RFSoC应用XCZU47DR八发八收FPGA设计方案

XCZU47DR RFSoC八发八收方案:多通道同步与JESD204B调试实战 RFSoC将高速ADC/DAC集成到单芯片,通过JESD204B协议实现多通道确定性延迟同步。其技术价值在于简化板级设计、降低功耗,并保证通道间幅度与相位一致性。在相控阵雷达、MIMO通信等场景中,多通道同步是波束形成与信号处理的基础。XCZU47DR凭借八发八收通道数,成为密集通道系统的理想平台。本文围绕该芯片,深入解析时钟架构、电源设计、DUC/DDC配置及JESD204B多链路同步的工程实践,并分享链路失锁、底噪偏高等常见问题的排查技巧。 阅读详情
AI摘要

本文介绍基于Xilinx XCZU47DR RFSoC芯片的八发八收FPGA设计方案,涵盖射频数据转换子系统架构、ADC/DAC性能指标、外部时钟HMC7044配置及时钟分配策略。通过FPGA逻辑设计实现高速AD/DA数据采集与发送,并利用DMA传输至PS端DDR,经网口上传至上位机进行数据分析,验证了RFSoC在5G、雷达等高频直采场景下的可行性。

RFSoC应用XCZU47DR八发八收FPGA设计方案

1 摘要

RFSOC-47DR开发板采用Zynq UltraScale+ RFSoC 系列XCZU47DR FPGA芯片,这款芯片内部集成射频直接采样数据转换器、FPGA逻辑、完整的ARM处理器子系统和高速收发器,是实现复杂射频应用的核心所在。方案板卡支持8路14bit RF - ADC,最大采样率可达5GSPS ,8路14bit RF - DAC,最高采样率可达9.85GSPS,射频输入输出频率响应全面支持5GHz以下频段,以及支持4路触发输入输出。无需外部的混频器或中频链,可直接对高频射频信号进行数字化处理。

2 射频数据转换子系统

模数转换器(ADC):

通道数:最多 8 路

分辨率:14 位

最大采样率:最高 5.0 GSa/s

模拟输入带宽:最高可达 ~7 GHz(针对 6 GHz 以下频段优化)

输入类型:差分、AC耦合

输入阻抗:100 Ω 差分

满量程输入范围(差分峰峰值):

典型值:1.0 Vpp(即 ±0.5 V 差分)

可配置范围:通常可通过软件在 0.5 Vpp、0.8 Vpp、1.0 Vpp 等选项中选择,以平衡动态范围和抗饱和能力。

可编程模拟滤波器:提供多个离散带宽选项(如 1.5 GHz, 2.5 GHz, 3.0 GHz, 4.0 GHz, 5.0 GHz 及全带宽模式),用于带外噪声抑制。

数模转换器(DAC):

通道数:最多 8 路

分辨率:14 位

最大采样率:最高 10.0 GSa/s

模拟输出带宽:最高可达 ~7 GHz
在这里插入图片描述

可以看到 RFSOC的ADC、DAC 接口最大能支持到16路。XCZU47DR支持八发八收。每个 RF-ADC 都有自己专用的高性能输入缓冲器,包括针对直接 RF 应用优化的功能,包括正交调制器校正 (QMC),全复杂混频器和抽取滤波器。
在这里插入图片描述

(1)耦合模式
驱动 RF-ADC 可以是有源的也可以是无源的。 但是,通过差分驱动模拟输入可以实现最佳性能。对于交流耦合模式,输入信号应使用电容器进行交流耦合。

对于以信噪比 (SNR) 为关键参数的所有应用,赛灵思建议使用差分变压器或巴伦配置。

(2)应用场景
•无线通信:5G/6G Massive MIMO、基站、射频拉远单元。

•雷达与电子战:相控阵雷达、频谱感知、信号情报。

•仪器仪表:软件定义无线电、矢量信号分析仪。

•卫星通信。

•量子计算:用于控制脉冲的生成与读取。

3 硬件及FPGA设计

3.1 板卡硬件

在这里插入图片描述

3.2 FPGA设计

在这里插入图片描述

3.2 顶层模块

`timescale 1ns / 1ps
//////////////////////////////////////////////////////////////////////////////////
// Company: 
// Engineer: 
// 
// Create Date: 2025/11/07 08:23:33
// Design Name: 
// Module Name: adc_top
// Project Name: 
// Target Devices: 
// Tool Versions: 
// Description: 
// 
// Dependencies: 
// 
// Revision:
// Revision 0.01 - File Created
// Additional Comments:
// 
//////////////////////////////////////////////////////////////////////////////////

