基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

一种采用电流缓冲器的反嵌套密勒补偿型LDO

为了提高低压差线性稳压器(low dropout regulator,LDO)在全负载电流范围内的稳定性，提出了一种采用电流缓冲器的反嵌套密勒补偿结构(reverse nested miller compensation with current buffers,RNMCCB)的LDO，外部补偿环使用电流镜作为反相电流缓冲器，内部补偿环使用共栅级放大器作为电流缓冲器。该补偿结构不需要额外的晶体管，保证了LDO的负反馈性质;引入两个左半平面的零点，增加了电路的相位裕度。仿真结果表明，在轻载(1mA)至重载(600mA)、输出电容为0.1~5μF环境下，最小相位裕度为38°，输出电压的下冲为10.6mV，上冲为11.7mV，达到设计要求。