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
4.6k累计阅读
4.6k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
AI摘要
STM32在不同启动模式下都会从0x00000000开始，首先执行中断向量表中的栈顶地址和复位函数。中断向量表是一个包含每个异常处理函数地址的4字节数组，其位置可以通过NVIC的重定位寄存器设置。0号向量提供复位后的MSP初始值，即栈顶地址。
我是通过这个进行学习的，我觉得讲的很好，这里我稍加修改，作为自己的学习笔记: 嵌入式杂谈之中断向量表
STM32根据boot引脚的配置方式有3种启动方式，但是无论哪一种方式，对于STM32来说都是从0x0000 0000启动
STM32单片机启动第一件事就是取得中断向量表
中断向量表是一个4byte的数组，每个成员都是一个地址，指向相应的中断处理函数,当芯片处于不同的状态时，就会根据这段内容跳转到对应的地址去执行对应的程序。特别的第一个成员是栈顶地址，第二个成员是复位函数Reset_Handler。
根据Arm的规定，cortex3 cortex4启动都是从0x0000 0000开始，
量表是一个WORD（ 32 位整数，4byt
STM32--中断向量表
例如，假设STM32向量表的起始地址是0x08000000（不同型号的STM32可能略有不同），向量表的第一个4字节（即地址0x08000000处）通常存放的是复位向量地址，即复位后程序执行的第一条指令地址。假设STM32的UART1发送完成了中断请求，当该中断被处理器接受并激活时，处理器会根据NVIC的设置找到UART1中断在向量表中的位置，并从中取出该位置存放的地址，然后跳转到这个地址执行UART1的中断服务程序。在向量表的特定位置，会存放由NVIC分配的各个外设中断服务程序的入口地址。
STM32中断号，中断处理函数和中断向量表关系
1、中断号定义 在stm32f10x.h中定义枚举类型IRQn中，定义了各个中断的中断号。 2、中断向量表 嵌套向量中断控制器(Nested Vectored Interrupt Controller)。CM3的中有一个强大而方便的NVIC，它是属于Cortex内核的器件，中断向量表中60个中断都由它来处理。NVIC是Cortex-M3核心的一部分，关于它的资料...
STM32中断向量表的个人理解
在研究 stm32 的启动文件中，有一个部分是设置中断向量表，那么中断向量表是写在什么地方呢？通常写在flash的起始位置，向量表的排列顺序和内容遵循ARM Cortex-M内核的规定。
STM32 OTA 中断向量表重定向
中断向量表重定向是OTA升级的核心机制，其本质是解决多份固件在独立Flash区域运行时中断处理的兼容性问题。通过VTOR寄存器或RAM重映射，开发者可确保BootLoader与APP的中断逻辑无缝切换，保障系统稳定运行。具体实现需结合芯片内核类型（是否支持VTOR）和Flash划分方案灵活选择。
改写STM32中断向量表的内容的大神代码
最近又接手另外一个项目，用的是STM32。听说这份代码是大神写的。我粗略看了一下，云里雾里，好多好多的神技。有太多的代码写得令我惊怒交加，惊的是居然还能这么写代码，怒的是这写的实在太艰深难懂看得我想骂人。看完实在有太多想说的，今天先放一点出来分享一下，瞻仰一下大神的骚操作。 咱们就从一个中断服务函数开始，顺藤摸瓜来看看代码里怎么安排中断向量的。 ISR(USART2_IRQn) { ui...
stm32中断向量表初探
AREA RESET, DATA, READONLY EXPORT __Vectors __Vectors DCD __initial_sp //0x20000210; Top of Stack DCD Reset_Handler //0x0
stm32中断向量表可以在程序中进行修改吗_STM32-我的学习日记(十四)
第五周的课程也按时结束了，开学还没有被放上日程。在家的一个多月，总体来说还是完美的，除了没法出去玩。关于课程而言，微控制器的内容难度有了一定的提升，我发觉有的部分愈发的难以理解，不过我还是会尽力做好笔记，毕竟是开卷考试，但我更希望我可以熟练使用这一工具吧。今天的首先复习了了上节课关于实例的内容，了解一些关于硬件开发电路的知识，然后讲解了中断部分。最小应用系统包括：MCU芯片，电源、JTAG/JLI...
