PMExt_Init 在哪里调用 ?

本文详细介绍了TI为Windows Mobile 6.5及Wince平台提供的BSP电源管理组件pmext.dll。该组件通过特殊的进程注入方式实现对MPU电源管理寄存器的控制,以达到降低功耗的目的。文章还提供了注册表配置示例及关键函数调用流程。

      TI针对(windows mobile 6.5)wince5.0、wince6.0平台的BSP电源管理部分,重新实现了一套管理机制,驱动名称叫做pmext.dll,估计是为了和系统自带的pm.dll做区别,最终的作用就是在系统电源状态发生变化的时候,调用自身MPU的电源管理寄存器(CORE,MPU,PER模块等),进行功耗降低。网上介绍这部分的内容应该是没有的。

       部分注册表文件内容如下:

;-- Power Management Extension -------------------------------------------------
; @CESYSGEN IF CE_MODULES_PM
; @CESYSGEN IF GWES_MGBASE
; @XIPREGION IF PACKAGE_OEMXIPKERNEL
; HIVE BOOT SECTION
IF BSP_NOPMEXT !
[HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\Power\Extension\Omap]
    "Dll"="pmext.dll"
    "ConstraintRoot"="\\OMAPPMX\\Constraints"
    "PowerPolicyRoot"="\\OMAPPMX\\Policies"


      如果你跟踪代码,发现跟踪到如下系列的函数时候,就跟踪不下去了,因为你不知道它在哪里被调用。

HANDLE PWRDOM_InitConstraint(_TCHAR const *szContext)

HANDLE PWRDOM_CreateConstraint(HANDLE hConstraintAdapter)

BOOL PWRDOM_UpdateConstraint(HANDLE hConstraintContext, DWORD msg, void *pParam, UINT  size)


      到底在哪里被调用?原来他既不是像普通的流驱动那样被device.exe加载调用,也不是像普通的函数那样回调,而是采用了一种类似进程注入的方式来调用,具体在Constraintadapter.cpp的PostInitialize()函数中,通过类似下面的方式,获取上面那些函数的API,注册成为回调函数:

      m_fns.UpdateConstraint = reinterpret_cast<fnUpdateConstraint>(
                            ::GetProcAddress(m_hModule, szBuffer)
                            );


      这个驱动Pmext.dll的实现文件就在\csp\omap\pm\constraintroot目录下的Pmext.cpp中,但是它被调用的位置是在Omap3xxxbus.cpp,xxx代表和平台相关的文件,比如Omap3430bus.cpp,Omap3530bus.cpp,等等。

       也是用和上面差不多的方式来调用的,部分代码如下:

#define PME_INIT_NAME                    (L"PMExt_Init")

typedef DWORD (*fnInit)(HKEY hKey, LPCTSTR lpRegistryPath);
static fnInit pme_init;

HANLDE s_hModule = ::LoadLibrary(s_szDll); //s_szDll就是dll的名字

pme_init = reinterpret_cast<fnInit>(::GetProcAddress(s_hModule, PME_INIT_NAME));

(*pme_init)(HKEY_LOCAL_MACHINE, s_szPmExtPath);


内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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