墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
306平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
RK3588平台开发：探索Linux和Android USB软件架构
USB（Universal Serial Bus）是一种常用的外部设备连接标准，广泛应用于计算机和移动设备领域。在RK3588平台开发中，USB软件架构是实现USB功能的重要组成部分。本文将详细介绍RK3588平台上Linux和Android操作系统下的USB软件架构，并提供相应的源代码示例。
USB软件架构概述
RK3588平台上的USB软件架构主要分为两部分：内核空间和用户空间。内核空间负责USB硬件驱动程序的管理和USB核心功能的实现，而用户空间则提供USB相关的工具和库。
Linux USB软件架构
在Linux操作系统中，USB软件架构主要由以下几个组件组成：
2.1 USB Core
USB Core是Linux内核中用于管理USB设备的核心模块。它提供了USB设备的注册、控制命令的传输以及USB设备的插拔事件通知等功能。USB Core还负责解析和加载USB设备的驱动程序。
以下是一个简化的USB Core驱动程序示例：
#include <linux/usb.h>
[Linux外设驱动详解]RK3588 U-Boot 启动命令实现机制详解
本文详细分析RK3588平台U-Boot启动命令的实现机制。主要内容包括： 介绍RK3588处理器特性，包括ARMv8架构、多系统支持等 分析U-Boot启动架构，包含状态机管理和启动流程，从BOOTM_STATE_START到BOOTM_STATE_OS_PREP的完整过程 详细解析各类启动命令(bootd/bootm/bootz/booti/boot_android/bootrkp/boot_fit)的源码位置和实现机制 说明内核跳转机制和RK3588硬件特性 文档采用表格形式列出命令对应源码位置，通过
RK平台ADB不识别问题排查
RK平台ADB不识别问题排查
RK3588人工智能主板ITX-3588J
ITX-3588J采用了Rockchip RK3588新一代旗舰级八核64位处理器，最大可配32GB大内存；支持8K视频编解码；拥有丰富的接口，支持多硬盘、千兆网、WiFi6、5G/4G扩展和多种视频输入输出；提供多种的供电方式；支持多种操作系统；可适用于ARM PC、边缘计算、云服务器、智能NVR等领域。 全新一代AIoT芯片 RK3588 RK3588是Rockchip全新一代旗舰AIoT芯片，采用了8nm LP制程；搭载八核64位CPU，主频高达2.4GHz；性能强劲的RK3588可为各类AI
[RK3588-Android12] 深入解析USB Type-C PD充电功能的DTS配置与内核驱动修改
本文深入探讨了在RK3588 Android12平台上禁用USB Type-C PD充电功能的实现方法。通过分析设备树（DTS）配置与内核驱动（TCPM框架）的联动修改，详细解读了如何通过添加`pd-disable`属性及修改`tcpm.c`驱动代码，使Type-C端口绕过PD协议协商，仅工作在传统电源模式，以满足工控等特定场景对供电稳定性和成本控制的需求。
香橙派5 plus 和 max 装机后的一些技巧,rk3588
5) 然后就能看到 HDMI In 的输入画面了（下图中 HDMI In 显示的是 opi5 开发板 HDMI 输出的画面，此时正在播放一个视频）。脚本默认会将 HDMI In 输入的音频播放到开发板的 HDMI_TX1 、HDMI_TX2 和 ES8388（代表喇叭或者 耳机）中去。2) 首先使用下图所示的 HDMI 转 HDMI 线将其它设备的 HDMI 输出接到开发板的 HDMI In 接口上。l. 然后使用键盘的方向键定位到下图所示的位置，再使用。c. 设置绿灯常亮的命令如下。
移动通信模组选型与实战：RK3588 Android设备4G集成指南与避坑手册
本文详细介绍了RK3588 Android设备4G通信模组的选型策略与集成实战，重点对比了EC20等主流模组特性，并深入解析了Android RIL层配置、内核驱动移植及APN管理等关键技术要点，提供了完整的避坑指南和性能优化方案。
RK3588平台开发系列讲解（USB篇）USB设备基础结构
Linux内核系统中提供了一个名为USB core的子系统，通过此系统可以处理大部分的复杂功能，我们讲解的USB设备就是驱动程序和USB core之间的接口。在USB设备组织结构中，从上到下分为设备（device）、配置（config）、接口（interface）和端点（endpoint）4个层次，具体说明如下。
RK3588平台开发系列：USB常用调试方法与Android
首先，确保设备已连接到开发主机，并启用USB调试模式。通过正确配置USB调试环境，并使用相应的代码示例，你可以在Android设备上进行USB调试，并实现各种功能，如设备连接状态监听和数据传输。通过注册广播接收器并监听ACTION_USB_DEVICE_ATTACHED和ACTION_USB_DEVICE_DETACHED动作，可以实现对USB设备连接状态的实时监测。在RK3588平台开发过程中，USB调试是一个重要的环节，本文将介绍一些常用的USB调试方法，并提供相应的源代码。3.2 USB数据传输。
RK3588平台开发系列讲解（USB篇）内核 USB 配置
📢本篇将介绍USB的相关配置。
RK3588平台开发指南：深入了解Android USB设备基础结构
