Common Used Block模块（二）

最新推荐文章于 2024-09-11 18:56:37 发布
最新推荐文章于 2024-09-11 18:56:37 发布
阅读量1.4k 收藏 4
点赞数
分类专栏： Simulink 文章标签： simulink
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_47642634/article/details/112527401
版权

Unit Delay模块

该模块的存在可以避免闭环模型出现“代数环”

用法：在离散系统建模仿真时，如果遇到代数环错误，可以在反馈闭环回路上尝试增加一个该模块来消除代数环错误。边疆系统则使用memory.

延时模块

输出信号与输入信号之间具有间接的关系，输出不直接反应输出信号的变化，而是延迟一个或多个采样时间再将输入信号输出到输出端口。

delay模块：输入信号为标量，向量或矩阵

Input processing（Elements as channels(sample based基于采样), Columns as channels(frame based基于帧), Inherited）

基于采样：Simulink模块在每个采样时刻处理一组采样数据（标量或矩阵），每一个元素使用一个独立的通道。

基于帧：Simulink模块在每个采样时刻处理一个帧数据，每个帧数据包含了来自一个或多个独立通道的连续采样，每个通道包含一列输入数据

使用帧采样方式可以在同一个时刻使用较少的通道处理多个数据元素，在一些通信算法及信号处理建模中有较突出的优势，可提高代码运行效率，降低模型仿真运行时间

unit delay模块：delay模块的一种特例，只延迟一个采样时间，不需要考虑缓存区使用环形或线性区域，没有复位功能

过零检测：变步长解算方法动态评估计算下一个采样时刻所使用的步长，当前后两个采样点的状态值变化大时，则缩小采样步长，当前后两个采样点的值变化小时则增大步长。

Relational Operator模块：关系操作模块

Logical Operator模块：集合了常用逻辑操作功能于一体，根据用户选择的逻辑关系不同会显示为一个或多个输入端口，输出端口总是一个。

operator：逻辑关系操作符，与（AND），或（OR）,与非（NAND）,或非（NOR），异或（XOR），异或非（NXOR），非（NOT）

Switch模块：选择开关模块，可根据判断条件选择多个输入端口中的某个进行输出

第一个和第三个端口为输出端口提供输出值，输出端口输出第一个还是第三个输入口的值由第二个输入口的值和条件关系共同决定

Multiport Switch模块：多端口的switch模块，同C语言中的switch case语句功能相似

积分模块

Integrator模块：积分模块是Simulink中一个常用的典型连续模块，是对输入信号的连续时间积分

积分模块参数大体可分为：reset，初始值相关，输出上下限及计算精度相关

  1. External reset：模块增加一个输入端口，通过外部输入信号的电平，脉冲上下边沿进行状态变量的复位。

  2. Initial conditional source：初始值的获取方式选择（internal，external（会增加一个名为x0的输入端口，通过连接的信号线的值获取初始值））

  3. Initial conditional：在Initial conditional source选为internal时才可编辑，设定模块的初始值

  4. show saturation port:用来使能饱和输出端口。勾选后模块增加一个输出端口，用于输出1，0，-1这3种值表示饱和限定的使用状态：1表示输出值超出上限但被上限饱和值限制住，0表示上下限均未到达，-1表示输出超出下限但被下限饱和限制了。勾选后的模块上方的输出口是积分器的计算输出值，下方是饱和限制标志输出。

  5. show state port：此勾选框用来使能状态输出端口。勾选后模块增加一个输出端口，将状态变量的值从模块上方输出。

一般情况下处于上方的状态输出值与右侧的计算输出值是一样的数值。但当模块在当前采样时刻被复位时二者输出值不同，右侧输出端口输出初始值，上方状态输出端口的值就是此次采样时刻右侧输出原本应该输出的值（如果不复位将输出的值）。计算输出的状态值在时序上先于输出值，使用输出端口反馈会出现代数环的情况，使用状态端口取代输出端口值就能消除代数环

