基于ADS1299的8通道高精度EEG采集系统硬件设计与调试实战

基于ADS1299的8通道高精度EEG信号采集系统设计 脑电图(EEG)信号采集是脑机接口(BCI)系统的关键前端技术,其核心挑战在于微伏级信号(0.5–100 μV)在强干扰环境下的高保真获取。该过程依赖高输入阻抗、高共模抑制比(CMRR)、低噪声模拟前端及同步多通道ADC等基础原理。ADS1299作为TI专为生物电势优化的24位ΔΣ芯片,集成了可编程增益放大器(PGA)、导联脱落检测、右腿驱动(RLD)与片上基准等关键功能,显著提升系统集成度与抗干扰能力。此类设计广泛应用于神经科学实验、SSVEP/P300范式验证及创客级BCI原型开发,兼顾科研灵活性与工程 阅读详情

做脑电采集这事,听起来好像就是“放大信号、采样、存数据”三步,但真把一套8通道高精度EEG系统从零开始搭起来,里面的门道比想象中多得多。这套基于ADS1299的方案,我前后改了两版PCB,调了小半个月才把基线噪声压到接近手册标称水平。如果你也准备做脑机接口、睡眠分期、注意力检测这类项目,这篇文章应该能帮你省掉不少弯路。

这个系统的核心很明确:用TI的ADS1299做8通道同步采样,配合STM32通过SPI读取数据,再送给上位机实时显示和记录。EEG信号的特点是幅值极低,通常只有几微伏到几十微伏,很容易被环境噪声、电源纹波和电极接触不良淹没,所以前端模拟链路、电源设计和布局布线都得认真对待。我会把选型思路、硬件细节、寄存器配置、固件流程和踩过的坑全部写出来,尽量让刚入门的人也能照着做出来。

1. 整体架构与方案选型

1.1 为什么选ADS1299而不是分立方案

EEG信号采集最麻烦的地方不是做放大,而是把微伏级信号从强大干扰里“捞”出来。传统做法是用仪表放大器(比如INA128)做一级放大,再用运放搭滤波和偏置电路,最后送给外部ADC采样。这套路线不是不能做,但分立元件的数量会非常多,整个模拟链路的噪声是逐级叠加的,任何一级的地线处理不好,信号质量都会急剧下降。

ADS1299直接把8个通道的PGA、24位Δ-Σ ADC、偏置驱动放大器、右腿驱动放大器全部集成在一个芯片里,通道间的一致性由芯片本身保证,省去了大量分立电路的设计和调试工作。它的输入参考噪声在EEG模式下可以做到1μVpp左右,配上内部24位ADC,理论上完全覆盖了EEG信号的动态范围。

对比一下分立方案:

  • 通道隔离度和串扰要靠PCB布线死磕,ADS1299内部通道间隔离天然更好
  • 分立方案需要8个同步采样保持器才能做到通道间时间对齐,ADS1299是8路同步采样
  • 分立器件每一级都要单独调零、调增益,ADS1299用寄存器配置即可
  • 整体功耗和PCB面积差一个数量级

如果项目周期紧、又要保证性能,直接用集成方案明显更划算。

1.2 系统级设计框架

整体分为四块:模拟前端、电源系统、数字控制、数据上送。信号从电极进来之后,先经过输入保护和RC滤波,进入ADS1299完成放大和模数转换,MCU通过SPI读取原始数据,解析成电压值之后通过串口或USB传给上位机。

电极 → 输入保护/EMI滤波 → ADS1299(PGA+ADC) → SPI → MCU(STM32)
                                        ↑                    ↓
                                   电源/基准              上位机/存储

MCU选型没有太高门槛,STM32F103级别就足够,ADS1299的SPI数据量并不大,8通道250SPS时每秒只有大约50KB,主要工作反而是数据打包和和上位机通信。整个系统的瓶颈通常在模拟前端和电源,不在主控。

