如何让神经网络把熊猫识别为秃鹫

3顶
0踩

2016-01-04 13:55 by 副主编 mengyidan1988 评论(2) 有4495人浏览

神经网络机器学习图像识别

声明：ITeye资讯文章的版权属于ITeye网站所有，严禁任何网站转载本文，否则必将追究法律责任！

本文作者基于论文阅读及实测，以尝试欺骗神经网络的方式，从工具安装到模型训练，逐步解析神经网络及其背后的数学原理。文章还提供了演示代码下载。

神奇的神经网络

当我打开Google Photos并从我的照片中搜索“skyline”时，它找到了我在八月拍摄的这张纽约地平线的照片，而我之前并未对它做过任何标记。

当我搜索‘cathedral’，Google的神经网络会找到我曾看到的大教堂和教堂。这似乎很神奇。

当然，神经网络并不神奇，一点都不！最近我阅读了一篇论文，“Explaining and Harnessing Adversarial Examples（对抗样本的解释和利用）”，进一步削弱了我对神经网络的神秘感。

这篇论文介绍了如何欺骗神经网络，让其犯下非常惊人的错误。通过利用比你想象更简单（更线性！）的网络事实来做到这一点。我们会使用一个线性函数来逼近这个网络！

重点是要理解，这并不能解释神经网络犯下的所有（或是大多数）类型的错误！有很多可能会犯的错误！但它确实在一些特定类型的错误上给了我们一些灵感，这非常好。

在阅读这篇论文之前，我对神经网络的了解有以下三点：

它在图片分类中表现得很出色（当我搜索“baby”时，它会找到我朋友可爱的孩子照片）
大家都在网上谈论“深度”神经网络
它们是由多层简单的函数（通常是sigmoid）构成，其结构如下图所示：

错误

我对神经网络了解的第四点（也是最后一点）是：它们有时会犯很可笑的错误。剧透一下本文后面的结果：这是两张图片，文章会展示神经网络是如何对其进行分类的。我们可以让它相信，下面黑色的图像是一张纸巾，而熊猫则会被识别为一只秃鹫！

现在，这个结果对我来说并不吃惊，因为机器学习是我的工作，而且我知道机器学习习惯产生奇怪的结果。但如果要解决这个超级奇怪的错误，我们就需要理解其背后的原理！我们要学习一些与神经网络有关的知识，然后我会教你如何让神经网络认为熊猫就是一只秃鹫。

做第一个预测

我们首先加载一个神经网络，然后做一些预测，最后再打破这些预测。这听起来真棒。但首先我需要在电脑上得到一个神经网络。

我在电脑上安装了Caffe，这是一个神经网络软件，是Berkeley Vision and Learning Center (BVLC) 社区贡献者开发的。我选择它是因为它是我第一个可以找到的软件，而且我可以下载一个预先训练好的网络。你也可以尝试下Theano或者Tensorflow。Caffe有非常清晰的安装说明，这意味着在我正式使用它进行工作前，仅仅只需花6个小时来熟悉。

如果你想要安装Caffe，可以参考我写的程序，它会让你节省更多的时间。只需去the neural-networks-are-weird repo这个仓库，然后按照说明运行即可。警告：它会下载大约1.5G的数据，并且需要编译一大堆的东西。下面是构建它的命令（仅仅3行！），你也可以在仓库下的README文件中找到。

git clone <a href="https://github.com/jvns/neural-nets-are-weird">https://github.com/jvns/neural-nets-are-weird</a>
cd neural-nets-are-weird
docker build -t neural-nets-fun:caffe .
docker run -i -p 9990:8888 -v $PWD:/neural-nets -t neural-nets-fun:caffe /bin/bash -c 'export PYTHONPATH=/opt/caffe/python && cd /neural-nets && ipython notebook --no-browser --ip 0.0.0.0'

这会启动你电脑中的IPython notebook服务，然后你便可以用Python做神经网络预测了。它需要在本地9990端口中运行。如果你不想照着做，完全没关系。我在这篇文章中也包含了实验图片。

一旦我们有了IPtyon notebook并运行后，我们就可以开始运行代码并做预测了！在这里，我会贴一些美观的图片和少量的代码片段，但完整的代码和详细细节可以在这里查看。

