- 博客(18)
- 收藏
- 关注
原创 FFT及背景知识
对于一般的周期信号可以用一系列(有限个或者无穷多)正弦波的叠加来表示。这些正弦波的频率都是某一个特定频率的倍数如5hz、2*5hz、3*5hz……(5hz叫基频),这是傅立叶级数的思想,所以说周期信号的频率是离散的。。非周期信号可以看作周期无穷大的周期信号,那么它的基频就是无穷小,这样它的频率组成就变成了连续的了。求这个连续频率的谱线的过程就是傅立叶变换。包括以下几种变换:DTFT(时间离散,频率连续),针对连续的信号和频谱。DFT(时间和频率都离散),针对离散的信号和频谱。
2024-09-04 19:54:07
770
原创 FPGA外接FT232H配置FIFO实现USB通信回环测试
读时序:232拉低RXF表示有数据可读 > FPGA拉低OE使能输出 > 等待数据有效 > FPGA拉低RD > 有效数据 > 232拉高RXF > 读空 > FPGA需要同时拉高RD和OE。RD: (IN) FT232H中的数据输出使能,由FPGA发送给FT232H,低电平有效。WR: (IN) FT232H中的数据输入使能,由FPGA发送给FT232H,低电平有效。ADBUS[7:0]: (I/O) 数据端口,双向IO接口(
2024-07-26 20:39:55
761
1
原创 FPGA常用传输协议
已完成:EEPROM(IIC协议):长期保存,小容量UART串口(RS-232、RS-485)待学习:DDR:高速,断电丢失SD卡FLASH缓存(SPI协议):大容量,快速访问,常用于程序存储。
2024-07-23 15:09:40
658
原创 Mamba模型(Mmaba1, 没有mamba2)
其中,h ( t ) h(t)h(t)是当前的状态量,A AA是状态转移矩阵;x ( t ) x(t)x(t)为输入的控制量,B BB表示控制量对状态量的影响。y ( t ) y(t)y(t)表示系统的输出,C CC表示当前状态量对输出影响,D DD表示当前控制量对输出影响。如:使用Q、K运算得到score的过程中,将Q每一行与K每一列进行运算,需要N^2次点积,每次点积包含d次乘法。,即在计算是引入一个额外的线性层,对输入的输入的控制量和状态量进行选择,加强模型对不同输入形式的适应能力。
2024-06-21 14:41:23
953
3
原创 RKNN部署记录-2(RKNN python API安装,使用
将 .\rknpu2\runtime\Linux\librknn_api\aarch64\librknnrt.so 文件复制到Linux下 /usr/bin/目录下即可成功运行。安装pip,numpy,ruamel.yaml,psutils。安装rknn-toolkit lite 2。python脚本运行板端推理。查询python版本并退出。还有一些遇到的问题见。
2024-05-06 15:54:26
652
原创 Win配置防火墙允许ESP32的TCP连接
然后一直点完成就行了。配置完后即可互传数据,使用Thonny和Netassist软件。PC和ESP32在不同局域网下无法互传数据问题。由于防火墙造成,配置防火墙解决。
2024-04-19 13:23:40
235
原创 RKNN部署记录-1
RKNN环境搭建:ubuntu 22.04.4,Python3.10,RKNN-Toolkit2-2.0.0,待解决问题:模型中使用tf.sinsum导致构建RKNN模型失败,使用了动态图。将.pb文件转换为.onnx文件(命令行操作)将tensorflow模型导出为.pb文件。使用rknn库转换模型(Linux系统)
2024-04-02 20:26:13
347
1
原创 Multi-Head-Attention & Transformer
2017年,Google机器翻译团队发表的《Attention is All You Need》中,完全抛弃了RNN和CNN等网络结构,而仅仅采用Attention机制来进行机器翻译任务,并且取得了很好的效果。
2023-10-19 18:38:31
91
1
原创 注意力机制
注意力机制对人类的视觉注意力机制进行了借鉴神经网络中的注意力机制(Attention Mechanism)是在计算能力有限的情况下,将计算资源分配给更重要的任务(非常适用于嵌入式应用场景,如解决NILM问题时),同时解决信息超载问题的一种资源分配方案软性注意力(Soft Attention)机制是指在选择信息的时候,不是从N个信息中只选择1个,而是计算N个输入信息的加权平均,再输入到神经网络中计算。
2023-04-20 15:27:52
2996
原创 神经网络性能指标
预测正确的样本数量占总量的百分比:(准确率在样本不均衡情况下,不能评价模型性能的优劣)若一个实例是正类,并且被预测为正类。若一个实例是正类,但是被预测为负类。若一个实例是负类,但是被预测为正类。若一个实例是负类,并且被预测为负类。与某些真实值匹配程度。MSE 通常用作回归问题的损失函数。指精准率和召回率的调和平均数,最大为1,最小为0。与样本真实值 y 之间距离的平均值。指预测的正类中有多少为真的正类。指所有正类中有多少被预测为正。
2023-04-06 21:19:28
404
原创 A Novel Denoising Auto-Encoder-Based Approach forNon-Intrusive Residential Load Monitoring笔记
笔记
2023-03-14 10:21:19
106
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人