如何减小SRAM读写操作时的串扰

双端口SRAM中读干扰问题 普通的存储器器件为单端口,也就是数据的输入输出只利用一个端口,设计了两个输入输出端口的就是双端口sram。虽然还具有扩展系列的4端口sram,但双端口sram已经非常不错了。双端口sram经常应用于cpu与其周边控制器等类似需要直接访问存储器或者需要随机访问缓冲器之类的器件之间进行通信的情况。 从存储单元来看,双端口SRAM只是在单端口SRAM的基础上加上了两个存取管(见图1),但要实现两个端口对存储单元的独立读写,还要对新增的端口复制一套单端口SRAM的读写外围电路。然而这样虽然增强了存储器的读写能力,但 阅读详情

静态存储器SRAM是一款不需要刷新电路即能保存它内部存储数据的存储器。在SRAM 存储阵列的设计中,经常会出现串扰问题发生。那么要如何减小如何减小SRAM读写操作时的串扰,以及提高SRAM的可靠性呢,下面由宇芯电子来简单介绍。

设计结果与仿真分析
图1为脉冲产生电路通过analog Environment的仿真波形图。当地址产生变化,由于信号经过的延迟路径长短不同而产生了脉冲,当V1脉冲生成时,作为灵敏放大器输入端电位平衡的控制信号,缩短了预充时间,大大提高了读取速度。V2 作为位线预充电路的控制信号,避免了数据读写时发生错误。V3和V4作为字线放电电路的控制信号,只有当V3和V4同时为低电平时,字线放电。通过后仿真,我们看到在读操作时,防串扰结构布局的存储器平均输出时间比一般结构的存储器输出时间短,可见在速度上,防串扰结构布局的存储器具有一定的优势。在性能方面,该结构减小了SRAM读写操作时存储阵列中单元之间的串扰,提高了可靠性。

在这里插入图片描述

图1 脉冲产生电路波形图

在sram芯片存储阵列的设计中,经常会出现串扰问题发生,只需要利用行地址的变化来生成充电脉冲的电路。仿真结果表明,该电路功能正确,性能优良,减小了读写操作时存储阵列中单元之间的串扰,与其它脉冲电路相比,该电路结构简单、紧凑,对于嵌入式SRAM 的发展具有极其重要的现实意义。

关于国芯外接SRAM读写不稳定的问题 关于国产替代时的注意事项 阅读详情

相关推荐

嵌入式SRAM设计实战:从6T单元到低功耗优化的避坑指南

本文深入探讨嵌入式SRAM设计实战,从传统6T单元到8T/10T新型结构的演进路径,重点分析低功耗优化策略与EDA工具使用技巧。针对先进工艺下的稳定性挑战,提供了读破坏防护、半选择问题解决方案及工艺偏差应对措施,并对比不同存储单元在面积、延迟和功耗等关键指标上的表现,为嵌入式系统设计提供实用避坑指南。

q9w8e7r6t5的博客 215

SRAM 测试总结

SoC随着工艺进步设计复杂度增加,embeded sram也越来越多。在40nm SoC产品Sram一般在20Mbits左右,当工艺发展到28nm时Sram就增加到100Mbits。如果考虑AI产品,Sram估计更多。如何更好的测试Sram就成为量产测试的重中之重。 Sram的结构 一个6T sram cell的经典结构如图所示: 这些Sram cell集合成如下图的多个bank的memory block,每个bank有bank address使能;在一个bank内Row address选择

zhuangdk的博客 7133

同步SRAM时序约束实战:时钟相移原理与Vivado/Quartus实现

在数字电路与FPGA设计中,时序约束是确保系统稳定可靠运行的核心基础。其原理根植于建立时间与保持时间这两个基本概念,即数据信号必须在时钟有效沿前后保持稳定一段时间窗口。这项技术的核心价值在于,通过精确约束信号传输路径,可以消除亚稳态风险,保障高速数据交互的准确性。在嵌入式系统、通信设备及各类需要高速缓存的场景中,时序分析尤为重要。本文聚焦于同步SRAM接口这一典型应用,深入剖析其关键的时钟相移约束方法,并详细演示如何在Vivado或Quartus开发环境中,通过set_input_delay和set_out

