I2C总线协议深度解析与Stellaris微控制器实战应用

I2C总线协议深度解析与Stellaris实战配置指南 I2C(Inter-Integrated Circuit)是一种广泛应用的串行通信总线协议,其核心原理在于仅使用两根信号线(SDA和SCL)即可实现多主多从设备间的可靠数据交换。该协议通过严格的时序规则、地址寻址机制以及应答(ACK/NACK)和仲裁逻辑,确保了在共享总线上的有序通信,其技术价值体现在极简的硬件连接和灵活的拓扑结构上。在嵌入式系统开发中,I2C常用于连接各类传感器、存储芯片(EEPROM)等外设,是资源受限场景下的理想选择。本文以德州仪器Stellaris系列微控制器为例,深入剖析其I2C模 阅读详情

1. I2C总线协议深度解析:从物理层到数据链路层

I2C,全称Inter-Integrated Circuit,是飞利浦半导体(现恩智浦)在1980年代推出的一种同步、多主从、串行、半双工通信总线。在嵌入式开发领域,尤其是资源受限的单片机系统中,I2C几乎无处不在。你手边的温湿度传感器、OLED屏幕、EEPROM存储器,大概率都通过这两根线与你MCU的GPIO相连。它的魅力在于极简的硬件需求——仅需两根线(串行数据线SDA和串行时钟线SCL),就能构建一个支持多设备通信的网络,这对于引脚资源宝贵的微控制器而言,无疑是巨大的福音。

但“简单”往往意味着协议层面的精巧与复杂。I2C协议在两根线上实现了完整的通信规则,包括起始/停止条件、地址寻址、数据有效性、应答机制和时钟同步。理解这些底层原理,是写出稳定、可靠I2C驱动代码的前提。比如,为什么SDA线上的数据必须在SCL为低电平时变化?这涉及到数据稳定性的问题。为什么每个字节传输后必须跟一个应答位?这确保了通信的可靠性。多主竞争时,如何决定谁获得总线控制权?这依赖于线与逻辑和仲裁机制。这些细节,手册上可能一笔带过,但在实际调试中,任何一个环节理解不透,都可能导致通信失败,而你用逻辑分析仪抓到的波形,将成为破解谜题的唯一线索。

1.1 物理层与电气特性:线与逻辑的智慧

I2C总线的物理连接极其简单:所有设备(主设备和从设备)的SDA和SCL引脚分别并联在一起,并通过上拉电阻连接到正电源VCC。这个上拉电阻的阻值选择颇有讲究,通常在1kΩ到10kΩ之间,它直接影响了总线的上升时间和最大通信速率。阻值太小,电流过大,可能损坏IO口;阻值太大,上升沿过缓,在高频下会导致数据采样失败。我个人的经验是,在标准模式(100kHz)下,4.7kΩ是个比较通用的选择;在快速模式(400kHz)下,可能需要减小到2.2kΩ甚至更低,具体需根据总线电容和电源电压计算。

这里隐藏着一个关键设计:I2C接口是开漏(Open-Drain)或开集(Open-Collector)输出。这意味着任何设备只能将总线拉低(输出低电平),而不能主动拉高。总线的高电平状态完全由上拉电阻建立。这种“线与”(Wired-AND)逻辑是实现多主仲裁和时钟同步的基础。当多个主机同时发送数据时,只要有一个主机输出低电平,总线就是低电平;只有所有主机都释放总线(输出高阻态),上拉电阻才能将总线拉至高电平。这种机制使得总线上的电平状态是所有设备输出的“逻辑与”结果。

注意 :务必确保总线上每个设备(包括MCU)的I2C引脚都配置为开漏模式,并启用内部上拉或外接上拉电阻。如果配置为推挽输出,当两个设备一个输出高、一个输出低时,会形成电源到地的直接短路,可能瞬间烧毁IO口。这是新手最容易犯的硬件错误之一。

1.2 数据链路层:帧结构与状态机

一次完整的I2C通信,遵循着严格的帧格式。我们可以把它想象成一次有礼貌的对话:

  1. 起始条件(S) :主设备在SCL为高电平时,将SDA从高拉低。这个独特的下降沿信号告诉总线上所有设备:“注意,我要开始讲话了”。
  2. 地址帧 :主设备发送7位(或10位)从设备地址,后面紧跟1位读写方向位(0表示写,1表示读)。例如,向地址0x68的设备写入数据,发送的字节是 0xD0 (0x68 << 1 | 0)。
  3. 应答位(ACK/NACK) :地址帧发送后的第9个时钟周期,主设备释放SDA线(输出高阻态),由被寻址的从设备将SDA拉低作为应答(ACK),表示“我在,请继续”。如果地址无设备响应,SDA将保持高电平(NACK)。
  4. 数据帧 :在得到ACK后,发送方(可能是主或从)开始传输8位数据,每个字节后同样跟一个应答位。
  5. 停止条件(P) :主设备在SCL为高电平时,将SDA从低拉高。表示“本次对话结束”。

