- 博客(109)
- 资源 (2)
- 收藏
- 关注
原创 PCB中的走线布线技巧
电磁兼容性(EMC)及关联的电磁干扰(EMI)历来都需要系统设计工程师擦亮眼睛,在当今电路板设计和元器件封装不断缩小、OEM要求更高速系统的情况下,这两大问题尤其令PCB布局和设计工程师头痛。另一方面,EMI是由EMC或不想要的电磁能产生的一种破坏性影响,PCB设计人员必须确保减少电磁能的产生,使干扰最小。
2024-03-28 10:05:45
1229
原创 嵌入式图像处理机器视觉库YMCV使用
使用的时候,可以参考他们的教程和demo,建议先看教程,上面有架构说明。一个可以免操作系统的机器视觉库,由c语言编写可以跑在单片机上。需要移植其他平台,有问题可以去他们的qq群里找技术支持。不过使用完渲染器需要手动销毁渲染器。
2023-11-08 11:35:47
331
原创 卡尔曼滤波入门
卡尔曼滤波中,会涉及到真值、测量误差,预测误差等概念。真值描述的是客观世界上,物体具有的状态值,这个值通过仪器测量以后,会在真值范围内呈现正态分布,测量值和真值的误差就是测量误差。: 通常指状态变量所在的空间。有可以直接测量的,可能也包含不可直接测量的变量。:指可直接测量的状态变量所组成的空间。:通常和真值空间等大,用于预测状态变量的下一时刻状态。
2023-06-27 11:03:52
158
原创 ESP32CAM的IDF环境开发
选择第一个,camera_web_server创建,然后选择要存放的路径即可。这个可能是nghttp包有问题,我们去官网更新一下,下载下来替换就可以了。首先,我们需要先搭建一个IDF+vscode的开发环境,然后再下载源码。这些文件可能我们之前安装的idf环境是没有的,可以给他拷贝过去。当然,也可以等编译的时候报错,再去官网下载对应的包,可以参考。配置完毕,关闭配置并保存,就可以开始编译了。这边我用默认的,只有手机可以免密直连。我们可以先配置一下wifi。
2023-04-13 23:31:07
1116
原创 ESP32开发系列
VSCode开发配置(使用本地已经存在的配置)VSCode运行 hello worldShow Examples Projects :查找例子Build your project:编译Select port to use:选择USB端口Flash:下载Monitor your device:串口监视项目工程结构分析:特指一个目录,其中包含了构建可执行应用程序所需的全部文件和配置,以及其他支持型文件,例如分区表、数据/文件系统分区和引导程序。
2023-03-28 00:59:23
1505
1
原创 并查集详解
并查集主要用于解决一些元素分组的问题。它管理一系列不相交的集合,并支持两种操作:合并(Union):把两个不相交的集合合并为一个集合。查询(Find):查询两个元素是否在同一个集合中。对于合并的作用,我们可以将相似的集合合并到一起,接下来详细讲解一下。
2023-02-23 17:05:15
255
原创 PID控制和误差曲线分析
负反馈控制模型,到处都挺常见的,我记得高中的时候生物上就有一堆,什么体液调节之类的。PID控制也算是经典控制了,大家讲的都是经验之谈,这里我从误差曲线调节的角度来讲(误差曲线调节一般都是神经网络上谈的)。
2023-02-03 17:26:13
3995
2
原创 简书网页端广告去除
最近用火狐浏览器看文章,发现简书网页端好像被广告劫持了,而且没办法退出广告,鼠标不管放哪里都是一个小手,文本也不能复制了。然后你就会发现,鼠标恢复正常了,不再一直是小手了,也可以进行文本的复制粘贴了。
2022-12-22 03:14:41
1796
原创 人脸特征点检测入门
人脸特征点可以用来做脸型、眼睛形状、鼻子形状等分析,从而对人脸的特定位置进行修饰加工,实现人脸的特效美颜。人脸识别等算法可以通过对人脸的姿态进行对齐从而提高模型的精度。68点标注是现今最通用的一种标注方案,早期在1999年的Xm2vtsdb数据集中就被提出,300W数据集和XM2VTS等数据集也都采用了68个关键点的方案,Dlib算法中所采用。Dlib所采用的68个人脸关键点标注可以看上图,单边眉毛有5个关键点,从左边界到右边界均匀采样,共5×2=10个。
2022-12-10 22:12:13
2725
原创 3D立体匹配入门 - 视差计算