Discrete-Time Integrator模块：离散积分器模块

限幅模块（saturation）

包括对输出值的上下限限定，当输出值大于上限时数值限定在上限值输出，小于下限值时限定在下限值，在上下限之间时保持原输出，该模块对输入信号进行限幅之后再输出

接地模块

Ground模块是将输入端口接地的模块，避免仿真时某些模块出现输入端口未连接的警告，有一个输出，输出值为0；Ground模块输出的信号数据类型由其所连接的端口的数据类型决定

终止模块

Terminator模块：用来接收未使用的输出信号的，仅有一个输入端口（当模型的某个层次中有输出端口不连接任何其他模块时，仿真会报出警告；将未连接的输出端口连接Terminator模块可消除警告）

该模块可接受任何Simulink支持的数据类型：实数，复数，固定点数据

信号合并与分解模块

信号合并：Mux模块

Mux模块是一个虚拟模块，虽然视觉上将多个信号合并为一个信号，但实际上并没有改变其内部数据结构，只是视觉上看起来线的条数减少并可以统一管理

分解模块：Demux模块

Demux模块能将多维信号分解为单维或维数较少的多维信号。

总线创建与总线选择模块

总线创建模块：Bus Creator模块将输入的一系列信号合并为一个总线（此模块图标与Mux类似，功能也类似，端口信号线以粗线显示）

Bus Creator模块可设置为虚拟模块和非虚拟模块，当为非虚拟模块时可将总线信号生成C代码的结构体

总线选择模块：Bus Selector可从总线中选择出某一个或一组成员，这个总线信号可来自Bus Creator, Bus Selector或其他输出Bus object的模块；Bus Selector的输入信号必须是总线信号

向量连接模块

Vector Concatenate模块：模块是将多个输入信号组合成一个非虚拟输出信号，这个输出信号的各个元素存储在内存中的连续单元（有两种模式：向量Vector模式或矩阵Multidimentional array模式，两种模式下模块的尺寸不同，模块图标上绘制的图案也不同）

参数Concatenate dimension设置合并矩阵所用维数。其中1表示输入矩阵列数相同，按照竖直方向合并；2表示输入矩阵行数相同，按照水平方向进行合并

数据类型转换模块

Data Type Conversion模块：进行数据转换以使模型能够顺利通过仿真或生成代码

Input and output to have equal参数是该模块独有的参数，表示当输入数据是固定点数据类型时模块处理的方式选择（下拉框包括Real Word Value(RWV)和Stored Integer(SI),表示实际值与存储值）

