2、OTA/gm - C滤波器的架构与设计

OTA/gm - C滤波器的架构与设计

在滤波器设计领域,OTA/gm - C滤波器凭借其独特的优势,在高频集成连续时间滤波器设计中占据重要地位。接下来,我们将深入探讨基于LC梯形网络的gm - C滤波器以及多环反馈gm - C滤波器的相关内容。

基于LC梯形网络的gm - C滤波器

级联方法在设计和调谐上较为简单,但对元件参数变化的敏感度极高。而电阻端接的无损LC滤波器具有极低的通带敏感度,因此,OTA - C滤波器通常通过模拟无源LC滤波器来实现低敏感度设计。相关的设计方法有电感替代、Bruton变换、导纳模拟、信号模拟、矩阵模拟和耦合双二阶方法等。下面重点介绍元件替代和信号模拟这两种方法。

基于元件替代的gm - C滤波器

基于无源LC梯形网络的OTA - C滤波器设计,可通过用OTA - C电路替代电感来实现。这种OTA - C电路的敏感度与无源电路相当。

  • 电感模拟 :OTA回转器在接电容时,能产生模拟的OTA - C电感,接地电感的电感值为$L = C/g_1g_2$ ,而基于两个背对背连接回转器的浮动OTA - C电感可简化为三个OTA的架构,当$g_2 = g_3$时,等效电感同样为$L = C/g_1g_2$。接地电感需要两个OTA和一个电容,浮动电感则需要三个OTA和一个电容。
  • 应用特点 :电感替代法在模拟高通LC梯形网络时最为经济,因为高通梯形网络中的电感是接地的。在全极点LC梯形网络中,所有电容都是接地的,但其他网络可能包含浮动电容。在集成电路实现中,接地电容在技术上更容易实现,而浮动电容存在较大的寄生

相关推荐

运算跨导放大器OTA设计指南:从架构原理到Gm-C滤波器实战

运算跨导放大器OTA是一种将输入电压转换为输出电流的模拟放大器件,其核心原理基于差分输入级与电流镜输出结构,跨导gm决定电压到电流的转换效率。在模拟电路设计中,OTA凭借高输入阻抗、低功耗和跨导可调等特性,广泛应用于连续时间滤波器、可变增益放大器及传感器接口等场景。Gm-C滤波器利用OTA与电容构成积分器,通过调节gm实现截止频率可调,是OTA最经典的应用之一。掌握OTA的架构设计、关键参数选型与调试技巧,是模拟IC和板级模拟设计工程师绕不开的核心能力。

weixin_26742753的博客 324

模拟IC设计入门:用Cadence Virtuoso仿真OTA,搞懂跨导放大器到底怎么‘放大’

本文深入探讨了使用Cadence Virtuoso进行OTA跨导放大器仿真的实战技巧,涵盖仿真类型选择、曲线分析及设计缺陷诊断。通过工程思维解析OTA的核心参数与电路性能关系,帮助模拟IC设计初学者快速掌握仿真艺术,提升电路调试能力。

weixin_33736048的博客 569

用运放模拟电感?Gyrator回转器设计实战与避坑指南

在模拟电路设计中,电感往往是最难处理的被动元件——体积大、成本高、不易集成。而电容与电阻则易于获得且精度可控。如何用它们“变”出电感?核心原理是阻抗倒置:通过有源网络将电容的容抗倒转为感性阻抗,实现等效电感。回转器(Gyrator)正是完成这一转换的经典结构,它利用运算放大器与阻容元件,即可在输入端呈现与负载电容成比例的电感特性。这项技术不仅帮助工程师在音频有源滤波器、均衡器中省去笨重磁芯电感,也被广泛用于电话线路负载补偿和现代芯片内的gm-C滤波器。本文从回转器的基本原理出发,介绍运放版Gyrator的参

weixin_34174422的博客 452

Cadence Virtuoso实战指南:单级OTA电路设计与前仿真全流程解析

本文详细解析了使用Cadence Virtuoso进行单级OTA电路设计与前仿真的全流程,涵盖原理图绘制、测试电路搭建、仿真参数设置及结果分析等关键步骤。通过实战案例和常见问题解决方案,帮助工程师快速掌握模拟集成电路设计技巧,优化OTA性能指标如增益、带宽和相位裕度。