weixin_30367873的博客 445

对SRAM的三种层次的认识

先说静态随机存储器,它是利用如D触发器的结构来完成数据的读取与写入的,资料的写入不需要刷新动作,这样不需要刷新动作的就成为静态。动态就是指利用电容的充放电来实现资料的写入与读取动作,因为电容会慢慢放电,如果放电到阈值以下,数据可能就会丢失了,因此需要每隔一段时间来做刷新的动作,以保持资料的完整性。对单元的存取通过字线WL(Word Line)使能,字线WL为高电平时传输管导通,使存储单元的内容传递到位线BL(Bit Line),单元信息的反信号传递到位线BL#,外围电路通过BL和BL#读取信息。

启芯硬件的博客 3214

STM32 FSMC时序配置实战:从手册解读到SRAM驱动

本文详细解析了STM32 FSMC时序配置在SRAM驱动中的实战应用,从手册解读到CubeMX配置,再到稳定性验证与性能优化。通过ModeA时序模式,深入探讨ADDSET和DATAST参数的计算与调试技巧,帮助开发者高效解决外扩SRAM的时序匹配问题,提升系统稳定性与性能。

weixin_27956639的博客 196

13、隧道场效应晶体管在低功耗内存应用中的SRAM单元设计

本文综述了基于隧道场效应晶体管(TFET)的多种SRAM单元设计在低功耗内存应用中的研究进展。重点讨论了7T、8T、10T SRAM单元以及基于负微分电阻特性的4T、3T、2T1C SRAM单元的设计特点与性能优劣。通过不同的材料、结构和电路优化,这些设计在读写稳定性、漏电流控制及成本方面展现了各自的优势,为未来低功耗、高性能内存的发展提供了多种可行方案。

gpu4optimizer的博客 101

09 SRAM入门级介绍——数字ic设计

SRAM入门级介绍——数字ic设计

qq_40677883的博客 3811

STM32 FSMC扩展SRAM时序配置与测量实战指南

在当今迅速发展的嵌入式系统领域中,STM32微控制器无疑是最耀眼的明星之一。凭借其高性能、低成本、灵活的配置以及丰富的功能,它成为了众多开发者在设计嵌入式解决方案时的首选。然而,当项目要求更高的数据处理能力和更大的内存空间时,仅仅依靠STM32微控制器自带的资源可能无法满足需求。这时,灵活地扩展外部存储器,特别是静态随机存取存储器(SRAM),就显得尤为重要。

weixin_36012152的博客 874

SRAM的Multiplexer Width设置

通常情况下,SRAM的位宽(bit-width)决定了每次读写操作中可以同时传输的数据位数,而Multiplexer Width与访问方式有关。如果SRAM的位宽是32,而Multiplexer Width是16,这意味着需要两组多路复用器输出每次操作中完整的32位数据(每次操作分成两次,从16条位线中选择两组)。因此,Multiplexer Width与SRAM的位宽相关,因为它会影响SRAM的访问结构和数据输出方式,特别是在优化面积和功耗时。,较大的 Multiplexer Width 可能更合适。

hzmscut的博客 2258

准浮栅MOS 6T SRAM低功耗设计

本文提出一种基于准浮栅MOSFET(QFGMOS)的6T SRAM单元设计,工作于220mV亚阈值电压下,采用台积电0.18微米工艺。通过引入高阻连接或MOS晶体管调节阈值电压,显著改善功耗延迟积。仿真结果显示,QFGMOS结构在保持性能的同时大幅降低功耗,适用于低功耗集成电路应用。