2. 硬件设计核心要点

2.1 输入级保护与滤波:先保安全再谈精度

EEG电极直接接触人体,所以输入级第一考虑的是安全性,其次才是信号完整性。我们在每个通道的输入端串联了一个10kΩ限流电阻,再并联一个1nF电容到地,构成一个RC低通滤波,截止频率大约在16kHz左右。这个滤波器主要用来抑制高频电磁干扰和电极线的天线效应,对EEG有效频段(0.5~100Hz)完全没有衰减。

为了防止静电和意外接触损坏芯片,在输入端还加了一对BAV99二极管,把输入电压钳位在电源轨和地之间。这里要注意,二极管本身有结电容,大约1~2pF,对微伏级信号来说影响不大,但不能选结电容太大的型号,否则会和前面的RC滤波器产生谐振,反而引入噪声。

实测踩过的一个坑:最开始没加限流电阻,直接用电极线测试,结果人体静电把ADS1299的输入级打坏了,芯片表现为某一通道增益异常、噪声明显偏大。后来老老实实把保护电路加上,再没出过问题。

2.2 电源和参考电压:噪声的根源在这里

ADS1299对电源噪声非常敏感,模拟电源AVDD的纹波会直接耦合到信号链路上。我用的方案是两路独立的低

基于ADS1299与ECP5的模块化64通道EEG采集系统设计与实现 脑电信号采集的核心挑战在于多通道同步与微伏级信号处理。通过高精度生物电前端AFE实现信号放大与数字化,结合FPGA硬件并行架构完成多路数据实时汇聚与严格同步,可显著提升系统信噪比与通道一致性。该技术方案在脑机接口、神经反馈及睡眠监测等场景中具有重要工程价值。本文以ADS1299级联与ECP5数据汇聚为例,详细阐述64通道EEG系统的模块化硬件设计、SPI时序同步及电源隔离等关键技术,为低成本、可定制的高密度脑电采集系统提供完整实现参考。 阅读详情

相关推荐

ADS1299EEG-FE评估套件硬件设计深度解析:从BOM选型到PCB布局实战

在生物电信号采集与嵌入式系统设计中,模拟前端(AFE)的性能直接决定了整个系统的信噪比与测量精度。其核心原理在于通过高精度模数转换器(ADC)和低噪声放大器,将微弱的模拟生理信号(如微伏级脑电)进行放大、滤波并转换为数字信号。这项技术的核心价值在于实现了对极低幅度、高干扰环境下生物电信号的可靠提取,是脑机接口、可穿戴医疗设备及临床监护等应用场景的基础。要实现高性能AFE,硬件设计是关键,涉及精密的电源管理、信号调理和PCB布局。本文以德州仪器(TI)的ADS1299集成式AFE及其官方评估套件为具体案例,深

weixin_30162121的博客 212

开源8通道脑电采集设备:ADS1299+ESP32完整方案

生物电信号是人体生理状态的重要表征,脑电、心电、肌电等微弱信号的采集依赖高精度模拟前端与可靠的数据传输链路。低噪声、多通道、同步采样是嵌入式生物电采集系统的核心挑战。ADS1299作为专用24位Δ-Σ型生物电ADC,集成可编程增益放大器和偏置驱动,配合ESP32的WiFi/蓝牙无线传输能力,可在300元成本内搭建出达到商用级性能的8通道脑电采集设备。该方案覆盖模拟前端、电源隔离、固件配置与无线数传的全链路,可应用于脑机接口、睡眠分期、情绪识别等场景,也适合嵌入式开发者学习高精度模拟采集与无线数传的工程设计。

weixin_33912453的博客 319

64通道模块化脑电采集板设计:从架构到调试的工程实践

脑电信号采集是脑机接口与神经科学研究的基础环节,其核心在于将微伏级生物电信号通过模拟前端放大、滤波并数字化。模数转换(ADC)与模拟前端(AFE)的选型直接决定系统噪声与精度,而模块化硬件架构则通过功能解耦提升可维护性与扩展性。在64通道高密度采集场景中,电源噪声抑制、通道间同步与数据吞吐量成为关键工程挑战。此类技术广泛用于睡眠监测、认知负荷评估及脑网络分析等场景。本文围绕64通道模块化EEG采集板,系统梳理模拟前端选型、ADC配置、电源设计及通道同步等实操要点,为高密度脑电硬件开发提供可复用的工程参考。