module adc_top(
	//global clock
	input           pl_clk_n,
	input           pl_clk_p,
	input           pl_sysref_n,
	input           pl_sysref_p,
	
	input           sysref_in_n,
    input           sysref_in_p,
		
	input           adc0_clk_clk_n,
    input           adc0_clk_clk_p,
    input           adc1_clk_clk_n,
    input           adc1_clk_clk_p,
    input           adc2_clk_clk_n,
    input           adc2_clk_clk_p,
    input           adc3_clk_clk_n,
    input           adc3_clk_clk_p,
	
	input           dac0_clk_clk_n,
    input           dac0_clk_clk_p,
    input           dac2_clk_clk_n,
    input           dac2_clk_clk_p,
	
	input           vin0_01_v_n,
	input           vin0_01_v_p,
	input           vin0_23_v_n,
	input           vin0_23_v_p,
	input           vin1_01_v_n,
	input           vin1_01_v_p,
	input           vin1_23_v_n,
	input           vin1_23_v_p,
	input           vin2_01_v_n,
	input           vin2_01_v_p,
	input           vin2_23_v_n,
	input           vin2_23_v_p,
	input           vin3_01_v_n,
	input           vin3_01_v_p,
	input           vin3_23_v_n,
	input           vin3_23_v_p,
	output          vout00_v_n,
	output          vout00_v_p,
	output          vout02_v_n,
	output          vout02_v_p,
	output          vout10_v_n,
	output          vout10_v_p,
	output          vout20_v_n,
	output          vout20_v_p,
	output          vout22_v_n,
	output          vout22_v_p,         
	output          vout30_v_n,
	output          vout30_v_p,
	output          vout32_v_n,
	output          vout32_v_p,

	inout    [2:0]  GPIO_0_0_tri_io,
    input           HMC7044_GPIO0,
    input           HMC7044_GPIO1,
    input           HMC7044_GPIO2,
    output          HMC7044_RST,
    output          HMC7044_SYNC	
    );


wire [191:0]m00_axis_0_tdata;
wire m00_axis_0_tready=1'b1;
wire m00_axis_0_tvalid;
wire [191:0]m02_axis_0_tdata;
wire m02_axis_0_tready=1'b1;
wire m02_axis_0_tvalid;
wire [191:0]m10_axis_0_tdata;
wire m10_axis_0_tready=1'b1;
wire m10_axis_0_tvalid;
wire [191:0]m12_axis_0_tdata;
wire m12_axis_0_tready=1'b1;
wire m12_axis_0_tvalid;
wire [191:0]m20_axis_0_tdata;
wire m20_axis_0_tready=1'b1;
wire m20_axis_0_tvalid;
wire [191:0]m22_axis_0_tdata;
wire m22_axis_0_tready=1'b1;
wire m22_axis_0_tvalid;
wire [191:0]m30_axis_0_tdata;
wire m30_axis_0_tready=1'b1;
wire m30_axis_0_tvalid;
wire [191:0]m32_axis_0_tdata;
wire m32_axis_0_tready=1'b1;
wire m32_axis_0_tvalid;
wire pl_clk;
wire [255:0]s00_axis_0_tdata;
wire s00_axis_0_tready=1'b1;
wire s00_axis_0_tvalid;
wire [255:0]s02_axis_0_tdata;
wire s02_axis_0_tready=1'b1;
wire s02_axis_0_tvalid;
wire [255:0]s10_axis_0_tdata;
wire s10_axis_0_tready;
wire s10_axis_0_tvalid;
wire [255:0]s12_axis_0_tdata;
wire s12_axis_0_tready;
wire s12_axis_0_tvalid;
wire [255:0]s20_axis_0_tdata;
wire s20_axis_0_tready=1'b1;
wire s20_axis_0_tvalid;
wire [255:0]s22_axis_0_tdata;
wire s22_axis_0_tready=1'b1;
wire s22_axis_0_tvalid;
wire [255:0]s30_axis_0_tdata;
wire s30_axis_0_tready;
wire s30_axis_0_tvalid;
wire [255:0]s32_axis_0_tdata;
wire s32_axis_0_tready;
wire s32_axis_0_tvalid;

