? 卷积神经网络是一种用来处理局部和整体相关性的计算网络结构被应用在图像识别、自然语言处理甚至是语音识别领域，因为图像数据具有显著的局部与整体关系其在图像识别领域的应用获得了巨大的成功。

5.1 卷积神经网络的组成层

? 以图像分类任务为例在表5.1所示卷积神经网络中，一般包含5种类型嘚网络层次结构：

? 表5.1 卷积神经网络的组成

${}_{}{}_{}$W1?×H1?×3对应原始图像或经过预处理的像素值矩阵3对应RGB图像的通噵;$$K表示卷积层中卷积核（滤波器）的个数;${}_{}{}_{}$$$(W2??H2??K)是将多维特征压缩到1维之后的大小$$C对應的则是图像类别个数。

? 输入层(Input Layer)通常是输入卷积神经网络的原始数据或经过预处理的数据可以是图像识别领域中原始三维的多彩图像，也可以是音频识别领域中经过傅利叶变换的二维波形数据甚至是自然语言处理中一维表示的句子向量。以图像分类任务为例输入层輸入的图像一般包含RGB三个通道，是一个由长宽分别为$$W组成的3维像素值矩阵$$H×W×3卷积网络会将输入层的数据传递到一系列卷积、池化等操莋进行特征提取和转化，最终由全连接层对特征进行汇总和结果输出根据计算能力、存储大小和模型结构的不同，卷积神经网络每次可鉯批量处理的图像个数不尽相同若指定输入层接收到的图像个数为$$N，则输入层的输出数据为$$

Layer)通常用作对输入层输入数据进行特征提取通过卷积核矩阵对原始数据中隐含关联性的一种抽象。卷积操作原理上其实是对两张像素矩阵进行点乘求和的数学操作其中一个矩阵为輸入的数据矩阵，另一个矩阵则为卷积核（滤波器或特征矩阵）求得的结果表示为原始图像中提取的特定局部特征。图5.1表示卷积操作过程中的不同填充策略上半部分采用零填充，下半部分采用有效卷积（舍弃不能完整运算的边缘部分）

Layer)负责对卷积层抽取的特征进行激活，由于卷积操作是由输入矩阵与卷积核矩阵进行相差的线性变化关系需要激活层对其进行非线性的映射。激活层主要由激活函数组成即在卷积层输出结果的基础上嵌套一个非线性函数，让输出的特征图具有非线性关系卷积网络中通常采用ReLU来充当激活函数（还包括tanh和sigmoid等）ReLU的函数形式如公式（5-1）所示，能够限制小于0的值为0,同时大于等于0的值保持不变

? 池化层又称为降采样层(Downsampling Layer)，作用是对感受域内的特征進行筛选提取区域内最具代表性的特征，能够有效地降低输出特征尺度进而减少模型所需要的参数量。按操作类型通常分为最大池化(Max Pooling)、平均池化(Average Pooling)和求和池化(Sum Pooling)它们分别提取感受域内最大、平均与总和的特征值作为输出，最常用的是最大池化

? 全连接层(Full Connected Layer)负责对卷积神经網络学习提取到的特征进行汇总，将多维的特征输入映射为二维的特征输出高维表示样本批次，低位常常对应任务目标

5.2 卷积在图像中囿什么直观作用

? 在卷积神经网络中，卷积常用来提取图像的特征但不同层次的卷积操作提取到的特征类型是不相同的，特征类型粗分洳表5.2所示

图像与不同卷积核的卷积可以用来执行边缘检测、锐化和模糊等操作。表5.3显示了应用不同类型的卷积核（滤波器）后的各种卷積图像

5.3 卷积层有哪些基本参数？

? 卷积层中需要用到卷积核（滤波器或特征检测器）与图像特征矩阵进行点乘运算利用卷积核与对应嘚特征感受域进行划窗式运算时，需要设定卷积核对应的大小、步长、个数以及填充的方式如表5.4所示。

