Percept1（简单分类问题）：设计单一感知器神经元来解决一个简单的分类问题：将4个输入向量分为两类，其中两个输入向量对应的目标值为1，另两个对应的目标值为0.
输入向量为：
P=[-1 -0.5 0.3 -0.1;
-0.5 0.5 -0.5 1.0]
目标向量为：
T=[1 1 0 0]
P=[-1 -0.5 0.3 -0.1 50;
-0.5 0.5 -0.5 1.0 35];
T=[1 1 0 0 0];
plotpv(P,T);
pause;
net=newp([-1 50; -1 40],1);
watchon;
cla;
plotpv(P,T);
linehandle=plotpc(net.IW{1},net.b{1});
E=1;
net=init(net);
linehandle=plotpc(net.IW{1},net.b{1});
while(sse(E))
[net,Y,E]=adapt(net,P,T);
linehandle=plotpc(net.IW{1},net.b{1});
drawnow;
end;
pause;
watchoff;
p=[0.7;1.2];
a=sim(net,p);
plotpv(p,a);
ThePoint=findobj(gca,'type','line');
set(ThePoint,'Color','red');
hold on;
plotpv(P,T);
plotpc(net.IW{1},net.b{1});
hold off;
disp('End of percept1');
Percept2（多个感知器神经元的分类问题）：将上例的输入向量扩充为10组，将输入向量分为4类，即输入向量为：
P=[0.1 0.7 0.8 0.8 1.0 0.3 0.0 -0.3 -0.5 -1.5;
1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.8 -1.5 -1.3]
输出向量为：
T=[1 1 1 0 0 1 1 1 0 0;
0 0 0 0 0 1 1 1 1 1]
P=[0.1 0.7 0.8 0.8 1.0 0.3 0.0 -0.3 -0.5 -1.5;
1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.8 -1.5 -1.3];
T=[1 1 1 0 0 1 1 1 0 0;
0 0 0 0 0 1 1 1 1 1];
plotpv(P,T);
net=newp([-1.5 1;-1.5 1],2);
figure;
watchon;
cla;
plotpv(P,T);
linehandle=plotpc(net.IW{1},net.b{1});
E=1;
net=init(net);
linehandle=plotpc(net.IW{1},net.b{1});
while(sse(E))
[net,Y,E]=adapt(net,P,T);
linehandle=plotpc(net.IW{1},net.b{1},linehandle);
drawnow;
end;
watchoff;
figure;
p=[1.7;-1.2];
a=sim(net,p);
plotpv(p,a);
ThePoint=findobj(gca,'type','line');
set(ThePoint,'Color','red');
hold on;
plotpv(P,T);
plotpc(net.IW{1},net.b{1});
hold off;
disp('End of percept2');
Percept3（输入奇异样本对网络训练的影响）当网络的输入样本中存在奇异样本时（即该样本向量相对其他所有样本向量特别大或特别小），此时网络训练时间将大大增加，如：
输入向量为：
P=[-0.5 -0.5 0.3 -0.1 -40;
-0.5 0.5 -0.5 1.0 50];
输出向量为：
T=[1 1 0 0 1];
P=[-0.5 -0.5 0.3 -0.1 -40;
-0.5 0.5 -0.5 1.0 50];
T=[1 1 0 0 1];
plotpv(P,T);
net=newp([-40 1; -1 50],1);
pause;
plotpv(P,T);
linehandle=plotpc(net.IW{1},net.b{1});
cla;
plotpv(P,T);
linehandle=plotpc(net.IW{1},net.b{1});
E=1;
net.adaptParam.passes=1
net=init(net);
linehandle=plotpc(net.IW{1},net.b{1});
while(sse(E))
[net,Y,E]=adapt(net,P,T);
linehandle=plotpc(net.IW{1},net.b{1},linehandle);
drawnow;
end;
pause;
p=[0.7;1.2];
a=sim(net,p);
plotpv(p,a);
ThePoint=findobj(gca,'type','line');
set(ThePoint,'Color','red');
hold on;
plotpv(P,T);
plotpc(net.IW{1},net.b{1});
hold off;
pause;
axis([-2 2 -2 2]);
disp('End of percept3');
解决此问题只需用标准化感知器学习规则训练即可大大缩短训练时间
原始感知器学习规则的权值调整为：
T T ep p a t w =-=?)(
标准化感知器学习规则的权值调整为：
p p e p p a t w T
T
=-=?)(，
由函数learnpn()实现
见Percept4
P=[-0.5 -0.5 0.3 -0.1 -40;
-0.5 0.5 -0.5 1.0 50];
T=[1 1 0 0 1];
plotpv(P,T);
pause;
net=newp([-40 1; -1 50],1,'hardlim','learnpn');
cla;
plotpv(P,T);
linehandle=plotpc(net.IW{1},net.b{1});
E=1;
net.adaptParam.passes=1;
net=init(net);
linehandle=plotpc(net.IW{1},net.b{1});
while(sse(E))
[net,Y,E]=adapt(net,P,T);
linehandle=plotpc(net.IW{1},net.b{1},linehandle);