子系统模块

subsystem模块：将一些基本模块及其信号连线组合为一个大的模块，屏蔽内部结构，仅仅将输入输出个数表现在外的层次性划分

Luish Liu
关注
专栏目录
Android 动态分区详解(二) 核心模块和相关工具介绍
洛奇看世界
04-02 4775
上一篇提到 Android 动态分区的核心是位于 super 分区头部 4K 偏移处开始的 metadata 数据，本篇简单介绍动态分区核心的代码模块和相关工具
YOLOv5改进 | Conv篇 | DiverseBranchBlock(DBB)多元分支模块（有效涨点）
Snu77的博客
12-20 2141
本文带来的改进机制是YOLOv5模型与多元分支模块（Diverse Branch Block）的结合，Diverse Branch Block (DBB) 是一种用于增强卷积神经网络性能的结构重新参数化技术。这种技术的核心在于结合多样化的分支，这些分支具有不同的尺度和复杂度，从而丰富特征空间。我将其放在了YOLOv5的不同位置上均有一定的涨点幅度，同时这个DBB模块的参数量并不会上涨太多，我添加三个该机制到模型中，GFLOPs上涨了0.04。⭐⭐⭐⭐。
Pytorch中nn.RNN()基本用法和输入输出
Fantine_Deng的博客
12-18 1万+
以下均为单向RNN。 0. RNN模型结构 网上教程的标准RNN结构如下图，其实是有输入层x、隐藏层h和输出层y三层结构的。 但是在Pytorch中定义的RNN，其实是没有y这个输出层的。例如下图中，Pytorch版本的两个输出，output=[h1, h2, h3, h4], hn = h4。如果想要得到输出层y，可以自行加一个全连接层。 1. 初始化RNN rnn = nn.RNN(input_size, hidden_size, num_layers) 2. RNN的输入 input：(seq
pytorch使用-nn.RNN
xu624735206的博客
04-07 4345
pytorch使用-nn.RNN一、nn.RNN 一、nn.RNN nn.RNN(input_size: int, hidden_size: int, num_layers: int = 1, bias: bool = True, batch_first: bool = False, dropout: float = 0., bidirectional: bool = False, proj_size: int = 0, device=None, dtype=No
Unit Delay
最新发布
m0_55499682的博客
09-11 485
通过使用Unit Delay模块，可以便捷地实现和测试不同的数字信号处理和控制策略。
pytorch中nn.RNN()总结
热门推荐
orangerfun的博客
01-11 2万+
nn.RNN(input_size, hidden_size, num_layers=1, nonlinearity=tanh, bias=True, batch_first=False, dropout, bidirectional=False) 参数说明 input_size输入特征的维度， 一般rnn中输入的是词向量，那么 input_size 就等于一个词向量的维度 h...
nn.RNN的输入输出及其内部结构说明
m0_62965652的博客
04-24 1608
原因是h_n只保留了最后一步的 hidden_state，但中间的 hidden_state 也有可能会参与计算，所以 pytorch 把中间每一步输出的 hidden_state 都放到output中（当然，只保留了 hidden_state 最后一层的输出），因此，你可以发现这个output的维度是。3.h_0(隐藏层)（h_0代表隐藏层的输入输出，在rnn网络中输入输出是格式是相同的）如果没有提供,默认为全0num_layers是RNN的层数。
Pytorch学习笔记——nn.RNN()
程序媛的自学笔记
07-05 4792
pytorch 中使用 nn.RNN 类来搭建基于序列的循环神经网络，其构造函数如下： nn.RNN(input_size, hidden_size, num_layers=1, nonlinearity=tanh, bias=True, batch_first=False, dropout=0, bidirectional=False) RNN的结构如下： RNN 可以被看做是同一神经网络的多次赋值，每个神经网络模块会把消息传递给下一个，我们将这个图的结构展开 参数解释如下： input_siz
手把手带你搭建SpringCloud， 从公共模块搭建一套完整微服务架构
weixin_56962447的博客
04-10 622
公共模块封装 在一个完整的微服务架构体系中，字符串和日期的处理往往是最多的。在一些安全应用场景下，还会用到加密算法。为了提升应用的扩展性，我们还应对接口进行版本控制。因此，我们需要对这些场景进行一定的封装，方便开发人员使用。本章中，我们优先从公共模块入手搭建一套完整的微服务架构。 common 工程常用类库的封装 common工程是整个应用的公共模块，因此，它里面应该包含常用类库，比如日期时间的处理、字符串的处理、加密/解密封装、消息队列的封装等。 日期时间的处理 在一个应用程序中，对日期时间的处理是使用较
SpringCloud实战：从公共模块搭建一套完整微服务架构
m0_63437643的博客
02-11 899