gaoxiang_120的专栏 843

SRAM与NOR Flash存储器接口电路设计指南

简介:SRAM和NOR Flash是嵌入式系统中常用的存储器类型,分别以高速和非易失性为特点。本文档提供了SRAM和NOR Flash存储器的接口电路图详解,包括地址线、数据线、控制信号以及电源管理等方面的设计要点。通过分析接口电路的组成,旨在指导硬件工程师理解其工作原理,并在设计和调试系统时实现有效的数据访问和存储。

weixin_35750483的博客 1717

74LS273/245 时序控制实验:3步完成SRAM 6116读写操作详解

本文详细解析了74LS273/245时序控制实验,通过3个关键步骤实现SRAM 6116的精确读写操作。实验聚焦计算机组成原理中的存储器控制,结合74LS273地址锁存器和74LS245三态门,深入探讨了总线周期与时钟同步的硬件实现,适合硬件爱好者和嵌入式系统开发者。

circularr9834的博客 387

VulnHub--mrrobot

Vulnhub靶场--Mr robot 靶机

记录笔记 1097

双端口SRAM如何提高系统的整体性能

SRAM 以其高速、静态的优点广泛应用于各种数字设备中,多被用作不同部件之间的缓冲,尤其在计算机体系架构中扮演着重要的角色,即嵌入到CPU 内部的高速缓存(Cache)。计算机的处理速度在高速增长,为了提供足够的数据缓存能力,随着集成电路制造工艺的发展,嵌入式SRAM 的存储单元的面积也在以约0.5 倍每代的速度减小,在45 nm 工艺节点嵌入式SRAM 的密度已可以达到150 Mb/cm2。双端口SRAM(Dual-Port SRAM, DP-SRAM)凭借其两个端口可以同时进行读写的能力在SRAM 领域

NETSOL的博客 1923

Microsoft Visual C++ 14.0 is required 的亲测最全解决方案(包括安装包丢失或损坏解决方法)

在用python调用别的语言(我用的是cache数据库)的方法时,在执行"python setup3.py install"方法时出现“error: Microsoft Visual C++ 14.0 is required. Get it with “Microsoft Visual C++ Build Tools”错误,以下是网上能找到的安装过程中“所有”解决方案: 1、首先需要下载Micr...

CDL2017CDL的博客 2万+

概率数据关联(PDA):多目标跟踪的基石算法

1. 为什么需要概率数据关联? 2. 核心思想与假设条件 3. 算法核心:概率分配与状态更新 4. 典型应用场景与优势 5. 挑战与改进方向 6. 下期预告

qq_44965657的博客 1468

OpenRAM完整实战指南:从入门到精通的开源SRAM编译器使用教程

OpenRAM是一款强大的开源静态随机存取存储器(SRAM)编译器,它能够帮助开发者快速生成定制化的SRAM设计。本教程将带领你从零基础开始,逐步掌握OpenRAM的核心功能和使用技巧,让你能够轻松构建符合项目需求的SRAM模块。 ## 一、OpenRAM简介:探索开源SRAM编译器的魅力 OpenRAM作为一款开源SRAM编译器,为芯片设计爱好者和专业工程师提供了一个灵活、高效的SRAM设计

gitblog_00483的博客 538

ansys workbench生成simpack使用的柔性体文件(.sub和.cdb文件)

由于需要做齿轮箱的刚柔耦合仿真,所以需要使用ansys生成.sub和.cdb文件,通过simpack内置的插件完成柔性体的建立。但是网络的教程相当有限。bilibili用户分享,apdl生成.sub和.cdb文件(apdl)子结构处理超大型模型问题ansys子结构分析时如何选取主自由度但是apdl学习成本比较高,所以我还是希望使用workbench实现这些功能,所以在此,我总结一下操作方法。

chbl6的博客 9713

同步SRAM存储器设计实战:从架构到时序优化

存储器是数字系统的基础,SRAM作为高速缓存与数据暂存的核心器件,其设计水平直接影响系统性能。从异步SRAM到同步SRAM的演进,解决了电平触发带来的时序不确定性与毛刺风险,通过时钟边沿统一采样,实现流水线操作与突发传输,显著提升总线利用率。同步SRAM凭借确定性延迟和高吞吐率,在图像缓存、网络报文处理等场景中发挥关键作用。实际电路设计中,时序约束、信号完整性、电源与时钟质量、FPGA接口逻辑环环相扣,任何疏漏都可能导致读写异常。围绕同步SRAM的架构原理,系统梳理选型权衡、电路设计要点、FPGA状态机及时