drawnow;
end;
pause;
p=[0.7;1.2];
a=sim(net,p);
plotpv(p,a);
ThePoint=findobj(gca,'type','line');
set(ThePoint,'Color','red');
hold on;
plotpv(P,T);
plotpc(net.IW{1},net.b{1});
hold off;
pause;
axis([-2 2 -2 2]);
disp('End of percept4');
Percept5（线性不可分的输入向量）定义向量
P=[-0.5 -0.5 0.3 -0.1 -0.8;
-0.5 0.5 -0.5 1.0 0.0];
T=[1 1 0 0 0];
用感知器对其分类
实验练习：1、设计一个matlab程序实现教材p25例3.1
2、即输入向量为：
P=[0.1 0.7 0.8 0.8 1.0 0.3 0.0 -0.3 -0.5 -1.5;
1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.8 -1.5 -1.3]
输出向量为：
T=[1 1 1 0 0 1 1 1 0 0]
对其进行分类
P=[-0.5 -0.5 0.3 -0.1 -0.8;
-0.5 0.5 -0.5 1.0 0.0];
T=[1 1 0 0 0];
plotpv(P,T);
net=newp([-1 1; -1 1],1);
plotpv(P,T);
linehandle=plotpc(net.IW{1},net.b{1});
pause;
for a=1:25
[net,Y,E]=adapt(net,P,T);
linehandle=plotpc(net.IW{1},net.b{1},linehandle);
drawnow;
end;
pH 值传感器 (型号：PH-BTA或PH-DIN) 所有传统的pH 计的实验或示范都可以用我们的pH 值传感器。使用此传感器更 可以自动采集数据、作图表、数据分析等功能。它的典型应用是：研究家庭常见的 酸和碱、酸碱滴定、在化学反应、水族箱内光合作用过程中监测pH 的变化、研究 酸雨和缓冲液、河流和湖的水质分析等。 威尼尔(Vernier) 有多本实验手册都有各种使用pH 值传感器的实验。 化学使用威尼尔 水质使用威尼尔 生物使用威尼尔 物理科学威尼尔 初中科学使用威尼尔 科学使用掌上电脑 高级化学使用威尼尔 用pH 值传感器采集数据 以下是使用pH 值传感器的一般操作流程： 数据采集软件 此传感器可以与一个界面以及以下的数据采集软件一起使用。 ?Logger Pro 3 这个计算机程序可配合LabQuest、LabPro、或威尼尔动手做！连接使用。?Logger Pro 2 这个计算机程序可配合ULI 或Serial Box Interface 使用。 ?Logger Lite 这个计算机程序可配合LabQuest、LabPro、或威尼尔动手做！连接使用。?LabQuest App 这个程序是当单独使用LabQuest 时配合使用的。 ?EasyData App 这个TI-83+ 和TI-84+ 计算器应用可配合CBL 2、LabPro、和威尼尔EasyLink 一起使用。我们建议使用2.0 或更新的版本，您可以从威尼尔的网站， https://www.doczj.com/doc/b99854391.html,/easy/easydata.html，下载，然后转移到计算器上。查看威尼尔的网站，https://www.doczj.com/doc/b99854391.html,/calc/software/index.html，可得到更多有关应用与程序转移指南的信息。?DataMate 程序采用DataMate 配合LabPro 或CBL 2 与以下计算器使用：TI-73、TI-83、TI-86、TI-89、和Voyage 200。在LabPro 和CBL 2 的使用说明书中可看到将程序转移到计算器的指示。 1如果你是配合ULI 或SBI 使用Logger Pro 2，pH 值传感器是不能自动识别的。在探头与传感器文件夹中打开一个pH 值传感器的实验文件。
现代(传感器)检测技术实验 实验指导书 目录 1、THSRZ-2型传感器系统综合实验装置简介 2、实验一金属箔式应变片——电子秤实验 3、实验二交流全桥振幅测量实验 4、实验三霍尔传感器转速测量实验 5、实验四光电传感器转速测量实验 6、实验五 E型热电偶测温实验 7、实验六 E型热电偶冷端温度补偿实验 西安交通大学自动化系 2008.11
THSRZ-2型传感器系统综合实验装置简介 一、概述 “THSRZ-2 型传感器系统综合实验装置”是将传感器、检测技术及计算机控制技术有机的结合，开发成功的新一代传感器系统实验设备。 实验装置由主控台、检测源模块、传感器及调理（模块）、数据采集卡组成。 1.主控台 (1)信号发生器：1k～10kHz 音频信号，Vp-p=0～17V连续可调； (2)1～30Hz低频信号，Vp-p=0～17V连续可调，有短路保护功能； (3)四组直流稳压电源：+24V,±15V、+5V、±2～±10V分五档输出、0～5V可调，有短路保护功能； (4)恒流源：0～20mA连续可调，最大输出电压12V； (5)数字式电压表：量程0～20V，分为200mV、2V、20V三档、精度0.5级； (6)数字式毫安表：量程0～20mA，三位半数字显示、精度0.5级，有内侧外测功能； (7)频率/转速表：频率测量范围1～9999Hz，转速测量范围1～9999rpm； (8)计时器：0～9999s，精确到0.1s； (9)高精度温度调节仪：多种输入输出规格，人工智能调节以及参数自整定功能，先进控制算法，温度控制精度±0.50C。 2.检测源 加热源：0～220V交流电源加热，温度可控制在室温～1200C； 转动源：0～24V直流电源驱动，转速可调在0～3000rpm； 振动源：振动频率1Hz～30Hz（可调），共振频率12Hz左右。 3.各种传感器 包括应变传感器：金属应变传感器、差动变压器、差动电容传感器、霍尔位移传感器、扩散硅压力传感器、光纤位移传感器、电涡流传感器、压电加速度传感器、磁电传感器、PT100、AD590、K型热电偶、E型热电偶、Cu50、PN结温度传感器、NTC、PTC、气敏传感器（酒精敏感，可燃气体敏感）、湿敏传感器、光敏电阻、光敏二极管、红外传感器、磁阻传感器、光电开关传感器、霍尔开关传感器。包括扭矩传感器、光纤压力传感器、超声位移传感器、PSD位移传感器、CCD电荷耦合传感器：、圆光栅传感器、长光栅传感器、液位传感器、涡轮式流量传感器。 4.处理电路 包括电桥、电压放大器、差动放大器、电荷放大器、电容放大器、低通滤波器、涡流变换器、相敏检波器、移相器、V/I、F/V转换电路、直流电机驱动等 5.数据采集 高速USB数据采集卡：含4路模拟量输入，2路模拟量输出，8路开关量输入输出，14位A/D 转换，A/D采样速率最大400kHz。 上位机软件：本软件配合USB数据采集卡使用，实时采集实验数据，对数据进行动态或静态处理和分析，双通道虚拟示波器、虚拟函数信号发生器、脚本编辑器功能。
