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
400+累计阅读
417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
2026.1.4
1.启动stm32cubeMX，创建工程。
2.搜索stm32L496 芯片
3.修改时钟配置，修改时钟为外部时钟
4.根据芯片原理图找到RGB灯的引脚分别为PE7、PE8、PE9。
设置GPIO为output
按照下图对三个引脚的GPIO进行配置。
5.修改时钟参数
6.进入Project Manager对文件名称，文件位置进行保存，生成初始文件并自动跳转到keil
7.找到main.c文件，编写控制三色RGB流水灯代码：
8.编译文件并下载到开发板上，以下是运行效果图
用RT-Thread Studio搞定潘多拉STM32L475开发板：从零点亮RGB灯到驱动温湿度传感器
本文详细介绍了如何使用RT-Thread Studio快速开发潘多拉STM32L475开发板，从点亮RGB灯到驱动温湿度传感器的完整流程。通过图形化配置和智能代码生成，大幅提升开发效率，特别适合物联网和嵌入式开发新手快速上手。
潘多拉开发板——6轴传感器ICM-20608学习笔记
六轴传感器ICM2008
RT-Thread潘多拉开发板进阶玩法：用ENV工具开启SD卡、WIFI和传感器（避坑指南）
本文详细介绍了如何在RT-Thread潘多拉开发板上使用ENV工具配置SD卡、WiFi和传感器等外设，提供从环境搭建到多外设联调的完整指南。基于STM32L475的潘多拉开发板，通过BSP配置和实战调试技巧，帮助开发者避开常见陷阱，充分发挥开发板的硬件潜力。
STM32L475潘多拉开发板RT Thread实验2_RGB_LED
主要讲述STM32L475潘多拉开发板RT Thread实验例程2里各个函数和头文件的作用。
STM32L496的HAL库Flash操作建立FatFS文件系统（CubeMX自动配置R0.12C版本）
【STM32】L496的HAL库Flash操作建立FatFS文件系统（CubeMX自动配置R0.12C版本）
从MFCC到GMM：手把手教你用Python实现说话人识别（附完整代码）
本文详细介绍了如何使用Python实现说话人识别系统，从MFCC特征提取到GMM模型训练，涵盖完整的技术流程和代码示例。通过梅尔频率倒谱系数(MFCC)和高斯混合模型(GMM)的结合，构建高效的说话人识别系统，适用于身份认证和智能交互场景。文章还探讨了从传统方法到深度学习的进阶话题，如i-vector和x-vector技术。
基于正点原子潘多拉STM32L496开发板的简易示波器
基于正点原子潘多拉STM32L496开发板的简易示波器
ORB-SLAM3在windows11下的编译使用
近期在学习SLAM，想部署一下ORB-SLAM3，但是自己电脑是win11系统，因此就想着在win11上部署一下。但是网上看了一些教程，有一些博客，但是可能不适合我这种情况把，就很纠结。先说下结果，配置成功，过程极其痛苦。
RT-Thread STM32L475 潘多拉开发板BSP说明①
本文档为 RT-Thread 开发团队为 STM32L475 潘多拉开发板提供的 BSP (板级支持包) 说明。开发板资源介绍BSP 快速上手进阶使用方法通过阅读快速上手章节开发者可以快速地上手该 BSP，将 RT-Thread 运行在开发板上。在进阶使用指南章节，将会介绍更多高级功能，帮助开发者利用 RT-Thread 驱动更多板载资源。
航空大数据——项目资源汇总及开源（四）
ADS-B项目开源大礼包
matlab生成blocks、bumps和doppler标准测试信号
关键函数：wnoise使用方式X = wnoise(FUN,N) [X,XN] = wnoise(FUN,N,SQRT_SNR) [X,XN] = wnoise(FUN,N,SQRT_SNR,INIT)X = wnoise(FUN,N) 返回由 FUN给出的信号，长度为2^N，幅值范围[0,1].[X,XN] = wnoise(FUN,N,SQRT_SNR) ，返回了一个测试信号X，以及一个加噪
RT-Thread快速上手-Keil模拟器潘多拉STM32L475上手指南
IoT Board 是正点原子、 RT-Thread 联合推出的一款基于 ARM Cortex-M4 内核的开发板，最高主频为 80Mhz，该开发板具有丰富的板载资源，可以充分发挥 STM32L475 的芯片性能。开发板外观及资源如下图：IoT Board 开发板该开发板常用 板载资源 如下：MCU：STM32L475，主频 80MHz，512KB FLASH ，128KB SRAM外部 FLASH：W25Q128（SPI，128Mbit）常用外设。
储能逆变器动态无功补偿：从原理到算法实现
本文深入解析了储能逆变器动态无功补偿的核心原理与算法实现。通过四象限运行与解耦控制技术，储能逆变器可在充放电的同时，快速、精准地调节无功功率，有效提升电网电能质量与功率因数。文章详细阐述了从相位调节、容量限制到PI控制算法的完整技术路径，并结合工程实践，探讨了其在光伏/储能系统中的协同控制策略与进阶应用价值。
RT-Thread 软件包-MicroPython用户手册-潘多拉开发板①
MicroPython 固件可以从 RT-Thread 官方直接获取，下列固件由 RT-Thread 官方提供并针对 MicroPython 开发环境进行优化，支持工程同步等强大功能。借助于 MicroPython，你将有能力使用 Python 语言控制所有硬件外设，体验高级语言带来的便利特性，与此同时你还可以利用高级软件库快速实现你的 IoT 构想。pin PA4 PA8, PB8-9 PB10-15, PC2 PC4 PC6-7, PD12-15 开发板引出的可自由分配的 IO，支持引脚中断。
kaggle——销量预测的baseline（M5 Forecasting - Accuracy）