weixin_29210759的博客 477

2、OTA/gm - C滤波器架构与设计解析

本文深入解析了基于LC梯形网络和多环反馈结构的OTA/gm-C滤波器架构与设计方法。详细介绍了元件替代法和信号模拟法在LC梯形网络模拟中的应用,以及多环反馈结构在实现任意传输零点方面的优势。对比了不同设计方法的敏感度、传输特性、元件数量和调谐难度,并提供了具体的应用建议与设计流程。最后展望了OTA/gm-C滤波器在高性能、低功耗和可重构设计方面的发展趋势。

star5的专栏 310

10、低通滤波器响应特性与设计实现

本文详细介绍了低通巴特沃斯、切比雪夫和椭圆滤波器的设计原理、方法和流程,并对它们的特性进行了对比。内容涵盖低通滤波器的响应特性、阶数确定、元件值计算以及相关程序的使用,为不同应用场景下的滤波器设计提供了理论支持和实践指导。

mmm90的博客 128

4、可配置与基于FPAA的gm - C滤波器及MOSFET - C技术解析

本文深入解析了可配置与基于FPAA的gm-C滤波器以及MOSFET-C滤波器技术。介绍了gm-C滤波器的不同结构、调谐方案及其在低电压、低功耗和高频应用中的挑战与发展,探讨了MOSFET-C技术的工作原理、特点及在磁盘驱动器和消费电子中的应用。通过对比开关电容、开环有源模块与MOSFET-C滤波器的性能,突出了各类技术的优缺点,并展望了可配置滤波器向高集成度、宽调谐范围和智能化发展的趋势。整体展示了现代模拟滤波器设计的关键技术路径与未来方向。

fanta的博客 98

1、深入解析OTA/gm - C滤波器:架构、设计与性能优化

本文深入探讨了OTA/gm-C滤波器的架构、设计方法与性能优化策略。重点分析了双积分器环路结构(如Tow-Thomas和KHN滤波器)的工作原理及其性能特点,讨论了实际OTA的非理想特性对滤波器性能的影响及补偿方法。文章还介绍了平衡结构、通用双二次滤波器实现方式、基于LC梯形和多环反馈的滤波器设计示例,以及自动调谐技术在全集成高频滤波器中的应用。通过对比不同滤波器类型的优缺点,为高频模拟滤波器设计提供了全面的理论指导和实践参考。

star5的专栏 322

1、深入解析OTA/gm - C滤波器架构与设计

本文深入探讨了OTA/gm-C滤波器的架构与设计方法,涵盖了从基本构建模块到高阶滤波器实现的多种技术。重点分析了双积分器环路结构(如Tow-Thomas和KHN滤波器)的工作原理、性能特点及OTA非理想特性对滤波器的影响,并介绍了降低寄生效应、提升动态范围的方法。文章还讨论了基于LC梯形仿真、多环反馈和电流模式的gm-C滤波器设计,以及自动调谐技术在频率稳定性中的应用。最后总结了不同类型gm-C滤波器的优缺点及其适用场景,为高频集成连续时间滤波器的设计提供了全面的技术参考。

fanta的博客 188

4、可配置与FPAA 基gm - C滤波器及MOSFET - C技术解析

本文详细解析了可配置与FPAA基gm-C滤波器的设计原理及其应用特点,同时深入探讨了MOSFET-C技术在连续时间滤波器中的实现方式与优势。文章还分析了这两种技术在高频应用中的挑战,并提出了未来发展方向,包括更高集成度、更灵活配置、更低功耗以及与其他新兴技术的融合,为滤波器设计领域的研究和应用提供了全面的参考。

star5的专栏 131

3、高频集成模拟滤波器设计与自动调谐技术解析

本文深入解析了高频集成模拟滤波器的设计与自动调谐技术,重点探讨了电流模式gm-C滤波器的实现方法,包括其直接生成和伴随方法设计。文章详细介绍了高性能运算跨导放大器(OTA)的设计及其在不同滤波器结构中的应用,并通过三阶椭圆滤波器和七阶多环路反馈滤波器的设计实例展示了其高频性能。此外,还讨论了自动调谐技术的实现方法及其在补偿工艺、温度和失配变化中的关键作用。最后,文章对比了不同类型滤波器的性能特点,并展望了未来的发展趋势,为相关领域的研究人员和工程师提供了有价值的参考。

