度发生空间突变或者在梯度方向上发生突

原创 课堂小作业-python统计字符个数

利用python统计一张图像中字母的个数

原创 优化方法-第三章

原创 目标检测-分水岭分割与阈值分割对比

基于阈值的分割，是在以某个阈值T，对图像进行分割。分割时由于拍摄时图像阴影处导致分割不理想，结果虽然达到理想预期。但是二值化后的结果以阴影部分外围与图像融合，导致再用findContours函数在寻找外围边框时，边框发现是二值化阴影部分与图像融合后的二值图。为此为了得到相对准确的图像边缘需要专门对阴影做处理，处理完后以分水岭算法对图像进行分割。目标检测- findContours drawContours 的学习...

原创 优化方法-第二章

原创 优化方法-第一章

原创 目标检测-cv2.addWeighted

目标检测-cv2.addWeighted图像合并是在大小和属性相同的图像进行合并，进而组成一张新的像素图，像最近比较火的带有国旗属性的图像。此次使用到的是CV2函数的下的addWeighted函数。首先我们先了解一下函数的原型cv2.addWeighted(src1,alpha,src2,beta,gamma,dst,,dtype) #两张对应输入的图像与其对那个的权重相乘首先我们在选用图片可以不用考虑其大小，CV2库里的resize函数可以帮我们调整图像大小并不会改变图像其本身的质量。具体调用如下

原创 目标检测- findContours drawContours 的学习

**机器学习的目标检测** 2020年接触Python学了一个月放弃了，如今又要接触Python，算是弥补当时没学的意愿吧。今后可能会在目标检测方面继续研究视频烟雾检测，视频烟雾检测可以分为两大类：一是配合火焰检测和烟雾检测的框架；二是专注于烟雾检测，从而可以降低误检率。机器视觉运动检测是检测变化区域并将运中目标从图像中提取的过程。将机器视觉运用到烟雾的检测中，结合摄像头通过对烟雾区域进行分割识别。 因而出对目标检测的学习，所以由静止图...