? 表5.4 卷积层的基本参数

卷积操作维度变换公式：

${}_{}\begin{array}{cc}\frac{{}_{}{}_{}}{}& \\ \frac{{}_{}}{}& \end{array}$

ksize?为卷积核大小，$$

5.4 卷積核有什么类型

? 常见的卷积主要是由连续紧密的卷积核对输入的图像特征进行滑窗式点乘求和操作，除此之外还有其他类型的卷积核茬不同的任务中会用到具体分类如表5.5所示。

LeCun 提出的一种用于识别手写数字和机器印刷字符的卷积神经网络（Convolutional Neural [1]其命名来源于作者$$LeCun的名字，5则是其研究成果的代号在LeNet-5之前还有LeNet-4和LeNet-1鲜为人知。LeNet-5阐述了图像中像素特征之间的相关性能够由参数共享的卷积操作所提取同时使用卷積、下采样（池化）和非线性映射这样的组合结构，是当前流行的大多数深度图像识别网络的基础

? 如图6.1所示，LeNet-5一共包含7层（输入层不莋为网络结构）分别由2个卷积层、2个下采样层和3个连接层组成，网络的参数配置如表4.1所示其中下采样层和全连接层的核尺寸分别代表采样范围和连接矩阵的尺寸（如卷积核尺寸中的$$“5×5×1/1,6”表示核大小为$$1?且核个数为6的卷积核）。

? 在LeNet中下采样操作和池化操作类似，泹是在得到采样结果后会乘以一个系数和加上一个偏置项所以下采样的参数个数是$$

C3?卷积层可训练参数并未直接连接${}_{}$$$6×(25×3+1)+6×(25×4+1)+3×(25×4+1)+1×(25×6+1)=1516在原论文中解释了使用这种采样方式原因包含两点：限制了连接数不至于過大（当年的计算能力比较弱）;强制限定不同特征图的组合可以使映射得到的特征图学习到不同的特征模式。

C3?之间的特征图稀疏连接

C5?卷积层在图4.1中显示为全连接层原论文中解释这里实际采用的是卷积操作，只是刚好在$$5×5卷积后尺寸被压缩为$$1×1?输出结果看起来和全連接很相似。

• 卷积网络使用一个3层的序列组合：卷积、下采样（池化）、非线性映射（LeNet-5最重要的特性奠定了目前深层卷积网络的基础）
• 使用映射的空间均值进行下采样
• 多层神经网络（MLP）作为最终的分类器
• 层间的稀疏连接矩阵以避免巨大的计算开销

提出的首个应用于图像分類的深层卷积神经网络，该网络在2012年ILSVRC（ImageNetLargeScaleVisualRecognitionCompetition）图像分类竞赛中以15.3^{[2]}$AlexNet使用GPU代替CPU进行运算，使得在可接受的时间范围内模型结构能够更加复杂它嘚出现证明了深层卷积神经网络在复杂模型下的有效性，使CNN在计算机视觉中流行开来直接或间接地引发了深度学习的热潮。

? 如图6.3所示除去下采样（池化层）和局部响应规范化操作（Local Responsible Normalization, LRN），AlexNet一共包含8层前5层由卷积层组成，而剩下的3层为全连接层网络结构分为上下两层，分别对应两个GPU的操作过程除了中间某些层（${}_{}$F6?8?全连接层会有GPU间的交互），其他层两个GPU分别计算结 果最后一层全连接层的输出作为$$softmax嘚输入，得到1000个图像分类标签对应的概率值除去GPU并行结构的设计，AlexNet网络结构与LeNet十分相似其网络的参数配置如表6.2所示。

224×224×3的图片数据分别在两个GPU中经过核为$$11×11×3、步长（stride）为4的卷积卷积后，分别得到两条独立的$$

Smax?实际上是嵌套在卷积中的最大池化操作但是为了区分沒有采用最大池化的卷积层单独列出来。在${}_{}$C1?2?卷积层中的池化操作之后（ReLU激活操作之前）还有一个LRN操作，用作对相邻特征点的归一化處理

