结构图与信号流图

【自控笔记】2.5 控制系统的结构图与信号流图

一、结构图的等效变换

结构图的组成元素有:信号线、引出点、比较点和方框。对于给定的一个方框图,往往可以通过等效变换求出传递函数或者达到简化的目的。

方框图的基本连接只有串联、并联和反馈三种形式,在进行等效变换时要保证:变换前后前向通路中传递函数的乘积保持不变,回路中传递函数的 乘积应保持不变
等效变换规则如下:

在进行等效变换时,往往先观察比较点和引出点的位置,再进行比较点后移、引出点前移的操作(变换都是用乘法),进而得到独立的反馈回路。不到万不得已,不使用比较点与引出点之间的移动。

二、信号流图

信号流图主要由节点和支路组成,其中,节点又分为源节点(输入节点)、阱节点(输出节点)、混合节点。

信号流图与结构图并没有什么差别,只是形式不一样,都是用来描述系统各元件之间信号传递关系。两者的组成元件对应关系如下表:

三、梅森增益公式

梅森增益公式是求解系统传递函数的一种有效方法,不需要对复杂的结构图进行等效换,只需要对结构图或信号流图进行观察和分析即可。

用梅森公式求解传递函数的步骤如下:
(1)确定系统回路数
(2)确定系统前向通道数
(3)计算特征式
(4)计算各前向通路总增益及余子式
(5)代入公式得结果

  • 8
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: LeNet-5是一种经典的卷积神经网络结构,由Yann LeCun等人在1998年提出。它是用于手写数字识别的第一个成功应用的卷积神经网络。 LeNet-5的网络结构主要由7层组成,包括2个卷积层、2个下采样层和3个全连接层。 卷积层是LeNet-5的核心,第一个卷积层使用6个5x5的卷积核进行卷积操作,得到6个特征图。第二个卷积层使用16个5x5的卷积核,得到16个特征图。 下采样层在两个卷积层之间,用于减小特征图的尺寸。第一个下采样层使用2x2的最大池化操作,将每个2x2的区域中的最大值保留下来,得到减小一半的特征图。第二个下采样层同样使用2x2的最大池化操作,进一步减小特征图的尺寸。 全连接层将卷积层和下采样层的输出连接起来,用于将提取到的特征进行分类。第一个全连接层有120个神经元,将特征图转化为一个120维向量。第二个全连接层有84个神经元。最后一个全连接层有10个神经元,对应于0到9的手写数字的分类。 LeNet-5的网络结构图如下所示,清晰地展示了每一层之间的连接和数据流动,该结构为后来的卷积神经网络的发展提供了重要的基础。 在手写数字识别任务上,LeNet-5取得了很好的效果,并为卷积神经网络的应用奠定了基础。它的成功启发了后来更为复杂的网络结构的设计,对于图像识别、物体检测等领域有着重要的意义。 ### 回答2: LeNet-5是由Yann LeCun等人在1998年提出的一种经典的卷积神经网络结构,用于手写数字识别任务。LeNet-5网络结构如下图所示。 LeNet-5网络结构总共包括七层:两个卷积层、两个平均池化层和三个全连接层。 第一层是卷积层C1,输入为32x32的灰度图像,该层共有6个卷积核,每个尺寸为5x5。该层的输出为28x28x6的特征图。 接下来是平均池化层S2,使用窗口大小为2x2和2步长进行池化,将特征图的尺寸减半,得到14x14x6的输出。 第三层是卷积层C3,该层共有16个卷积核,每个尺寸为5x5。该层的输入为14x14x6的特征图,输出为10x10x16的特征图。 再经过一次平均池化层S4,使用窗口大小为2x2和2步长进行池化,得到5x5x16的输出。 接下来是全连接层C5,共有120个神经元,每个神经元与S4层的每一个输出相连。 然后是第二个全连接层F6,共有84个神经元,与C5层的每一个神经元相连。 最后是输出层,共有10个神经元,分别代表数字0-9的概率。 LeNet-5网络结构的设计考虑到了卷积层和池化层的交替使用,从而实现了特征的提取和降维。该网络结构在手写数字识别任务中取得了较好的表现,并为后续深度学习研究和应用奠定了基础。 ### 回答3: LeNet-5 是一种经典的卷积神经网络结构,由 Yann LeCun 提出,常被用于手写数字识别任务。下面是对 LeNet-5 网络结构的简要说明。 LeNet-5 网络结构包含了七层不同类型的神经网络层,层与层之间通过连接方式进行信息传递。以下是每一层的描述: 第一层是输入层,接收输入的手写数字图像,并进行预处理。图像的尺寸为32×32的灰度图像。 第二层是卷积层C1,采用6个大小为5×5的卷积核进行特征提取。每个卷积核与输入图像进行卷积操作,得到6张特征图。 第三层是下采样层S2,使用2×2的最大池化操作对C1层的特征图进行降维。此操作可减少特征图的尺寸,并保留重要的特征。 第四层是卷积层C3,采用16个大小为5×5的卷积核进行特征提取,与S2层的特征图进行卷积操作,生成16张特征图。 第五层是下采样层S4,同样使用2×2的最大池化进行降维,减小特征图的尺寸。 第六层是全连接层F5,将S4层的特征图展平为一维向量,并连接到全连接神经元。这个层的作用是进行特征的映射和分类。 最后一层是汇集层OUTPUT,采用softmax函数将F5层输出的信号进行分类,得到最终的结果,即输入图像对应的分类标签。 LeNet-5 网络结构适合处理手写数字的识别任务,因为卷积和池化操作可有效提取图像的局部特征,提高准确率,并且参数少,运算速度较快。这个结构为后来的深度学习研究奠定了基础。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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