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
600+累计阅读
624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
串口通信是嵌入式系统中常用的一种通信方式，能够实现与外部设备的数据传输。在STM32微控制器中，串口通信是一项重要的功能，本文将详细介绍STM32串口通信的原理，并提供相应的源代码示例。
串口通信是通过发送和接收数据位来实现数据传输的。在STM32中，串口通信主要涉及以下几个关键参数：
波特率（Baud Rate）：波特率指每秒钟传输的比特数。发送和接收设备必须以相同的波特率进行通信，否则数据会出现错误。
数据位（Data Bits）：数据位指每个数据字节中实际传输的位数。常用的数据位数有8位、9位等。
停止位（Stop Bits）：停止位用于标识一个数据传输的结束。常用的停止位数有1位、1.5位和2位。
校验位（Parity Bit）：校验位用于检测数据传输中的错误。常用的校验位有奇校验和偶校验。
在STM32中，串口通信主要使用USART（通用同步/异步收发器）模块来实现。USART模块包含了发送和接收数据的寄存器，以及相关的控制寄存器。
以下是一个基本的STM32串口通信配置的源代码示例：
#安卓设备通过USB串口与STM32单片机通讯之二
(二) APP的JAVA代码部分(使用Android Studio 4.1环境开发) 本APP(USB串口调试器)在开发中引入了mike wakerly (opensource@hoho.com)编写的USB串口开源驱动包.具体的开源项目可查看: https://github.com/mik3y/usb-serial-for-android。得益于这个工作流畅的驱动包，本APP在实际工作的使用中稳定可靠，在此我谨向这位无私的开源者致谢。 以下是这个driver驱动包在项目中的具体位置,它和我的唯一的主活动
安卓设备通过USB串口与STM32单片机通讯之一
这里写自定义目录标题欢迎使用Markdown编辑器`在这里插入代码片`新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器在这里插入代码片 你好下Markdown的基本语法知识。 新的改变 我们对
关于RS485通讯中使用STM32串口以DMA方式发送数据丢失字节的问题
1、开发平台 计算机操作系统：WIN7 64位； 开发环境：Keil MDK 5.14； MCU：STM32F407ZET6； STM32F4xx固件库：STM32F4xx_DSP_StdPeriph_Lib_V1.4.0； 串口调试助手； 2、问题描述 在测试用STM32F4xx芯片的串口USART1以DMA方式进行RS485收发通讯时，出现数据字节丢失的现象，一般丢失1～...
基于STM32的环境监测预警系统
主控STM32f103c8t6 。利用 DHT11 和烟雾传感器，进行温湿度检测和烟雾值检测，并实时在LCD屏幕上进行数值显示，同时通过串口通信将数据信息传至上位机显示。当检测到温湿度高出设定阈值，将打开排风扇进行通风；当检测到有烟雾时，将关闭通风风扇防止火灾蔓延，开启蜂鸣器警报并持续向上位机发送警报信息。
STM32:串口发送/接收HEX数据包代码篇(内含：实物图接线图+代码部分+个人笔记)
STM32:串口发送/接收HEX数据包代码篇(内含：实物图接线图+代码部分+个人笔记)
串口通信的实现方法及源代码
要进行串口通信，首先需要一台计算机和一个外部设备（如微控制器或传感器），它们之间通过串口进行连接。在大多数编程语言中，都有提供串口通信的库或模块，可以使用它们来实现串口通信。串口通信是一种常见的数据传输方式，用于在计算机和外部设备之间进行数据交换。在本文中，我将介绍串口通信的实现方法，并提供相应的源代码供参考。你可以根据具体的需求和编程语言使用适当的库或模块来进行串口通信。需要注意的是，串口通信是基于字节的，所以我们需要将字符串编码为字节数据再发送。在上面的代码中，我们使用Python的。
AI Agent Harness Engineering 监控与日志系统搭建
在生成式AI（Generative AI）与大语言模型（LLM）普及的今天，AI Agent（自主智能代理）已经成为了继「LLM API调用」「单轮/多轮对话」之后的第三代AI应用范式——Agent能够自主感知环境、制定多步决策、调用外部工具（Web搜索、数据库、RAG检索、企业系统API等）、执行复杂任务并优化自身策略。然而，随着Agent应用从Demo原型快速落地到企业生产环境，一系列与工程化落地强绑定的可观测性（Observability）问题正在成为Agent项目成功上线、稳定运行的最大瓶颈。
3GPP协议解读_NTN系列（一）_38.811_非地面网络(NTN)的背景、应用场景和信道建模
非地面网络覆盖广，对物理攻击和自然灾害有一定的抵抗性。本文根据3GPP协议对NTN网络的背景、应用场景和信道模型进行了整理。
PyTorch GPU版本安装避坑指南：解决RuntimeError: No CUDA GPUs are available报错
本文详细解析了PyTorch GPU版本安装过程中常见的`RuntimeError: No CUDA GPUs are available`报错问题，从硬件驱动检查、CUDA Toolkit与cuDNN安装到PyTorch GPU版本的正确配置，提供了全面的避坑指南和实战验证方法，帮助开发者高效搭建深度学习开发环境。
基因组注释（Annotation）
Annotation
GEO芯片数据下载和探针ID转换（保姆级教程）
R语言安装、GEO芯片数据下载、探针ID转换
halcon C++编程 第4讲 HObject/HImage Mat相互转换（tcy）
网上有很多相互转换程序，但并不知那个正确，本文对相互转换后的结果和原对象比较是否相同判断转换是否正确。经测试ok.本文包括转换代码及测试是否相同。 1.转换程序： /************************************ HObject转为Mat：time:2021/3/16 V1.0 *************************************/ cv::Mat HalconClass::HObjectToMat(const HalconCpp::HObject&..
Swin Transformer注意力计算复杂度为何比全局注意力少那么多？
本文对比分析了Vision Transformer（ViT）和Swin Transformer的计算复杂度。ViT采用全局注意力机制，计算复杂度为4[hwc^2]+2[(hw)^2C]，当图像尺寸较大时计算量显著增加。而Swin Transformer采用窗口注意力机制，将图像划分为M×M的窗口（如7×7），计算复杂度降为4[hwc^2]+2[(hw)(M*M)*C]。以224×224图像为例，Swin Transformer的计算量比ViT减少约900倍，大幅节省了计算资源。文章通过矩阵乘法运算详细推导了
一文看懂 SAP Integration Suite：从架构治理、接口编排到事件驱动的集成全景
SAP Integration Suite是企业数字化转型中的关键集成平台，通过统一的方法论和工具链解决系统互联、数据对齐和流程协同等复杂问题。其核心能力包括：1）集成评估（Integration Assessment）提供战略规划框架；2）迁移评估（Migration Assessment）支持从传统平台向云的平滑过渡；3）云集成（Cloud Integration）实现日常业务流程编排；4）集成顾问（Integration Advisor）简化B2B标准映射；5）贸易伙伴管理（TPM）优化外部协作流程；
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
4140
扫一扫