神经网络基于BP网络的多层感知器实验报告 二、基于BP网络的多层感知器一：实验目的： 1、理解多层感知器的工作原理 2、通过调节算法参数了解参数的变化对于感知器训练的影响 3、了解多层感知器局限性二：实验原理：BP的基本思想：信号的正向传播误差的反向传播–信号的正向传播：输入样本从输入层传入，经各隐层逐层处理后，传向输出层。 –误差的反向传播：将输入误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号来作为修正各单元权值的依据。 1、基本BP算法的多层感知器模型： 2、BP学习算法的推导：当网络输出与期望输出不等时，存在输出误差E将上面的误差定义式展开至隐层，有进一步展开至输入层，有调整权值的原则是使误差不断地减小，因此应使权值的调整量与误差的梯度下降成正比，即η∈(0,1)表示比例系数，在训练中反应学习速率 BP算法属于δ学习规则类，这类算法被称为误差的梯度下降（Gradient Descent）算法。<实验步骤> 1、用Matlab编程，实现解决该问题的单样本训练BP网络，设置一个停止迭代的误差Emin和最大迭代次数。在调试过程中，通过不断调整隐层节点数，学习率η，找到收敛速度快且误差小
的一组参数。产生均匀分布在区间[-4，4]的测试样本，输入建立的模型得到输出，与Hermit多项式的期望输出进行比较计算总误差（运行5次，取平均值），并记录下每次迭代结束时的迭代次数。（要求误差计算使用RME，Emin 设置为0、1）程序如下：function dyb %单样本程序 clc; close all; clear; x0=[1:;-4:0、08:4];%样本个 x0(1,:)=-1; x=x0'; yuzhi=0、1;%阈值 j=input('请输入隐层节点数 j = ');%隐层节点数 n=input('请输入学习效率 n = ');%学习效率 w=rand(1,j); w=[yuzhi,w]; %输出层阈值 v=rand(2,j); v(1,:)=yuzhi;%隐层阈值 err=zeros(1,); wucha=0; zhaosheng=0、01*randn(1,);%噪声erro=[]; ERRO=[];%误差，为画收敛曲线准备 Emin=0、1; d=zeros(1,); for m=1: d(m)=hermit(x(m,2));%期望 end; o=zeros(1,); j=zeros(1,j); =zeros(1,j); p=1; q=1; azc=0; acs=0; for z=1:5 while q<30000 Erme=0; for p=1: y=zeros(1,j); for i=1:j j(1,i)=x(p,:)*v(:,i); y(1,i)=1/(1+exp(-j(1,i))); end; y=[-1 y]; o(p)=w*y'+zhaosheng(p);%噪声 wucha = d(p)-o(p); err(1,p)=1/2*wucha^2; erro=[erro,wucha]; for m=1:j+1 w(1,m)=w(1,m)+n*wucha*y(1,m); end; for m=1:j v(:,m)=v(:,m)+n*wucha*w(1,m)*y(1,m)*(1-y(1,m))*x(p,:)'; end q=q+1; end; for t=1:; Erme=Erme+err(1,t); end; err=zeros(1,); Erme=sqrt(Erme/); ERRO=[ERRO,Erme]; if
成都理工大学工程 技术学院 单片机课程设计报告 数字温度计设计
摘要 在这个信息化高速发展的时代，单片机作为一种最经典的微控制器，单片机技术已经普及到我们生活，工作，科研，各个领域，已经成为一种比较成熟的技术，作为自动化专业的学生，我们学习了单片机，就应该把它熟练应用到生活之中来。本文将介绍一种基于单片机控制的数字温度计，本温度计属于多功能温度计，可以设置上下报警温度，当温度不在设置范围内时，可以报警。本文设计的数字温度计具有读数方便，测温范围广，测温精确，数字显示，适用范围宽等特点。 关键词：单片机，数字控制，数码管显示，温度计，DS18B20，AT89S52。
目录 1概述 (4) 1.1设计目的 (4) 1.2设计原理 (4) 1.3设计难点 (4) 2 系统总体方案及硬件设计...................................................... 错误！未定义书签。 2.1数字温度计设计方案论证 (4) 2.2.1 主控制器 (5) 2.4 系统整体硬件电路设计 (7) 3系统软件设计 (8) 3.1初始化程序 (8) 3.2读出温度子程序 (9) 3.3读、写时序子程序 (10) 3.4 温度处理子程序 (11) 3.5 显示程序 (12) 4 Proteus软件仿真 (13) 5硬件实物 (14) 6课程设计体会 (15) 附录1： (14) 附录2: (21)
1概述 1.1设计目的 随着人们生活水平的不断提高,单片机控制无疑是人们追求的目标之一，它所给人带来的方便也是不可否定的，其中数字温度计就是一个典型的例子，但人们对它的要求越来越高，要为现代人工作、科研、生活、提供更好的更方便的设施就需要从数单片机技术入手，一切向着数字化控制，智能化控制方向发展。 本设计所介绍的数字温度计与传统的温度计相比，具有读数方便，测温范围广，测温准确，其输出温度采用数字显示，主要用于对测温比较准确的场所，或科研实验室使用，可广泛用于食品库、冷库、粮库、温室大棚等需要控制温度的地方。目前,该产品已在温控系统中得到广泛的应用。 1.2设计原理 本系统是一个基于单片机AT89S52的数字温度计的设计，用来测量环境温度，测量范围为-50℃—110℃度。整个设计系统分为4部分：单片机控制、温度传感器、数码显示以及键盘控制电路。整个设计是以AT89S52为核心，通过数字温度传感器DS18B20来实现环境温度的采集和A/D转换，同时因其输出为数字形式，且为串行输出，这就方便了单片机进行数据处理，但同时也对编程提出了更高的要求。单片机把采集到的温度进行相应的转换后，使之能够方便地在数码管上输出。LED采用三位一体共阳的数码管。 1.3设计难点此设计的重点在于编程，程序要实现温度的采集、转换、显示和上下限温度报警，其外围电路所用器件较少，相对简单，实现容易。 2 系统总体方案及硬件设计 2.1数字温度计设计方案论证 由于本设计是测温电路，可以使用热敏电阻之类的器件利用其感温效应，在将随被测温度变化的电压或电流采集过来，进行A/D转换后，就可以用单片机进行数据的处理，在显示电路上，就可以将被测温度显示出来，这种设计需要用到A/D 转换电路，感温电路比较麻烦。进而考虑到用温度传感器，在单片机电路设计中，大多都是使用传感器，所以这是非常容易想到的，所以可以采用一只温度传感器DS18B20，此传感器，可以很容易直接读取被测温度值，进行转换，就可以满足设计要求。 2.2总体设计框图 温度计电路设计总体设计方框图如图1所示，控制器采用单片机AT89S52，温度传感器采用DS18B20，用3位共阴LED数码管以串口传送数据实现温度显示。