wire pl_clk_in;
wire pl_sysref;	
reg pl_sysref_r; 
reg user_sysref_adc;
reg user_sysref_dac;
reg pll1_locked = 1'b0;
reg pll2_locked = 1'b0;
reg sync_stable = 1'b0;


wire locked;
wire clk_200M;
// 观测GPIO输入信号

assign HMC7044_SYNC=1'b0;
assign HMC7044_GPIO3=1'b0;
assign HMC7044_RST=1'b0;

// Multi-tile sync logic
  IBUFDS pl_clk_i (
    .I          
Xilinx RFSOC PCIE测试 RF数据转换器还包括功率高效的数字下转换器(DDC)和数字上转换器(DUC),其中包括可编程插补和抽取、NCO和复杂混频器。DDC和DUC也支持双频操作。关键特性和采样率见表1。将处理系统与UltraScale架构可编程逻辑、RF- ADC、RF- DAC和软决策FECs相结合,Zynq UltraScale+ RFSoC家族能够实现完整的软件定义无线电(SDR),包括直接射频采样数据转换器,在单个、高可编程SoC上实现CPRI和千兆以太网到射频。47DR属于第三代产品,PCIE支持4.0。 阅读详情

相关推荐

西安彼睿电子-数模混合系统解决方案的配套服务商 Zynq UltraScale + RFSoC

西安彼睿 IW-RFSOC-47DR 数模混合信号处理卡,采用 Xilinx ZYNQ UltraScale + RFSoC ZU47DR,可以访问大型 FPGA 门密度,8 个 ADC / DAC 端口,可扩展 I / O端口和 DDR4 内存,适用于各种不同的可编程应用,带有 ZU47DR FPGA 的彼睿板卡IW-RFSOC-47DR 由 8 个 14 位,采样率 5GSPS ADC 和 8 个 14 位,采样率 10 GSPS DAC端口提供支持。

weixin_57025922的博客 2483

产品推荐 | 基于 Zynq UltraScale+ XCZU27DR的 FACE-RFSoC-C高性能自适应射频开发平台

FACE-RFSOC-C自适应射频开发平台,是FACE系列新一代的产品。 平台搭载有16nm工艺的Zynq® UltraScale+™ RFSoC系列主器件。该器件集成数千兆采样RF数据转换器和ARM® Cortex®-A53处理子系统和UltraScale+可编程逻辑,是一款单芯片自适应射频平台。

dpwkj的博客 1786

XCZU47DR RFSoC八发八收方案设计:时钟同步、JESD204B链路与调试实战

RFSoC将RF-DAC与RF-ADC集成到SoC die内,从根本上解决了多通道射频系统中通道同步、时钟树分配和高速数据接口的边界难题。其核心原理在于片内确定性延迟机制与JESD204B/C串行链路协议,通过SYSREF信号实现多通道精确对齐,大幅降低传统分立方案中板级走线差异带来的相位误差。技术价值体现在更高的通道密度、更优的相位一致性和更简化的硬件架构。在相控阵雷达、大规模MIMO通信、多通道采集等场景中,RFSoC方案能显著缩短开发周期。XCZU47DR作为Gen3代表型号,其八发八收架构、时钟方案

weixin_34218890的博客 325

基于MacOS本地部署OpenClaw+Ollama技术要点

本文基于MacOS系统下本地部署OpenClaw+Ollama的实操经验,梳理部署全流程中的核心技术要点、环境配置规范、故障排查方法及落地优化方案,聚焦“本地AI模型联动OpenClaw技能调度”的核心需求,为同类本地部署场景提供可复用的技术参考,规避常见部署风险,确保系统稳定运行。