我们将使用一个名叫GoogLeNet的神经网络，它在LSVRC 2014 多个竞赛中胜出。正确分类是在耗费94%时间的前5大网络猜测中。这是我读过的那篇论文的网络。（如果你想要一个很好的阅读，你可以阅读一下人类不能比GoogLeNet做得更好这篇文章。神经网络真的很神奇。）

首先，让我们使用网络对一只可爱的kitten进行分类：

下面是对kitten进行分类的代码：

image = '/tmp/kitten.png'
# preprocess the kitten and resize it to 224x224 pixels
net.blobs['data'].data[...] = transformer.preprocess('data', caffe.io.load_image(image))
# make a prediction from the kitten pixels
out = net.forward()
# extract the most likely prediction
print("Predicted class is #{}.".format(out['prob'][0].argmax()))

就这些！仅仅只需3行代码。同样，我可以对一只可爱的小狗进行分类！

原来这只狗不是柯基犬，只是颜色非常相似。这个网络对狗的了解果真比我还多。

一个错误是什么样的（以女王为例）

做这项工作时最有趣的事情是，我发现了神经网络认为英国女王戴在她的头上。

所以，现在我们看到网络做了一件正确的事，同时我们也看到它在不经意间犯了一个可爱的错误（女王戴的是浴帽）。现在...我们让它故意去犯错误，并进入它的核心。

故意犯错误

在真正理解其工作原理之前，我们需要做一些数学变换，首先让我们看看它对黑色屏幕的一些描述。

这张纯黑色图像被认为是天鹅绒的概率是27%，被认为是纸巾的概率为4%。还有一些其它类别的概率没有列出来，这些概率之和为100%。

我想弄清楚如何让神经网络更有信心认为这是一个纸巾。

要做到这一点，我们需要计算神经网络的梯度。也就是神经网络的导数。你可以将这看作是一个方向，让图像在这个方向上看起来更像一张纸巾。

要计算梯度，我们首先需要选择一个预期的结果来移动方向，并设置输出概率列表，0表示任何方向，1表示纸巾的方向。反向传播算法是一种计算梯度的算法。我原以为它很神秘，但事实上它只是一个实现链式法则的算法。如果你想知道更多，这篇文章有一个奇妙的解释。

下面是我编写的代码，实际上非常简单！反向传播是一种最基本的神经网络运算，因此在库中很容易获得。

def compute_gradient(image, intended_outcome):
    # Put the image into the network and make the prediction
    predict(image)
    # Get an empty set of probabilities
    probs = np.zeros_like(net.blobs['prob'].data)
    # Set the probability for our intended outcome to 1
    probs[0][intended_outcome] = 1
    # Do backpropagation to calculate the gradient for that outcome
    # and the image we put in
    gradient = net.backward(prob=probs)
    return gradient['data'].copy()

这基本上告诉了我们，什么样的神经网络会在这一点上寻找。因为我们处理的所有东西都可以表示为一个图像，下面这个是compute_gradient(black, paper_towel_label)的输出，缩放到可见比例。

现在，我们可以从我们的黑色屏幕添加或减去一个非常明亮的部分，使神经网络认为我们的图像或多或少像一张纸巾。由于我们添加的图像太亮（像素值小于1 / 256），所以差异完全看不到。下面是这个结果：

现在，神经网络以16%的概率肯定我们的黑色屏幕是一张纸巾，而不是4%！真灵巧。但是，我们可以做的更好。我们可以采取走十个小步来构成一个有点像纸巾的每一步，而不是在纸巾的方向直接走一步。你可以在下面看到随时间变化的概率。你会注意到概率值与之前的不同，因为我们的步长大小不同（0.1，而不是0.9）。

最后的结果：

下面是构成这张图像的像素值！他们都从0开始，而且你可以看到，我们已经转换了它们，使其认为该图像就是纸巾。

我们还可以用50乘以这个图像从而获得一个更好的图像感知。

对我来说，这看起来并不像一块纸巾，但对你可能就像。我猜测图像的所有漩涡都戏弄了神经网络使其认为这是一张纸巾。这牵扯到基本的概念证明和一些数学原理。马上我们就要接触更多的数学知识了，但首先我们来玩点有趣的。