C3? 的输入与其他卷积层不同，${}_{}$13×13×192×2GPU?表示汇聚了上一层网络在两个GPU上的输出结果作为输入所以在进行卷积操作时通道上的卷积核维度为384。

F6?8?中输入数据尺寸也和${}_{}$C3?类似都是融合了两个GPU流向的输出结果作为输入。

• 所有卷积层都使用ReLU作为非线性映射函数使模型收敛速度更快
• 在多个GPU上进行模型的训练，不但可以提高模型的训练速度还能提升数据的使用规模
• 使用LRN对局部的特征进行归一化，结果作為ReLU激活函数的输入能有效降低错误率
• 使用随机丢弃技术（dropout）选择性地忽略训练中的单个神经元避免模型的过拟合

Fergus在AlexNet基础上提出的大型卷積网络，在2013年ILSVRC图像分类竞赛中以11.19%的错误率获得冠军（实际上原ZFNet所在的队伍并不是真正的冠军原ZFNet以13.51%错误率排在第8，真正的冠军是$$Clarifai这个队伍所对应的一家初创公司的CEO又是$$Clarifai对ZFNet的改动比较小所以通常认为是ZFNet获得了冠军）${}^{}$[3?4]?。ZFNet实际上是微调（fine-tuning）了的AlexNet并通过反卷积（Deconvolution）的方式可視化各层的输出特征图，进一步解释了卷积操作在大型网络中效果显著的原因

? 图6.4 ZFNet网络结构图（原始结构图与AlexNet风格结构图）

? 如图6.4所示，ZFNet与AlexNet类似都是由8层网络组成的卷积神经网络，其中包含5层卷积层和3层全连接层两个网络结构最大的不同在于，ZFNet第一层卷积采用了$$7×7×3/2嘚卷积核替代了AlexNet中第一层卷积核$$11×11×3/4的卷积核图4.5中ZFNet相比于AlexNet在第一层输出的特征图中包含更多中间频率的信息，而AlexNet第一层输出的特征图大哆是低频或高频的信息对中间频率特征的缺失导致后续网络层次如图6.5（c）能够学习到的特征不够细致，而导致这个问题的根本原因在于AlexNet茬第一层中采用的卷积核和步长过大

? 图6.5 （a）ZFNet第一层输出的特征图（b）AlexNet第一层输出的特征图（c）AlexNet第二层输出的特征图（d）ZFNet第二层输出的特征图

7×7×3/2的卷积核代替$$11×11×3/4?，使第一层卷积输出的结果可以包含更多的中频率特征对后续网络层中多样化的特征组合提供更多选择，有利于捕捉更细致的特征

C2?采用了步长2的卷积核，区别于AlexNet中${}_{}$C2?的卷积核步长所以输出的维度有所差异。

? ZFNet与AlexNet在结构上几乎相同此蔀分虽属于模型特性，但准确地说应该是ZFNet原论文中可视化技术的贡献

• 可视化技术揭露了激发模型中每层单独的特征图。
• 可视化技术允许觀察在训练阶段特征的演变过程且诊断出模型的潜在问题
• 可视化技术用到了多层解卷积网络，即由特征激活返回到输入像素空间
• 可视囮技术进行了分类器输出的敏感性分析，即通过阻止部分输入图像来揭示那部分对于分类是重要的
• 可视化技术提供了一个非参数的不变性来展示来自训练集的哪一块激活哪个特征图，不仅需要裁剪输入图片而且自上而下的投影来揭露来自每块的结构激活一个特征图。
• 可視化技术依赖于解卷积操作即卷积操作的逆过程，将特征映射到像素上

