boringhex.top博客

非典型程序员的小破站

鸽了数月,终于把固定翼小飞机的机身和硬件部分走通了,今天整理好开源,希望跟大家一起交流讨论。

项目开源地址:

  1. TinyPlane GitHub

简介

Tiny Plane是一个固定翼小飞机飞控项目,旨在DIY一款操控良好、飞行时间长、可玩性高的固定翼小飞机。目前基于48cm翼展手抛机进行改装,飞控采用ESP32-C3。

特性

飞控主要特性:

  • 单串锂电池供电,最大工作电压5.5V
  • 电源电压、电流感测
  • 锂电池温度感测
  • DCDC降压电源,效率90%以上
  • 3轴加速度计,3轴陀螺仪
  • 气压计,高度精度10cm
  • 2路动力电机通道,支持电流感测
  • 2路数字IO通道
  • USB TypeC接口,调试和烧写程序
  • 1路串口,可用于连接GPS

机身主要特性:

手抛机机身

  • 49cm翼展,47cm长,22cm平尾
  • 重量 ~40g
阅读全文 »

ESP32C3小飞控板赶在国庆节前发出打样,假期后上班就收到了样板,但是迟迟没有动手调试,这两天终于抽出时间调试了,调试过程还算顺利,基本没有遇到什么大问题,下面记录一下调试过程。

原理图

ESP-FC原理图

比计划中多加了一个大气压力传感器,用作测高。主要特性:

  • 单串锂电池供电,最大工作电压5.5V
  • 电源电压、电流感测
  • 锂电池温度感测
  • DCDC降压电源,效率90%以上
  • 3轴加速度计,3轴陀螺仪
  • 气压计,高度精度10cm
  • 2路动力电机通道,支持电流感测
  • 2路数字IO通道
  • USB TypeC接口,调试和烧写程序
  • 1路串口,可用于连接GPS
阅读全文 »

大多数公司都是每个月定期提交报销,一般报销用的发票都是电子发票发到邮箱,每次要报销时都需要登录邮箱,点开邮件,一个个下载整理,工作量不大,但是发票多了也着实很烦。这个月终于下决心把这个过程自动化一下。

思路

查看了一下邮箱里的发票邮件,虽然主题内容格式不固定,但是基本都包含“发票”,所以可以用“发票”关键词将发票邮件筛选出来。然后解析发票邮件内容,将发票pdf文件提取下载,并整理到指定文件夹。

嗯,就这么简单。

实现

这种事还是用python比较快吧,搞起。

阅读全文 »

这个机器人程序可以将发票邮件中的发票pdf文件自动下载整理,但是发票邮件格式并不标准,有下载失败的可能。

程序用python编写,以源码提供,可以自行修改。总的来说配置比较简单,但还是需要一点点基础。

虽然用自己常用的邮箱也可以,但还是强烈建议为接收发票邮件单独申请一个邮箱。下面就从邮箱申请开始,对发票机器人的配置过程进行说明。

申请邮箱

任何支持IMAP协议的邮箱都可以,国内常用的免费邮箱都支持的,这里以网易163邮箱为例。

  1. 打开网易邮箱主页 https://mail.163.com/,点击注册新账号。
  2. 按照注册向导完成邮箱注册。
阅读全文 »

之前的文章 信号去噪 中列出了7种常用的信号去噪算法,对于后两种算法——深度学习和奇异值分解(SVD),我现在也不太理解,就先不写了。

很多朋友留言又提了一些算法,今天一起来聊聊椭圆滤波器。

椭圆滤波器(Elliptic Filter),也称为Cauer滤波器,是一种数字滤波器,用于信号处理和滤波应用。椭圆滤波器之所以得名,是因为其在频率响应图上的特征呈现出椭圆形的形状。

椭圆滤波器有以下特点和优点:

  1. 极窄的过渡带宽:椭圆滤波器的过渡带宽(即通频带到阻频带的过渡区域)非常窄,这意味着它可以在频域内实现非常陡峭的滤波特性。

  2. 通带和阻带均衡:椭圆滤波器通常可以在通带和阻带内实现更好的幅度响应均衡。这意味着它可以在通带内最小化幅度失真,并在阻带内最大化信号抑制。

  3. 允许通带和阻带的波动:与其他滤波器设计相比,椭圆滤波器允许通带和阻带内的振荡,但在给定的通带和阻带容限下,可以实现更小的阶数(更低的复杂度)。

  4. 高阶滤波特性:椭圆滤波器通常以较高的阶数实现,这使其适用于需要极高滤波性能的应用,如无线通信和雷达系统。

椭圆滤波器的设计需要确定以下参数:

  • 通带边界频率(通带上下限的频率)。
  • 阻带边界频率(阻带上下限的频率)。
  • 通带最大允许波纹(通带内振荡的幅度波纹)。
  • 阻带最小抑制(阻带内信号抑制的最小要求)。

椭圆滤波器设计通常涉及到数学优化问题,以找到最佳参数配置来满足上述要求。

阅读全文 »

独立成分分析(Independent Component Analysis,ICA)是一种用于从混合信号中分离出原始独立成分的统计方法。它通常用于处理多个传感器捕获的混合信号,旨在找到线性变换,将混合信号转换为独立的源信号,这些源信号在统计上是相互独立的。

以下是关于独立成分分析的一些要点:

  1. 背景和动机: ICA 的应用背景包括语音信号处理、脑电图(EEG)和磁共振成像(fMRI)信号分析、金融数据分析等。在这些情况下,多个信号源混合在一起,我们希望从混合信号中还原原始的信号源,以便进一步分析。

  2. 统计独立性: ICA 的核心概念是统计独立性。在混合信号中,不同的信号源应该在统计上是独立的,这意味着它们的联合概率分布可以分解为各个源信号的概率分布的乘积。