star5的专栏 115

3、高频集成模拟滤波器的设计与实现

本文深入探讨了高频集成模拟滤波器的设计与实现,涵盖传输零点的构建、电流模式与电压模式gm-C滤波器的对比、基于OTA的高性能滤波器结构以及自动调谐技术。重点分析了不同类型滤波器(如椭圆、线性相位、多环路反馈)的结构优势与适用场景,并介绍了可调谐OTA和可编程电容在频率调谐中的关键作用。同时讨论了工艺变化、热效应和失配对滤波器性能的影响及应对策略,展望了高集成度、宽频带、自适应化的发展趋势与面临的功耗和设计复杂度挑战。

fanta的博客 63

21、片上滤波器自动调谐技术解析

本文深入解析了片上滤波器自动调谐技术,涵盖调谐误差来源及应对策略、Q调谐电路测试结果、调谐电路特点与挑战,并详细介绍了多种主流滤波器(如OTA/gm-C、MOSFET-C、有源LC、对数域、开关电流和模拟自适应滤波器)的调谐特性。文章还总结了关键调谐参数及其影响,提出了未来发展方向,包括更低功耗、更高集成度、更高工作频率、更大动态范围以及智能化调谐技术的应用前景,为现代高性能模拟滤波器的设计与优化提供了全面的技术参考。

fanta的博客 89

6、MOSFET - C技术与集成电感有源滤波器的功率效率及应用

本文探讨了MOSFET-C技术与集成电感有源滤波器在功率效率及高频应用中的优势与前景。MOSFET-C技术凭借其高功率效率和高动态范围,广泛应用于中低频连续时间滤波系统,并有望扩展至近1 GHz频率。与此同时,集成电感有源滤波器得益于片上螺旋电感质量的提升和无线通信的发展,在GHz频段展现出优异的选择性和动态性能。文章分析了两类技术的损耗机制、设计特点及性能对比,并提出了二者结合的协同优化方案,为未来高频集成电路滤波提供了高效、高性能的解决方案。

fanta的博客 94

90纳米Gm-C滤波器设计

本文提出一种基于90纳米CMOS工艺的四阶低通Gm-C滤波器,采用新型自动调谐电路,实现1 GHz截止频率。滤波器功耗仅为3.7 mW,具备良好的线性度与群延迟稳定性,并通过蒙特卡洛仿真验证了工艺鲁棒性。

app77的博客 933

高阶OTA-C滤波器可测性设计

本文提出一种基于振荡测试的高阶OTA-C滤波器可测性设计方法,通过将滤波器划分为二阶模块并引入正反馈技术实现高故障覆盖率。该方法适用于级联、IFLF和LF结构,仿真结果显示故障覆盖率分别达到约97%、96%和95%,具有低面积开销与良好测试效率。

pytorch8learner的博客 868

运算放大器的有限增益带宽积对active-RC滤波器Q值的影响及其补偿方法 ...

随着集成电路工艺的飞速发展,采用CMOS技术设计射频接收机变成现实,我们已经进入射频CMOS时代。在射频接收机中,信道选择滤波器的主要作用是从许多信道中选出我们需要的那个信道,然后把邻近信道信号和其它的带外干扰过滤掉。信道选择滤波器对线性度的要求非常高,通常Gm-C滤波器很难满足其线性度的要求,active-RC滤波器是基于运放的负反馈应用,它的线性度很高,所以active-RC滤波器适合做信道选择滤波器。运放是active-RC滤波器中的关键模块,滤波器的带宽越宽,Q值越高,对运放的增益带宽积(GBW)的要求也就越高,滤波器的性能通常受限于运放的GBW。运放的有限GBW对active-RC滤

一种低功耗高线性Gm-C滤波器的设计

设计了一种应用于W-CDMA零中频接收机系统的跨导-电容(Gm-C)低通滤波器及其调谐电路。该接收机中的滤波器采用截止频率为2.2 MHz的3阶巴特沃斯滤波器,在10 MHz频率处的阻带衰减达到34 dB。电路采用SMIC 0.18 μm CMOS工艺模型,在电源电压为1.8 V时,滤波器的IIP3可达到21.13 dBm,电路功耗为3.31 mW。同时,该滤波器采用开关电容调谐电路来精确控制滤波器的截止频率,将截止频率的偏差降低到3%以下。

ESP32+HC-SR04超声波测距:5分钟搞定智能避障小车核心功能(附完整代码)