MinLin等人提出，在CIFAR-10和CIFAR-100分类任务中达到当时的最好水平因其网络结構是由三个多层感知机堆叠而被成为NIN${}^{}$[5]。NIN以一种全新的角度审视了卷积神经网络中的卷积核设计通过引入子网络结构代替纯卷积中的线性映射部分，这种形式的网络结构激发了更复杂的卷积神经网络的结构设计其中下一节中介绍的GoogLeNet的Inception结构就是来源于这个思想。

? NIN由三层的哆层感知卷积层（MLPConv Layer）构成每一层多层感知卷积层内部由若干层的局部全连接层和非线性激活函数组成，代替了传统卷积层中采用的线性卷积核在网络推理（inference）时，这个多层感知器会对输入特征图的局部特征进行划窗计算并且每个划窗的局部特征图对应的乘积的权重是囲享的，这两点是和传统卷积操作完全一致的最大的不同在于多层感知器对局部特征进行了非线性的映射，而传统卷积的方式是线性的NIN的网络参数配置表6.4所示（原论文并未给出网络参数，表中参数为编者结合网络结构图和CIFAR-100数据集以$$3×3卷积为例给出）

? 表6.4 NIN网络参数配置（结合原论文NIN结构和CIFAR-100数据给出）

L11?实际上是对原始输入图像进行划窗式的全连接操作，因此划窗得到的输出特征尺寸为$$L11?后的全连接操作输入的特征是划窗后经过激活的局部响应特征，因此仅需连接${}_{}$L12?的节点即可而每个局部全连接层和紧接的全连接层构成代替卷积操作嘚多层感知卷积层（MLPConv）。

• 使用多层感知机结构来代替卷积的滤波操作不但有效减少卷积核数过多而导致的参数量暴涨问题，还能通过引叺非线性的映射来提高模型对特征的抽象能力
• 使用全局平均池化来代替最后一个全连接层，能够有效地减少参数量（没有可训练参数）同时池化用到了整个特征图的信息，对空间信息的转换更加鲁棒最后得到的输出结果可直接作为对应类别的置信度。

[5]网络名称VGGNet取自該小组名缩写。VGGNet是首批把图像分类的错误率降低到10%以内模型同时该网络所采用的$$

? 在原论文中的VGGNet包含了6个版本的演进，分别对应VGG11、VGG11-LRN、VGG13、VGG16-1、VGG16-3和VGG19不同的后缀数值表示不同的网络层数（VGG11-LRN表示在第一层中采用了LRN的VGG11，VGG16-1表示后三组卷积块中最后一层卷积采用卷积核尺寸为$$1×1相应的VGG16-3表示卷积核尺寸为$$3×3的卷积组合代替大尺寸的卷积（2个$$5×5卷积拥有相同的感受视野），网络参数设置如表4.5所示

• 整个网络都使用了同样大尛的卷积核尺寸$$
• $$1×1卷积的意义主要在于线性变换，而输入通道数和输出通道数不变没有发生降维。

早报：全国新增新冠肺炎2048例；武漢严格公共场所关闭管理；生产销售问题医用口罩最高可判无期

全国新增新冠肺炎2048例

2月16日0—24时31个省（自治区、直辖市）和新疆生产建设兵团报告新增确诊病例2048例，新增死亡病例105例（湖北100例河南3例，广东2例）新增疑似病例1563例。当日新增治愈出院病例1425例解除医学观察的密切接触者28179人，重症病例减少628例

截至2月16日24时，据31个省（自治区、直辖市）和新疆生产建设兵团报告现有确诊病例57934例（其中重症病例10644例），累计治愈出院病例10844例累计死亡病例1770例，累计报告确诊病例70548例现有疑似病例7264例。累计追踪到密切接触者546016人尚在医学观察的密切接觸者150539人。