玩转神经网络

一旦我理解了这个，它就会变得非常有趣。我们可以换一只猫变成浴巾：

一个垃圾桶可以变成一个水壶/鸡尾酒调酒器：

一只熊猫可以变成秃鹫。

这张图表明，在将熊猫认为是秃鹰的100步内，其概率曲线转变地很迅速。

你可以查看代码，让这些工作在IPython notebook中运行。真的很有趣。

现在，是时候多一点数学原理了。

如何工作：逻辑回归

首先，让我们讨论一种最简单的图像分类方法——逻辑回归。什么是逻辑回归？下面我来试着解释下。

假设你有一个线性函数，用于分类一张图像是否是浣熊。那么我们如何使用线性函数呢？现在假设你的图像只有5个像素（x1,x2,x3,x4,x5），取值均在0和255之间。我们的线性函数都有一个权重，比如取值为（23, - 3,9,2, 5），然后对图像进行分类，我们会将得到像素和权重的内积：

引用

result=23x1−3x2+9x3+2x4−5x5

假设现在的结果是794。那么794到底意味着它是浣熊或者不是呢？794是概率吗？794当然不是概率。概率是一个0到1之间的数。我们的结果在−∞到∞之间。人们将一个取值在−∞到∞之间的数转为一个概率值的一般方法是使用一个叫做logistic的函数：

引用

S(t)=1/(1+e^(-t))

此函数的图形如下所示：

S(794)的结果基本为1，所以如果我们从浣熊的权重得到794，那么我们就肯定它100%是个浣熊。在这个模型中——我们先使用线性函数变换数据，然后应用逻辑函数得到一个概率值，这就是逻辑回归，而且这是一种非常简单流行的机器学习技术。

机器学习中的“学习”主要是在给定的训练集下，如何决定正确的权重（比如（23, - 3,9,2, 5）），这样我们得到的概率值才能尽可能的好。通常训练集越大越好。

现在我们理解了什么是逻辑回归，接下来让我们讨论下如何打破它吧！

打破逻辑回归

这有一篇华丽的博文，Andrej Karpathy发表的Breaking Linear Classifiers on ImageNet，解释了如何完美地打破一个简单线性模型（不是逻辑回归，而是线性模型）。后面我们将使用同样的原理来打破神经网络。

这有一个例子（来自Karpathy的文章），一些区分不同食物，鲜花以及动物的线性分类器，可视化为下图（点击可放大）。

你可以看到“Granny Smith”分类器基本上是问“是绿色么？”（并不是以最坏的方式来找出！），而“menu”分类器发现菜单通常是白色。Karpathy 对其解释的非常清楚：

引用

例如，苹果是绿色的，所以线性分类器在所有的空间位置中，绿色通道上呈现正权值，蓝色和红色通道上呈现负权值。因此，它有效地计算了中间是绿色成分的量。

所以，如果我想要让Granny Smith分类器认为我是一个苹果，我需要做的是：

找出图中哪一个像素点最关心绿色
给关心绿色的像素点着色
证明！

所以现在我们知道如何去欺骗一个线性分类器。但是神经网络并不是线性的，它是高度非线性的！为什么会相关呢？
如何工作：神经网络

在这我必须诚实一点：我不是神经网络专家，我对神经网络的解释并不会很出色。Michael Nielsen写了一本叫做《Neural Networks and Deep Learning》的书，写的很好。另外，Christopher Olah的博客也不错。

我所知道的神经网络是：它们是函数。你输入一张图像，你会得到一个概率列表，对每个类都有一个概率。这些是你在这篇文章中看到的图像的数字。（它是一只狗吗？不。淋浴帽？也不是。一个太阳能电池？YES！！）

因此，一个神经网络，就像1000个函数（每个概率对应一个）。但1000个函数对于推理来说非常复杂。因此，做神经网络的人，他们把这1000个概率组合并为一个单一的“得分”，并称之为“损失函数”。

每个图像的损失函数取决于图像实际正确的输出。假设我有一张鸵鸟的图片，并且神经网络有一个输出概率Pj，其中j=1...1000，但对于每只鸵鸟我想要得到的是概率yj。那么损失函数为：

假设与“鸵鸟”对应的标签值是700，那么y700=1，其它的yj就为0，L=-logp700。

在这里，重点是要理解神经网络给你的是一个函数，当你输入一张图像（熊猫），你会得到损失函数的最终值（一个数，如2）。因为它是一个单值函数，所以我们将该函数的导数（或梯度）赋值给另一张图像。然后，你就可以使用这个图像来欺骗神经网络，也就是用我们在这篇文章前面讨论的方法！