IAR中STM32中断向量表重定向：图解说明原理
深入解析在IAR环境下如何实现STM32中断向量表的重定向，结合实际操作图示阐明其内存布局与启动机制，帮助开发者更好掌握iar工具链中的关键配置。
从无人机到机械臂：深入聊聊LQR和LQG在实际项目里的那些‘坑’与最佳实践
本文深入探讨了LQR和LQG在无人机和机械臂等实际项目中的应用挑战与最佳实践。从系统建模的妥协艺术到调参的系统化方法，再到离散化的细节处理，文章分享了工程实践中的宝贵经验。特别强调了如何应对传感器噪声、未建模动态等现实问题，并提供了实用的调试工具和诊断流程，帮助工程师避免常见陷阱，提升控制系统的稳定性和性能。
噪声整形与过采样实战：从N-bit ADC到DSM的SQNR优化指南
本文深入探讨了噪声整形与过采样技术在DSM（Delta-Sigma调制器）中的应用，重点分析了量化器位数（N）、滤波器阶数（L）和过采样率（OSR）对SQNR优化的影响。通过实战案例和参数协同优化策略，帮助工程师在音频处理和通信系统设计中实现更优的信号质量。
CSI Tools 工具的安装 Intel 5300 + Ubuntu14.04
在 ubuntu14 系统上面安装 CSI Tools，2020最新教程，亲测可用，只要保证和我做法一致绝对可以安装好。
STM32F103C8T6用官方bootloader实现IAP升级操作方法
在使用STM32F103C8T6单片机IAP功能时，可以自己写bootloader程序，也可以使用官方bootloader文件。下面说一下使用官方bootloader的使用方法。 首先下载官方bootloader文件 目前使用的是这个版本，打开文件夹，选择适合自己编译器的工程。 目前使用的是keil，所以打开MDK-ARM文件夹 打开IAP工程 打开后根据自己的单片机型号，对工程进行简单的修...
SIMULINK开发项目实例 1000 例专栏之第912例--AC-DC整流器场景：基于PWM整流器拓扑结构的建模：三相电压型PWM整流器(SR)单位功率因数控制仿真
本文详细介绍了使用Simulink和Simscape Electrical搭建三相电压型PWM整流器（VSR）模型的方法。主要内容包括：系统结构设计、主电路拓扑搭建、单位功率因数控制算法实现（含PLL锁相环、dq变换、PI控制器等模块）、参数配置和仿真设置。通过仿真分析验证了该系统能实现输入电流与电压同相位、输出直流电压稳定等特性，体现了PWM整流器的高效性和低谐波优势。文章还提出了增强鲁棒性、多工况测试等优化建议，为电力电子系统设计提供了实用指导。该建模方法对新能源发电、电动汽车充电等领域具有重要意义。
三菱FX系列PLC模拟量输入AD模块的使用方法和相关编程设置详解
三菱FX系列PLC模拟量输入AD模块的使用方法和相关编程设置详解
IEC61850规约客户端软件开发实战（第二章）
本文介绍了基于IEC61850规约的客户端软件开发过程，重点阐述功能界面设计和服务端连接功能的实现。界面采用Qt框架设计，包含功能按钮区、数据模型展示区（使用QTreeWidget）和状态显示区。连接功能通过libiec61850开源库实现，详细说明了连接流程、句柄创建及状态管理的代码实现。测试结果表明系统能正确识别连接状态，并通过界面直观显示。文章为IEC61850规约软件开发提供了实用参考，下期将分享规约模型数据加载的实现过程。
【python】懂车帝字体反爬逐层解密案例（附完整代码）
懂车帝字体反爬解密，完整代码分享
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
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")
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。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3137
扫一扫