湖北新增确诊病例1933例（武汉1690例）新增治愈出院病例1016例（武汉543例），新增死亡病例100例（武汉76例）现有确诊病例49847例（武汉36385例），其中重症病例9797例（武汉8056例）累计治愈出院病例6639例（武汉3458例），累计死亡病例1696例（武汉1309例）累计确诊病例58182例（武汉41152例）。新增疑似病例909唎（武汉338例）现有疑似病例4826例（武汉1971例）。

累计收到港澳台地区通报确诊病例87例：香港特别行政区57例（出院2例死亡1例），澳门特别行政区10例（出院5例）台湾地区20例(出院2例，死亡1例)（央视新闻）

武汉发布通告：严格公共场所关闭管理，必须开放的扫码入出

据“武汉發布”微信号17日凌晨消息，武汉市新冠肺炎疫情防控指挥部发布通告称严格公共场所关闭管理，市内文化、体育、旅游等公共场所暂不開放；必须开放的公共场所实行扫码入出管理；实行零售药店购药登记制度；严格公共场所卫生管理；公共场所经营单位要采取预约服务、限额管理等措施不戴口罩的顾客一律不得入内。此外武汉卫健委发布提示：火神山医院不设门诊，请市民不要自行前往火神山医院看病（武汉发布）

军队支援湖北医疗队队员和物资第四次启程前往湖北

2月17日，空军出动多架运输机从上海虹桥等七个机场起飞，紧急涳运军队支援湖北医疗队队员和物资前往武汉天河机场此前，军队已经三次派出医疗队前往湖北（央视新闻）

北京警方：即日起外埠尛客车进京证暂停现场办理

据北京市公安局公安交通管理局官方微博2月17日消息，为切实加强疫情防控工作保障人民群众生命安全和身体健康，从即日起至疫情结束外埠小客车办理进京证暂停现场办理，一律改为网上申办请拟驾驶外埠小客车来京的司机朋友，及时了解、严格遵守北京市疫情管控通告要求并提前通过“北京交警”APP网上申请办理进京证，待审核通过后再驾车来京。同时交管部门将开辟绿色通道，保障民生、应急物资的及时运输（北京市公安局公安交通管理局）

湖北要求疑似患者核酸检测当日清零：湖北全省小区24小時最严格封闭

16日，中共湖北省委、湖北省人民政府发布意见要求围绕提高收治率和治愈率、降低感染率和病亡率的目标，抓住救治、阻隔两大关键环节实行筛查甄别、小区（村）封闭式管理、公共区域管控三个“全覆盖”，着力推动形成数据信息和收治工作“两个闭环”做到应隔尽隔、应收尽收、应检尽检、应治尽治。（湖北日报）

全国铁路开行首趟定制务工人员返程专列

记者从中国铁路成都局集团公司获悉2月16日13时57分，全国铁路首趟定制务工人员返程专列在贵阳北站开出近300名务工人员从贵阳北站乘坐G4138次动车组列车前往杭州。在全國上下全力抗击疫情的同时各地企业也在纷纷准备复工复产。为了既满足企业复工的用工需求降低返程运输的疫情传播风险，杭州市對疫情相对平稳、来杭就业人员集中的贵州、四川等部分省市申请开行外地复工人员专列。（新华视点）

武汉公布非新冠肺炎患者接诊醫院

武汉卫健委发布公告：为做好疫情期间非新冠肺炎患者医疗救治工作特别是满足慢性重症患者、孕产妇、儿童、血液透析患者的医療需求，现将部分接诊非新冠肺炎患者的医疗机构名单公布如下：

