基于FPGA的AD7705芯片驱动设计VHDL代码Quartus仿真

基于FPGA的AD7928驱动 计数器模块 阅读详情

名称:

软件:Quartus基于FPGA的AD7705芯片驱动设计VHDL代码Quartus仿真(文末获取)

语言:VHDL

代码功能:

AD77025芯片控制及串口输出

1、使用FPGA控制AD77025芯片,使其输出AD值

2、将数据计算后通过UART串口输出

1. 工程文件

2. 原理图文件

3. 程序编译

4. RTL图

部分代码展示:

LIBRARY ieee;
   USE ieee.std_logic_1164.all;
   USE ieee.std_logic_unsigned.all;
   USE ieee.std_logic_arith.all;
--AD7705控制模块
ENTITY AD7705_ctrl IS
   PORT (
      clk_in    : IN STD_LOGIC;--时钟
      reset    : IN STD_LOGIC;--复位
      DRDY : IN STD_LOGIC;--AD7705的管脚
      DOUT   : IN STD_LOGIC;--AD7705的管脚
      CS     : OUT STD_LOGIC;--AD7705的管脚
      SCLK   : OUT STD_LOGIC;--AD7705的管脚
  DIN    : OUT STD_LOGIC;--AD7705的管脚
  enable_AD    : OUT STD_LOGIC;--数据使能信号
  AD_value: OUT STD_LOGIC_VECTOR(15 DOWNTO 0)--AD值
   );
END AD7705_ctrl;
ARCHITECTURE RTL OF AD7705_ctrl IS
BEGIN
   
END RTL;
源代码

 基于FPGA的AD7705芯片驱动设计VHDL代码Quartus仿真名称:AD7705驱动及UART串口输出VHDL代码Quartus仿真软件:Quartus语言:VHDL代码功能:AD77025芯片控制及串口输出1、使用FPGA控制AD77025芯片,使其输出AD值2、将数据计算后通过UART串口输出FPGA代码Verilog/VHDL代码资源下载:www.hdlcode.com演示视频:设计文档:设计文档.doc1. 工程文件2. 原理图文件3. 程序编译4.icon-default.png?t=N7T8http://hdlcode.com/index.php?m=home&c=View&a=index&aid=701

AD7705高精度ADC驱动程序设计与51单片机实现 想象一下这样的场景:你的电子秤要测1克重的东西,传感器输出变化只有几十微伏(μV)。而环境里的电源干扰、PCB走线耦合、甚至人体静电都在悄悄叠加噪声。普通的8位或12位ADC根本分不清这是重量变化还是干扰毛刺。AD7705的出现,就是为了解决这类问题。它不像SAR型ADC那样追求高速采样,而是反其道而行之——用时间换精度。 阅读详情

相关推荐

ESP32软件模拟SPI驱动AD7705完整工程实践

ESP-IDF(Espressif IoT Development Framework)是乐鑫信息科技公司为其ESP32系列芯片开发的一个官方物联网开发框架。它提供了丰富的库和组件,简化了开发者对ESP32芯片的编程工作,使其能快速进行物联网产品的开发。ESP-IDF框架的基本构成包括:应用程序接口(API):为软件开发提供各种编程接口,这些接口针对ESP32的硬件特性进行了优化。组件系统:包括蓝牙、Wi-Fi、TCP/IP协议栈、驱动等,可以单独使用或者组合使用,以满足不同场景的需求。

weixin_28872035的博客 1224

ad7705c语言程序,基于51单片机的的AD7705的运用

这是我当初毕业设计的程序可以直接用的包含两个文件:AD7705.H文件:#include #ifndef _AD7705_#define _AD7705_sbit AD7705_CLK= P3^6; //AD7705时钟sbit AD7705_DIN= P3^4; //AD7705数据输入端sbit AD7705_DOUT = P3^3; //AD7705数据输出端sbit A...

weixin_42514537的博客 1786

数据科学常见模型总结(二)-倾向性得分匹配模型

PSM的核心思想是从未受干预的用户群体中,找到和干预对象一模一样的用户,这样就可以把因果效应归因到干预上。

wudelong0112的专栏 4900

基于AD7705的32路信号采集软件设计

工作过程:首先通过ATmega16的SPI接口驱动AD7705,完成AD7705通道设置、时钟设置、更新速率以及校准模式等,然后启动ATmega16的定时器,在定时器中断函数中查询AD7705的状态,如转换完成则读取转换结果,否则继续等待直到转换完成,如此不断读出所需的转换结果。( SPSR & ( 1 < < SPIF) ) ) / /等待传输结束。( SPSR & ( 1 < < SPIF) ) ) / /等待传输结。( SPSR & ( 1 < < SPIF) ) ) / /等待传输。

leva的博客 1156

CTF实战:Flask Session流量解密与内存马路由追踪

本文通过一道CTF实战题目,详细解析了Flask Session流量解密与内存马路由追踪的全过程。文章从破解前端加密密码入手,逐步揭示如何利用泄露的SECRET_KEY解密Session,发现命令执行痕迹,并最终追踪到攻击者植入的内存马路由。内容涵盖Wireshark流量分析、flask-unsign工具使用等实战技巧,为CTF选手和安全研究人员提供了一套完整的Flask应用安全分析思路。