打破神经网络

下面是关于如何打破一个线性函数/逻辑回归与神经网络的关系！也就是你一直在等待的数学原理！思考下我们的图像（可爱的熊猫），损失函数看起来像：

其中，梯度grad等于∇L(x)。因为这是微积分。为了让损失函数的变化的更多，我们要最大化移动的delta和梯度grad两者的点积。让我们通过compute_gradient()函数计算梯度，并把它画成一个图片：

直觉告诉我们需要做的是创建一个delta，它重点强调神经网络认为重要的图像像素。现在，假设grad为(−0.01,−0.01,0.01,0.02,0.03).

我们可以取delta=(−1,−1,1,1,1)，那么grad⋅delta的值为0.08.。让我们尝试一下！在代码中，就是delta = np.sign(grad)。当我们通过这个数量移动时，果然–现在熊猫变成黄鼠狼了。

但是，这是为什么呢？让我们来思考下损失函数。我们开始看到的结果显示，它是熊猫的概率为99.57%。−log(0.9957)=0.0018。非常小！因此，添加一个delta倍会增加我们的损失函数（使它不像熊猫），而减去一个delta倍会减少我们的损失函数（使它更像熊猫）。但事实正好相反！我对这一点还是很困惑。

你欺骗不了狗

现在我们了解了数学原理，一个简短的描述。我还尝试去欺骗网络，让它识别先前那只可爱的小狗：

但对于狗，网络会强烈地抵抗将其归类为除狗之外的东西！我花了一些时间试图让它相信那只狗是一个网球，但是它仍然是一只狗。是其它种类的狗！但仍然还是一只狗。

我在一个会议上遇到了Jeff Dean（他在谷歌做神经网络工作），并向他请教了这一点。他告诉我，这个网络在训练集中有一堆狗，比熊猫多。所以他假设是要训练更好的网络来识别狗。似乎有道理！

我认为这非常酷，这让我觉得训练更精确的网络更有希望。

关于这个话题还有另一件更有趣的事情–当我试图让网络认为熊猫是一只秃鹫时，它在中间花了一点时间去思考它是否是鸵鸟。当我问Jeff Dean关于熊猫和狗这个问题时，他随口提到了“熊猫鸵鸟空间”，而我并没有提到让网络认为熊猫是秃鹫时曾思考过它是否是鸵鸟。这真的很酷，他用数据和这些网络花足够的时间一下子就清楚地知道鸵鸟和熊猫以某种关系紧密地结合在一起。

更少的神秘感

当我开始做这件事的时候，我几乎不知道什么是神经网络。现在我可以使它认为熊猫是一只秃鹰，并看到它是如何聪明的分类狗，我一点点的了解他们。我不再认为谷歌正在做的很神奇了，但对于神经网络我仍然很疑惑。有很多需要学习！使用这种方式去欺骗它们，会消除一些神秘感，并且现在对它们的了解更多了。

相信你也可以的！这个程序的所有代码都在neural-networks-are-weird这个仓库中。它使用的是Docker，所以你可以轻易地安装，而且你不需要一个GPU或是新电脑。这些代码都是在我这台用了3年的老GPU笔记本上运行的。

想要了解更多，请阅读原论文：Explaining and Harnessing Adversarial Examples。论文内容简短，写得很好，会告诉你更多本文没提及到的内容，包括如何使用这个技巧建立更好的神经网络！

最后，感谢Mathieu Guay-Paquet, Kamal Marhubi以及其他在编写这篇文章帮助过我的人！

原文地址：How to trick a neural network into thinking a panda is a vulture（译者/刘帝伟审校/刘翔宇责编/仲浩）

查看图片附件

分享到：

3
顶

0
踩

评论共 2 条请登录后发表评论

2 楼悠然自得 2016-01-05 11:51

我落伍了吗

1 楼 anhui3713 2016-01-04 16:41

汪汪汪。。。

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

如何欺骗神经网络，让它把熊猫识别为秃鹫

摘要：本文作者基于论文阅读及实测，以尝试欺骗神经网络的方式，从工具安装到模型训练，逐步解析神经网络及其背后的数学原理。文章还提供了演示代码下载。神奇的神经网络当我打开Google Photos并从我的照片中...

