ams1117 lm317 对比_LM317的使用

最新推荐文章于 2023-05-15 10:01:15 发布
最新推荐文章于 2023-05-15 10:01:15 发布
阅读量2.2k 收藏 2
点赞数
文章标签： ams1117 lm317 对比
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39573781/article/details/111799566
版权
LM117/LM317是一款由美国国家半导体公司生产的三端可调正稳压器集成电路。该器件提供1.2V至37V的连续可调输出电压及最大1.5A的负载电流。只需两个外部电阻即可设定输出电压，且具备优秀的线性和负载调整率。LM117/LM317内置过载保护等功能，并能在不使用外部电容的情况下稳定工作。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

LM117/LM317 是美国国家半导体公司的三端可调正稳压器集成电路。LM117/LM317 的输出电压范围是1.2V至37V，负载电流最大为1.5A。它的使用非常简单，仅需两个外接电阻来设置输出电压。此外它的线性调整率和负载调整率也比标准的固定稳压器好。LM117/LM317 内置有过载保护、安全区保护等多种保护电路。通常 LM117/LM317 不需要外接电容，除非输入滤波电容到 LM117/LM317 输入端的连线超过 6 英寸(约 15 厘米)。使用输出电容能改变瞬态响应。调整端使用滤波电容能得到比标准三端稳压器高的多的纹波抑制比。LM117/LM317能够有许多特殊的用法。比如把调整端悬浮到一个较高的电压上，可以用来调节高达数百伏的电压，只要输入输出压差不超过LM117/LM317的极限就行。当然还要避免输出端短路。还可以把调整端接到一个可编程电压上，实现可编程的电源输出。

◆ 特性简介

可调整输出电压低到1.2V。保证1.5A 输出电流。典型线性调整率0.01%。典型负载调整率0.1%。80dB 纹波抑制比。输出短路保护。过流、过热保护。调整管安全工作区保护。标准三端晶体管封装。

◆ 电压范围

LM117/LM317 1.25V 至 37V 连续可调。

其封装形式如下：

绝对最大额定值罗亩的笔记，如要转载请注明。

符号

参数

值

单位

VI-O

输入－输出电压差

40

V

IO

输出电流

内部限制

Top

工作结温

LM117

-55到150

℃

LM217

-25到150

LM317

0到125

Ptot

功耗

内部限制

Tstg

储存温度

-65到150

℃

引脚图(顶视)

注：

输入至少要比输出高2V，否则不能调压。输入电要最高不能超过40V吧。输出电流最好不超过1A。

输入12V的话，输出最高就是10V左右。

由于它内部还是线性稳压，因此功耗比较大。当输入输入电压差比较大且输出电流也比较大时，注意317的功耗不要过大。一般加散热片后功耗也不超过20W。因此压差大时建议分档调压。