  3. 盲源分离: ICA 被称为“盲源分离”方法,因为它不需要关于信号源的先验信息。它只依赖于混合信号的统计性质来分离信号源。

  4. 混合模型: ICA 假设混合信号可以表示为线性组合的形式,其中每个信号源通过一定的权重系数相加。这可以用矩阵形式表示为 X = AS,其中 X 是混合信号矩阵,A 是混合矩阵,S 是源信号矩阵。

  5. 优化算法: ICA 的目标是找到一个逆变换矩阵 W,使得 Y = WX,其中 Y 是分离后的信号矩阵。这可以通过最大化信号的独立性来实现,通常使用的优化算法包括最大似然估计(MLE)和信息最大化(Infomax)等。

  6. 应用领域: ICA 在许多领域有广泛的应用,包括语音信号分离、脑信号分析、图像分析、信号压缩等。在脑信号分析中,ICA 可用于从脑电图(EEG)或磁共振成像(fMRI)数据中提取潜在的脑区活动。

阅读全文 »

小飞机的板子画成这样:

esp-plane

然后就开始溜号了。。。真心希望有小伙伴能来一起搞一下啊~

溜号是因为这次想在马达控制中加入电流闭环,所以就想测一下720空心杯带桨和不带桨状态下用锂电池供电的电流,正当要测时发现手上的万用表没电了,很是恼火。并且我的万用表也无法连续记录数据,这样就无法得到锂电池的放电曲线,所以干脆自己做一个吧!

阅读全文 »

在前面的文章 卡尔曼滤波 中曾讲解过卡尔曼滤波在惯性导航和飞行姿态控制中的应用,今天来聊一聊卡尔曼滤波在信号去噪中的应用。

卡尔曼滤波(Kalman Filtering)是一种用于估计系统状态的数学方法,它通过考虑系统的动态模型和传感器测量,以最优的方式来融合信息,从而提供对系统状态的最优估计。卡尔曼滤波广泛应用于控制系统、导航系统、信号处理、机器人技术、金融领域等各种领域。

以下是卡尔曼滤波的一些关键要点:

  1. 状态空间模型: 卡尔曼滤波将系统建模为一个状态空间模型,其中包括状态变量、状态转移方程和观测方程。状态变量表示系统的内部状态,状态转移方程描述系统如何从一个时刻的状态到下一个时刻的状态演变,观测方程描述了如何从系统状态中获取观测数据。

  2. 递归滤波: 卡尔曼滤波是递归的,意味着它在每个时间步骤上都会更新状态估计,同时考虑当前的观测数据和先前的状态估计。

  3. 估计与预测: 在每个时间步骤上,卡尔曼滤波执行两个主要步骤:预测和更新。预测步骤使用状态转移方程来估计下一个时刻的状态,而更新步骤使用观测数据来校正预测,并生成最优的状态估计。

  4. 协方差矩阵: 卡尔曼滤波通过协方差矩阵来表示状态估计的不确定性。协方差矩阵包含了关于状态估计的信息,可以告诉我们状态估计的精确性和可信度。

  5. 最小均方误差: 卡尔曼滤波的目标是最小化状态估计的均方误差,从而提供对系统状态的最优估计。

卡尔曼滤波是一种用于估计具有噪声的动态系统状态的优秀方法。虽然它通常用于估计物理系统的状态,但也可以应用于信号处理和信号去噪中。以下是卡尔曼滤波在信号去噪中的应用示例:

阅读全文 »

在前面的文章 信号去噪 中简单介绍了常见的去噪方法,以均值滤波和中值滤波做了示例,今天再继续介绍小波变换。

小波变换

小波变换(Wavelet Transform)是一种信号处理和数据分析技术,用于在时间和频率上分析信号的不同特征。与傅立叶变换不同,小波变换具有多尺度分析的能力,允许在不同的时间尺度上检测信号中的特征。

1. 基本概念

信号分解与重构

小波变换的核心思想是将一个信号分解成不同尺度和频率的小波成分,然后可以根据需要重构原始信号。这种分解和重构过程涉及到两个主要函数:小波函数(wavelet)和尺度函数(scaling function)。

  • 小波函数通常表示为 ψ(t),它是一个用于分析信号的基本波形。不同的小波函数对信号的不同特征有不同的敏感度。

  • 尺度函数通常表示为 φ(t),它是一个用于描述信号在不同尺度上的版本的函数。通过对尺度函数进行缩放和平移,可以生成不同尺度的小波函数。

阅读全文 »

引言

在实际世界中,我们所获得的信号通常都包含了各种干扰和噪音。这些噪音可能来自电子设备、环境条件或传感器本身,它们会损害信号的质量,降低信息提取的准确性。因此,信号去噪和降噪技术在科学、工程和医学领域中扮演着至关重要的角色。本文将介绍信号去噪的概念、方法和应用。

信号去噪的概念

信号去噪是指从受到噪音干扰的信号中提取出目标信号的过程。目标信号包含我们真正关心的信息,而噪音则包括不相关的、干扰性的信号。信号去噪的目标是尽可能地减少或消除噪音,以恢复原始信号的清晰度。

信号去噪的应用

信号去噪广泛应用于各个领域:

  1. 医学领域:在脑电图(EEG)和心电图(ECG)等生物医学信号中去除肌肉运动和电极噪音,以诊断疾病。

  2. 通信领域:在无线通信中,去除传输过程中的噪音,提高通信质量。

  3. 地球科学:去除地震信号中的地壳噪音,以便检测地震。

  4. 图像处理:在数字图像中降噪以提高图像质量,例如在医学成像中。

  5. 音频处理:去除录音中的杂音,以改善音频质量。

阅读全文 »
0%