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
1.6k累计阅读
1.7k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
高通骁龙8155源码编译环境搭建详解
在嵌入式开发中，高通骁龙处理器系列广受欢迎并被广泛应用。而要为骁龙8155芯片编译源代码，首先需要搭建相应的编译环境。本文将详细介绍如何搭建高通骁龙8155源码编译环境，并提供相关的源代码示例。
一、安装必要的软件和工具
安装Ubuntu操作系统：高通官方推荐使用Ubuntu作为主要的开发操作系统。可以从Ubuntu官网上下载最新版本的Ubuntu，并按照提示进行安装。
安装Java开发工具包（JDK）：编译高通骁龙源码需要使用Java编译器，因此需要安装JDK。在终端中运行以下命令安装JDK：
sudo apt-get install openjdk-8-jdk
sudo apt-get install git-core gnupg flex bison gp高通骁龙座舱平台上的QNX Hypervisor实战：手把手教你配置双系统（Android + QNX）
本文详细介绍了在高通骁龙SA8155P座舱平台上配置QNX Hypervisor实现双系统（Android + QNX）的实战指南。从开发环境搭建、Hypervisor核心配置到系统部署与资源分配策略，手把手教你完成双系统镜像构建与优化，特别适用于智能座舱等车载场景的虚拟化需求。
Android/Linux双系统TBOX开发指南：从4G模块配置到车辆数据采集实战
本文详细介绍了Android/Linux双系统TBOX的开发实战，涵盖从4G模块选型配置、双系统通信设计到车辆CAN总线数据采集与解析的全流程。重点探讨了4G模块的选型考量、Linux侧PPP拨号与Android侧RIL配置，以及利用SocketCAN进行稳定数据采集的方法，为智能网联汽车终端开发提供实用指南。
Android车载UART通信实战：RS485精准时序与跨平台HAL设计
UART是嵌入式系统中最基础的异步串行通信机制，其本质是SoC内核中负责TTL电平数据帧编解码的硬件IP；而RS232和RS485则是运行于物理层的电气标准，分别定义了单端与差分信号的电压、距离及抗扰特性。在Android车机场景下，原生系统未提供Serial HAL抽象，导致/dev/ttyS*设备节点受SELinux策略严格管控、USB转串口芯片驱动兼容性差、RS485半双工收发时序失控等工程瓶颈。本文聚焦Android平台UART通信落地核心——通过Linux ioctl(TIOCSRS485)实现微
从玩具小车到工业级车载开发：核心差异、技术栈与实战入门
嵌入式系统开发是连接物理世界与数字世界的核心技术，其原理在于通过微控制器或处理器，结合传感器、执行器与通信模块，实现对硬件的精准控制与数据处理。这一技术在现代工业中价值巨大，尤其在汽车电子领域，它支撑着从车身控制到智能驾驶的复杂功能实现。随着汽车智能化、网联化趋势加速，车载开发已成为嵌入式技术的高阶应用场景，其核心已从简单的功能实现，转向对安全、可靠与可量产性的极致追求。这涉及到车规级硬件平台（如高通骁龙座舱芯片）、符合功能安全（ISO 26262）与信息安全标准的开发流程，以及AUTOSAR、QNX等专业
Android车载串口开发：UART/RS232/RS485全栈实践指南
UART是嵌入式系统中最基础的异步串行通信接口，其在车载电子中承担着连接ECU、传感器与域控制器的关键角色。理解UART工作原理、电平标准（TTL/RS232/RS485）及Linux内核驱动机制，是实现稳定低延迟通信的前提。技术价值体现在抗干扰设计、DMA缓冲优化、RS485自动收发时序控制等车规级要求上；典型应用场景包括OBD诊断、Modbus RTU通信、GPS数据接入及车身域总线汇聚。本文聚焦Android平台下从设备树配置、HAL层适配到JNI/Native串口操作的完整链路，深度解析RS232电
高通8155源码获取与Android源码编译方法详解
本文详细介绍了获取高通8155源码的步骤以及Android源码的编译方法。通过遵循这些步骤，您可以成功获取高通8155的源码，并编译出符合您需求的Android系统。本文将详细介绍获取高通8155源码的步骤，并提供Android源码编译的方法。获取Android源码：在进行Android源码编译前，需要获取对应的Android源码。寻找高通8155源码：在开发者页面中，搜索高通8155的源码。下载源码：找到合适的高通8155源码后，点击下载按钮进行源码下载。是指您需要编译的特定版本的分支名称。
极智芯 | 解读自动驾驶芯片之高通骁龙Ride系列
大家好，我是极智视界，本文分享一下 解读自动驾驶芯片之高通骁龙Ride系列。希望我的分享能对你的学习有一点帮助。
智能座舱Camera调试实践：高通qcarcam-test工具详解与排障指南
