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
300+累计阅读
361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
物联网技术的迅猛发展使得各种传感器在物联网设备中得到广泛应用。其中，温度传感器是常见且重要的传感器之一。本文将介绍如何在ESP32设备上驱动MCP9808数字温度传感器，以获取精确的温度数据。
MCP9808是一款高精度的数字温度传感器，能够测量范围在-40℃至+125℃之间的温度，并提供0.0625℃的分辨率。它采用了I2C接口与微控制器通信，因此我们需要在ESP32上配置I2C总线，并编写相应的驱动代码。
以下是使用Arduino开发环境编写的ESP32驱动MCP9808数字温度传感器的示例代码：
#include <Wire.h>
#define MCP9808_I2C_ADDRESS 0x18
MCP9808温度传感器驱动开发与FreeRTOS集成实践
数字温度传感器是嵌入式系统环境感知的核心器件，其精度、通信可靠性和低功耗特性直接决定终端设备的测量可信度与续航能力。基于I²C协议的高精度传感器（如MCP9808）通过寄存器级配置实现±0.25℃测温精度与0.0625℃可编程分辨率，其技术价值在于兼顾工业级稳定性与MCU资源约束。典型应用场景涵盖工业热管理、电池温控、医疗设备监测及边缘物联网节点。本文围绕MCP9808驱动库设计、I²C寄存器操作、FreeRTOS多任务协同及硬件调试展开，重点解析温度数据补码转换、CONFIG寄存器位域控制、总线互斥机制等
在ESP32上驱动DS18B20温度传感器(macroPython)
在物联网和嵌入式系统中，温度传感器是一种常见的设备，用于测量环境温度。本文将介绍如何在ESP32上驱动DS18B20温度传感器。
ESP32设备驱动-MCP9808数字温度传感器驱动
MCP9808 数字温度传感器将 -20°C 和 +100°C 之间的温度转换为精度为 ±0.5°C（最大值）的数字字。 MCP9808 带有用户可编程寄存器，可为温度传感应用提供灵活性。这些寄存器允许用户选择设置，例如关断或低功耗模式以及温度事件和临界输出边界的规范。
【MicroPython编程-ESP32篇:设备驱动】-MCP9808数字温度传感器驱动
MCP9808 数字温度传感器将 -20°C 和 +100°C 之间的温度转换为精度为 ±0.5°C（最大值）的数字字。 MCP9808 带有用户可编程寄存器，可为温度传感应用提供灵活性。这些寄存器允许用户选择设置，例如关断或低功耗模式以及温度事件和临界输出边界的规范。
物联网全栈开发实战系列文章汇总（共1361篇，持续更新）
物联网全栈开发实战专栏将涵盖各类单片机、嵌入式设备及驱动开发实例。从仿真到硬件，从单个实例到综合实例，从单个设备到多个设备的各种方式通信、联网等等。以实例为线索，从硬件到用户终端，掌握物联网全栈开发基础。.................................
国产单片机开发系列文章汇总（共711篇）
本文将对常见的国产系列单片机开发相关文章进行汇总，文章将按单片机的指令集进行分类汇总，持续更新。
ESP32设备驱动-HTU31温湿度传感器驱动
高性能 HTU31 湿度和温度组合传感器是市场上最小和最精确的湿度传感器之一。 HTU31 提供数字和模拟版本，即使在最恶劣的环境中也能提供快速响应时间、精确测量、低滞后和持续性能。 HTU31 湿度和温度传感器包括数字 (D) 和模拟 (V) 版本，结合了多种功能和 3V 至 5.5V 的应用友好型工作电源电压范围
详细介绍如何使用内置温度传感器测量 ESP32 功能
本文详细介绍如何使用内部温度传感器测量 ESP32 的功能。安全功能、调试和测试 ESP32 功能而不会过热。
ESP32与DS18B20温度传感器的数据获取与告警系统
本文将介绍如何使用ESP32单片机与DS18B20温度传感器搭建一个简单的温度监测系统，并通过串口输出和自定义钉钉告警来实现温度异常的实时监测和报警功能。将传感器的VCC引脚连接到ESP32的3.3V电源引脚，将GND引脚连接到ESP32的GND引脚，将数据引脚连接到ESP32的GPIO引脚（例如GPIO4）。接下来，我们将编写ESP32的代码，以便获取DS18B20传感器的温度数据，并通过串口输出和自定义钉钉告警来监测温度异常。如果一切正常，您将看到温度数据的输出，并且在温度超过阈值时会发送钉钉告警。
ESP32设备驱动-BMP183温度传感器驱动
BMP183 是 BMP085 的功能兼容后继产品，BMP085 是面向消费类应用的新一代高精度数字压力传感器。 BMP183 的超低功耗、低电压电子器件针对移动电话、PDA、GPS 导航设备和户外设备的使用进行了优化。 BMP183 在快速转换时的低海拔噪声仅为 0.25 米，可提供卓越的性能。 SPI 接口允许轻松地与微控制器进行系统集成。
ESP32设备驱动：使用AM2320温湿度传感器实现物联网
通过ESP32的I2C接口和相应的库函数，我们可以轻松地与AM2320传感器进行通信，并读取温度和湿度数据。在物联网应用中，温度和湿度传感器是常见的组件，用于监测环境条件。在本文中，我们将探讨如何使用ESP32开发板和AM2320温湿度传感器来实现物联网应用。在上面的代码中，我们首先包含了所需的库文件：Wire库用于I2C通信，Adafruit_Sensor库用于传感器支持，以及Adafruit_AM2320库用于与AM2320传感器进行通信。现在，我们可以将代码上传到ESP32开发板并查看串口监视器。
