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
200+累计阅读
281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
T5L 迪文屏 C51开发中的ADC模数转换实例
在嵌入式开发领域，模拟信号通常需要进行模数转换（ADC）以便在数字系统中进行处理。在本篇文章中，我们将探讨如何在基于T5L 迪文屏和C51开发板的环境下实现ADC模数转换，并提供相应的源代码。
首先，我们需要了解ADC的基本原理。ADC是一种将模拟信号转换为数字信号的设备或模块。模数转换过程主要包含两个步骤：采样和量化。采样是指在规定的时间内对模拟信号进行离散化采样，而量化是将采样到的离散信号映射为一系列离散的数字值。
以下是基于T5L 迪文屏和C51开发板的ADC模数转换的示例代码：
#include <reg52.h>
// 定义宏，用于配置 ADC 端口和模式
#define ADC_PORT P130、T5L 迪文屏 C51开发之 ADC模数转换
T5L 迪文屏 C51开发之 ADC模数转换1、介绍2、例程功能介绍3、GUI界面设计4、C51程序设计 1、介绍 T5L 芯片内部的 ADC 模数转换外设，有一点需要注意的是此 ADC 外设不属于 C51 核，而是属于 GUI 核，ADC 外设相关的底层硬件驱动程序已被 GUI 核中的 DGUS II 系统给封装好了，让我们开发者不用去管更多的底层细节，使用起来更方便，但是换一句话来说，我们也就失去了对 ADC 外设进行自定制的能力，比如说在 C51 代码中能不能实现设置 ADC 外设的采样周期以及分
嵌入式开发中的ADC模数转换技术应用——以T5L 迪文屏 C51为例
在ADC_Read()函数中，我们首先将ADC_CONTR寄存器的第3位设置为1，以启动ADC转换。一旦转换完成，我们将ADC_RES和ADC_RESL寄存器中的结果组合起来，得到完整的模数转换结果。在主函数main()中，我们首先调用ADC_Init()函数初始化ADC模块。然后，在一个无限循环中，我们通过调用ADC_Read()函数读取ADC转换结果，并可以在此处对结果进行进一步的处理和分析。接下来，在ADC_Init()函数中，我们将ADC_CONTR寄存器的最高位设置为1，以打开ADC模块。
25、T5L 迪文屏 C51开发之IO引脚
1、介绍 T5L芯片内部的外设资源，比如说UART串口外设，定时器外设，ADC外设，NOR FLASH存储器等，总体上来说T5L芯片内部的外设资源比市面上的51单片机外设资源要丰富一些，在学习T5L芯片内部的外设资源时，我们主要参考《迪文T5L ASIC应用开发指南.pdf》这个官方文档。我们从最简单的 IO 引脚外设开始讲。 如上图所示，我们C51代码能对虚线左侧的IO引脚进行直接操控，而对于虚线右侧的IO引脚，我们C51代码是没有办法直接进行操控的，因为右侧的引脚属于GUI核，归DGUS II
31、T5L 迪文屏 C51开发之 NOR FLASH存储器
T5L 迪文屏 C51开发之 NOR FLASH存储器1、介绍2、例程功能介绍 1、介绍 本章我们来学习一下 T5L 芯片内部的 NOR FLASH 存储器，有一点需要注意的是此 NOR FLASH 存储器外设不属于 C51 核，而是属于 GUI 核，NOR FLASH 存储器外设相关的底层硬件驱动程序已被 GUI 核中的 DGUS II 系统给封装好了，让我们开发资不用去管更多的底层细节，使用起来更方便。 我相信我们大部分的实际应用项目都离不开存储的需求,而T5L芯片内部的NOR FLASH存储器
T5L 迪文屏 C51 开发中的常用接口
综上所述，T5L 迪文屏和 C51 单片机之间的串口通信接口、数字输入输出接口以及模拟输入输出接口是常用的接口。在嵌入式系统开发中，T5L 迪文屏是一款常用的显示屏模块，而C51是一种广泛应用的 8 位单片机芯片。本文将介绍 T5L 迪文屏 C51 开发中的其他常用接口，并提供相应的源代码。通过这些口可以实现与 T5L 迪文屏的数字信号交互。T5L 迪文屏模块通过串口与 C51 单片机进行通信，可以实现数据的传输和控制。通过上述代码，我们可以实现读取连接到 C51 单片机的模拟输入口的数值。
26、T5L 迪文屏 C51开发之中断系统
1、介绍 本篇我们来看一下 T5L 芯片的中断系统，它和传统的 C51 单片机的中断系统使用方法是一样的，只不过是在此基础上再扩展了几个外设中断而已，在T5L的C51核上总共有12个中断源，这12个中断源分别如下表所示： 中断源名称 中断编号 外部中断0 interrupt 0 UART3中断 interrupt 16 T0定时器中断 interrupt 1 CAN通信中断 interrupt 9 外部中断1 interrupt 2 UART4发送中断 interru
迪文串口屏与C8051F410单片机实现触摸屏扫雷游戏开发全解析