1、左右视图成功匹配的窗口,具有相同的像素2、像素P的视差只与其领域有关3、相近颜色的点具有相近的视差4、视差非连续区,应具有颜色差或亮度差上述这些假设都作为各类算法的切入点,详细可以观看 立体匹配理论与实战一般分为四种:局部、全局、半全局、基于深度学习的匹配,前三种都是传统的算法。如经典的SDA匹配,使用左视图的窗口减去右视图的窗口,得到SDA值最小很可能就是真实视差。不过这样计算出来的一般都比较粗糙,我们一般只用来做初始代价计算,然后得到DSI(视差空间影像),这是一个三维数组(尺寸是w×h×d)
2022-12-08 12:41:52
1702
原创 图像变形 -- 移动最小二乘法(MLS)
根据变换矩阵的不同,可以分为三种变形方法,分别是:仿射变换、相似变换、刚性变换。这边从基本原理进行算法公式推导
2022-12-04 05:45:04
1488
原创 脑皮质算法(3)-- 新皮层的位置:利用皮层网格细胞的感觉运动物体识别理论
我们的大脑通过处理我们的感官输入和动作来了解外部世界。当我们触摸一个物体、观察一个视觉场景或探索一个环境时,大脑会接收到一系列的感觉和动作,即感觉运动序列。传统上被认为是感觉区域的皮层区域是将运动流整合到它们的处理过程中的。在视觉中,我们感知到的是一个稳定的世界图像,通常忽略了我们的眼睛每秒进行多个眼跳运动的事实。当眼睛移动时,视觉皮层中许多代表特定刺激的神经元会在刺激到达细胞的感受野之前预测到刺激(Duhamel et al., 1992)。
2022-11-13 14:23:00
1223
1
原创 脑皮质算法(2)一种基于新皮层网格细胞的智能和皮质功能的框架
人类的大脑皮层会学习一个极其复杂和详细的世界模型。我们每个人都能识别1000个物体。我们知道这些物体是如何通过视觉、触觉和听觉出现的,我们知道这些物体在我们与它们互动时的行为和变化,我们知道它们在世界上的位置。人类的新大脑皮层也学习抽象物体的模型,那些物理上不存在或我们不能直接感知的结构。大脑皮层的回路也很复杂。了解大脑皮层的复杂回路如何学习世界的复杂模型是神经科学的主要目标之一。弗农·蒙特卡斯尔(Vernon Mountcastle)是第一个提出新皮层的所有区域从根本上是相同的。
2022-11-07 19:37:11
826
原创 脑皮质算法篇(1)-- 导读
《新皮层的位置:利用皮层网格细胞的感觉运动物体识别理论》,这篇论文研究了位置感知如何预测即将到来的输入,并阐述了这种位置感知如何预测即将到来的输入,论文提出了新皮质6层中的三层之间的映射关系,并含模拟过程,算法数学描述及源码实现链接。的神经元如何创造出预测性序列记忆的。,里面包含了他一系列的文章。jeff Hawkins(杰夫。
2022-10-26 18:33:40
809
原创 雅可比旋转(Jacobi法)求对称矩阵的特征值和特征向量
该方法是求解对称矩阵全部特征值和特征向量的一种方法,它基于以下结论:①任何实对称矩阵A可以通过正交相似变换成对角型,即存在正交矩阵Q,使得QTAQ=diag(λ1,λ2,…,λn)Q^TAQ=diag(λ1,λ2,…,λn)QTAQ=diag(λ1,λ2,…,λn)②在正交相似变换下,矩阵元素的平方和不变。 即设A=(aij)n×nA=(a_{ij})_{n×n}A=(aij)n×n,Q为正交矩阵,记B=QTAQ=(bij)n×nB=Q^TAQ=(b_{ij})_{n×n}B=QTAQ=(bij)
2022-08-24 18:03:55
7202
2
原创 NFA虚假警报数
二项分布是n个独立的成功/失败试验中离散概率。举个实例,在一次试验中硬币要么正面朝上,要么反面朝上,每次正面朝上的概率都一样p=0.5,且每次抛硬币的事件相互独立,即每次正面朝上的概率不受其他试验的影响。如果独立重复抛n=10次硬币,可能为0,1,2,3,4,5,6,7,8,9,10中的任何一个,那么k显然是一个随机变量,其成功概率。P(x=k)=Ckn×pk×(1−p)(n−k)简记: x ~B(n,p)
2022-08-20 16:31:58
293
原创 ubuntu没有网络
突然发现Ubuntu连不上网络,右上角也没有网络图标;打开终端,运行命令:更改打开的文件里的内容:将 NetworkingEnabled=false 改为 NetworkingEnabled=true保存退出后,在终端运行命令:好啦,右上角出现网络图标,有网络了~...