本文详细介绍了如何使用ESP32开发板和HC-SR04超声波测距模块快速构建智能避障小车的核心功能。通过优化的接线方案、核心代码实现及调试技巧,帮助开发者5分钟内完成硬件连接与软件编程,实现高效的避障功能。附完整代码,适合创客教育和机器人开发。

weixin_29185199的博客 388

手把手教你用MaxEnt+ArcGIS玩转物种分布预测

本文详细介绍了如何利用MaxEnt最大熵模型与ArcGIS软件进行物种分布预测。通过实战案例,从数据收集、环境变量处理、模型参数设置到结果可视化分析,手把手教你掌握生态位模型的核心流程。结合SDM toolbox插件,可高效完成数据预处理与高级空间分析,是生态学与保护生物学研究的实用指南。

weixin_29309475的博客 562

半导体设备隔振必看:如何用天棚阻尼PID控制实现VC-C级振动抑制(含SIMULINK模型)

本文深入探讨了在半导体精密制造中,如何运用天棚阻尼PID控制算法实现VC-C级振动抑制。通过构建高保真单自由度仿真模型,详细解析了从算法原理、SIMULINK实现到参数整定的全链路方案,并针对谐波扰动提供了陷波滤波器设计方法,为工程师提供了从仿真到实践的完整主动隔振技术指南。

pz89012345的博客 543

SAP MM采购合同创建全解析:ME31K操作与后台逻辑

在SAP ERP的物料管理模块中,采购合同作为框架协议的核心,定义了企业与供应商之间的长期供货关系。它与采购订单不同,合同不直接产生收货或发票,而是为后续采购订单提供数据源。创建合同(事务码ME31K)时,需要区分数量合同与金额合同,并维护抬头、行项目、有效期、价格条件和税码等关键信息。SAP通过源确定机制在创建采购订单时自动匹配合同,同时审批策略、编码范围和输出类型也会影响合同的实际可用性。掌握合同创建逻辑,能有效解决采购订单无法带出合同、审批未触发、价格缺失等高频问题。从ME31K实操出发,系统梳理采购

weixin_30000735的博客 201

Fluent Meshing边界层设置保姆级教程:从y+理论到实战避坑,看完就会

本文详细解析了Fluent Meshing边界层设置的全过程,从y+理论基础到实战避坑技巧,帮助用户精准计算第一层高度并优化参数配置。通过案例演示和常见问题诊断,指导读者掌握边界层网格生成的核心技术,提升CFD模拟精度。特别针对不同湍流模型的y+要求提供具体参数建议。

weixin_30576827的博客 800

数据结构与算法 —— 最短路径Dijkstra算法(迪杰斯特拉)详细图解以及python实现

前两章我们讲到了关于图的基本知识,和广度/深度优先搜索。本章,我们将介绍加权图和最短路径的相关知识。最短路径和最小生成树是图论中常见的问题。最短路径是指在一个图中找到两个节点之间的最短路径,最小生成树是指在一个图中找到一个连通子图,使得所有节点都能够互相到达,且总权值最小。最短路径算法常见的有floyd算法(弗洛伊德算法)和 dijkstra算法(迪杰斯特拉)。本文只介绍dijkstra算法。最短路径运用非常广泛,比如在导航系统中,确定两个地点间哪条路线最短;

‘’ 2万+

ADC(三)Guard ring的设计艺术:从单元到系统的隔离策略

本文深入探讨了ADC设计中Guard ring(保护环)从单元到系统的多层次隔离策略。文章分享了从新手到专家的认知升级过程,详细分析了在单元内部进行微隔离、在模块间建立噪声屏障以及在系统层面规划全局隔离带的实用方法与设计艺术,强调了Guard ring对于提升混合信号电路性能和可靠性的关键作用。

weixin_28312391的博客 156

基于STM32的智慧农业大棚监测与控制系统设计与实现

摘要:本文设计了一种基于STM32F103C8T6单片机的智慧农业大棚监测与控制系统,集成多参数环境监测、智能控制和远程管理功能。系统可实时采集光照、CO2、温湿度和土壤湿度等参数,通过OLED显示并采用双模式控制机制:自动模式下根据阈值调节设备,手动模式下支持APP或按键控制。通过ESP8266模块接入机智云平台实现数据云存储和远程控制。测试表明系统具有高精度(温度±0.5℃、CO2±50ppm)、快速响应(<2s)和稳定运行(30天无故障)等特点,有效解决了传统大棚调控不及时等问题。创新点包括多参

3254968421的博客 485

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

上一篇: 59、高效代码开发的工具与资源指南
下一篇: 60、高性能计算的工具与资源
fanta
博客等级 码龄24年 58粉丝 1750原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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