神经网络学习之一资源汇总

机器学习算法汇总：人工神经网络、深度学习及其它的URL: ...如何让神经网络把熊猫识别为秃鹫的URL: http://www.csdn.net/article/2015-12-28/2826566 神经网络和深度学习（1）：前言的URL: http://blog.jobbole.com/

24万数据集 211种文件转换|社会发展类公开数据清单

1.欧盟数据门户（European Data Portal）：34个国家的24万数据集尽在掌握 ...分类清晰：数据分为从农业到交通等13个类别，包括科学、司法、卫生，这能让你按照分类浏览。多语言接口：为了帮助用户能用不同语言读...

机器学习的安全隐私

如果让Ian Goodfellow和Nicolas Papernot 给出定义的话，一个可靠的、可以保证像预期那样工作的系统，就是一个安全的系统。为了达到系统的行为符合预期的目标，设计系统的人心里就需要有一个威胁模型。“威胁模...

可爱的python下载_可爱的python

Python天天美味(10) - 除法小技巧Python中将两个整数相除，默认结果是为整数的。但我们可以通过下面的方法，使得两个整数相除的结果为小数。from__future__importdivisionprint7/3输出结果：2.3333333333Python 天天...

国家为何如此重视石墨烯？

不久前，工信部、发改委和科技部等三部委日前发布《关于加快石墨烯产业创新...石墨烯是由碳原子组成的单层石墨——最早的石墨烯就是用胶带一层一层地把石墨变薄而获得的，是只有一个碳原子厚度的六角型呈蜂巢晶格的...

Ian Goodfellow和Papernot半年三篇博文，对机器学习的安全隐私来了个大起底

比如可以拍一张猫的照片，然后对抗性地进行干扰，让一般的模型照片识别成一只秃鹫，然后就告诉要训练的这个模型干扰后的照片还是一只猫。防御性蒸馏（Defensive distillation）：攻击者可能会利用模型判定...

FX5UPLC以太网通讯实例：SOCKET通讯、SLMP协议通讯、JE-C伺服电机控制及Modbus通讯等真实验证程序套

内容概要：本文详细介绍了三菱FX5U PLC在工业自动化领域的以太网通讯实战经验，涵盖多种常见通讯方式的具体实现方法。主要内容包括：两台PLC之间的Socket通讯，通过C#上位机使用SLMP协议读取PLC寄存器，JE-C伺服电机的以太网控制，以及Modbus RTU和TCP的应用。每种通讯方式均提供了具体的代码示例和调试技巧，确保读者能够快速理解和应用。此外，还特别强调了常见的避坑指南，帮助解决实际操作中可能出现的问题。适合人群：从事工业自动化、PLC编程及相关领域的工程师和技术人员，特别是那些希望深入了解三菱FX5U PLC以太网通讯机制的人群。使用场景及目标：适用于需要进行PLC间通讯、PLC与上位机通讯、伺服电机控制以及Modbus协议应用的实际工程项目。目标是提高通讯效率，减少调试时间和错误发生率。其他说明：文中提供的代码均为经过产线验证的真实程序，可以直接应用于实际项目中。同时，作者分享了许多宝贵的实践经验，有助于读者更好地掌握相关技能并避免常见错误。

2025年下半年电子商务设计师考试电子商务基础知识真题.doc

中国粮食安全系统转型指数研究数据集（2000-2021）

作者基于“自然—社会—经济”复合系统的三重视角，将粮食安全系统划分为粮食生产的资源与环境、生产与供给、分配与消费3个层面，运用“压力—状态—响应（Pressure-State-Response, PSR）”模型的3维框架，遴选30项具体指标（人均耕地面积、粮食单产、基尼系数等），构建粮食安全系统转型的评价指标体系，通过输入这些指标的数据，计算得到中国省域粮食安全子系统转型指数与系统综合指数，即中国粮食安全系统转型指数研究数据集（2000-2021）。该数据集内容包括31个省（直辖市、自治区）数据（香港、澳门、台湾数据暂缺）：（1）粮食安全3个子系统的转型指数；（2）系统转型综合指数。数据集存储为.xlsx格式，由1个数据文件组成，数据量为53 KB。基于该数据集的研究论文发表在《地理学报》2024年79卷第9期。杨一单, 姚成胜*, 刘伟芳. 中国粮食安全系统转型指数研究数据集（2000-2021）[J/DB/OL]. 全球变化数据仓储电子杂志(中英文), 2025.