实验一 金属箔式应变片性能实验 （一）金属箔式应变片——单臂电桥性能实验 一、实验目的：了解金属箔式应变片的应变效应，单臂电桥工作原理和性能。 二、基本原理：电阻丝在外力作用下发生机械变形时，其电阻值发生变化，这就是电阻应变效应，描述电阻应变效应的关系式为： εK R R =? 式中R R ?为电阻丝电阻相对变化， K 为应变灵敏系数， l l ?=ε为电阻丝长度相对变化， 金属箔式应变片就是通过光刻、腐蚀等工艺制成的应变敏感元件，通过它转换被测部位受 力状态变化、电桥的作用完成电阻到电压的比例变化，电桥的输出电压反映了相应的受力状态。对单臂电桥输出电压4 1ε EK U O =。 三、需用器件与单元：应变式传感器实验模板、应变式传感器、砝码、数显表、士15V 电源、土4V 电源、万用表（自备）。 四、实验步骤： 1．应变式传感器已装于应变传感器模板上。传感器中各应变片已接入模板的左上方的1R 、2R 、3R 、4R 。加热丝也接于模板上，可用万用表进行测量判别， Ω====3504321R R R R ，加热丝阻值为Ω50左右。 2．接入模板电源上15V （从主控箱引入），检查无误后，合上主控箱电源开关，将实验模板调节增益电位器3W R 顺时针调节大致到中间位置，再进行差动放大器调零，方法为将差放的正、负输入端与地短接，输出端与主控箱面板上数显表电压输入端i V 相连，调节实验模板上调零电位器4W R ，使数显表显示为零（数显表的切换开关打到2V 档）。关闭主控箱电源。 3．将应变式传感器的其中一个应变片1R (模板左上方的1R )接入电桥作为一个桥臂与5R 、6R 、7R 接成直流电桥（5R 、6R 、7R 模块内已连接好） ，接好电桥调零电位器4W R ，接上桥路电源上4V （从主控箱引入）如图1—2所示。检查接线无误后，合上主控箱电源
感知器算法求判别函数 一、 实验目的 掌握判别函数的概念和性质，并熟悉判别函数的分类方法，通过实验更深入的了解判别函数及感知器算法用于多类的情况，为以后更好的学习模式识别打下基础。 二、 实验内容 学习判别函数及感知器算法原理，在MATLAB 平台设计一个基于感知器算法进行训练得到三类分布于二维空间的线性可分模式的样本判别函数的实验，并画出判决面，分析实验结果并做出总结。 三、 实验原理 3.1 判别函数概念 直接用来对模式进行分类的准则函数。若分属于ω1，ω2的两类模式可用一方程d (X ) =0来划分，那么称d (X ) 为判别函数，或称判决函数、决策函数。如，一个二维的两类判别问题，模式分布如图示，这些分属于ω1，ω2两类的模式可用一直线方程 d (X )=0来划分。其中 0)(32211=++=w x w x w d X (1) 21,x x 为坐标变量。 将某一未知模式 X 代入（1）中： 若0)(>X d ，则1ω∈X 类； 若0)(
类学习机模型的称呼，属于有关机器学习的仿生学领域中的问题，由于无法实现非线性分类而下马。但“赏罚概念（ reward-punishment concept ）” 得到广泛应用，感知器算法就是一种赏罚过程[2]。 两类线性可分的模式类 21,ωω，设X W X d T )(=其中，[]T 1 21,,,,+=n n w w w w ΛW ，[]T 211,,,,n x x x Λ=X 应具有性质 （2） 对样本进行规范化处理，即ω2类样本全部乘以(－1)，则有： （3） 感知器算法通过对已知类别的训练样本集的学习，寻找一个满足上式的权向量。 感知器算法步骤： （1）选择N 个分属于ω1和 ω2类的模式样本构成训练样本集{ X1 ,…, XN }构成增广向量形式，并进行规范化处理。任取权向量初始值W(1)，开始迭代。迭代次数k=1。 （2）用全部训练样本进行一轮迭代，计算W T (k )X i 的值，并修正权向量。 分两种情况，更新权向量的值： 1. ()，若0≤T i k X W 分类器对第i 个模式做了错误分类，权向量校正为： ()()i c k k X W W +=+1 c ：正的校正增量。 2. 若()，0T >i k X W 分类正确，权向量不变：()()k k W W =+1,统一写为： ???∈<∈>=21T ,0,0)(ωωX X X W X 若若d
多层感知器的训练算法 齐平 辽宁工程技术大学土木建筑工程学院，辽宁阜新 (123000) E-mail: qipingws@https://www.doczj.com/doc/b99854391.html, 摘要：本文着重介绍的在人工智能中的多层感知器(MLP)是什么，是怎样构建的。多层感知器和单层感知器一样，是一种人工神经网络。单层感知器只能处理线形问题,对复杂的问题只能粗略进行近似表示。多层感知器是建立在单层感知器的基础上的，它的结构基本类似于一套级联的感知器，对输入层和输出层之间的关系进行研究。 本文侧重描述多层感知器（MLP）的逆向传递和训练过程，并给出了相应的公式和训练算法。以便了解在人工智能中，它的训练学习过程。为了简单起见用，本文中的算法是以伪代码的方式加以描述，这样，就可以用几乎任何一门语言实现它们。 关键词：神经网络，多层感知器，算法 中图分类号：tp18 1.引言 多层感知器(MLP)是一种人工神经网络,它使用输入与输出之间的多层加权连接.MLP的结构基本类似于一套级联的感知器,其中每一格处理单元都有一格相对复杂的输出函数,从而增强网络的性能. [1] 多层感知器是建立在单层感知器的基础上的. 单层感知器只能处理线形问题,而对复杂的问题只能粗略进行近似表示.多层感知器与单层感知器有两个主要的区别: 1.明确区别:多层感知器存在中间层,它们增加了感知器近似表示的能力. 2.不明确区别:对于中间层在系统中发挥的作用是必不可少的,这涉及到使用更加复杂的激 励函数. 2.多层感知器（MLP） 2.1拓扑结构 拓扑就是神经网络中处理单元的拓扑,以及它们之间如何连接在一起。一个MLP的拓扑被称为前馈（如图1），由于不存在后向的连接——也叫做回归连接。通常信息直接从输入流向输出，而MLP 的重要结构就是改善中间层。