weixin_33804582的博客 301

OSGEarth 基于鼠标位置缩放

说明 osgearth 原有漫游器EarthManipulator 不支持此功能,所以需要修改此漫游器代码,其中主要原理就是在缩放的同时也要改变当前漫游器中心焦点的位置,从而保持鼠标指定点的位置缩放是不改变。 核心代码修改部分 EarthManipulator 的头文件zoom方法添加参数view /** * Zoom the camera using delt...

Rsoftwaretest的专栏 3787

C#操作MySQL从入门到精通(1)——安装MySQL数据库

我们使用C#操作MySQL数据库第一步要做的就是安装MySQL数据库,本文就是详细讲解如何安装MySQL数据库。

qq_34059233的博客 965

别再手动调时序了!STM32 FSMC驱动外部SRAM的完整配置流程(基于CubeMX+HAL库)

本文详细介绍了STM32 FSMC驱动外部SRAM的完整配置流程,基于CubeMX和HAL库实现,帮助开发者告别繁琐的时序调试。内容涵盖硬件设计基础、时序参数深度解析、HAL库驱动实现及内存访问优化,特别针对IS62WV51216 SRAM芯片的FSMC协议配置提供了实用技巧和常见问题解决方案。

weixin_30296405的博客 651

点云配准3:3d-ndt算法在pcl上的实现以及参数设置

3d-ndt算法在pcl上的使用方法以及参数设置

诺有缸的高飞鸟的博客 7895

低功耗SRAM实战:选型、时序与硬件设计要点全解析

SRAM(静态随机存取存储器)是嵌入式系统中常见的易失性存储器件,以其无需刷新、接口简单、访问速度快而著称。在工业网关、医疗仪器和IoT设备等对功耗敏感的中等容量应用场景中,低功耗SRAM凭借先进的工艺节点和电路设计,将待机电流降至微安级,同时通过降低工作电压和优化位线摆幅显著减少动态功耗。与DRAM相比,它省去了复杂控制器和刷新机制,真正实现接上总线即用。然而,实际工程中,芯片选型、时序参数解读、电源完整性和引脚处理等细节往往决定系统成败。例如,待机电流会随温度急剧上升,输入引脚悬空会导致功耗异常,时序裕

weixin_29183637的博客 295

SKUA-GOCAD入门教程-第八节 线的创建与编辑7和8

本文介绍了曲线编辑操作的主要功能,包括曲线部分和区域的管理操作。在曲线部分操作方面,详细说明了如何合并、删除、移动和过滤曲线部分,支持精确或带公差的合并方式。在曲线区域操作方面,阐述了保留/删除区域点、移动区域点、保留/删除区域线段等操作。此外还介绍了节点连接功能,包括新增/删除连接、端点连接以及为曲线赋予地质特征的方法。

江洋大葱的博客 390

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

服务器多端口提高性能,双端口SRAM如何提高系统的整体性能

SRAM 以其高速、静态的优点广泛应用于各种数字设备中,多被用作不同部件之间的缓冲,尤其在计算机体系架构中扮演着重要的角色,即嵌入到CPU 内部的高速缓存(Cache)。计算机的处理速度在高速增长,为了提供足够的数据缓存能力,随着集成电路制造工艺的发展,嵌入式的存储单元的面积也在以约0.5 倍每代的速度减小,在45 nm 工艺节点嵌入式SRAM 的密度已可以达到150 Mb/cm2。双端口SRAM...

weixin_31978735的博客 858

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: SRAM电路工作原理
下一篇: 分享一款ISSI IS62WV20488EALL低电压2Mx8并口SRAM
NETSOL
博客等级 码龄6年 35粉丝 154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
 
 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