文章目录yPlot介绍特点：使用帮助1软件页面说明📌鼠标操作2如何连接下位机（开发板）3通信协议说明3.1下位机（开发板）向软件发送波形的协议3.2上位机向下位机发送指令的协议4STM32示例程序4.1波形发送4.2接收代码4.3波形生成函数4如何二次开发yPlot介绍这款软件可以将串口接受到的数据以波形的方式显示，方便查看数据和调试参数。在电赛等一些场合用来调试PID参数非常方便。在刚开始参加比赛的时候做无人机，全靠肉眼调参，然后一遍又一遍的修改参数，编译程序，下载程序。效率低而且慢。后来了解到有软件示波器，用过匿名的，用过山外调试助手，但是他们看波形还行，在线修改参数不方便。后来又了解到一
如何使用PID调谐器自动调优PID控制器块?模型下载:转速闭环一.PID调谐器的介绍PID调谐器提供了一种快速和广泛适用的single-loopPID通过Simulink控制块的整定方法。通过这种方法，可以调优PID控制器参数，以实现具有所需响应时间(responsetime)的鲁棒(robust)设计。PID调谐器的典型设计工作流程包括以下步骤:1.启动PID调谐器。当启动时，该软件自动从Simulink模型计算线性移植模型，并设计初始化控制器。2.在PID调谐器中通过手动调整两种设计模式下的设计准则对控制器进行整定。调谐器计算鲁棒性稳定系统的PID参数。3.将设计好的控制器参数导出到PID
一、learningrate简述lr全称learningrate（一下简称lr），是机器学习和深度学习中最为重要的超参数之一，会影响模型训练结果的好坏，有时候甚至会直接导致整个模型无法使用。lr最直接的可观测的影响就是loss值的变化，较大的学习率会更容易收敛也更容易出现陷入局部最优解的情况，而过大的学习率会导致loss无法收敛甚至出现nan的情况；较小的学习率更容易找到全局最优解但是loss下降和收敛的速度也更慢，过小的学习率甚至会出现在可接收的训练epoch内无法收敛到“最优值”的情况。具体见图一。所以找到一个合适的学习率对于在较少的epoch内训练到一个较好模型中至关重要。图一不同学习率
机器学习模型调参文章目录机器学习模型调参调参1.调参的目标2.参数对整体模型性能的影响3.网格搜索4.模型超参空间及调参1.穷举网络搜索2.随机参数优化LGB调参调参1.调参的目标调参就是对模型的参数进行调整，以找到是模型性能最优的参数。调参的目标就是达到整体模型的偏差和方差的大和谐！参数可分为两类：过程影响类参数和子模型影响类参数。具体来说，过程影响类参数就是在子模型不变的前提下，调整“子模型数（n_estimators）”、“学习率（learning_rage）”等参数，改变训练过程，从而提高整体模型的性能。子模型影响类参数就是调整“最大树深度（max_depth）”、“分裂条件（crit
机器学习模型调参文章目录机器学习模型调参调参1.调参的目标2.参数对整体模型性能的影响3.网格搜索4.模型超参空间及调参1.穷举网络搜索2.随机参数优化LGB调参调参1.调参的目标调参就是对模型的参数进行调整，以找到是模型性能最优的参数。调参的目标就是达到整体模型的偏差和方差的大和谐！参数可分为两类：过程影响类参数和子模型影响类参数。具体来说，过程影响类参数就是在子模型不变的前提下，调整“子模型数（n_estimators）”、“学习率（learning_rage）”等参数，改变训练过程，从而提高整体模型的性能。子模型影响类参数就是调整“最大树深度（max_depth）”、“分裂条件（crit
来源：投稿作者：王同学编辑：学姐 YOLO相关内容：YOLOALL一文了解YOLO各版本答案YOLOv1学习笔记YOLOv2主要看这些重点YOLOv3对网络结构做了哪些改进？YOLOv4：目标检测的最佳速度和精度手把手带你调参Yolov5（一）手把手带你调参Yolov5（二）YOLOv5+Tesseract-OCR实现车牌号文本识别yolov7在工业中的小试牛刀 YOLO系列模型在目标检测领域有着十分重要的地位，随着版本不停的迭代，模型的性能在不断地提升，源码提供的功能也越来越多，那么如何使用源码就显得十分的重要，接下来我会通过两篇文章带大家手把手去了解Yolov5（v6.1）的每一个参数的含
来源：投稿作者：王同学编辑：学姐 YOLO相关内容：YOLOALL一文了解YOLO各版本答案YOLOv1学习笔记YOLOv2主要看这些重点YOLOv3对网络结构做了哪些改进？YOLOv4：目标检测的最佳速度和精度手把手带你调参Yolov5（一）手把手带你调参Yolov5（二）YOLOv5+Tesseract-OCR实现车牌号文本识别yolov7在工业中的小试牛刀 YOLO系列模型在目标检测领域有着十分重要的地位，随着版本不停的迭代，模型的性能在不断地提升，源码提供的功能也越来越多，那么如何使用源码就显得十分的重要，接下来我会通过两篇文章带大家手把手去了解Yolov5（v6.1）的每一个参数的含
文章目录一、逻辑回归（LogisticRegression）二、样本不均衡问题处理1、过采样方法(一)、随机过采样法(二)、SMOTE算法2、欠采样方法(一)、随机欠采样三、网格搜索快速调优损失函数（对数似然损失）四、模型评价ROC曲线一、逻辑回归（LogisticRegression）逻辑回归是一种分类算法，逻辑回归就是解决二分类问题的利器。算法原理：将线性回归的输出作为逻辑回归的输入，然后经过sigmoid函数变换将整体的值映射到[0，1]，再设定阈值进行分类。常用参数：random_state：随机种子。class_weight：各类别样本的权重。样本需要加权时，使用该参数。max_it
说明：本文章适用于STM32初学者，想完成一个好玩且有深度的项目但不知道从何下手的同学。PID调参是平衡车的精髓所在，参数整定的好坏直接影响到平衡车的平衡效果。有的车平衡时来回晃而参数选的好的车就能稳稳地平衡在原地。可见PID调参在PID中是重中之重。我们一定要会调并且有针对性的去调。通过平衡车的例子举一反三，相信我们之后在遇到PID调参时能够从容不迫，非常迅速的找到最合适的值！！对于一个控制系统，我们期望的响应结果是稳（系统稳定不震荡不发散）、快（系统响应快速）、准（系统静态误差小）。对PID控制器的调节结果评价也是如此。PID系数的作用比例系数Kp：三个参数中的绝对主力，不可或缺。Kp增大
主控：STM32F103C8T61.电机测速在进行速度控制之前，我们首先需要进行速度采样，这里参见2.电机驱动这里不细说电机驱动模块的选型和使用，而是说一个常见的误区。我们驱动电机要使用两路PWM，一般是一路给PWM信号，一路是纯低电平。但这其实是不好的，正确的做法是一路给PWM，另一路给纯高电平。此时PWM的占空比越低，电机的速度越快。如果大家使用的是类似于A4950或者DRV8870这样的电机驱动芯片，它们的数据手册中都会有这样的描述这是DRV8870的，明确说明了PWM加高电平是最佳控制方式。这是A4950的，用曲线图的方式说明了PWM加高电平时电流会更加稳定。此外，如果使用PW