串口屏作为工业HMI领域广泛应用的显示与交互设备，其核心原理在于通过串口通信协议接收指令并上报触摸事件，实现与主控制器的数据交换。这种技术方案的价值在于将复杂的图形界面渲染和触摸驱动封装起来，让开发者能够专注于应用逻辑的开发，极大地降低了嵌入式GUI的开发门槛。在工程实践中，开发者需要深入理解串口指令集、触摸坐标解析以及主从控制器之间的数据流设计，这尤其适用于需要稳定可靠人机交互的工业控制、智能家居等场景。本文以迪文串口屏与C8051F410单片机的组合为例，详细剖析了如何将经典的扫雷游戏逻辑在资源有限的嵌
空间数据库（1）：Arcgis10.2连接PostgreSQL9.1，创建空间数据库，导入空间数据
1、arcgis的安装对于gis人员来说想必并不陌生，此处就不赘述了。那么就先从PostgreSQL说吧，我这里用的是跟Arcgis desktop 10.2所支持的9.1或者9.2版本，大家也可以用相对应的更高的版本来配置，注意的是版本一定要相互匹配，不仅是Arcgis与PostgreSQL的匹配，还有PostgreSQL与PostGIS匹配。 按道理desktop是32位的，应该用PostgreSQL的32位，但是我实在找不到32位的PostGIS9.1，所以就用64位的吧，后面配置部分可能需
STM32H743IIT6上LVGL移植实战：从零到触摸屏驱动的完整配置流程
本文详细记录了在STM32H743IIT6高性能MCU上，从零开始移植LVGL图形库到7寸RGB触摸屏的完整实战流程。内容涵盖工程搭建、显示与触摸驱动配置、LVGL核心优化及常见问题排查，重点讲解了如何利用STM32H743的硬件特性（如DMA2D、LTDC）提升GUI性能，为嵌入式GUI开发提供了一份详实的配置指南。
【低空经济】低空无人机公共测试场与验证基地设计方案
公共测试场与验证基地是为低空无人机相关技术的研发、测试与应用提供一个系统性的平台。在无人机产业蓬勃发展的背景下，建设一个配备完善、功能齐全的公共测试场与验证基地显得尤为重要。该基地不仅可以作为无人机的测试和验证场地，还可以为相关企业、科研机构以及政府部门提供技术支持和服务。因此，为此基地的设计方案必须综合考虑功能性、安全性、灵活性与可持续性等多方面的因素。首先，公共测试场需划分为多个专用区域，以便满足不同类型无人机的测试需求。这包括低空飞行区域、紧急着陆区、操控模拟区和监测与数据采集区等。
百度新闻评论内容抓取
通过抓包分析发现，百家号手机app端文章评论内容接口为：https://ext.baidu.com/api/comment/v1/comment/getlist?appid=101&sid=1008524_2-1010050_1-1007549_23033-1007550_23035&cuid=01B5EAF73E8A83BB842BE04E4FB6C656|23200201047...
详解账务核心，从入门到精通
本文系统阐述了账务体系的设计原理与实现方法，围绕支付交易的基础设施——账务系统展开深入探讨。文章首先从账务实现原理出发，强调从客户场景中抽象能力的重要性，详细解析了账务总架构及其与外围系统的协同关系。随后重点剖析了账户子系统的设计，包括账户生态、主体管理、结构设计等核心要素，并针对热点账户问题提出了多种创新解决方案。此外，文章还深入探讨了会计日切原理、营销类账务处理等专业领域，最后以支付机构场景为例，全面解析了清结算业务的账务实现模型。全文通过理论结合实践的方式，为构建高效、可靠的账务系统提供了系统性的方法
SOEM主站开发篇（1）：移植SOEM主站到Linux开发板
详细介绍了SOEM主站源码移植到Linux开发板上的步骤，同时演示了如何使用Linux开发板获取EtherCAT从站的PDO映射信息。
Close-By Site Assignment，门店近邻关系在 SAP Retail 物料搜索里的真实价值
SAP零售模块中的"Close-By Site Assignment"功能常被低估，但它在门店现场业务中极为关键。该功能允许预先定义各门店间的近邻关系，当导购或店长查询商品时，系统会自动展示附近门店的库存、价格和促销信息。与单纯的地理距离不同，这种近邻关系可基于调拨频率、业务关联度等业务逻辑定义。维护入口在事务码WSD_CBP中，支持按应用场景（如销售、采购）分别设置不同近邻关系。该功能不同于组织结构，专注于增强搜索体验，特别适合多门店运营场景，能有效提升跨店查询效率。
全志平台camera驱动开发（4）NVP6134芯片4路模拟视频BT656输入
前言 1. 调试平台： 全志V5/T7等有BT656或BT1120的并行接口，理论有DVP接口的一般都支持 2. NVP6134可使用多路视频同时输入 硬件连接 模拟camera1 模拟camera2 NVP6134 ------>NVCSI0 ...
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
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")
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
1050
扫一扫