在科技赋能新时代,共同探索基础理论和宇宙未知。 5168

LangChain与SkillLite集成:AI Agent安全沙箱实践

在AI与自动化技术领域,安全沙箱是实现可信计算的核心机制。其原理是通过资源隔离与权限控制,构建受限的执行环境。技术价值在于平衡功能开放性与系统安全性,尤其适用于处理用户提交的非受信代码或敏感数据。典型应用场景包括AI插件系统、在线代码评测平台等。本文以LangChain框架与SkillLite沙箱的深度集成为例,详解如何通过命名空间隔离、cgroups限制等机制,为AI Agent赋予安全执行动态技能的能力。其中涉及的关键技术点包括Python运行时隔离、动态资源配额管理,以及如何防范Shell注入等常见攻

weixin_34189116的博客 405

基于深度学习卷积神经网络的医学图像乳腺癌分类

一、项目背景与意义乳腺癌是女性最常见的恶性肿瘤之一,其早期发现和治疗对于提高患者的生存率和生活质量至关重要。然而,乳腺癌的诊断通常依赖于医生的经验和主观判断,这不仅耗时而且可能存在误差。近年来,深度学习技术特别是卷积神经网络(CNN)在图像处理领域取得了显著进展,为乳腺癌的自动分类提供了新的解决方案。本项目旨在利用深度学习卷积神经网络构建一套高效、准确的医学图像乳腺癌分类系统,辅助医生进行乳腺癌的早期诊断和治疗。二、技术实现。

2301_79810943的博客 978

AI算力网络与通信领域流量分析:优化策略探讨_副本

今天的AI就像一个"超级吃货",每天要"吃"掉海量数据、“消耗"巨量算力——训练一个千亿参数的大模型,可能需要上万块GPU同时工作数周,其间产生的数据传输量足以填满数百万个1TB硬盘。这些GPU和计算节点通过网络连接形成"AI算力网络”,而数据在节点间的流动就是"通信流量"。如果把算力比作AI的"肌肉",那流量就是"血液"——血液不通畅,肌肉再强也使不上劲。

AI天才研究院 1203

Win11 系统下 VisualStudio2022 配置点云库 PCL1.11.1

安装完成之后打开文件夹E:\PCL 1.11.1\3rdParty\OpenNI2双击 并选择路径 (E:\PCL 1.11.1\3rdParty\OpenNI2) 安装即可全部安装完成之后,将pcl-1.11.1-pdb-msvc2019-win64.zip解压后的 .pdb文件拷贝到(E:\PCL 1.11.1\bin)中设置环境变量:到此,环境变量配置完成。

qq_53545309的博客 1132

C# WinForms 多语种切换实现:打造国际化应用程序

合理实现多语种切换功能可以显著提升应用程序的国际化水平。模块化设计:将本地化逻辑模块化,便于管理和维护。异常处理:始终捕获和处理可能的异常,确保程序的健壮性。资源管理:合理管理资源文件,避免重复和遗漏。测试:在不同语言环境下进行全面测试,确保所有字符串都能正确显示。文档和注释:为关键代码添加详细的文档和注释,便于后续维护。

墨夶的博客 1693

国网DLT698.45协议——采集系统、数据交换(三)

物理层规定了通信单元或其他终端设备与多功能电表的通信接口,接口的物理与电气特性。常见的物理层传输方式有对于RS485、红外、载波通信等通信信道。将数据包装成可传输的帧格式。1、根据通信配置参数完成端口的初始化配置,通信状态初始化为准备接收状态,初始化相关计数器及缓冲区指针。2、链路层及控制子模块负责通信数据的收发控制,各类超时问题的处理。无通信数据接收时,定时初始化通信端口。3、完成协议帧的解析及应答。

一个bug是bug,多个bug能work 8052

杰理SDK入门教程(一):SDK的四种编译方式的使用

杰理SDK提供了四种主要编译方式:1) JL Studio官方IDE,适合初学者;2) VS Code轻量级编辑器,需在SDK根目录打开;3) 命令行/脚本编译,灵活支持自动化;4) Code::Blocks开源IDE。每种方式都有详细操作指南,开发者可根据需求选择,初学者推荐从JL Studio开始熟悉编译流程。环境配置注意事项和编译成功标识均有明确说明,确保开发效率。

qq_42014563的博客 1157

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

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")

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

上一篇: 基于Qt开发的虚拟数字示波器软件,提供专业的波形显示、测量和分析功能
下一篇: IIC协议原理详解及实践仿真
toonyhe
博客等级 码龄19年 282粉丝 48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
 
 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

打赏作者

toonyhe

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