ATOS物联网传感器实验系统 使用说明书 上海讯连电子科技发展有限公司 2011年10月
目录 1概述 (4) 1.1背景 (4) 1.2应用领域与使用对象 (4) 1.4参考方案 (4) 1.5术语与缩写解释 (4) 2系统综述 (5) 2.1传感器分类 (5) 2.2软件系统功能简介 (5) 2.3性能 (6) 2.4版权声明 (6) 3运行环境 (6) 3.1硬件设备要求 (6) 3.2支持软件 (6) 4软件操作说明 (7) 4.1安装以及使用前的准备 (7) 4.2 软件启动与登陆 (7) 4.2.1功能描述 (7) 4.2.2界面字段解释 (7) 4.2.3操作说明 (8) A）串口配置功能Serial (8) B）进入实验按钮功能Experiment (10) B1：实验一温湿度传感器实验 (11) B2：实验二光强传感器实验 (14) B3：实验三流量传感器实验 (17) B4：实验四霍尔传感器实验 (20) B5：实验五压力传感器实验 (23) B6：实验六气体压力传感器实验 (26) B7：实验七雨滴传感器实验 (29) B8：实验八火焰传感器实验 (32) B9：实验九震动传感器实验 (35) B10：实验十噪声传感器实验 (38) C）进入图书资源按钮功能Library (41) C1：资料一TINYOS开发环境 (42) C2：资料二WINCE平台 (43) C3：资料三Zigbee开发环境 (43) C4：资料四辅助工具 (44) C5：资料五驱动程序 (44) C6：资料六芯片和传感器手册 (45)
C7：资料七演示中心 (45) C8：资料八应用软件源码 (46) D）退出程序按钮 (46) 4.3 LabVIEW函数库 (47) 4.3.1函数库介绍 (47) 4.3.2如何编写一个应用程序 (49) 4.3.3 应用范例 (49) 5.0出错处理和恢复 (49)
《传感器原理及应用》实验指导书闻福三郭芸君编著 电子技术省级实验教学示范中心
实验一 金属箔式应变片——单臂电桥性能实验 一、 实验目的 了解金属箔式应变片的应变效应，单臂电桥工作原理和性能。 二、 实验仪器 1、传感器特性综合实验仪 THQC-1型 1台 2、万用表 MY60 1个 三、 实验原理 金属丝在外力作用下发生机械形变时，其电阻值会发生变化，这就是金属的电阻应变效应。 金属的电阻表达式为： S l R ρ = （1） 当金属电阻丝受到轴向拉力F 作用时，将伸长l ?，横截面积相应减小S ?，电阻率因晶格变化等因素的影响而改变ρ?，故引起电阻值变化R ?。 用应变片测量受力时，将应变片粘贴于被测对象表面上。在外力作用下，被测对象表面产生微小机械变形时，应变片敏感栅也随同变形，其电阻值发生相应变化。通过转换电路转换为相应的电压或电流的变化，可以得到被测对象的应变值ε，而根据应力应变关系 εσE = （2） 式中：ζ——测试的应力； E ——材料弹性模量。 可以测得应力值ζ。通过弹性敏感元件，将位移、力、力矩、加速度、压力等物理量转换为应变，因此可以用应变片测量上述各量，从而做成各种应变式传感器。电阻应变片可分为金属丝式应变片，金属箔式应变片，金属薄膜应变片。 四、 实验内容与步骤 1、应变式传感器已装到应变传感器模块上。用万用表测量传感器中各应变片R1、R 2、R 3、R4，R1=R2=R3=R4=350Ω。 2、将主控箱与模板电源±15V 相对应连接，无误后，合上主控箱电源开关，按图1-1顺时针调节Rw2使之中间位置，再进行放大器调零，方法为：将差放的正、负输入端与地短接，输出端与主控箱面板上数显电压表输入端Vi 相连，调节实验模板上调零电位器Rw3，使数显表显示为零，（数显表的切换开关打到2V 档）。关闭主控箱电源。（注意：当Rw2的位置一旦确定，就不能改变。） 3、应变式传感器的其中一个应变片R1（即模板左上方的R1）接入电桥作为一个桥臂与R5、R6、R7接成直流电桥，（如四根粗实线），把电桥调零电位器Rw1，电源±5V ，此时应将±5V 地与±15V 地短接（因为不共地）如图1-1所示。检查接线无误后，合上主控箱电源开关。调节Rw1，使数显表显示为零。 4、按表1-1中给出的砝码重量值，读取数显表数值填入表1-1中。
感知器的学习算法 1．离散单输出感知器训练算法 设网络输入为n 维向量()110-=n x x x ,,, X ，网络权值向量为()110-=n ωωω,,, W ，样本集为(){}i i d ,X ，神经元激活函数为f ，神经元的理想输出为d ，实际输出为y 。 算法如下： Step1：初始化网络权值向量W ； Step2：重复下列过程，直到训练完成： （2.1）对样本集中的每个样本()d ,X ，重复如下过程： （2.1.1）将X 输入网络； （2.1.2）计算)(T =WX f y ； （2.1.3）若d y ≠，则当0=y 时，X W W ?+=α；否则X W W ?-=α。 2．离散多输出感知器训练算法 设网络的n 维输入向量为()110-=n x x x ,,, X ，网络权值矩阵为{}ji n m ω=?W ，网络理想输出向量为m 维，即()110-=m d d d ,,, D ，样本集为(){}i i D X ,，神经元激活函数为f ， 网络的实际输出向量为()110-=m y y y ,,, Y 。 算法如下： Step1：初始化网络权值矩阵W ； Step2：重复下列过程，直到训练完成： （2.1）对样本集中的每个样本()D X ,，重复如下过程： （2.1.1）将X 输入网络； （2.1.2）计算)(T =XW Y f ； （2.1.3）对于输出层各神经元j （110-=m j ,,, ）执行如下操作： 若j j d y ≠，则当0=j y 时，i ji ji x ?+=αωω，110-=n i ,,, ； 否则i ji ji x ?-=αωω，110-=n i ,,, 。
传 感 器 实 验 指 导 书 实验一电位器传感器的负载特性的测试 一、实验目的： 1、了解电桥的工作原理及零点的补偿； 2、了解电位器传感器的负载特性； 3、利用电桥设计电位器传感器负载特性的测试电路,并验证其功能。 二、实验仪器与元件： 1、直流稳压电源、高频毫伏表、示波器、信号源、数字万用表； 2、电阻若干（1k, 100K）；电位器(10k)传感器（多圈线绕）； 3、运算放大器LM358；
