PID温控实验平台搭建（五）——最终实验现象与总结 https://blog.csdn.net/qq_35953617/article/details/127872052

TensorFlow中的深度学习模型 该存储库包含使用实现几种深度学习模型的jupyter笔记本。 每个笔记本均包含有关每种型号的详细说明，希望可以简化所有步骤。 笔记本在Python 3.6，Tensorflow 1.8中运行 楷模：

PCB、原理图、接线图

stm32通过外部中断的方式获取编码器的脉冲数

海德汉伺服驱动用编码器样本pdf,海德汉伺服驱动用编码器样本

电机采用有刷直流电机，驱动电机采用霍尔编码器，转向电机采用霍尔编码器和绝对编码器串级控制（其中绝对编码器使用485通信）（位置环+速度环），遥控采用航模遥控器，使用CAN通信与上位机通讯。

IC-MHL200技术手册，完全中文翻译，可对照英文邦族阅读

用到的模块有51单片机，400目的光电编码器，数码显示管，按键。 功能描述：转动编码器，数码管显示转动的角度，按下按键KEY0则转动角度复位，支持正反角度

为了有效地实现心电信号压缩，以便心电数据的传输和存储，提出了一种基于卷积自编码器的心电压缩方法。通过卷积神经网络对心电图特征提取易实现降维，在卷积自编码器的编码过程中来实现心电压缩，将编码层作为压缩结果。卷积神经网络处理多通道的输入，因此可以实现导联体系的心电压缩。结果采用均方根百分误差和压缩比作为评判标准，单导联心电图压缩比为16，十二导联心电图压缩比为24，均方根损失误差在3%左右，从而验证了卷积自编码器的有效性。

RNN自动编码器 我研究tensorflow和RNN＆RNN autoenc和代码。 我使用的是midi文件中的音乐旋律数据。 内容 基本RNN RNN自动编码器（LSTM自动编码器）（参考： ） 描述 1.基本的RNN 我在张量流代码中实现了基本的RNN结构。 2. RNN自动编码器 我在张量流代码中实现了RNN自动编码器结构。 它由RNN编码器和RNN解码器组成。 编码器的最终状态用作通用自动编码器的压缩空间。 解码器的输入是学习时的学习数据序列，但是当用于输出时，输出返回到输入。 代码 模型（仍在编辑中） RNN_AE_model_decoder_dynamic：在张量流中使用动态rnn的模型 RNN_AE_model_decoder_feedback：使用带有for循环的单元格进行建模 火车：火车模型 测试：使用经过训练的模型生成新序列 util：实用程序代码