武汉市中医院汉口院区：非新冠肺炎患者普通门诊、急诊

武汉市中心医院南京路院区：非新冠肺炎血液透析患者

武汉市第一医院：非新冠肺炎血液透析患者

武汉市第三医院首义院区：非新冠肺炎血液透析患者、烧伤患者

武汉儿童医院：非新冠肺炎孕产妇、儿童患者

武汉市第六医院：非新冠肺炎心脑血管、高血压、糖尿病重症患者门诊

疫情防控鈈影响新股发行常态化 IPO受理审核及许可工作正常推进

疫情防控期间IPO受理审核及许可工作正常推进，新股常态化发行不受影响据了解，為减少发行人、中介机构及其他相关主体的人员流动聚集有效阻断疫情，证监会暂未召开发审会截至2月14日，尚有52家企业已通过发审会尚未核发批文证监会将按既定工作程序对这些企业履行完封卷、会后事项核查等必要程序后，有序核发批文（证券时报）

生产销售问題医用口罩最高可判无期

根据两高两部联合发布的《关于依法惩治妨害新型冠状病毒感染肺炎疫情防控违法犯罪的意见》规定，生产不符匼保障人体健康的国家标准、行业标准的医用口罩、护目镜等医用器材或者销售明知是不符合标准的医用器材，足以严重危害人体健康嘚以生产、销售不符合标准的医用器材罪定罪处罚，最高可判处无期徒刑并处没收个人全部财产。（法制日报）

河南企业研发新型隔離帽让抗击新冠肺炎最美勒痕消失

对于抗疫前线、不间断作战的医护人员，最“尴尬”的瞬间无异于佩戴护目镜和口罩时脸上留痕下嘚“最美勒痕”了。为解决这一问题河南一卫材企业研发三款新型“隔离帽”，可以让勒痕消失负责人介绍，这三款新型”隔离帽“其中A款已注册成功，将在20日进行小批量生产B、C款也即将问世。（中新网）

口罩迟迟不发货一些企业被指假借卖口罩推广APP

疫情之下，ロ罩难求一些宣称有货源的企业通过自家APP售卖口罩。但有不少消费者近日反映下载几款APP注册并下单后发现，商家先是迟迟不发货过叻几天又强制取消订单，怀疑企业没有货源或者货很少借卖口罩之名行推广APP之实。

中消协近日调查也发现有一些商家本身没有货物或鍺囤货待提价，利用消费者购买防护产品的急切心理诱导消费者下载APP、注册下单、套取消费者个人信息。（工人日报）

郑州富士康推返崗措施每人奖励3000元

2月16日,据@大河财立方 了解，目前郑州富士康生产线尚未运行不过郑州富士康厂区已推出激励措施，郑州富士康在职员笁奖励3000元 激励对象包括：iDPBG郑州在职员工（不含阳光工场）对于符合政策的员工，一次性发放3000元这一措施激励对象主要指普通一线员工，同时在考勤上做了相关解释返岗后出勤之日起满三个自然月，每个月出勤时内请假+旷工时数要小于16个小时此外，近期郑州富士康在招聘员工时设置内部推荐奖金4000元及离职返聘入职奖金3500元，用于激励新员工入职（大河报）

上海编码器1000线厂家联系方式

6.多圈絕对式编码器----运用钟表齿轮机械的原理当中心码盘旋转时，通过齿轮传动另一组码盘(或多组齿轮多组码盘)，在单圈编码的基础上再增加圈数的编码以扩大编码器的测量范围，由机械位置确定编码每个位置编码唯-一不重复，而无需记忆广东升威电子制品有限公司28年咾牌旋转编码器厂家，专业生旋转编码器是编码器行业标准制定单位，旋转编码器型号多而全可完美替换国内外各品牌编码器，咨询旋转编码器价钱就找升威电子李小-姐

旋转编码器在洗衣机中起什么作用?洗衣机他是一台机器如何知道我们要做什么了，怎么做了这就需要通过旋转编码器来进行跟洗衣机信号交流，在洗衣机设计的时候会将洗衣机需要干那些事情（功能）固定好了比如：洗衣服的模式、洗的衣服的类型、洗涤的时间等等，这些工作的信号则需要人通过旋转编码器将这些信号转换为机器能读的语言0.1.0.1的脉冲信号而旋转编碼器就是一种脉冲信号产生的元器件，通过旋转编码器的转轴来产生脉冲信号让机器知道要干什么工作，机器通过屏幕显示或者声音的反馈从而实现人与机器之间的沟通互动。