4、电子工具一批（面包板、斜口钳、一字螺丝刀、导线）。 三、基本原理： ?电位器的转换原理 ?电位器的电压转换原理如图所示，设电阻体长度为L，触点滑动位移量为x，两端输入电压为U i，则滑动端输出电压为 电位器输出端接有负载电阻时，其特性称为负载特性。当电位器的负载系数发生变化时，其负载特性曲线也发生相应变化。 ?电位器输出端接有负载电阻时，其特性称为负载特性。 四、实验步骤： 1、在面包板上设计负载电路。 3、改进电路的负载电阻RL，用以测量的电位器的负载特性。 4、分别选用1k电阻和100k电阻，测试电位器的负载特性，要求每个负载至少有5个测试点，并计入所设计的表格1，如下表。 序号 1 2 3 4 5 6 7 8
五、实验报告 1、 画出电路图，并说明设计原理。 2、 列出数据测试表并画出负载特性曲线。电源电压5V ，测试表格1. 曲线图：画图说明，x 坐标是滑动电阻器不带负载时电压；y 坐标是对应1000欧姆（负载两端电压）或100k 欧姆（负载两端电压），100欧和100K 欧两电阻可以得到两条曲线。 O 1 2 3 4 5 UK UR1UR2 3、 说明本次设计的电路的不足之处，提出改进思路，并总结本次实验中遇到困 难及解决方法。
感知器算法实验--1
一.实验目的 1.理解线性分类器的分类原理。 2.掌握感知器算法，利用它对输入的数据进行 分类。 3.理解BP算法，使用BP算法对输入数据进 行分类。 二. 实验原理 1.感知器算法 感知器算法是通过训练模式的迭代和学习算法，产生线性可分的模式判别函数。感知器算法就是通过对训练模式样本集的“学习”得出判别函数的系数解。在本次实验中，我们主要是采用硬限幅函数进行分类。 感知器的训练算法如下： 设输入矢量{x1,x2,…,x n}其中每一个模式类别已知，它们分别属于ω1类和ω2类。 （1）置步数k=1，令增量ρ为某正的常数，分别赋给初始增广权矢量w(1)的各分量较小的任意值。 （2）输入训练模式x k，计算判别函数值 w T(k) x k。 （3）调整增广权矢量，规则是：
a.如果x k ∈ω1和w T (k) x k ≤0，则w(k+1)=w(k)+ ρx k ； b.如果x k ∈ω2和w T (k) x k ≥0，则w(k+1)=w(k)-ρx k ； c.如果x k ∈ω1和w T (k) x k >0，或x k ∈ω2和w T (k) x k <0，则w(k+1)=w(k) （4）如果k
实验一数字式电子秤实验模块-物体质量测量 一．实验目的 1.学习LabVIEW软件的使用； 2.认识应变式力传感器的工作原理； 3.掌握使用应变式传感器进行物体称重的方法； 4.掌握标定称重实验台和修正测量误差的方法； 二．实验原理 数字式电子秤实验模块由应变式力传感器、信号调理电路板、底座、支架、托盘和外围封装设备构成。其中，应变式力传感器由4片应变片塑封在桥臂的中间两侧，信号调理电路板为全桥电路。当物体加到托盘后，4个应变片会受压发生形变，该形变量转换为电压量的变化,最后通过电桥电路及运算放大电路进行信号处理和输出。如下图所示为数字式电子秤实验模块结构示意图。 数字式电子秤实验模块结构示意图 数字式电子秤实验模块中的力传感器是电阻应变片。电阻应变片是利用物体线性长度发生形变导致阻值发生改变的原理而制成的，其电阻丝一般用康铜材料，它具有高稳定性及良好的温度、蠕变补偿性能。测量电路普遍采用如下图所示的惠斯通电桥。
电阻应变片惠斯通电桥测量电路 称重原理： 使用标准砝码对称重模块进行标定，得到物体质量与输出电压之间的线性关系式。然后利用该线性关系式进行未知质量的物体的测量。 三．需要的仪器和设备 ●计算机１台 ●LabVIEW实验脚本：数字式电子秤实验模块-物体质量测量.vi 1套 ●TS-DEW-1A应变式数字电子称模块 1套 ●砝码 1套 ●TS-INQ-8U USB多通道数据采集模块 1套 ●TS-TAB-B基础实验平台 1套四．实验步骤 1.关闭面板总电源开关，将电子秤模块的电源线连接到基础实验平台的多路电源输出航 空插头； 2.将电子秤模块的信号线连接到USB多通道数据采集模块的通道1上； 3.开启总电源，开启采集卡电源，如下图所示，在“数字式电子秤-物体质量测量程序 VI”文件夹中打开“数字式电子秤实验模块-物体质量测量.vi”程序，建立实验环境。 4.通道选择“1”，采样频率选择“10KHz”,点击程序运行按钮启动测量程序。 5.在正式进行物体质量测量的过程中，应该先完成传感器的标定工作。操作步骤为：首 先，不在托盘上放置砝码，此时称重的质量为0，把“0”填入“质量（X1）”空格内，点击“标定1”按钮读取当前状况下的电压值；在托盘上放置500g的砝码，并在“质量
无线传感器网络 实验指导书 信息工程学院
实验一 质心算法 一、实验目的 掌握合并质心算法的基本思想； 学会利用MATLAB 实现质心算法； 学会利用数学计算软件解决实际问题。 二、实验内容和原理 无需测距的定位技术不需要直接测量距离和角度信息。定位精度相对较低，不过可以满足某些应用的需要。 在计算几何学里多边形的几何中心称为质心，多边形顶点坐标的平均值就是质心节点的坐标。 假设多边形定点位置的坐标向量表示为p i = (x i ，y i )T ，则这个多边形的质心坐标为： 例如，如果四边形 ABCD 的顶点坐标分别为 (x 1, y 1)，(x 2, y 2), (x 3, y 3) 和(x 4,y 4)，则它的质心坐标计算如下： 这种方法的计算与实现都非常简单，根据网络的连通性确定出目标节点周围的信标参考节点，直接求解信标参考节点构成的多边形的质心。 锚点周期性地向临近节点广播分组信息，该信息包含了锚点的标识和位置。当未知结点接收到来自不同锚点的分组信息数量超过某一门限或在一定接收时间之后，就可以计算这些锚点所组成的多边形的质心，作为确定出自身位置。由于质心算法完全基于网络连通性，无需锚点和未知结点之间的协作和交互式通信协调，因而易于实现。 三、实验内容及步骤 该程序在Matlab 环境下完成无线传感器中的质心算法的实现。在长为100米的正方形区域，信标节点（锚点）为90个，随机生成50个网络节点。节点的通信距离为30米。 需完成： 分别画出不同通信半径，不同未知节点数目下的误差图，并讨论得到的结果 所用到的函数： 1. M = min(A)返回A 最小的元素. 如果A 是一个向量，然后min(A)返回A 的最小元素. 如果A 是一个矩阵，然后min(A)是一个包含每一列的最小值的行向量。 2. rand X = rand 返回一个单一均匀分布随机数在区间 (0，1)。 X = rand(n)返回n--n 矩阵的随机数字。 ()1234 1234,,44x x x x y y y y x y ++++++?? = ? ??