在Android开发中，了解USB设备的基础结构至关重要，这对于与外部设备进行通信以及开发各种USB功能非常有帮助。通过添加USB设备支持、创建USB设备对象、进行USB通信以及释放资源，开发人员可以与外部USB设备进行交互，并实现各种USB功能。一旦创建了USB设备对象并建立了与设备的连接，就可以进行USB通信了。请注意，以上示例代码仅用于说明USB设备的基本结构和操作方式，并不包含完整的错误处理和异常情况处理。在使用完USB设备后，应该释放相应的资源，包括关闭与USB设备的连接和释放USB设备对象。
RK3588平台开发系列讲解（USB篇）Linux Android USB软件架构
📢本篇章主要图解USB软件架构。
RK3588 Android12 开发入门到精通专栏目录及介绍
近十几年来，随着以 iOS 和 Android 系统为代表的智能手机的普及与发展，互联网行业早已进入“移动”的时代。但是如今的“风口”已经从移动转向 AI，整个移动互联网行业正处于增量下降、存量厮杀的阶段。面对技术变革、前景不明、竞争激烈的现状，嵌入式开发者及移动开发者们都感到了焦虑与迷茫。在这个大环境下，行业和企业对开发工程师的要求越来越高，而用户对产品质量和体验的要求也越来越高。 💬作为一名移动软件开发者以及嵌入式软件开发者，我们该如何破局呢？
RK3588平台开发系列讲解（USB篇）UAC初识
📢本篇将介绍RK3588平台`UAC`的配置使用。
RK3588开发板快速入门指南
RK3588开发板是基于Rockchip RK3588处理器设计的硬件平台，其主要特点包括高性能、低功耗和丰富的接口。同时，该处理器还集成了先进的GPU和NPU，支持多媒体处理和人工智能计算。本篇文章将为您提供关于RK3588开发板的快速入门指南，包括基本介绍、开发环境搭建、开发流程和示例代码。本篇文章简要介绍了RK3588开发板的快速入门指南，包括基本介绍、开发环境搭建、开发流程和示例代码。配置开发环境：设置环境变量，将开发工具链的路径添加到系统的PATH变量中，以便能够方便地使用命令行工具。
PyQt5 + HFSS：给你的仿真脚本做个专属GUI界面（零基础搭建指南）
本文详细介绍了如何使用PyQt5为HFSS仿真脚本创建专属GUI界面，适合零基础用户快速上手。通过Python二次开发，实现参数可视化调整、进度实时监控等功能，大幅提升团队协作效率。文章涵盖环境配置、界面设计、HFSS集成到打包部署的全流程，是仿真工程师提升工作效率的实用指南。
网格自适应_Comsol案例解析17：自适应网格的使用
本期导读自适应网格细化有许多优势，比如可以不用对网格进行全局加密，增加计算精度，又会降低求解自由度。本期仍然以气泡上升案例为例，在两相流模块中使用自适应网格。【打开案例模型】【修改网格】适当让气泡边界加密，注意，曲率因子越小，曲线上的网格越密【添加自适应网格】使用默认的参数即可，这里的误差指示器用的是水平集phi。可以根据具体求解模型选择适当的自变量作为误差指示器。【口诀】默认的一般是最...
Abaqus梁模型仿真中的常见陷阱与优化策略
本文深入探讨了Abaqus梁模型仿真中的常见陷阱与优化策略，涵盖几何建模、材料属性设置、边界条件处理等关键环节。针对梁截面方向定义、网格划分、复合截面建模等典型问题，提供了实用的Python脚本示例和优化方案，帮助工程师避免计算错误并提升仿真精度。文章特别强调了动力分析中的网格密度要求和材料非线性考虑，为复杂工程应用提供专业指导。
微信h5 支付,已经获得weixin://wap/pay?prepayid,但是无法调起微信客户端支付
结果几个接口,最终获得到到一直包含调起微信客户端的支付链接 但是直接打开这个页面,却不能调起微信客户端支付,原因是,在打开新页面的时候,需要设置a.rel = "noreferrer"; <body> <a href="javascript:void(0)" onclick="openNewWindowNoreferrer(this)">点击支付</a&...
为Skill开发的python脚本一些经验
其中SKILL.md的职责是调度，不是实现，这里面要写清楚如下三点： 脚本会自动生成： 如果缺少依赖： 这样就实现了分工，脚本用来完成格式转换、统计计算、文件生成；Claude做理解用户意图、选择参数、解释结果、处理特殊需求等。Claude 调用脚本时，所有参数都通过命令行传递，本质上都是字符串。但在脚本内部，应该明确转换成正确类型，而不是全程当字符串用。因此，强烈建议使用argparse里声明正确的type，如下： 的 参数会自动做转换和报错，比在代码里手动 更安全，报错信息也更清晰。特别注意如下
21天教你学会PCIe专栏（17）--多功能设备
1.1 定义多功能PCIe设备：多功能PCIe设备是指在一个物理设备中集成了多种功能的设备。这些功能可以通过不同的PCIe功能（Function）来实现，每个功能可以独立配置和管理。1.2 优点资源利用率：通过集成多种功能，减少物理设备的数量，提高资源利用率。成本效益：减少硬件成本和功耗，提高系统的经济性。灵活性：用户可以根据需要启用或禁用不同的功能，提高系统的灵活性。可扩展性：通过增加新的功能，扩展设备的功能，提高系统的可扩展性。1.3 应用场景网络设备。
金融数字化——详解2025年金融智能体深度应用报告【附全文阅读】
《2025年金融智能体深度应用报告》显示，金融智能体已实现80%部署率，推动行业效率提升30%-50%。报告指出智能体通过"感知-推理-规划-执行-进化"机制突破大模型局限，在风控、客服、投研等100+场景实现自动化。典型案例显示，工商银行信贷审批效率提升60%，蚂蚁数科智能客服解决80%问题。尽管面临系统协同、标准缺失等挑战，未来趋势将向多模态交互、自主进化和ESG投资等方向拓展。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1525
扫一扫
