统计CAN信号接收次数的嵌入式实现

嵌入式 专栏收录该内容
¥59.90 ¥99.00
450篇文章

在嵌入式系统中,CAN(Controller Area Network,控制器局域网)是一种常用的通信协议,广泛应用于汽车、工业控制和物联网等领域。在许多应用中,需要对CAN信号的接收次数进行统计和分析。本文将介绍如何在嵌入式系统中实现CAN信号接收次数的统计,并提供相应的源代码。

首先,我们需要在嵌入式系统中配置和初始化CAN控制器。这可以通过硬件相关的寄存器配置来实现,具体的实现方法会因具体的嵌入式平台而有所不同。在本文中,我们假设CAN控制器已经正确配置和初始化。

接下来,我们需要定义用于统计CAN信号接收次数的变量。可以使用一个计数器变量来记录接收到CAN信号的次数。在C语言中,可以使用整型变量来实现计数器。

unsigned int canReceiveCount = 0;

然后,我们需要编写中断服务程序(ISR)来处理CAN接收中断。当嵌入式系统接收到CAN信息时,CAN控制器会触发一个中断信号,通知系统有数据到达。我们可以编写一个ISR来处理这个中断,并在其中增加计数器的值。

void 
CAN总线网络数据和信号采集记录教学和测试系统 英福思亚洲与九州华海科技联合推出,基于英国Influx Technology 公司出品的,行业里专业的总线数据记录仪和数据采集模块教学平台方案。 整套方案不仅能实现总线数据记录功能,还可同步结合传感器数据采集。整套系统功能强大、便携方便、拆装灵活、丰俭由人。不仅适合实验室作为教学平台和试验使用,也是工程师外场试验的好帮手。 欢迎垂询Influx,我们将根据您的总线接口和信号采集记录需求,为您量身定制系统方案! 本方案由InfluxAsia 提供原创内容 1 概述 在车辆工程相关专 阅读详情

相关推荐

CANoe基础教程02:分析窗口——Trace

CANoe Trace窗口介绍,创建并打开一个Trace窗口,Trace窗口显示模式切换,Trace列信息和配置,Trace浏览视图,Trace缓冲区概念,Trace窗口过滤功能,Trace窗口数据的导入与导出

weixin_43360025的博客 1万+

CAN总线协议深度解析:从差分信号、仲裁机制到嵌入式实战应用

在嵌入式系统和工业控制领域,串行通信协议是连接各个电子控制单元(ECU)的神经网络,其核心价值在于实现设备间稳定、实时的数据交换。其中,基于差分信号传输的技术原理,通过两根双绞线即可构建高抗干扰的通信链路,有效解决了复杂布线与信号完整性问题。这种机制衍生出的非破坏性逐位仲裁,允许多个节点民主竞争总线访问权,确保了高优先级报文的实时性,是构建可靠分布式系统的关键技术。其技术价值在要求严苛的汽车电子和工业自动化场景中尤为突出,例如发动机控制、机械臂协同等。本文将聚焦于CAN(Controller Area Ne

congsikuai0611的博客 353

Linux CAN应用编程实战:从Socket CAN到嵌入式通信开发

在嵌入式系统和汽车电子领域,控制器局域网(CAN)总线作为一种高可靠性的串行通信协议,广泛应用于车辆控制、工业自动化等实时性要求高的场景。其核心原理基于多主结构和优先级仲裁机制,通过差分信号传输实现强抗干扰能力。Socket CAN技术将CAN设备抽象为网络接口,使得开发者能够使用标准的Berkeley Socket API进行数据收发,极大提升了开发效率和系统集成灵活性。这一设计不仅统一了网络编程模型,还便于实现报文过滤、错误帧处理等高级功能,为构建稳定的车载网络诊断工具和工业控制应用提供了坚实基础。通过