感知器的训练算法实例 将属于ω2的训练样本乘以（-1），并写成增广向量的形式。 x①=(0 0 1)T, x②=(0 1 1)T, x③=(-1 0 -1)T, x④=(-1 -1 -1)T 第一轮迭代：取C=1，w(1)= (0 0 0)T 因w T(1)x①=(0 0 0)(0 0 1)T=0≯0，故w(2)=w(1)+x①=(0 0 1)T 因w T(2)x②=(0 0 1)(0 1 1)T=1>0，故w(3)=w(2)=(0 0 1)T 因w T(3)x③=(0 0 1)(-1 0 -1)T=-1≯0，故w(4)=w(3)+x③=(-1 0 0)T 因w T(4)x④=(-1 0 0)(-1 -1 -1)T=1>0，故w(5)=w(4)=(-1 0 0)T 这里，第1步和第3步为错误分类，应“罚”。 因为只有对全部模式都能正确判别的权向量才是正确的解，因此需进行第二轮迭代。 第二轮迭代： 因w T(5)x①=(-1 0 0)(0 0 1)T=0≯0，故w(6)=w(5)+x①=(-1 0 1)T 因w T(6)x②=(-1 0 1)(0 1 1)T=1>0，故w(7)=w(6)=(-1 0 1)T 因w T(7)x③=(-1 0 1)(-1 0 -1)T=0≯0，故w(8)=w(7)+x③=(-2 0 0)T 因w T(8)x④=(-2 0 0)(-1 -1 -1)T=2>0，故w(9)=w(8)=(-2 0 0)T 需进行第三轮迭代。 第三轮迭代： 因w T(9)x①=(-2 0 0)(0 0 1)T=0≯0，故w(10)=w(9)+x①=(-2 0 1)T
实验报告2 ――光电传感器测距功能测试 1．实验目的： 了解光电传感器测距的特性曲线； 掌握LEGO基本模型的搭建； 熟练掌握ROBOLAB软件； 2．实验要求： 能够用LEGO积木搭建小车模式，并在车头安置光电传感器。能在光电传感器紧贴红板，以垂直红板的方向作匀速直线倒车运动过程中进行光强值采集，绘制出时间－光强曲线，然后推导出位移－光强曲线及方程。 3．程序设计： 编写程序流程图并写出程序，如下所示：
ROBOLAB程序设计： 4．实验步骤： 1)搭建小车模型，参考附录步骤或自行设计（创新可加分）。 2)用ROBOLAB编写上述程序。 3)将小车与电脑用USB数据线连接，并打开NXT的电源。点击ROBOLAB 的RUN按钮，传送程序。 4)取一红颜色的纸板（或其他红板）竖直摆放，并在桌面平面与纸板垂直 方向放置直尺，用于记录小车行走的位移。 5)将小车的光电传感器紧贴红板放置，用电脑或NXT的红色按钮启动小 车，进行光强信号的采样。从直尺上读取小车的位移。 6)待小车发出音乐后，点击ROBOLAB的数据采集按钮，进行数据采集， 将数据放入红色容器。共进行四次数据采集。 7)点击ROBOLAB的计算按钮，分别对四次采集的数据进行同时显示、平 均线及拟和线处理。 8)利用数据处理结果及图表，得出时间同光强的对应关系。再利用小车位 移同时间的关系（近似为匀速直线运动），推导出小车位移同光强的关 系表达式。 5．调试与分析 a)采样次数设为24，采样间隔为0.05s，共运行1.2s。采得数据如下所示。
b)在ROBOLAB的数据计算工具中得到平均后的光电传感器特性曲线，如图所示： c)对上述平均值曲线进行线性拟合，得到的光强与时间的线性拟合函数：
目录 目录 (1) 实验一金属箔式应变片——单臂电桥性能实验 (3) 实验二金属箔式应变片——半桥性能实验 (6) 实验三金属箔式应变片——全桥性能实验 (8) 实验四直流全桥的应用——电子称实验 (10) 实验五移相实验 (11) 实验六相敏检波实验 (12) 实验七交流全桥性能测试实验 (15) 实验八交流激励频率对全桥的影响 (17) 实验九交流全桥振幅测量实验 (18) 实验十扩散硅压阻式压力传感器的压力测量实验 (19) 实验十一差动变压器性能实验 (21) 实验十二差动变压器零点残余电压补偿实验 (23) 实验十三激励频率对差动变压器特性的影响实验 (24) 实验十四差动电感式传感器位移特性实验 (25) 实验十五电容式传感器的位移特性实验 (27) 实验十六电容传感器动态特性实验 (29) 实验十七直流激励时霍尔传感器的位移特性实验 (30) 实验十八交流激励时霍尔式传感器的位移特性实验 (31) 实验十九霍尔测速实验 (32) 实验二十磁电式传感器的测速实验 (33) 实验二十一压电式传感器振动实验 (34) 实验二十二电涡流传感器的位移特性实验 (36) 实验二十三被测体材质、面积大小对电涡流传感器的特性影响实验 (38) 实验二十四电涡流传感器转速测量实验 (39) 实验二十五电涡流传感器测量振动实验 (40) 实验二十六光纤传感器位移特性实验 (41) 实验二十七光纤传感器的测速实验 (43) 实验二十八光电转速传感器的转速测量实验 (44) 实验二十九智能调节仪温度控制实验 (45) 实验三十集成温度传感器的温度特性实验 (48) 实验三十一铂热电阻温度特性测试实验 (50) 实验三十二K型热电偶测温实验 (52) 实验三十三E型热电偶测温实验 (55) 实验三十四PN结温度特性测试实验 (57) 实验三十五气敏（酒精）传感器实验 (59) 实验三十六气敏（可燃气体）传感器实验 (60) 实验三十七湿敏传感器实验 (61)