weixin_34021089的博客 359

CC2640R2F+ADS1299实现1kHz八通道EEG实时BLE传输

EEG信号采集是生物医学传感的核心环节,涉及高精度ADC驱动、低延迟数据搬运与资源受限嵌入式系统上的无线传输。其原理依赖于医疗级模拟前端(如ADS1299)的寄存器级配置、UDMA零拷贝机制保障采样连续性,以及BLE GATT服务对实时波形流的语义化建模。技术价值在于突破MCU资源瓶颈,在Cortex-M3平台实现24位/8通道/1kHz原始EEG稳定上传,兼顾信噪比、功耗与协议兼容性。典型应用于便携式脑电监测、神经反馈设备及BME教学原型开发。本文聚焦CC2640R2F与ADS1299协同优化,覆盖驱动配

weixin_28278377的博客 201

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chrome-headless-shell-win64-157.0.8103.38(Stable).zip

Chrome for Testing 官方指定版本的 Chrome 浏览器、ChromeDriver 与 Headless Shell 压缩包,适用于 Selenium、Playwright 等自动化测试环境搭建,覆盖 Windows、macOS、Linux 多平台,解压即可使用,无需额外安装或配置。

chrome-win32-159.0.8150.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8150.0 win32 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 32 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chromedriver-win32-160.0.8164.0(Canary).zip

chromedriver-win32-160.0.8164.0(Canary).zip

化工MES-石化盈科信息技术有限责任公司.pptx

化工MES-石化盈科信息技术有限责任公司.pptx

健康管理服务运营方案.pptx

健康管理服务运营方案.pptx

钢铁行业工业互联网安全解决方案.pptx

钢铁行业工业互联网安全解决方案.pptx

TVJ1120资源及合并指令

内容概要:本文提供了TVJ1120.apk拆分文件的下载链接及合并方法,包含两个分卷文件(part1和part2)的CSDN下载地址,并给出在Windows系统下使用copy命令将两个分卷合并为完整APK文件的具体指令。同时提供使用certutil工具对合并后的TVJ1120.apk进行SHA256哈希值校验的命令,以确保文件完整性与安全性。; 适合人群:具备基本计算机操作能力,熟悉命令行工具使用的开发者或技术人员;需要下载并验证安卓应用文件完整性的用户。; 使用场景及目标:①用于从分卷压缩或拆分的APK文件中恢复完整的安装包;②通过哈希校验确保下载的APK文件未被篡改或损坏,保障应用安全性和可用性;③适用于软件分发、移动应用测试、逆向分析等技术场景。; 阅读建议:在操作前确认已下载全部分卷文件,并在相同目录下执行合并命令;建议严格比对生成的SHA256值与官方提供的校验值,防止运行不安全的应用程序。

基于bootstrap+Java的图书管理系统(任务书)

10] 倪甜弟,周晓波,王相喜.基于JSP图书馆自习室预约系统的设计与实现[J].现代计算机, 2024, 30(9):117-120.DOI:10.3969/j.issn.1007-1423.2024.09.023.[2] 陈明雪,赵勇,周小丽,等.基于Node.js和Bootstrap的图书管理系统设计与研究[J].现代信息科技, 2021, 5(24):4.[9] 杨婷婷.基于VOSviewer的图书馆管理系统研究的可视化分析[J].现代信息科技, 2023, 7(3):123-126.

