本节介绍ZigBee基本开发环境搭建，附件中有本节介绍的软件下载地址~

1、IAR Embedded Workbench 的安装

Step1、双击安装程序，进行安装

Step2、一直采用默认NEXT，直到点击Accept之后：

Step3、关键：双击打开文件IAR kegen PartA.exe.

摘 要：针对目前粮库温度、湿度、霉变和火灾等环境的监控大多采用人工或有线监控方式，设计了一种基于ZigBee的粮库环境监控系统。该系统以CC2530射频模块组成树状无线传感器网络，由传感器节点把测量各节点的温湿度值、气味浓度和火灾警情等环境参数经路由器或直接传递到协调器，再由协调器经串口上传PC机，并用由VS2013制作的上位机监控软件来实时显示、记录、火灾报警和反向控制相应的传感器节点进行通风或除湿。测试表明，该系统具有成本低、组网灵活、测量精度高和实用性强等优点。

摘 要：针对传统的工业现场过程控制系统布线量大、成本高和维护困难等问题，提出了一种采用Modbus总线技术、ZigBee无线技术和STM32技术的通信冗余监控系统。该系统可实现两种形式的通信：Modbus总线通信和作为通信冗余的ZigBee无线通信，提高了系统的稳定性。下位机将工业现场仪器仪表采集的数据信息集中传输给上位机，便于对现场进行监测。系统具有一定的隔离、抗干扰和防雷击保护措施，适用于工业现场。

0 引言

电子技术、传感器技术及网络技术的发展促进了农业信息化水平的提高，以信息网络为中心的智慧农业、精准农业等一系列新的农业生产模式已成为当前研究的热点。通过大量遍布于农田、温室大棚等目标区域的传感器，实时采集诸如温度、湿度、光照、有害气体浓度、土壤水分及ｐＨ值等信息并汇总到控制中心，由专家决策系统及时、准确地发现问题，根据需要控制相关设备进行调温、调光、浇灌、换气，实现农作物生长环境的智能化控制，从而有效提高农业生产效率和农产品质量。传统的农业环境监测系统大多采用ＲＳ４８５ 和现场总线布网，布线麻烦，安装、维护成本高且扩展不易。针对这一问题，本文提出了一种基于 ZigBee模块的无线传感器网络解决方案，解决了上述传统农业环境监测组网过程中的一系列问题，提高了农业生产的智能化水平。

前文有介绍通过usb cc2531和cc2530作为zigbee的网关，今天就教大家自制一个独立的2530+2591的网关。首先看图

如图就是一个rt5350+ cc2530+2591的zigbee 网关

具体实现思路是rt5350负责连接wifi，cc2530负责将串口信息发给rt5350，5350将串口信息用wifi的tcp协议发给zigbee2mqtt。这样整个过程就完成了。

每个对机器学习感兴趣的机器学习工程师/软件开发人员/学生都在卷积神经网络（也称为CNN）上工作。我们有一个一般理论，即如何训练网络对图像进行分类。但是，刚接触机器学习/神经网络的人们并不了解CNN如何精确地学习参数。

我们知道，在每个转换层中，网络都试图了解基本模式。例如：在第一层中，网络尝试学习图案和边缘。在第二层中，它尝试了解形状/颜色和其他内容。最后一层称为要素层/完全连接层尝试对图像进行分类。

DeepLearnToolbox-master是一个深度学习matlab包，里面含有很多机器学习算法，如卷积神经网络CNN，深度信念网络DBN，自动编码AutoEncoder（堆栈SAE，卷积CAE）的作者是 RasmusBerg Palm。

今天给介绍deepLearnToolbox-master中的CNN部分。

DeepLearnToolbox-master中CNN内的函数：

调用关系为：

该模型使用了mnist的数字mnist_uint8.mat作为训练样本，作为cnn的一个使用样例，每个样本特征为一个28*28=的向量。

普通的神经网络不适用于比较大的网格（因为参数会过多），而传统的卷积神经网络又没法应用在拥有不规则结构的三维网格上。因此，我们把传统的卷积神经网络加以改进，使其可以拓展到任意结构的网格上。和近年来出现的许多其他的网格（图）卷积神经网络相比，我们的网络能更好地重建全局和局部信息，拥有更强大的生成能力，并且支持所有诸如上下采样的传统卷积神经网络所拥有的操作。

来源：科技日报

仅凭一张照片就能生成3D人体模型

近日，重庆中科云从科技有限公司（以下简称云从科技）提出一种新型DenseBody框架，可直接从彩色照片中获取3D人体姿势和形状。而此基于单帧图像的3D人体重建技术，将原有最低误差降低30%，刷新了世界纪录。

获取人体3D数据不容易

用Emoji、zepeto等软件将自己的照片转换成3D动画头像的功能曾风靡一时，但很多人发现，其实生成的3D形象和自己并没有那么像。

传统3D重建技术大多需要连续的图像序列或是多视角的图像，在硬件设备上一般需要采用双目摄像机或者结构光摄像机等设备，因此在手机等便携设备上往往难以实现；另一方面，专用设备还会增加部署成本，增加大规模普及3D重建技术的难度。但基于单帧图像的3D重建技术对原始图像要求放松的同时，对背后的技术却提出了更高挑战。

大家都知道，大模型能处理人类的需求，但作为大模型“大脑”的神经网络，其背后的运行原理是什么？

下文给出大家都能理解的通俗易懂的讲解和例子，希望能帮助到您理解（大家都可以理解，不会有复杂的专业名词术语）。

简单的例子：神经网络如何识别手写数字？

假设有一个班级（神经网络），如何让学生们识别出一张手写数字呢？