weixin_33672109的博客 400

嵌入式Linux Socket CAN驱动开发:从内核配置到应用编程全解析

CAN总线作为广泛应用于汽车电子、工业控制和机器人领域的现场总线协议,其核心原理是通过差分信号实现多节点间的可靠通信。在嵌入式Linux系统中,内核通过Socket CAN子系统将CAN设备抽象为网络套接字,这为开发者提供了标准化的编程接口。这一设计的技术价值在于,它将专用的工业总线协议无缝融入了Unix“一切皆文件”的哲学和网络编程的庞大生态,极大降低了开发门槛。通过Socket CAN,开发者可以使用熟悉的socket API(如send、recv、bind)进行CAN帧的收发,实现从应用层到底层硬件的

weixin_30294295的博客 419

EB tresos下CAN信号收发配置全攻略:从Com到Can的完整链路

AUTOSAR分层架构中,CAN通信协议栈的完整链路涉及Com、PduR、CanIf与Can驱动等多个模块,信号收发依赖各层间的紧密配合。理解信号、PDU与帧的映射关系,以及每个模块在数据流中的职责,是配置EB tresos工程的基础。通过正确配置Com信号布局、CanIf的PDU路由、底层波特率与Mailbox映射,能够确保CAN报文准确收发。该技术广泛应用于车载网络开发,尤其适合从裸机MCU转向AUTOSAR平台的嵌入式工程师,掌握后能大幅提升集成与调试效率。围绕EB tresos中的CAN信号收发配置

weixin_33966095的博客 360

CAN总线在嵌入式系统中的核心技术与应用实践

CAN总线作为一种专为嵌入式系统设计的串行通信协议,凭借其差分信号传输和多主架构设计,在汽车电子、工业自动化等高可靠性场景中发挥着关键作用。其物理层采用双绞线实现抗干扰传输,数据链路层通过非破坏性仲裁机制确保实时性,错误检测机制使未检出错误概率低于10^-11。在嵌入式硬件设计中,MCU内置CAN控制器搭配外置收发器是常见方案,而PCB布局需特别注意信号完整性。软件开发层面,从驱动初始化到应用层协议设计都需遵循CAN的特性,如STM32的HAL库配置和自定义帧格式。CAN FD作为新一代协议,通过提升传输速

weixin_34417200的博客 322

CAN总线技术解析:从差分信号到非破坏性仲裁的嵌入式通信实践

串行通信协议是嵌入式系统和工业控制领域的核心技术基础,其中CAN总线凭借其差分信号传输和非破坏性仲裁机制,在复杂电磁环境下实现了高可靠性数据交换。差分信号通过CAN_H和CAN_L的电压差表示逻辑状态,具备天然的共模噪声免疫力;而非破坏性仲裁机制则基于优先级标识符,确保高紧急度消息的无冲突实时传输。这些技术特性使CAN总线在汽车电子、工业自动化和医疗器械等高可靠性场景中具有不可替代的价值。本文聚焦CAN总线的物理层特性与数据链路层协议,深入解析其在实际工程中的负载计算、错误管理和Bus-Off恢复机制,为工

weixin_33806914的博客 482

汽车CAN总线入门:从原理到实战,嵌入式开发与智能车竞赛必备

串行通信协议是嵌入式系统和汽车电子领域的基础技术,它定义了设备间数据交换的规则。其中,CAN总线协议因其高可靠性和实时性,成为汽车内部电子控制单元通信的骨干网络。其核心原理基于差分信号传输和非破坏性仲裁机制,前者通过双绞线抵抗电磁干扰,后者确保高优先级消息无冲突发送,这为汽车在复杂电磁环境下的稳定运行提供了技术保障。在工程实践中,CAN总线广泛应用于车身控制、动力系统及底盘管理,并常作为全国大学生智能汽车竞赛中车模内部通信的标准方案。本文聚焦CAN总线的核心概念、调试方法及嵌入式实现,通过分析其帧结构、错误