weixin_28309571的博客 309

vscode+keil嵌入式软件开发全流程

vscode+keil嵌入式软件开发全流程

AspringQ的博客 6789

基于FPGA的AD7705芯片驱动设计Verilog代码Quartus仿真

代码功能: AD7705芯片驱动设计 1、使用FPGA驱动AD77025芯片,使其输出AD值代

RTLcoder的博客 705

STM32F103ZET6驱动TM7705(AD7705)代码加心得

STM32F103ZE驱动TM7705(兼容AD7705)代码加心得 1、讲解之前,我还是得狠狠得吐槽一下,我虽然没用AD7705,但还是劝大家尽量选择AD7705,国产的一些芯片真的有点不行,新能确实差的不是一点。博主可以很认真的说的是給TM7705发的部分指令它不会执行(不清楚AD7705,应该会好点吧,毕竟是正版)。最重要的就是它的缓冲开启跟没开启没啥区别, 输入阻抗根本没变。实在是低,用万...

qq_41151593的博客 9263

[运动规划算法]基于飞行走廊的轨迹优化

文章目录简介一、介绍二、原理飞行走廊生成三、项目演示参考 简介 Btraj是一个在线的四旋翼无人机的运动规划框架,主要用于未知环境中的自主导航。基于机载状态估计和环境感知,采用基于快速行进(FM *)的路径搜索方法,从基于构建的欧氏距离场(ESDF)中寻找路径,以实现更好的时间分配。通过对环境进行膨胀生成四旋翼无人机的飞行飞行走廊。使用伯恩斯坦多项式将轨迹表示为分段Bezier曲线,并将整个轨迹生成问题转换成凸问题。通过使用Bezier曲线,可以确保轨迹的安全性和高阶动力学可行性,可以将轨迹完全限制在安全

xiewf的博客 8065

7、布尔网络的基础定义

本文介绍了布尔网络的基础定义及其在系统生物学中的应用。布尔网络是一种描述复杂系统动态行为的数学模型,由布尔变量和布尔函数组成,能够模拟生物系统中基因调控、信号传导和细胞代谢等过程。文章详细阐述了布尔网络的基本结构、动力学特征(如状态转移图和吸引子),以及其在生物建模中的重要价值,并探讨了优化和简化技术(如Backward Boolean Equivalence)如何提升其计算效率。

yhn45678901的博客 268

TM7705(AD7705)驱动调试总结-基于stm32f103zet6-填坑日记

模块对输入电压进行了0.5倍的分压,才进入芯片采集。一句话说明白,TM7705是一个外置16位分辨率双通道ADC芯片,SPI通信协议,采用Σ-∆转换技术。价格便宜,对标同型号AD7705,基本能直接替换,程序基本通用。AD7705是美国模拟器件公司生产的。15元左右。TM7705 是深圳天微生产的,引脚和功能和AD7705完全兼容。可以替代AD7705。价格比进口的便宜几倍。5元左右。(1)TM7705多一个内部2.48V参考电压,可以通过写测试寄存器开启(默认不开启)

qq_46226356的博客 1万+

Odoo17商城微信支付模块,快速一个实现可在线支付的商城

通过集成微信支付APIv3,Odoo 系统实现了高效、安全的支付流程。Native扫码支付和Jsapi微信浏览器内直接拉起支付为用户提供了更加便捷的支付方式。同时,通过发送下单及支付消息给管理员,商家可以实时了解订单状态并进行相应处理。通过集成微信支付 结合 Odoo 系统内置的商城模块,可以为商家快速实现功能完善、高效的电商解决方案。

AaronZZH 的博客 2268

AD7705 16-bit Delta-Sigma AD 转换器

这款 AD7705 来自于 Analog Devices 公司的一款Sigma-Delta ADC。具有两路差分输入ADC通道,本文记录利用STC8H1K28单片机开发该芯片组成双通道AD转换芯片应用过程。 ▲ AD7705内部功能框图与参考设计电路   01实验模块设计 1.器件库建立 ▲ AD元器件以及TSSOP-16封装 2.电路设计1 在设计中,AD7705的时钟信号来自于STC8H1K的主时钟的分频输出。具体设置可以参见STC8H1K的MCLKOCR寄存器的设置。 ▲ STC8H1K

TSINGHUAJOKING 2329

mbedtls | 01 - 移植mbedtls库到STM32的两种方法

一、mbedtls 开源库 1. mbedtls是什么 Mbed TLS是一个开源、可移植、易于使用、代码可读性高的SSL库。可实现加密原语,X.509证书操作以及SSL / TLS和 DTLS 协议,它的代码占用空间小,非常适合用于嵌入式系统。 mbedtls遵循 Apache 2.0 开源许可协议,目前由 TrustedFirmware 维护(Linaro主持的一个治理开放社区项目),在Github上已收获 2.6k star,目前Github上发布的最新版本为 2.24.0 版本,开源仓库地址为:

Mculover666的博客(嵌入式) 1万+

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。

基于FPGA的AD7705驱动设计Verilog代码ISE 仿真

AD7705驱动设计

xiakunpei123的博客 504

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

AD7705驱动程序!非常稳定

AD7705驱动程序!非常稳定 去发现同类优质开源项目:https://gitcode.com/ 简介 这是一个针对C51平台开发的AD7705驱动程序,适用于sst89e58单片机。程序经过严格测试,表现非常稳定。此外,本仓库还提供了max7219驱动程序,方便用户进行开发。 特点 针对C51平台,适用于sst89e58单片机 AD7705驱动程序稳定可靠 附带max7219驱动程序 使用说...

gitblog_06763的博客 365

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

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")

ADC芯片——AD7705最详细讲解(STM32)

目录

cugautozp的博客 5万+

外设驱动库开发笔记5:AD7705系列ADC驱动

在我们的经常需要采集一些精度要求较高的模拟信号,使用MCU集成的ADC难以达到要求、所以我们需要独立的ADC芯片。这一节我们就来设计并实现AD7705芯片的驱动、并探讨驱动的使用方法。 1、功能概述 AD7705/AD7706是用于低频测量的完整模拟前端。可以直接从传感器接收低电平输入信号,并产生串行数字输出。 1.1、硬件结构 AD7705和AD7706均为完整16位、低成本、Σ-Δ型A...

木南创智 2530

AD7705原理及程序详解:一款强大的模拟数字转换器解析

AD7705原理及程序详解:一款强大的模拟数字转换器解析 【下载地址】AD7705原理及程序详解 本项目深入解析AD7705模数转换器的原理与程序实现,提供了丰富的调试经验和详尽代码注释。无论你是电子工程师、嵌入式开发者,还是对硬件编程感兴趣的爱好者,都能从中获得实用指导。通过本项目,你将全面掌握AD7705的核心技术,...

gitblog_06727的博客 794

模数转换芯片AD7705的使用心得

本文为转载。 AD7705应用总结:  YW2314R12项目中用到了AD7705,先将AD7705的应用经验以及注意要点总结如下,这些经验同样适用于AD7799、AD7706等AD公司的拥有校准功能的AD芯片。  1.时序注意要点:数字接口迷失的时候可以通过ADIN输入持续32个脉冲周期(DCLK)以上的高电平将复位AD7705的数字接口,复位之后要等待500us以上才能访问AD7705芯

tianxuechao的博客 2万+

STC89C52RC的AD7705读写实验(软件SPI)

本代码段基于AD7705/TM7705 中文参考手册编写,采用软件SPI方式读写,其中引脚连接为: AD7705->单片机 GND------->GND VCC------->VCC RST不接 CS------->P1^4 SCK----->P1^0 DN------->P1^1 DOUT--->P1^2 DRDY--->P1^3 主函数代码: #include <REGX52.H> #include "my_..

qq_43779742的博客 3141

AD7705驱动代码 -- Linux SPI设备驱动

AD7705设备驱动代码,开发板:iTOP4412精英版,内核版本:Linux3.0.15,结果会比实际值偏移一位,正在查找原因,随时更新,欢迎讨论!(1)在内核平台文件中spi2_board_info[]添加设备信息如下:#ifdef CONFIG_AD7705_CTL //direct use spi2, or use spi-gpio { ...

kuangzuxiaoN的博客 2170

LVDS接口设计及应用(1)——以AD9253为例

在应用前先简要了解一下这颗芯片,其功能框图如下所示:由框图可以看出,AD9253是一颗14位分辨率,最高可达125M采样率的四通道高速ADC,工作电压为1.8V,分为模拟供电AVDD和数字供电DRVDD。高速ADC常用于通信系统当中,一般比较关注交流性能,AD9253信噪比为75.3dBFs,无杂波动态范围为98dBc,是极其优秀的水平,当然实际应用中选型还要关注功耗成本等,与实际项目综合考虑。

qq_39889866的博客 1万+

125M sps,16bit ADC模块设计

AD9265-125的驱动以及原理资料

weixin_43501403的博客 1776

FPGA驱动AD7175-8 调试总结

一、AD7175-8介绍 AD7175-8是一款比较新的ADC器件了,至今还没有找到完整的FPGA的驱动例程,从get新板到最终调试OK也花了快一个月的时间了,终于调试完成。当然,产品介绍在ADI官网上更加详细,我只是简单说几个比较重要,我们经常考虑的几个特点吧: 通道扫描数据速率:50 kSPS 可配置通道数:1-16个 输出数据位宽:24位宽(最高位为符号位,剩下23位就都是数...

qq_42025108的博客 5135
上一篇: 基于FPGA的AD7705芯片驱动设计Verilog代码Quartus仿真
下一篇: 基于FPGA的多路彩灯控制器VHDL代码Quartus仿真
RTLcoder
博客等级 码龄3年 880粉丝 17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