leetteel

原创 最速下降法

最速下降法算法流程最速下降法的优缺点代码import numpy as npfrom matplotlib import pyplot as pltplt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus'] = Falsedef newton(A, b, error,nmax): n1 = A.shape[0] x = np.mat(np.zeros((n1, 1)))

原创 Buck-Boost 电路的建模与仿真simulink电路仿真图

无扰动输入电压扰动设置在0.015s在电路中加入一个直流电源，模拟输入电压的扰动负载扰动在0.015s是投切入新的负载，模拟负载的变化

原创 常用仪器的一些指令

目录DG6455 Series MSO测量命令单步触发6485读取10个数DG645命令功能TSRC 5设置单次触发模式*TRG启动一次触发5 Series MSO测量命令命令功能MEASUrement:MEAS1:SOUrce1设定测量1的源为信号1MEASUrement:ADDMEAS AMPlITUDE添加幅值测量指令MEASUREMENT:MEAS1:VALUE?返回测量1的值MEASUREMENT:MEAS1:

原创 双向联想记忆

实验原理

原创 LMS算法

目录目录实验原理LMS学习问题的严格递推学习算法LMS学习问题的随机逼近算法LMS学习问题的基于统计的算法实验内容目录实验原理LMS学习问题的严格递推学习算法LMS学习问题的随机逼近算法LMS学习问题的基于统计的算法实验内容...

原创 稀疏技术(4)————稀疏向量法

原创 Hopefield网络求解线性方程组

D=[1,1;2,4]; B=[10,32]'; u0=[0,0]'; alpha=10; beta=10; deltat=0.0001; maxN=100000; V=u0; phi=u0; deltaut=0.0001; deltau=10; for k=1:maxN V=beta*u0; phi=alpha*(D*V-B); u1=(1-deltaut)*u0-deltaut*D'*phi; tmp=u1-u0; deltau=.

原创 稀疏矩阵LU分解——left-right looking strategy

left lookingright looking

原创 Buck-Boost电路的建模与仿真

设计内容控制策略主程序clear; %清空内存global l r c kp ki v2ref d u1 integrator; %设置全局变量integrator=0;v2ref=24;l=1000e-6 ; %电感c=70e-6; %电容kp=0.002; %比例增益系数ki=0.0008;

原创 第一篇 电力网络方程的求解

目录第一篇 电力网络方程的求解第一章 电力网络方程1.1 电力网络1.2 元件模型第一篇 电力网络方程的求解第一章 电力网络方程1.1 电力网络1.2 元件模型

原创 有限差分求导法

原创 数值积分法(2)————龙格-库塔法

3.龙格-库塔法# 改进欧拉法import numpy as npfrom matplotlib import pyplot as plth = 0.2x = 1x_r = []t = 0for i in np.linspace(h, 1, 10): x_r.append(x) k1 = h * (x - 2*t/x) x1 = x + k1/2 k2 = h * (x1 - 2*(t+h/2)/x1) x2 = x + k2 / 2 k3 =

原创 数值积分法(1)————欧拉法

1.欧拉法import numpy as npfrom matplotlib import pyplot as plth = 0.0001x = 1x_r = []for i in np.linspace(0, 1, 100000): x_r.append(x) x = x + x*hx_1 = [h*(i+1) for i in range(len(x_r))]e_1 = [np.exp(i) for i in x_1]plt.plot(x_1, x_r, 'ks')p

原创 module ‘cv2.cv2‘ has no attribute ‘xfeatures2d‘

报错原因：该算法已经申请专利，开源OpenCV没有版权，新的OpenCV去掉了这个算法。解决方法：卸掉目前的包，安装3.4.2.16版本pip uninstall opencv-pythonpip install opencv-python==3.4.2.16pip install opencv-contrib-python==3.4.2.16安装python3.7及以前的版本...

原创 Matlab中将一个函数传递到另一个函数

自定义函数function [ R, q, err0, err1, h ] = e( f, a, b, n, tol0)M = 1;h = b-a;y = integral(f,a,b);err0 = 1;err1 = 1;J = 0;R = zeros(n,n);R(1,1) = h*(feval(f,a)+feval(f,b))/2;while (err0>tol0)&&(J<n) J = J+1; h = h/2; s = 0;

原创 Argparse模块

Argparse 教程argparse 模块可以让人轻松编写用户友好的命令行接口。程序定义它需要的参数，然后 argparse 将弄清如何从 sys.argv 解析出那些参数。 argparse 模块还会自动生成帮助和使用手册，并在用户给程序传入无效参数时报出错误信息。import argparsedef main(args): a=1 b=2 c=3 if args.max1: print('最大值为：', max(a, b, c)) if