公共模块封装 从本篇开始，我们将学习框架的搭建。由于代码量巨大，本书不可能全部贴出，所以只展示一些核心代码。全部源码可以从本书配套源码中查看。 经过前几章的学习，读者应该对本项目有了大致的了解，也已搭建好了各个基本模块。为了保证应用程序的复用性和可扩展性，我们需要将一些常用的基本方法封装起来，以便各个模块调用。 在一个完整的微服务架构体系中，字符串和日期的处理往往是最多的。在一些安全应用场景下，还会用到加密算法。为了提升应用的扩展性，我们还应对接口进行版本控制。因此，我们需要对这些场景进行一定的封装，
springboot-通用配置（common spring boot properties）
We get old too soon and wise too late
01-07 914
Reffered：https://docs.spring.io/spring-boot/docs/current/reference/html/common-application-properties.html # =================================================================== # COMMON SPRING BOOT P
【PyTorch学习笔记】21：nn.RNN和nn.RNNCell的使用
01-06
这节学习PyTorch的循环神经网络层nn.RNN，以及循环神经网络单元nn.RNNCell的一些细节。 1 nn.RNN涉及的Tensor PyTorch中的nn.RNN的数据处理如下图所示。每次向网络中输入batch个样本，每个时刻处理的是该时刻的batch个样本，因此xtx_txt​是shape为[batch,feature_len][batch, feature\_len][batch,feature_len]的Tensor。例如，输入3句话，每句话10个单词，每个单词用100维的向量表示，那么seq_len=10seq\_len=10seq_len=10，batch=3batch=3
3.Linux中的输入输出管理
dizijianga的博客
10-10 222
一.输入输出 1.字符设备 显示字符到屏幕上的设备文件 2.stdin 标准输入 标号0 键盘 鼠标 打字机 3.stdout 标准正确输出 标号1 4.stderr 标准错误输出 标号2 二.如何管理输入 外界传递到程序中的信息 1）< 输入重定向 tr ‘a-z’ ‘A-Z’ < test 把test文件中的内容定向到tr程序中 2）<< 多行录入 tr ‘a-z’ ‘A-Z’ << OP test 此处的test不能表示为文件名称只表示test字符 test1
PyTorch nn.RNN 参数全解析
⚡
06-17 7506
全面解析 torch.nn.RNN
pytorch实现RNN循环神经网络
m0_71145378的博客
10-25 3661
一、概述循环神经网络（Recurrent Neural Network, RNN）是一类以（sequence）数据为输入，在序列的演进方向进行（recursion）且所有节点（循环单元）按链式连接的（recursive neural network），通过网络的内部结构捕捉序列之间的模式特征，一般也是以序列形式输出。RNN(Recurrent Neural Network) 是带有循环的神经网络。假设我们有一组向量，通过假设函数$H$解释代表时间量，是非线性函数，相对应的是每次循环的输出。
Pytorch nn.RNN()解析
Pinkgranite86的博客
11-20 1297
RNN基本结构与nn.RNN()参数介绍可参考： 参数介绍 官方文档 以下代码对 nn.RNN() 的简单应用进行了注解介绍 import torch import torch.nn as nn import torch.functional as F # 单层RNN，输入x特征为10，输出特征为20, 两层堆叠 rnn = nn.RNN(10, 20, 2) # 随机构建输入，这里假设每句话只有10个单词，共3句话（即一个batch 3句话），每个单词被embedding为10维向量 inputs =
pytorch nn.RNN 参数解释
qq_43613342的博客
12-19 1368
here是pytorch官方文档，有对每一个参数的具体描述，不过看完之后你可能还会有些问题，主要是隐藏层和输入输出层的size是怎么确定的。 以官方代码为例 import torch import torch.nn as nn rnn = nn.RNN(10, 20, 2) input = torch.randn(5, 3, 10) h0 = torch.randn(2, 3, 20) output, hn = rnn(input, h0) print(output.size(),hn.size()) 运行
【PyTorch API】 nn.RNN 和 nn.LSTM 介绍和代码详解
qq_43799400的博客
07-06 5264
PyTorch API 之 nn.RNN 和 nn.LSTM 介绍和代码详解
java项目中的common模块
05-12
在 Java 项目中，通常会创建一个 common 模块，用于存放一些公共的代码、工具类、配置文件等内容，以便在项目中的其他模块中共享这些资源。 通常情况下，common 模块会包含以下内容： 1. 工具类：包含一些通用的...
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

打赏作者

Luish Liu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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