使用ESP32和DS18B20温度传感器实现Web服务器温度监控
使用ESP32和DS18B20温度传感器实现Web服务器温度监控在此篇文章中，我们将介绍如何使用ESP32和DS18B20温度传感器实现Web服务器温度监控。通过本文的演示，你可以学习到如何使用串口输出温度信息以及如何在Web服务器上进行显示。接下来，我们进入正题，按照如下步骤进行操作：一、硬件连接将DS18B20温度传感器连接到ESP32开发板上，连接方式如下：将DS18B20的VCC引脚连接到开发板的3.3V引脚上；将DS18B20的GND引脚连接到开发板的GND引脚上；
ESP32设备驱动-PCT2075温度数字转换器驱动
PCT2075 是一款温度数字转换器，在 -25 °C 至 +100 °C 范围内具有 ±1 °C 精度。 它使用片上带隙温度传感器和 Sigma-Delta Ato-D 转换技术，具有过热检测输出，可直接替代其他 LM75 系列热传感器。
ESP32设备驱动：MPU6050加速度计陀螺仪和温度传感器驱动
将模块的VCC引脚连接到ESP32的3.3V电源引脚，GND引脚连接到ESP32的地引脚，SCL引脚连接到ESP32的I2C时钟引脚（通常是GPIO22），SDA引脚连接到ESP32的I2C数据引脚（通常是GPIO21）。本文将介绍如何在ESP32上驱动MPU6050加速度计陀螺仪和温度传感器，为你的物联网项目提供准确的姿态和环境数据。通过以上步骤，你成功地驱动了MPU6050加速度计陀螺仪和温度传感器，并将数据输出到ESP32的串口监视器。你将看到每秒钟打印出MPU6050的加速度、陀螺仪和温度数据。
【VMware篇】7-通过ISO镜像升级VMware Esxi
本文主要介绍Dell服务器上安装的ESXi升级的方法之一（采用ISO升级）。
C++中const和指针*的组合问题
今天在复习> 章节7.3的时候想到以前做的一个题，const和指针运算符*的若干种组合的合法性和意义问题，有点混淆，所以写了一个测试代码来验证一下，简单明了，一目了然。如果有什么遗漏的话欢迎指出。 首先是在Ubuntu14.04.1下用gcc 4.8.4编译运行的结果，编译器报错信息都附加在对应语句后面的注释里 /* * Note : Test for the combinations of
汽车诊断服务（UDS——0x11服务解析）
ECU复位服务（0x11）详解：该服务支持硬件/钥匙开关/软件三种复位类型（0x01-0x03），复位前需发送肯定响应。请求格式为11+子功能，响应含51+子功能。典型应用需配合安全访问流程，测试时需监控CAN总线通信及DTC状态。复位后ECU将返回默认会话，期间不处理任何诊断请求。服务在编程会话且安全解锁后执行，硬复位会初始化存储数据。
科大讯飞(1): 环形6麦语音唤醒—驱动板上的接口
介绍环形麦阵列驱动板上的接口，及其疑问
闲鱼x-sign、x-mini-wua、x-umt三字段协同验证机制解析
在移动客户端风控体系中，设备标识与行为签名是保障接口安全的核心技术。x-sign并非传统时间戳+密钥的静态签名，而是融合设备特征、运行时状态与服务端动态因子的多阶段位运算结果；x-mini-wua作为小程序轻量水印，依赖主App注入的短时效sessionKey与截断时间戳；x-umt则通过设备硬件与网络环境联合编码实现强绑定。三者构成‘设备—环境—行为’三位一体的交叉验证链路，广泛应用于电商API防护、二手平台数据采集及自动化运营等场景。本文基于Android/iOS真机逆向与Frida动态分析，揭示其生成
Axure RP9汉化+授权全攻略：从下载到激活一步到位（附最新授权码）
本文提供Axure RP9从下载安装到界面汉化的完整指南，帮助设计师和产品经理快速上手这款原型设计工具。详细讲解了如何安全获取软件、执行汉化操作、理解核心界面布局，并介绍了创建交互原型和生成HTML文件的基础步骤，助力用户高效开展设计工作。
Transformers 实战修炼与源码剖析专栏大纲
本专栏以 Hugging Face Transformers 为主线，围绕“能用、会调、敢上线、懂源码”四个目标展开。内容不把理论堆成公式墙，而是用真实或拟真的业务场景驱动：客服分类、合同抽取、知识库问答、模型微调、推理服务、监控告警、源码扩展等。采用“业务痛点 → 三人剧本对话 → 代码实战 → 总结思考”的四段式结构，让读者在动手完成一个个小项目的过程中，逐步理解 Tokenizer、Model、Pipeline、Trainer、Generation、PEFT、Accelerate、Serving等概念
风机叶片小规模振动监测数据集--读取测试
ETH风电叶片缺陷数据集–读取测试 数据简介 提示：这里可以添加本文要记录的大概内容： 结构健康监测是保障重要机电设备、建筑设施健康的重要技术手段。 一、lvm_read包安装 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务
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")
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
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。
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
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
86
扫一扫