从嵌入式系统调试的通用需求出发，介绍在汽车智能座舱环境中，如何通过命令行工具快速验证摄像头数据链路。文章首先解释高通平台为何采用qcarcam框架而非标准V4L2，阐明其作为用户态抽象层在buffer管理、格式协商与多路并发中的调度价值。接着以qcarcam-test为主线，演示从设备打开、格式设置、buffer申请到帧采集的完整流程，并深入分析NV12对齐、crop坐标、多路带宽等常见问题。该工具不依赖GUI，适用于QNX等无显示环境，能在项目bring-up、HAL集成和应用联调阶段高效定位故障，是贯穿
高通搭建android编译环境的方法
高通平台搭建android环境的指导文档，包括BSP编译以及AP的完整编译方法
高通8155p平台QNX+Android9开启ASAN定位内存问题方法Android.mk与Android.bp都有
高通8155p平台QNX+Android9开启ASAN定位内存问题方法。里面有所有的Android.mk与Android.bp示例。不会写Android.mk与Android.bp，或者常有编译问题的可以下载参考，解决无法使能ASAN的问题。不会用的一定要展开下面链接看使用方法，以及编译问题示例，别啥也不懂就开始抱怨。 使用方法参考： https://blog.youkuaiyun.com/suixin______/article/details/133713263
高通编译Android环境操作指南.pdf
高通编译Android环境操作指南.pdf
Python实战：用NumPy实现LU分解与QR分解（附代码对比）
本文深入探讨了使用NumPy实现LU分解与QR分解的实战方法，通过代码对比分析了两种矩阵分解技术的原理、数值稳定性差异及核心应用场景。LU分解适用于高效求解线性方程组，而QR分解凭借其正交化特性，在求解最小二乘问题和处理病态矩阵时更具优势。文章提供了详细的Python代码示例，帮助开发者根据具体问题选择最合适的分解方法。
开源网格划分软件-Gmsh二次开发教程 （4）网格生成与控制
本章将深入讲解Gmsh的网格生成技术，包括全局/局部网格控制、边界层生成、自适应细化等，并提供完整的代码示例。
告别代码恐惧！用KRobot图形化编程，10分钟搞定Arduino巡线小车（附完整接线图）
本文介绍如何使用KRobot图形化编程工具快速搭建Arduino巡线小车，无需编写代码。从硬件准备到逻辑构建，详细讲解传感器数据处理、电机控制优化及高级功能扩展，帮助教育工作者和创客爱好者10分钟内完成项目。
TouchGFX使用教程（三）
TouchGFX使用教程（三）界面事件控件修改方法图片等资源放置位置 界面事件 控件修改方法 图片等资源放置位置
YOLOv11改进 | Neck篇 | 独创HFPN利用分层特征融合块HFFB模块融合多层次特征改进yolov11（全网独家创新）
本文给大家带来的最新改进是利用分层特征融合块HFFB创新yolov11的neck部分我称之为HFPN，这个模块可以融合局部特征、全局特征、中间特征将三种特征融合在一起辅助yolov11进行检测，经过我的设计分为三种可以针对大目标、小目标、标准目标的检测方式均不同，大家可以根据自己的数据集进行不同的选择，本文的内容为我独家创新。YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、原理介绍三、核心代码四、添加方法4.1 修改一4.2 修改二4.3 修改三4.4 修改四。
瑞芯微RK3588平台YOLOv8Pose模型RKNN部署与C++优化实战：从模型转换到高效推理的全流程指南-附源码
错误码 | 原因 | 解决方案 || -1001 | ONNX算子不支持 | 升级RKNN SDK至最新版 || -2003 | 量化校准数据不足 | 增加校准图片至500张 || -3005 | 输入尺寸不匹配 | 固定模型输入尺寸为640x640 || 资源消耗 | CPU 35% | NPU 90% |
Dify与第三方平台(飞书、微信、钉钉)LangBot机器人对接实战
调用链路：飞书用户发消息 → 飞书开放平台事件回调 → LangBot 服务 → Dify 应用接口 → Dify 知识库 + 大模型生成答案 → 原路返回飞书聊天框Dify：承载知识库、提示词配置、大模型调用能力；LangBot：多 IM 渠道适配器，统一对接各大 IM 开放平台与 Dify API；飞书开放平台：提供机器人消息收发、事件推送能力。LangBot 作为中间转发服务，一端对接 Dify 应用 API，一端对接飞书开放平台机器人接口；
Qt版Dalsa线扫相机的采集Demo
Qt Dalsa
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
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")
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
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
529
扫一扫