weixin_30629653的博客 406

CAN总线不加终端电阻的后果:从信号反射到系统瘫痪的深度解析

在嵌入式系统与工业通信领域,信号完整性是确保数据可靠传输的基石。其核心原理在于实现传输线的阻抗匹配,以避免信号反射导致的波形畸变。这一技术价值直接决定了通信距离、速率上限及系统稳定性,是汽车电子、工业控制等场景中总线设计的关键。本文聚焦CAN总线物理层,深入探讨缺失终端电阻如何引发信号反射、误码率上升、通信距离缩短乃至网络振荡,并结合示波器诊断与万用表测量等工程实践,为排查与解决此类问题提供清晰指引。

weixin_33827731的博客 312

mrm-us1超声波测距模块CAN固件设计与实现

超声波测距是工业自动化中关键的非接触式距离感知技术,其核心在于飞行时间(ToF)测量与温度补偿原理。在资源受限的嵌入式环境下,将信号采集、时间-距离换算、中值滤波和CAN协议处理等算法本地化运行,可显著提升实时性与鲁棒性。此类智能传感节点的技术价值体现在降低上位机负载、支持即插即用部署、增强抗干扰能力,并适配PLC、MCU等主流工业控制器。典型应用场景包括液位监测、物体定位、传送带检测及AGV避障等。本文以mrm-us1模块为例,详解基于Cortex-M3的轻量级CAN固件架构、静态内存管理策略及超声波本地

weixin_36123300的博客 577

CAN总线核心原理与波形调试实战:从差分信号到报文解析

CAN总线是汽车电子与嵌入式系统中不可或缺的通信基石,其设计核心在于差分信号传输与多主仲裁机制。通过理解物理层的电平特性、终端电阻作用,以及数据链路层的帧结构、位填充与CRC校验,工程师能够快速定位通信故障。在实际调试中,示波器波形分析是判断总线健康度的关键手段,结合DBC文件进行信号解析,可有效解决间歇性丢帧、CRC错误等疑难问题。从经典CAN到CAN FD、CANopen和UDS,掌握从物理层到应用层的完整协议栈,是进行整车网络开发与故障排查的必备技能。本文从基础原理出发,梳理波形调试实战方法,并以真实

weixin_33843947的博客 403

BLF文件可视化全攻略:基于candas+matplotlib的CAN信号动态绘图教程

本文详细介绍了如何使用Python的candas库高效解析BLF文件,并将其转换为pandas DataFrame,进而结合matplotlib实现CAN信号的动态可视化。教程涵盖了从数据加载、转换、多信号对比绘图到交互式探索的完整流程,为汽车电子和工业控制领域的工程师提供了强大的开源数据分析解决方案,有效替代昂贵的专业软件。

weixin_29291573的博客 61

基于Qt与ZLG CAN盒的跨平台CAN通信开发实战

CAN总线作为工业控制与汽车电子领域最常用的现场总线之一,承担着设备间可靠数据传输的核心职责。在上位机开发中,如何高效解析与发送CAN报文一直是工程实践的重点。Qt凭借其出色的跨平台能力与信号槽机制,成为构建CAN调试工具的理想框架;搭配ZLG CAN盒成熟的ControlCAN接口库,可快速实现设备初始化、帧收发与多通道管理。这种组合不仅覆盖Windows与Linux双平台,还能平滑迁移至国产化系统与ARM嵌入式环境,显著降低工业项目中的通信调试成本。基于实际项目经验,从环境搭建、线程模型到跨平台部署,系

weixin_26873711的博客 202

嵌入式CAN总线调试:基于canstat的状态诊断与故障定位

CAN总线是工业控制与汽车电子中关键的实时通信协议,其稳定性依赖物理层匹配、位定时精度及错误处理机制。理解CAN控制器错误寄存器(如位错误、ACK错误、CRC错误)的原理,有助于快速区分硬件异常与软件配置偏差。在Linux嵌入式平台中,轻量级工具canstat通过解析内核CAN驱动暴露的计数器,实现无侵入、快照化的运行时状态诊断,显著提升现场调试效率。该方法适用于产线验机、远程运维及EMC压力测试等典型场景,尤其在终端电阻缺失、晶振偏差、收发器供电不稳等常见问题排查中具备强工程落地性。