应用电路

开源计算机视觉库OpenCV详解
dvlinker的技术专栏
06-23 8万+
详细介绍开源计算机视觉库OpenCV。
利用SVM训练自己的XML文件
yonger7的专栏
02-19 3173
在人脸检测中，我们一般利用训练好的XML文件去预测图像中是否存在人脸，那么XML文件是如何得到的，按照人脸的XML文件，它应该是提取样本的Haar特征，利用某个机器学习方法，最终得到的。本文主要讨论如何得到自己的XML文件。          在机器学习中，首先应该是采集样本，然后提取他们的特征，本人主要利用HOG特征进行实验。 1、采集样本图像（正样本和负样本），将其归一化到一个的尺度，
Opencv3的svm训练自己图片产生.xml文件模型
耶律大石的博客
05-25 8107
/********************************************************************** 2018.5.23：SVM训练 //在 配置SVM训练器参数CvSVMParams SVM_params;这里有问题 2018.5.25：1、因为例程是opencv2的，opencv3里的svm的一些声明格式有了些许变化，修改了 ...
linux qt上运行svm总结
浅唱
08-26 328
今天终于成果在linux 上使用svm实现了分类。然后也遇到了几个问题 1、error: `cout' was not declared in this scope 需要加上using namespace std; 然后再加std::cout << "hello world" << endl; 我觉得这个是std对象的方法cout 2、error: 'cout' is not a member of 'std' 需要加上#include<iostream>...
用opencv和Qt做的Svm工具，用来生成模型和测试模型
simple_core的博客
11-24 2293
svm分类软件说明：程序：软件的界面： 说明： 由于公司的需要，采集到的数据能够根据数据的特性，对数据的结构进行分类，自己为了方便和测试，写了一个工具，程序并不是通用的学习机器，自己给的数据是csv格式的数据，csv的第一位数据是标志。还有256位的数据是真实的数据。程序提供给大家进行学习和参考 程序： mainwindow.cpp #include "mainwindow.h" #include "ui_mainwindow.h" #include <QPushButton> #includ
Opencv3.0 手写数字识别（Hog特征+SVM分类器）
Almost_Miao的博客
01-20 8495
配置：VS2013+Opencv3.0 参考： http://blog.csdn.net/iamzhangzhuping/article/details/51254567 http://blog.csdn.net/wang382758656/article/details/52723674 理论什么的就不多说了，网上很多。 直接上干货 1、前期准备 首先，下载好所需的训练文件
基于OpenCV4+QT5实现口罩检测.7z
05-24
OpenCV的Haar级联分类器或者DNN模块（如SSD或YOLO）可以用来检测图像中的人脸。 2. **口罩检测算法**: 通常，口罩检测是通过深度学习模型来实现的，比如使用支持向量机（SVM）或者预训练的卷积神经网络（CNN）。SVM...
OpenCV目标检测的配置文件
04-18
配置文件通常为XML格式，包含训练好的特征级联。用户可以通过OpenCV的`cv::CascadeClassifier`类加载这个文件，然后对图像或视频流进行人脸检测。 车辆识别则可能涉及到更复杂的算法，例如HOG特征结合SVM（Support ...
【总目录4】C/C++、OpenCV、Qt、单片机总结大全
Wendy的博客
05-06 4183
本目录主要为C/C++相关目录，主要包含C/C++相关知识、计算机视觉库OpenCV的C++实现、Qt和单片机等。 上文目录链接：https://blog.csdn.net/didi_ya/article/details/124609570 文章目录一、初识C++与Visual Studio二、C++常见案例与基础操作三、C++常见问题汇总四、日志库和开发测试工具（C++版）4.1 Glog库4.2 log4cplus库4.3 gmock开发测试工具4.4 jsoncpp库五、OpenCV基础（C++版）六
svm训练数据
06-13
svm训练用数据来源文件，用来结合sklearn推导多项方程函数。
SVM训练数据
03-28
使用OpenCV的svm做的图像分类数据，分类效果很好，在98%以上
C++实现SVM分类算法
10-18
SVM有如下特征：（1）SVM学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。（2）SVM通过最大化决策边界的边缘来控制模型的能力。（3）通过对数据中每个分类属性引入一个哑变量，SVM可以应用与分类数据。(4)SVM不仅可以用在二类问题，还可以很好的处理多类问题。 本代码通过C++实现SVM的分类算法，并通过SSE实现最优解的快速计算，学习SVM的同学可以参考一下，如有不足，请指正。
C++基于Qt编写的BP神经网络分类器演示程序源码.zip
06-05
C++基于Qt编写的BP神经网络分类器演示程序源码。 特性如下： 1.支持多隐藏层，支持各隐层节点数调节 2.最多支持6类样本的分类 3.使用2个线程进行运算，分别为训练线程和绘图线程，训练连续 4.可以在训练过程中添加或删除样本 使用提示 1.在左面点击类别，在右面将该类别样本添加进训练集中 2.可以使用右键擦除多余的样本 特性如下： 1.支持多隐藏层，支持各隐层节点数调节 2.最多支持6类样本的分类 3.使用2个线程进行运算，分别为训练线程和绘图线程，训练连续 4.可以在训练过程中添加或删除样本 使用提示 1.在左面点击类别，在右面将该类别样本添加进训练集中 2.可以使用右键擦除多余的样本
训练好的SVM库，xm格式
03-06
训练好的SVM库，xm格式，适用于车牌识别及各种文字、数字识别
