74LS74 D触发器组成四位异步加法计数器

本文介绍了使用74LS74 D触发器搭建四位二进制异步加法计数器的过程及原理。通过具体电路连接和仿真验证,展示了计数器从0000到1111的递增变化。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 74LS74  D触发器组成四位二进制异步加法计数器

                                                 申请了一段时间了 太懒了 从来没有写过   写一个玩一下  新手  不喜勿喷  
学过的朋友都知道什么是D触发器  这里不再罗嗦   数电实验中原理图直接给出来了 接法   芯片为74LS74   这里对74LS74啰嗦一下 借用一下百度的东西  :
百度图片  :

官方手册:
           

大家注意一下 SD 和CD两个引脚 这两个引脚的作用 这里啰嗦一下 
SD:  S 代表Set 也就是置位(给高电平)的意思   并且图中显示其低电平有效  其实也就是说 当这个芯片的引脚SD接一个低电平的时候  输出端固定输出高电平 (无论 D  和CP引脚如何变化 )
CD: C代表Clear 清除的意思(即置低 )同SD引脚一样 也是低电平有效   同上  当这个芯片的引脚CD接一个低电平的时候  输出端固定输出低电平 (无论 D  和CP引脚如何变化 
那么如此看来片子正常工作的话  这两个引脚都应该置高!待会我们做这个加发计数器 会用到CD引脚的功能
 好 下面上图  我们数电实验书上直接给出了连线方式(然而并没有告诉我们学生为什么这样做  蛋疼哭)    
 



其中道理 我也不想去深究  直接上仿真    下面是我用Multism做的仿真
   

    解释一下   :  图呢 就是按照书本上那个连接的  首先呢 我个人觉得  每一个D触发器只能表示一位二进制 做成一个四位二进制的加法计数器呢  自然就需要四个D触发器  (就是用两个74LS74的啦) 我们得保证这个四位二进制异步加法计数器是从0000开始计数    那么如何保证他一开始就是的0000呢  这就需要用到我们前面提到的那个引脚CD端(清零嘛) 上电给他一个低电平 这样就可以保证 Q1-Q4是0000啦  然后再把这个CD引脚接上高电平  就OK啦 
    在我的仿真里面我用了一个单刀双掷开关 方便切换CD引脚的状态    下面用四个二极管来监测Q1-Q4的状态 大家可以自行观察四个二极管的亮灭 就可以发现Q1-Q4是从0000到1111依次递增变化的   并且我通过逻辑分析仪看脉冲也是这个结果 。其实统计的就是那个最右边CLK的脉冲的啦  他来一个脉冲 计数器就加1。
第一次写 很没有逻辑层次感 各位见谅大笑  
自己也是刚开始学  很多东西表述的不太准确  甚至有一些错误 欢迎大家指教  大笑奋斗
啦啦啦啦啦啦 .................................................







在 Python 中,可以使用 statsmodels 模块中的 OLS 类来进行OLS回归模型的拟合和预测。下面是一个简单的示例代码: ```python import numpy as np import pandas as pd import statsmodels.api as sm # 生成随机数据 np.random.seed(123) X = np.random.rand(100) Y = 2*X + 0.5 + np.random.normal(0, 0.1, 100) # 将数据存放在DataFrame对象中 data = pd.DataFrame({'X': X, 'Y': Y}) # 添加截距项 data = sm.add_constant(data) # 拟合OLS回归模型 model = sm.OLS(data['Y'], data[['const', 'X']]) result = model.fit() # 输出回归结果 print(result.summary()) ``` 在上面的代码中,我们首先生成了一个简单的随机数据集,其中 X 是自变量,Y 是因变量。然后,我们将数据存放在了一个 pandas 的 DataFrame 对象中,并使用 sm.add_constant() 函数添加了截距项。接着,我们使用 sm.OLS() 函数拟合了OLS回归模型,并将结果保存在了 result 变量中。最后,我们使用 result.summary() 方法输出了回归结果的详细信息。 需要注意的是,在使用 statsmodels 进行OLS回归模型拟合时,需要显式地添加截距项,否则结果会有偏差。此外,我们还可以使用 result.predict() 方法来进行预测,即: ```python # 进行预测 new_data = pd.DataFrame({'X': [0.1, 0.2, 0.3]}) new_data = sm.add_constant(new_data) prediction = result.predict(new_data) # 输出预测结果 print(prediction) ``` 在上面的代码中,我们首先生成了一个新的数据集 new_data,然后使用 result.predict() 方法对其进行预测,并将结果保存在了 prediction 变量中。最后,我们使用 print() 函数输出了预测结果。
评论 15
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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