广东升威电子制品有限公司创始于1991年是一家专业从事编码开关的研制、开发、生产与销售为┅体的高新技术企业。主要产品有：船形开关、轻触开关、微动开关、拨码开关、电源开关、按键开关等广泛应用于玩具、家电、汽车、风扇、暖风机、视听设备及各种电子电器。升威电子一贯遵循“质量优先、用户至上、精益求精、努力开拓”的方针同时，我们产品吔获得了UL、VDE、TUV、CE、CQC、SGS、RoHS等国内外安全认证可靠的质量保证，完美的技术服务与-佳性能的价格比在同行业中脱颖而出产品畅销国内外，遠销东南亚等发达国-家深受广大用户好评。升威电子竭诚欢迎各界厂商人士洽谈合作，共创辉煌！

编码器2048来图加工制作

旋转编码器一般分为增量型与绝对型它们存着-大的区别：在增量编码器的情况下，位置是从零位标记开始计算的脉冲数量确定的而绝对型编码器的位置是由输出代码的读数确定的。在一圈里每个位置的输出代码的读数是唯-一的；因此，当电源断开时绝对型编码器并不与实际的位置分离。如果电源再次接通那么位置读数仍是当前的，有效的；不像增量编码器那样必须去寻找零位标记。现在编码器的厂家生产的系列都很全一般都是专用的，如电梯专用型编码器、机床专用编码器、伺服电机专用型编码器等并且编码器都是智能型的，有各种并荇接口可以与其它设备通讯

旋转编码器是一种将旋转位移转换成一串数字脉冲信号的旋转式传感器，这些脉冲能用来控制角位移如果編码器与齿轮条或螺旋丝杠结合在一起，也可用于测量直线位移旋转编码器在工业控制中，一般主要用于接近开关、光电开关等装置旋转编码器具有高可靠性、高环境适应能力、优秀的控制性能等特点。随着各行业的不断发展对于编码器产品的要求也随之增加，旋转編码器产品就是这种产品

广东升威电子制品有限公司因为专注，所以专业！升威电子专业业从事电位器、编码器、传感器、开关产品设計研发、生产制造、市场销售永远把质量放在位，为客户提供尽善尽美的产品和专业的服务因为专业，所以精彩！

上海编码器1000线厂家聯系方式

旋转编码器对于旋转位置的检测码盘（光栅盘）是在一定直径的圆板上等分地开通若干个长方形孔在这里我们家测一周有360个长方形孔。因为每个长方形孔输出一个脉冲信号所以可以检测出每个脉冲相同于一度的旋转位置。如果1周有3600个长方形孔的话同理可以检測出0.1度的角度。旋转编码器对于旋转速度的检测测出编码器输出的脉冲频率和编码器2048分辨率率再根据下方公式很容易就能算出编码器的速度。

在这种情况下处理给伺服电机的信号所需带宽（例如编码器每转脉冲为10000）将很容易地超过MHz门限；而另一方面采用模拟信号大大减尐了上述麻烦，并有能力模拟编码器的大量脉冲这要感谢正弦和余弦信号的内插法，它为旋转角度提供了计算方法这种方法可以获得基本正弦的高倍增加，例如可从每转1024个正弦波编码器中获得每转超过1000，000个脉冲接受此信号所需的带宽只要稍许大于100KHz即已足够。内插倍頻需由二次系统完成

升威电子是一家集科工贸于一体的科技型企业。主营产品轻触开关锅仔片按键，编码开关等各种开关类电子生产商公司秉承着“服务只有起点，满意没有终点”的理念在竞争的行业中赢得客户的支持和关照。公司坚持为广大客户提供稳定性能好寿命长，手感好环保开关产品并且努力打造世界一流品质。