利用HOG+SVM训练自己的人脸检测XML文件
qq_43702097的博客
08-16 457
1、生成xml训练文件 #include<iostream> #include<opencv2/opencv.hpp> #include<vector> using namespace std; using namespace cv; using namespace cv::ml; #define HOG_VECTOR 900 #define TRAIN_IMG_NUM 800 int main() { //创建HOG描述子 HOGDescriptor hog(Siz
在QT平台上使用PCA+SVM实现人脸识别
nuclear096sub的博客
05-10 468
@使用PCA+SVM实现人脸识别，正样本使用的ORL face database，负样本是自己创建的，使用的QT编程软件 ，以下是源码`#include “mainwindow.h” #include <opencv2/opencv.hpp> #include <opencv\cv.h> #include <opencv\cxcore.h> #include &...
基于Qt和Opencv3实现机器学习：利用贝叶斯分类（C++版）
修行之路
05-15 225
基于Qt和Opencv3实现机器学习：利用贝叶斯分类（C++版）
Qt + halcon MLP分类器
qq_16377055的博客
09-23 365
halcon代码 index :=[] classNo := 0 tuple_insert (index, |index|, classNo, index) classNo := 1 tuple_insert (index, |index|, classNo, index) classNo := 2 tuple_insert (index, |index|, classNo, index) classNo := 1 tuple_insert (index, |index|, classNo, index
from omegaconf import OmegaConf
最新发布
03-20
### OmegaConf 配置管理简介 OmegaConf 是一个强大的 Python 库，用于处理复杂的配置文件。它支持多种数据结构（如字典、列表）以及 YAML 文件的解析和操作。以下是有关如何使用 OmegaConf 的详细介绍。 #### 创建配置对象 可以通过 `OmegaConf.create` 方法创建一个新的配置对象。该方法可以接受字典、YAML 字符串或其他兼容的数据结构作为输入[^1]。 ```python import omegaconf from omegaconf import OmegaConf config_dict = {"database": {"host": "localhost", "port": 6379}} config = OmegaConf.create(config_dict) print(OmegaConf.to_yaml(config)) # 将配置转换为 YAML 格式的字符串 ``` #### 加载外部 YAML 文件 如果需要加载外部 YAML 文件，可使用 `OmegaConf.load` 方法。这使得程序能够轻松读取并应用存储在磁盘上的配置文件。 ```python yaml_file_path = "./example_config.yaml" file_conf = OmegaConf.load(yaml_file_path) # 打印加载后的配置内容 print(file_conf.database.host) # 输出 'localhost' ``` #### 合并多个配置源 当存在多个配置来源时（例如默认设置与命令行参数），可以使用 `OmegaConf.merge` 来无缝合并它们。此功能允许开发者优先级较高的配置覆盖较低级别的配置项。 ```python default_configs = OmegaConf.create({"model": {"type": "resnet50"}}) cli_args = OmegaConf.from_dotlist(["model.type=vgg16"]) merged_config = OmegaConf.merge(default_configs, cli_args) assert merged_config.model.type == "vgg16" # 命令行参数成功覆盖默认值 ``` #### 动态更新配置 除了静态定义外，还可以通过访问器动态修改现有配置中的字段。这种灵活性非常适合运行时调整某些超参数或环境变量。 ```python dynamic_update = file_conf.copy() dynamic_update.database.port = 8080 print(dynamic_update.database.port) # 输出新的端口号 8080 ``` #### 错误处理机制 为了防止非法赋值破坏整个系统的稳定性，OmegaConf 提供了严格的模式控制选项。启用严格模式后，任何未声明过的键都将引发异常提示用户修正错误。 ```python strict_mode_enabled = file_conf.copy() strict_mode_enabled.set_struct(True) # 开启只读保护状态 try: strict_mode_enabled.new_field = True # 此处会抛出 AttributeError 异常 except AttributeError as e: print(f"Catch expected error: {e}") ``` --- ### 总结 以上展示了 OmegaConf 在不同场景下的典型用法，包括但不限于初始化配置实例、加载外部资源、融合多层设定逻辑以及实施安全防护措施等方面的功能特性。希望这些例子能帮助快速掌握其核心概念和技术要点！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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