西门子S7-1200PLC自定义堆栈FB块实现：先进先出与后进后出功能的数据管理程序

内容概要：本文详细介绍了为西门子S7-1200 PLC开发的一个自定义堆栈程序。由于S7-1200未提供内置堆栈功能，作者使用SCL（Structured Control Language）编写了一个通用型堆栈功能块（FB），能够实现FIFO（先进先出）和LIFO（后进先出）的数据管理。该堆栈程序支持多种数据类型（如BOOL、REAL、DWORD等），并提供了入栈、出栈、清空等功能。文中还讨论了具体的实现细节，如边界检测、指针管理和环形缓冲区的设计，以及在实际工业环境中的应用效果。适合人群：从事PLC编程、自动化控制系统开发的技术人员，尤其是熟悉西门子S7-1200系列PLC的工程师。使用场景及目标：适用于需要临时存储和管理数据的应用场景，如生产线上的配方管理、设备故障回溯、日志记录等。通过自定义堆栈程序，可以提高数据处理效率，减少因缺乏内置堆栈功能而带来的不便。其他说明：该堆栈程序已在实际生产环境中运行超过三个月，处理了大量数据，表现出良好的稳定性和性能。未来计划进一步优化，如改进为环形缓冲区以提升性能。

直流有感无刷电机控制资料：多功能驱动器

内容概要：本文详细介绍了专用于直流有感无刷电机的一款高性能驱动器。该驱动器不仅支持宽泛的电压与电流范围（9V-36V，5A），还提供多种输入信号形式（电位器、开关、PWM、RS485等）。其调速方式多样化，涵盖占空比调速、速度闭环控制和电流控制。此外，驱动器拥有霍尔自学习功能，能自动识别霍尔信号顺序，极大地简化了安装步骤。稳速控制响应迅速，能在1秒内完成正反转切换，且在极低速状态下仍能保持稳定运行。文中提供了多个Arduino和Python代码片段，展示了不同功能的具体实现方法。适合人群：电机控制系统开发者、电子工程爱好者以及从事机器人、自动化设备等领域工作的工程师。使用场景及目标：适用于小型设备、机器人、精密仪器等需要精准电机控制的场合。主要目标是帮助用户理解并掌握这款驱动器的特点，以便将其应用于实际项目中，提升系统的灵活性和可靠性。其他说明：文章强调了驱动器在实际应用中的便捷性和高效性，特别是在霍尔自学习、稳速控制等方面的优势。同时，通过具体的代码实例，使读者更容易理解和实践这些功能。

昆仑通态恒压供水PLC组态程序：三菱FX系列可靠运行，界面美观整洁的解决方案

内容概要：本文详细介绍了使用昆仑通态MCGS组态软件和三菱FX3U PLC构建恒压供水系统的具体实现方法及其优化措施。主要内容涵盖HMI界面设计、PLC编程逻辑、PID控制参数整定、通信配置以及故障处理等方面。文中展示了多个关键代码片段，如压力设定值绑定、PID控制逻辑、水泵切换逻辑等，并分享了一些实用技巧，如动态水流效果、报警管理、压力波动处理等。此外，作者还强调了系统的可靠性和用户体验，通过实例证明了该方案在现场的实际表现。适合人群：从事工业自动化领域的工程师和技术人员，尤其是对恒压供水系统感兴趣的从业者。使用场景及目标：适用于需要设计和实施恒压供水系统的工程项目，旨在提高系统的稳定性、可靠性和易用性，同时降低维护成本并提升用户体验。其他说明：文章提供了丰富的实战经验和代码示例，帮助读者更好地理解和掌握相关技术和应用场景。