毕业作品网站 652

静态时序分析(Static Timing Analysis, STA):简介及内容导航

静态时序分析(简称STA)是用来验证数字设计时序的技术之一,另外一种验证时序的方法是时序仿真,时序仿真可以同时验证功能和时序。“时序分析”这个术语就是用来指代“静态时序分析“或”时序仿真“这两种方法之一,简单来说,时序分析的目的就是为了解决设计中的各种时序问题。STA被称为静态的原因是其对于设计的分析是静态地执行的,并不依赖于施加在输入端口上的激励。相比之下,时序仿真则可以被视作动态地执行对设计的分析,具体过程描述如下:施加一组激励,观察在这组激励下电路行为是否符合要求,然后换一组激。

Starry__的博客 2012

数据标注的下一代SOP,可能不是Word,而是一段Prompt

再给几个反例:“这个只是正常纹理,不算。真正用于数据生产的Prompt,可能至少包含:任务定义、正例、反例、边界案例、优先级、输出格式、验收逻辑。一个项目100个人,如果100个人对这句话有100种理解,最后返工的就不是一个框,而可能是几十万帧数据。一个项目启动以后,项目经理先研究SOP,培训组长,组长再培训标注员,最后几百个人按照同一套规则干活。实际上一个成熟的项目经理,最重要的能力之一,就是:把客户的业务语言翻译成生产规则。真正让项目难交付的,从来不是80%的普通数据,而是那20%的长尾数据。

AI数据标注猿 299

postgresql 数据库 timescaledb 函数time_bucket_gapfill()报错解决及更换 license

最近在工作中使用postgresql 和 timescaledb 的time_bucket_gapfill()函数 报错,让更换license,在网上找了一大圈,没有找到,最后解决了这个问题,这篇文章记录我的解决办法查看timescaledb.license参数命令:show timescaledb.license;修改命令: 结果不行,报错如下:lter system set timescaledb.license=‘timescale’;那只能换包了如果出现上面那种情况,那我们只能先从官网上下载带 '

yang_z_1的博客 3254

爬虫实战:抖音视频搜索数据爬虫开发实战(附完整Python源码)

【代码】抖音视频搜索数据爬虫开发实战(附完整Python源码)

weixin_61226361的博客 3601

SAP_SD模块_SAP 消息号VF501(科目确定期间出错)

摘要: SAP SD模块中执行VF02销售开票时出现“科目确定期间出错”(VF501)问题,主要原因是系统无法找到匹配的总账科目。解决方案包括:检查物料主数据和客户主数据中的科目分配组是否维护,核对发票中的对应字段,并通过VKOA事务代码分析科目确定逻辑。若定价过程中配置的科目代码(如Z01)未在VKOA中完整映射(如缺少H1+S5+Z01组合),则会导致内部价格无法关联总账科目。需在SPRO路径下完善科目代码分配配置,确保定价类型与科目代码匹配。本文提供了详细的排查步骤和配置方法,帮助解决开票过账错误。

我小时候很黑的博客 364

SpringCloud最新最全面试题

在服务注册与发现中,有一个注册中心。当服务器启动的时候,会把当前自己服务器的信息比如服务地址通讯地址等以别名方式注册到注册中心上。另一方(消费者服务提供者),以该别名的方式去注册中心上获取到实际的服务通讯地址,然后再实现本地RPC调用RPC远程调用框架核心设计思想:在于注册中心,因为使用注册中心管理每个服务与服务之间的一个依赖关系(服务治理概念)。在任何RPC远程框架中,都会有一个注册中心存放服务地址相关信息(接口地址)。

qq_38196449的博客 4332

FC7300 Clock介绍

FC7300的时钟架构包括一个高级时钟图和内部时钟需求。它有5个CMU,使用SIRC监控FIRC/SOSC/FOSC,并使用FIRC监控SIRC。此外,CMU4还使用FOSC监Slow Clock。

舊梦的博客 330

全球国家地区城市数据

MySQL全球国家地区城市数据报。。。。。。。。。。。。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

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")

上一篇: Sallen-Key二阶低通滤波器设计全指南:从原理到PCB实战
下一篇: 单片机IO口驱动继电器:三极管开关电路设计与避坑指南
小圆圆伍
博客等级 码龄8年 68粉丝 9096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
⌂ 换网址