前言 在刚刚结束的kaggle比赛M5 Forecasting - Accuracy中，因为是第一次参加，笔者也是花了大量的时间和精力在上面，最终拿到一块银牌（所以我拿到了大学第一个考试挂科。。。求求电磁场老师高抬贵手给点平时分放我一马吧。。。早上看到kaggle成绩异常兴奋，中午考完直接爆炸=。=），当然运气占了很大因素，这次比赛private leadboard的shake up非常大，排名波动几千名都存在的。笔者运气不错，是向上的shake：)。这里总结一下销量预测的基本流程。 从下图可以看到这次比
【目标检测】IoU（交并比）详解及代码实现
1. IOU概述 IoU的全称为交并比（Intersection over Union），是目标检测中使用的一个概念，IoU计算的是“预测的边框”和“真实的边框”的交叠率-，即它们的交集和并集的比值。最理想情况是完全重叠，即比值为1。 2. IoU计算 IoU等于“预测的边框”和“真实的边框”之间交集和并集的比值。IoU计算如下图，B1为真实
潘多拉STM32L4 96 IoT开发板（HAL库） 4.按键输入实验
本文介绍了通过按键控制开发板功能的学习过程。主要内容包括：1）根据原理图确定按键引脚配置，区分上拉/下拉输入的电平状态；2）编程实现四个按键功能（KEY0控制红灯、KEY1控制绿灯、KEY2控制蓝灯、WK_UP控制蜂鸣器状态翻转）；3）编写按键扫描函数KEY_Scan()并完成程序烧录。学习时间为2026年1月6日，最终实现了通过按键控制RGB灯和蜂鸣器状态反转的功能。
调用魔搭API出现Please bind your Alibaba Cloud account before use的解决方案
本文主要介绍了调用魔搭API出现Please bind your Alibaba Cloud account before use解决方案，希望能对使用大模型的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
STM32L475潘多拉开发板RT Thread实验3_按键输入例程
STM32L475潘多拉开发板 RT Thread 实验2，按键功能的实现。
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")
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
潘多拉 STM32L475 VE——开发板学习
首先就是开发板的各个硬件的介绍： ◆ MCU：STM32L475VET6，LQFP100，SRAM：128K，FLASH：512K ◆ 外扩 SPI FLASH：W25Q128，16M 字节 ◆ 1 个电源指示灯（蓝色） ◆ 1 个 RGB 状态指示灯（红、绿、蓝三色） ◆ 4 个功能按钮，其中 WK_UP 兼具唤醒功能 ◆ 1 个启动模式配置选择接口 ◆ 1 个复位按钮 ◆ 1 个红外接收头，并配备一款小巧的红外遥控器 ◆ 1 个红外发射头 ◆...
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
一个工程师对潘多拉开发板的使用体验
这块开发板刚上市的时候就买了，见图片。 先看看它上面的资源： 硬件看起来挺牛的是吧！ 下面看看其提供的教程，即软件资源。 裸机例程代码 ： RT thread代码例程： 大家可以看到，这块板子上绝大多数裸机例程，都是原来正点原子的开发板都有的，不过是换了的主控芯片罢了。 而RTOS教程的RT thread OS教程，竟然都是睿塞德官网都有的（心里有点...
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
【亲测免费】 探索微控制器新纪元：潘多拉STM32L475开发板深入解析
探索微控制器新纪元：潘多拉STM32L475开发板深入解析 去发现同类优质开源项目:https://gitcode.com/ 在物联网与嵌入式系统的世界里，每一款开发板都承载着创新的潜能。今天，我们聚焦于一款专为探索者设计的神器——潘多拉STM32L475开发板。这款强大的工具以其出色的性能和详细的入门指导，正等待着每一位技术爱好者来解锁其无限可能。 项目介绍 潘多拉STM32L475开发板，如其...
STM32L4
IoT Board是正点原子、RT-Thread联合推出的一款基于ARM Cortex-M4内核的开发板，最高主频为80MHz，该开发板具有丰富的板载资源，可以充分发挥STM32L475的芯片性能。MCU：STM32L475，主频80MHz，512KB FLASH，128KB SRAM。外部FLASH：W25Q128（SPI,128M）
潘多拉STM32L4 96 IoT开发板（HAL库） 6.通过USART1串口完整实现信息接收与发送
本文介绍了STM32L4系列单片机USART1串口通信的实现方法。通过封装usart1.c和usart1.h驱动文件，实现了串口初始化、中断接收和发送功能。主要内容包括：1) 创建USART1驱动文件并配置串口参数；2) 实现printf重定向和中断接收处理；3) 在主程序中初始化串口并测试收发功能；4) 结合按键控制LED和蜂鸣器，通过串口输出状态信息。最终实现了115200波特率的双向串口通信，可通过串口调试助手验证数据收发功能。
潘多拉 IOT 开发板学习（RT-Thread）—— 实验16 WiFi 模块实验（学习笔记）
本文代码参考 RT-Thread 官方 BSP
【STM32】 ADC 完全指南：从模拟信号采样量化到五大架构原理
本文系统介绍ADC核心概念与五大主流架构。模拟信号具时间与幅值连续性，需经采样（满足奈奎斯特准则防混叠）、量化（引入±1/2LSB误差，SNR≈6.02N+1.76dB）、编码三步转为数字信号。重点解析Flash（并行高速但受限于比较器数量）、SAR（逐次逼近，低功耗适合MCU如STM32）、双积分（高精度抗工频，用于万用表）、流水线（高速吞吐）及Σ-Δ（高分辨率，靠过采样与噪声整形）五类架构原理、优缺点与应用场景。强调分辨率≠精度，选型本质是速度、精度、功耗与面积的权衡。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
135
扫一扫