原创 计算机视觉（7）————特征检测（边缘／角／斑点）小专题(5)Canny检测

function [imgGray,imgCanny,gradm,jiaodu] = edge_canny(I,gaussDim,sigma,percentOfPixelsNotEdges,thresholdRatio)%% Gaussian smoothing filter.m = gaussDim(1);n = gaussDim(2);if mod(m,2) == 0 || mod(n,2) == 0 error('The dimensionality of Gaussian must

原创 计算机视觉（7）————特征检测（边缘／角／斑点）小专题(6) 边缘连接

利用前面的方法检测出边缘点,但由于噪声、光照不均等因素的影响，获得边缘点有可能是不连续的，必须使用连接过程将边缘像素组合成有意义的边缘信息，以备后续处理。填充小的间隙可以简单地实现，通过搜索一个以某端点为中心的5×5或更大的邻域，在邻域中找出其它端点并填充上必要的边界像素，从而将它们连接起来。对具有许多边缘点的复杂场景，这种方法可能会对图像过度分割。为了避免过度的分割，可以规定：两个端点只有在边缘强度和走向相近的情况下才能连接。分析图像中每个点（x,y）的一个小邻域，根据梯度确定边缘像素的相似性。

原创 计算机视觉（7）————特征检测（边缘／角／斑点）小专题(4)Sobel算子

1.原理Sobel算子的大小和 Prewitt算子的大小相同，都是3×3。Soble 算子的模板如下所示。2.代码set(0,'defaultfigurecolor','w')I=imread('cameraman.tif');figure(1)imshow(I)saveas(gcf,'原始图像','jpg')I=double(I);h1=[-1, 0, 1; -2, 0, 2; -1, 0, 1];I1=zeros(size(I,1),size(I,2));for i=1+1:si

原创 计算机视觉（7）————特征检测（边缘／角／斑点）小专题(3)Prewit算子

1.原理对于复杂的图像，采用 Roberts 算子不能较好地得到图像的边缘，而需要采用更加复杂的 3×3的算子。下面介绍 Prewit 算子。Prewitt 算子的大小为 3×3，如下所示。2.代码set(0,'defaultfigurecolor','w')I=imread('cameraman.tif');figure(1)imshow(I)saveas(gcf,'原始图像','jpg')I=double(I);h1=[-1, -1, -1; 0, 0, 0; 1, 1, 1];

原创 计算机视觉（7）————特征检测（边缘／角／斑点）小专题(2)Roberts 算子

对于离散的图像 f（x，y），边缘检测算子就是用图像的垂直和水平差分来逼近梯度算子，即∶Vf =(f(x,y)-f(x-1,y), f(x,y)-f(x,y-1))在进行边缘检测时，对于图像中的每个像素计算Vf，然后求绝对值，最后进行阈值操作就可以实现。Roberts 算子的计算公式为∶Roberts 算子由下面的两个模板组成∶set(0,'defaultfigurecolor','w')I=imread('lena.jpg');figure(1)imshow(I)I=double(rg

原创 计算机视觉（7）————特征检测（边缘／角／斑点）小专题(1)线段检测

前言边缘检测是检测图像特性发生变化的位置。不同的图像灰度不同，边界处会有明显的边缘，利用此特征可以分割图像。边缘检测分割法是通过检测出不同区域边界来进行分割的。边缘总是以强度突变的形式出现，可以定义为图像局部特性的不连续性，如灰度的突变和纹理结构的突变等。图像的边缘包含了物体形状的重要信息，它不仅在分析图像时大幅度地减少了要处理的信息量，而且还保护了目标的边界结构。边缘检测是利用物体和背景在某种图像特性上的差异来实现的。常见的边缘检测方法有微分算子、Canny 算子和LOG 算子等。常用的微分算子有 S

原创 计算机视觉（5）————高斯滤波

set(0,'defaultfigurecolor','w')a=imread('爱因斯坦2.jpg');figure(1)subplot(4,4,1)imshow(a)title('Original')count=2;for L=[5,9,15,21,25]; for sima=[0.5,1,3] K=zeros(L,L); for x=-round(L/2):round(L/2) for y=-round(L/2):roun.

原创 计算机视觉（4）————卷积和相关

卷积计算：function s=Convolution(A,B)s=0;m=size(A,1);n=size(B,1);for i=-floor(m/2):floor(m/2) for j=-floor(m/2):floor(m/2) s=s+A(floor(m/2)+1-i,floor(m/2)+1-j)*B(i+floor(m/2)+1,j+floor(m/2)+1); endend相关计算：function s=Crosscorrelation...

原创 计算机视觉（3）————图像的降噪方法

目录***Noise reduction******降噪*****Mean filtering & Filter**1.平均滤波1.1平均滤波的基本原理1.2 平均滤波的基本过程Noise reduction• Nearby pixels are likely to belong to same object– thus likely to have similar color• Replace each pixel by average of neighbors降噪•附近的像素很可能属