2022-07-19 09:55:04
2077
原创 神经网络和自动控制的联系
以下从两个方面讲述,正向使用即不带误差传播,在神经网络上直接是正向传播过程。误差传播过程在神经网络中被称为误差反向传播。
2022-07-15 15:00:48
613
原创 强化学习(Q-Learning)与路径搜索(A*)的联系
作为路径搜索的一种典型算法,是在广度优先搜索(BFS)的基础上扩展的。A*算法是在BFS的基础上,加入一个启发值,这个启发值又被称为代价函数:f(n)=g(n)+h(n)这物体如果用q-learning来解决,其实问题也是类似,不过强化学习中对各个部分进行了严格的划分,并且强调了个体的概念在强化学习中,使用奖励r的概念替换了代价的概念,从字面意思我们也能知道他们其实是刚好相反的概念,正如一个是乐观主义一个是悲观主义。但这并不妨碍对本质问题的处理,代价最小化的等价问题也就是奖励最大化。我们可以看到,强化学习使
2022-07-14 12:27:16
2253
1
原创 EDCircles: A real-time circle detector with a false detection control 翻译
论文名:EDCircles:一个带有错误检测控制的实时圆检测器[1]…
2022-07-05 10:13:01
1584
原创 EDLines: A real-time line segment detector with a false detection control翻译
论文名 :EDLines:一个具有误检控制的实时线段检测器
2022-06-30 23:21:36
2097
原创 Edge Drawing: A combined real-time edge and segment detector 翻译
边缘绘制:结合实时边缘和分割检测器
2022-06-30 19:50:21
2218
4
原创 GrabCut分析
中心像素和邻域像素的相似性有两个部分:位置相似和像素值相似位置相似性:两个像素位置越接近,我们认为越相似。如以C为中心的邻域内,A和C的距离是dis=2dis=\sqrt2dis=2,B和C的距离是dis=1dis=1dis=1,相似性可以用spos=1diss_{pos}=\frac{1}{dis}spos=dis1来衡量像素值相似:两个像素颜色越接近,我们认为越相似。如A和C的L2距离是dL2=∣v(a)−v(b)∣2d_{L2}=|v(a)-v(b)|^2dL2=∣v(a)−v(b)∣2。
2022-06-10 07:20:28
360
原创 为Cortex-M4编写优化的DSP代码
为Cortex-M4编写优化的DSP代码本节展示如何使用优化指南和DSP指令来开发优化代码。我们看看Biquad(双二阶)滤波器,FFT蝴蝶操作和FIR滤波器。对于每个例子,我们都从通用的C代码开始,然后在应用优化策略时将其映射到Cortex-M4 DSP指令。Biquad(双二阶)滤波器Biquad双二阶滤波器是一种二阶递归或IIR滤波器。双二阶滤波器是双二阶(两个极点和两个零点)的IIR滤波器。双二阶滤波器在整个音频处理中用于均衡、音调控制、响度补偿、图形均衡器、交叉器等。高阶滤波器可以用
2022-05-31 09:50:34
1476
原创 u盘作为启动盘重装win10系统(无需其他软件)
重装系统前言去官网下载镜像前言由于我之前的电脑崩了,把数据拷完以后,打算找个镜像装一下,一搜网上全是各种的软件,什么小白一键装机什么的,其实没那么麻烦,我在这里分享一下我的流程。去官网下载镜像直接搜索win10系统官方镜像,或者点击官方镜像,下载一下烧入工具就可以了。启动以后选择各种条款接受,然后选择在别的电脑安装,选择在u盘安装,我准备了一个10G大小的u盘,实际上差不多8个G够用了吧。然后耐心等待下载就可以了:然后点击完成即可,然后能看到你的u盘已经好了。...
2022-05-31 09:47:41
276
原创 opencv 2.49 Kmeans.cpp源码分析
源码位于opencv-2.4.9\modules\ocl\src\kmeans.cpp主要就是两个函数,一个是中心点选取法:The Advantages of Careful Seeding,另一个是kmeans算法generateCentersPP函数对应于k-means++的中心点初始化引入随机化,下一个被选为中心点的样本不是固定的,而是一个概率值,这个概率值正比于“整体最小距离“。/*k-means center initialization using the following a
2022-05-30 09:31:08
276
原创 Git部署
入门我们常用到github和gitee,上面有很多项目可以给我们使用,我们还能给开源项目做贡献。为了方便使用,我们需要在本地安装一个git。本地安装首先我们要去GitHub上创建一个账号,建议使用电子邮箱创建。然后下载git客户端,一路next安装即可。安装完成后,在桌面右键选择“Git Bash Here ” 打开命令窗口需要对配置git这个分布式版本控制系统,输入以下命令:(这里的your_name和your_email记得换成自己所注册的名字和邮箱名!)git config --gl
2022-05-13 14:38:19
384
原创 MeanShift、K-Means与GMM迭代
MeanShift聚类又称均值漂移算法,首先需要一个迭代半径r,相似阈值T对每个数据,作为一个新类,从其位置半径r内,选择满足相似条件的数据,放到一个表中。计算表内数据的位置均值,数据均值,将新的位置和均值作为该类的特征,重新计算满足相似条件的数据,不断迭代直到收敛。相当于数据有两个相似条件,一个位置相似条件r,一个数据相似条件T。K-Means聚类该方法被称为k均值,首先需要选定k个聚类中心。对每个数据,计算出最近的聚类中心C,将其放入C类的数据列表中拿到每个聚类中心列表中的
2022-05-10 15:09:00
593
2003519_aicode.zip
2019-07-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人