基于51单片机和LabVIEW的'虚拟GPS接收机'设计报告及源程序，可硬件实现

内容概要：本文详细介绍了如何利用51单片机（STC89C52）和LabVIEW搭建一个能够运行的虚拟GPS接收机系统。硬件方面，主要讨论了单片机的选择、串口通信的稳定性以及电源管理等问题；软件方面，则着重讲解了NMEA-0183协议的解析、坐标生成算法及其在LabVIEW中的实现。此外，还探讨了一些常见的调试问题及解决方案，如波特率误差、数据解析错误等。通过该项目，读者不仅可以掌握GPS系统的原理，还能深入理解单片机编程和LabVIEW的应用。适合人群：对嵌入式系统和GPS技术感兴趣的电子爱好者、学生及初级工程师。使用场景及目标：① 学习51单片机的基础编程技能；② 掌握LabVIEW的基本使用方法；③ 理解GPS协议（NMEA-0183）的工作原理；④ 提升硬件电路设计能力，特别是串口通信和电源管理方面的经验。其他说明：文中提供了详细的代码示例和调试技巧，帮助读者更好地理解和实现项目。同时，也鼓励读者进行进一步的创新和改进，如加入加速度计模块或支持更多类型的GPS协议。

2023年软件结构化面试资料.doc

正弦波发生器电路仿真实验

正弦波发生器电路仿真实验，选择LM417运算放大器进行实验，实现正弦波的生成

GS276D：反激式隔离AC-DC开关电源设计(5V/2.4A)资料

内容概要：本文详细介绍了基于GS276D芯片的5V/2.4A反激式隔离AC-DC开关电源设计方案。首先概述了电源的基本参数和特点，如输入电压范围为85-265VAC，输出为5V/2.4A，内置700V高压启动等功能。接着深入探讨了变压器设计、EMI优化、保护电路配置、动态峰值限制以及绿色模式下的节能措施等多个关键技术环节。文中提供了具体的计算方法、调试经验和优化技巧，如变压器初级电感量的计算、RC吸收电路的应用、过流保护的配置等。此外，还分享了许多实际调试过程中遇到的问题及其解决办法，如输出电压跳动、EMI超标等问题。适合人群：具有一定电力电子基础的技术人员、电源设计师、硬件工程师。使用场景及目标：适用于需要设计高效、稳定的反激式开关电源的场合，帮助工程师理解和掌握GS276D芯片的工作原理及应用技巧，提高产品性能和可靠性。其他说明：文章不仅提供了详细的理论分析和技术指导，还结合了大量的实践经验，有助于读者更好地应对实际项目中的挑战。

彩虹易支付最新升级版源码下载/BUG修复与订单投诉功能增强

彩虹易支付最新升级版源码下载/BUG修复与订单投诉功能增强。该系统也没版本号，此版本目前是比较新的版本，增加了订单投诉功能，和一个好看的二次元模板。此版本是全开源版，无一处加密文件

灌装线自动化控制系统：SCL+顺控GRAPH西门子PLC1500，详解PLC和触摸屏程序，涵盖配方、报警记录、液位读取、重量读取，全程中文注释

内容概要：本文详细介绍了西门子S7-1500 PLC平台上使用SCL（结构化控制语言）和GRAPH图形化编程工具来构建灌装生产线控制系统的方法。文中首先概述了系统的总体架构，包括主程序OB1作为调度中心，利用CASE语句进行模式切换，并确保模式间的平稳过渡。接着深入探讨了配方管理机制，采用结构体数组存储和验证配方参数，以及通过HMI界面方便地选择和修改配方。对于关键工序如灌装，则运用GRAPH绘制流程图，实现了更加直观易懂的状态转移逻辑，尤其强调了异常处理的灵活性。此外，针对传感器数据处理方面，提出了有效的滤波算法以提高测量精度。最后提及了报警日志的设计思路，即使用带有时间戳的环形队列记录故障信息，便于后期查询和诊断。同时，还分享了一些实用技巧，例如避免直接读写报警记录导致性能下降的问题。适用人群：从事工业自动化领域的工程师和技术人员，尤其是那些正在或将要使用西门子PLC进行项目开发的人群。使用场景及目标：适用于需要高效、可靠地完成复杂任务的制造业环境，特别是在食品饮料等行业中常见的灌装生产线。其目的是帮助开发者掌握如何结合SCL和GRAPH的优势，优化PLC编程，提升系统的响应速度、稳定性和可维护性。其他说明：文章不仅提供了具体的编程实例，还分享了许多实践经验，有助于读者更好地理解和应用相关技术。

3顶0踩