weixin_42599908的博客 56

CAN总线核心技术解析:从差分信号到多主仲裁的工业通信基石

在工业控制与汽车电子领域,串行总线通信是实现分布式系统实时交互的关键技术。其核心原理在于通过特定的物理层与数据链路层协议,确保多个节点在复杂电磁环境下稳定、有序地交换数据。这项技术的核心价值在于其高可靠性与实时性,通过非破坏性仲裁、差分信号传输和严苛的错误处理机制,构建了能够容忍单点故障的健壮网络。典型的应用场景包括汽车内部的ECU(发动机控制单元)通信、工业自动化生产线控制以及医疗设备互联。本文聚焦的CAN总线正是这一技术领域的杰出代表,其多主结构与广播通信模型,结合CRC校验和位填充等机制,为工程师解决

weixin_30430169的博客 365

STM32F103ZE精英板驱动ESP8266与DHT11构建物联网网关,实现乐联网温湿度数据实时监控

本文详细介绍了如何使用STM32F103ZE精英板驱动ESP8266与DHT11构建物联网网关,实现乐联网温湿度数据实时监控。从硬件选型、连接调试到乐联网平台配置和STM32程序开发,提供了完整的实现步骤和常见问题解决方案,适合物联网入门开发者参考。

weixin_30823001的博客 80

SystemVue 链路预算、仿真分析步骤

使用SystemVue进行链路预算、频谱分析等,相对ADS更全面。

BeCourageable的博客 3837

浮点数运算的陷阱与启示:FP16加法器/乘法器开发中的常见误区

本文深入探讨FP16加法器和乘法器开发中的常见误区,包括FP16格式解析、阶码对齐陷阱、尾数运算风险及规格化处理。通过Verilog实战代码展示防御性编程技巧,帮助开发者避免边界条件处理和异常状态管理中的错误,提升硬件设计的可靠性和效率。

dell8的博客 252

避坑指南:STM32H7不同DMA控制器(MDMA/DMA2D/BDMA)到底该用哪个?

本文深入解析STM32H7系列芯片的DMA控制器选型策略,涵盖MDMA、DMA2D、BDMA等不同控制器的架构原理与性能对比。通过实际项目案例,提供高速TCM数据搬运、GUI加速、低功耗传输等场景的选型决策树,并分享性能优化与调试技巧,帮助工程师避开常见陷阱,提升系统效率。

weixin_26876073的博客 448

STM32 FOC电机控制:手把手教你用CubeMX配置TIM1中心对齐PWM(含代码避坑)

本文详细解析了STM32 FOC电机控制中TIM1中心对齐PWM的配置方法,涵盖CubeMX图形化设置、HAL库代码调用及常见问题排查。特别针对L6230Q驱动芯片的使能逻辑和死区时间配置提供实用指南,帮助开发者高效实现无刷电机的高性能控制。

weixin_27027459的博客 445

innovus中如何设置cts参数

上面是设置cts的一般设置,如果需要对某些skew group或者某些clock tree设置不一样的参数,如需要对clk1这个clock设置不一样的inverter,可以使用。需要查询已经设置过的ccopt参数,可以使用get_ccopt_property去查询,方法和set_ccopt_property一致。言归正传,cts的设置命令是set_ccopt_property,获取命令是get_ccopt_property。另外,set_ccopt_property提供一套命令查询方法。

芯冰乐 548

uni-app开发-第3篇:uni-app 页面与路由

本文详细介绍了 uni-app 中的页面开发与路由管理。首先,页面是应用的基础单元,创建页面时需在pages目录下新建文件夹和.vue文件,页面结构由<template>、<script>和<style>三部分组成。uni-app 页面生命周期函数包括onShow、onReady、onHide和onUnload,分别用于处理页面显示、渲染完成、隐藏和卸载时的逻辑。其次,路由管理通过pages.json文件配置页面路径和样式,并提供uni.navigateTo等方法进行路由

无 419

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 基于开放式以太网通信的嵌入式PLC之间的通信方法示例
下一篇: VHDL设计自动售邮票机嵌入式系统
普通网友
博客等级 码龄3年 234粉丝 0原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值