接着将其波特率设置为 115200，数据帧设置为 8 位数据位，无校验位，1 位停止位。打开串口调试助手，选择usb串行设备，设置波特率为115200，并点击“打开串口”操作，运行程序后可以看到在窗口中接收到电压和温度信息，如图4所示，可以看到打印的电压是1.23V，打印的温度是29.41，根据打印出的数据可以看到温度在实时发生变化。（1）在实验中发现，开发板的六号接口（&huart6）可以正常输

程序中部分代码如下图（图1）所示，HAL库中提供一个操作GPIO电平的函数：HAL_GPIO_WritePin 函数，使得对应的引脚输出高电平或者低电平。（3）问题三：在编译后下载出现Error: Flash Download failed - "Cortex-M4"的错误，如下图（图8）所示。（1）问题一：在使用Keil μVision开发环境时遇到了设备未找到的问题，如下图（图4）所示。解决方

第二个循环从511递减到1，同样调用__HAL_TIM_SET_COMPARE函数来设置定时器的比较值，并使用HAL_Delay函数延迟，随着比较值的减小，输出信号的频率也会减小。一个周期内高水平的持续时间占总周期的比例称为占空比，通过修改占空比，可以改变输出的等效模拟电压。通过控制不同的PWM占空比，控制某个颜色的LED的亮度，以这样的方式就可以通过设置aRGB的值控制最后输出的LED灯效。如图

摘要： 本实验基于YOLOv3算法在Baidu飞桨AIStudio平台上实现林业病虫害目标检测。通过Python编程，实验涉及锚框绘制、IoU计算、非极大值抑制等关键步骤，并构建了DarkNet53骨干网络。模型训练采用动量优化器，在昆虫数据集上验证了检测效果，最终通过预测框坐标和类别概率输出结果。实验表明，YOLOv3的多尺度特征融合策略有效提升了检测精度，实现了速度和准确率的平衡，为林业病虫害

本实验基于Python和PyTorch框架比较了LeNet、AlexNet、VGG和ResNet四种经典CNN模型在FashionMNIST数据集上的表现，并重点研究了超参数调整对模型性能的影响。实验结果表明：1）对于所有模型，SGD优化器普遍比Adam表现更好；2）学习率在0.05左右时模型性能最佳；3）增加训练轮数可以提高准确率但会延长训练时间；4）批量大小对模型性能影响相对较小。此外，通过简

安装机器学习实验所需要的环境及编译器