感知器算法 标准化工作室编码[XX968T-XX89628-XJ668-XT689N]
基于模式识别的判别函数分类器的设计 与实现 摘要：本文主要介绍了模式识别中判别函数的相关概念和感知器算法的原理及特点，并例举实例介绍感知器算法求解权向量和判别函数的具体方法，最后按照线性函数判决函数的感知算法思想结合数字识别，来进行设计，通过训练数字样本（每个数字样本都大于120），结合个人写字习惯，记录测试结果，最后通过matlab 编码来实现感知器的数字识别。 关键字：模式识别 判别函数 感知器 matlab 1 引言 模式识别就是通过计算机用数学技术方法来研究模式的自动处理和识别。对于人类的识别能力我们是非常熟悉的。因为我们在早些年就已经会开发识别声音、脸、动物、水果或简单不动的东西的技术了。在开发出说话技术之前，一个象球的东西，甚至看上去只是象个球，就已经可以被识别出来了。所以除了记忆，抽象和推广能力是推进模式识别技术的关键技术。最近几年我们已可以处理更复杂的模式，这种模式可能不是直接基于通过感知器观察出来的随着计算机技术的发展，人类对模式识别技术提出了更高的要求。 本文第二节介绍判别函数分类器，具体介绍了判别函数的概念、特点以及如何确定判别函数的正负；第三节介绍了感知器的概念、特点并用感知器算法求出将模式分为两类的权向量解和判别函数，最后用matlab 实现感知判别器的设计。 2 判别函数分类器 判别函数概念 直接用来对模式进行分类的准则函数。若分属于ω1，ω2的两类模式可用一方程d (X ) =0来划分，那么称d (X ) 为判别函数，或称判决函数、决策函数。如，一个二维的两类判别问题，模式分布如图示，这些分属于ω1，ω2两类的模式可用一直线方程 d (X )=0来划分。其中0)(32211=++=w x w x w d X 式中： 21,x x 为坐标变量。 图2-1 两类二维模式的分布 将某一未知模式 X 代入： 若0)(>X d ，则1ω∈X 类； 若0)( Sea-Bird 911 plus CTD温盐深探测系统技术手册 东方红2号船实验室 2003年7月 第一部分系统简介 Sea-Bird 911 plus CTD温盐深探测系统是由美国Sea-Bird公司生产的，目前世界上最先进的海洋水文调查仪器之一。本系统包括水下单元（SBE 9plus）、甲板单元（SBE 11plus）和采水系统（CAROUSEL WATER SAMPLER）三部分。水下单元由铠装电缆与甲板单元相连，并通过装有Sea-Bird公司提供的CTD数据采集软件的计算机，对整套系统进行设置和操作，所采集的数据实时显示在计算机屏幕上，并实时进行纪录。 具体技术指标如下： 一、水下单元（SBE 9plus） SBE 9plus为Sea-Bird 911 plus CTD系统的水下单元，可与SBE 11plus组成SBE 911plus CTD直读式CTD。也可与SBE 17plus V2 SEARAM组成SBE 917plus CTD自容式CTD。主机采用模块化设计，易于更换及维护。 SBE 9plus共提供5路频率输入，压力传感器1路，温度和电导传感器各2路。另外还为附加传感器提供了8路扩展电压信号输入。 1、温度传感器 此传感器采用压力保护（pressure-protected）高速(high-speed)热敏电阻，电路部分采用Wein bridge oscillator电路。Wein bridge oscillator电路中热敏电阻为感应部分，其余由一个高精度电阻和两个有极性电容，另外还有一个晶振组成。此电路区别与一般电桥的地方就是多了一个晶振。晶振的特性是它会根据不同的输入电压输出不同频率的电信号而且质量好的晶振精度很高。从这个意义上讲它使传感器的精度更高。环境温度变化可引起热敏电阻阻值变化，因此引起电压及晶振输出频率的变化，通过温度、阻值、电压和频率之间的一一对应关系在经过简单的运算即可得出对应的温度值。 2、电导传感器 电导传感器的原理与温度传感器相同，不同之处就是热敏电阻替换成电解池（Cell resistance）。海水不同的电导率对应Cell resistance相应的电压输出。 3、压力传感器 压力传感器采用Paroscientific Digiquartz 压力传感器，核心部分可能是一种可将外来压力直接转换为频率信号的晶体，不同于温度和电导传感器是在电路中并联晶振。此传感器较其它传感器有很好工作特性，但价格昂贵。 以上三个传感器均提供一路变频信号输出至主机即SEB plus 9 CTD，每个传感器使用两个12位高速并行输出计数器，一个用于累计每一个采样周期晶振产生脉冲的个数，另一个记录采样时间，并将数据传输至甲板单元，甲板单元将此数据转化为晶振原始频率。每个计数器可累计4096个脉冲，最小采样周期为1/24s，因此传感器最大输出频率不得超过F=4096/(1/24)=98304Hz。 4、高度传感器 发射频率200kHz 发射脉宽250ms 量程100m 最大倾角14度 模拟输出0～5VDC 数字输出RS-232，波特率（可选）9600，4800，2400或1200CTD操作手册
相关主题
文本预览