对于突发(Burst)传输,主设备发送完一个字节后,如果不发停止条件,而是再次发送起始条件(称为“重复起始条件”,Sr),就可以在不释放总线的情况下,改变数据传输方向或与另一个从设备通信,这提高了总线利用效率。

理解这些状态转换,对于调试至关重要。当你用逻辑分析仪抓取波形时,你需要能清晰地辨认出S、地址、ACK、数据、P这些元素,并判断在哪一步出现了问题。是地址不对?还是从设备没有应答?或者是数据位采样错误?

2. Stellaris微控制器I2C模块架构与API设计哲学

Stellaris(现属于TI的Tiva系列)微控制器的I2C模块是一个高度集成化的硬件外设,它将上述复杂的协议状态机用硬件逻辑实现,极大地减轻了CPU的负担。开发者无需手动翻转GPIO来模拟时序,只需配置好寄存器,操作数据缓冲区,并通过查询或中断方式获知传输状态即可。

2.1 主从模块的双重角色与并发支持

Stellaris的I2C模块设计精妙之处在于,它同时集成了独立的主机(Master)和从机(Slave)控制器。这意味着同一颗MCU既可以作为主机去控制其他传感器,也可以作为从机被其他主机(如另一颗MCU或上位机)访问。更强大的是,它支持主从模式同时运行。例如,你的设备可以作为一个从机,接收来自中央控制器的指令;同时,它又可以作为主机,去读取本地传感器的数据。这种灵活性在复杂的嵌入式网络中非常有用。

模块支持两种标准速率:标准模式(100 kbps)和快速模式(400 kbps)。初始化时通过 ROM_I2CMasterInitExpClk() 函数的 bFast 参数进行选择。这里有一个细节: ulI2CClk 参数是输入给I2C模块的时钟频率,通常是系统时钟。模块内部的分频器会根据这个时钟和设定的总线速率,自动计算出SCL时钟的分频系数。如果计算出的分频系数过小(时钟源太快而目标速率太慢),可能会导致配置失败。因此,在系统时钟很高的MCU上配置100kHz的I2C时,需要检查分频器是否溢出。

2.2 ROM API vs 直接寄存器操作

你提供的资料中,所有函数都以 ROM_ 开头。这是Stellaris系列的一个特色:它将常用的外设驱动库(DriverLib)固化在了芯片内部的ROM中。调用这些ROM API,可以节省宝贵的Flash空间。对于Flash容量紧张的项目,这非常有用。当然,你也可以选择使用链接到Flash中的最新版DriverLib,以获得可能的功能更新和Bug修复。两者的函数名和功能基本一致,只是前缀不同(ROM API带 ROM_ )。

使用ROM API时,需要注意其入口地址通过查表获得。例如 ROM_I2CMasterInitExpClk 的指针位于 ROM_APITABLE[3][1] 。在代码中,我们直接调用函数即可,链接器会自动处理这些地址。但了解这一点,有助于你在调试时,如果遇到跳转到奇怪地址的HardFault,可以联想到是否是ROM API表损坏或访问越界。

3. 主模式(Master)操作全流程与实战代码剖析

作为主机,是I2C通信的发起者和控制者。Stellaris的API将主机操作抽象为几个清晰的步骤:初始化、设置从机地址、检查总线忙、放置数据、发送控制命令、等待完成、检查错误、读取数据。下面我们结合代码,深入每一步的细节和陷阱。

3.1 初始化与总线配置

一切始于初始化。 ROM_I2CMasterInitExpClk(I2C0_BASE, SysCtlClockGet(), false) 是一个典型的调用。

  • I2C0_BASE :指定使用哪个I2C模块(如I2C0, I2C1)。
  • SysCtlClockGet() :获取当前系统时钟频率,作为 ulI2CClk 参数传入。 这里有个坑 :如果你在系统初始化早期就调用I2C初始化,此时系统时钟可能还未配置到最终频率(例如还是用的内部振荡器低速时钟)。这会导致计算出的分频系数错
数据处理之连续数据离散化 一些数据挖掘算法,比如Apriori算法等,要求数据是分类属性形式,需要进行连续数据离散化。 连续数据离散化就是在数据的取值范围内,设定若干个离散的划分点,将取值范围划分为一些离散化的区间,最后用不同的符号或整数值代表落在每个子区间中的数据值。 离散化涉及两个子任务: 1、确定分类数 2、将连续属性值映射到这些分类值   举例1,先导入数据,如下: 常用的离散化方法: 1、等宽... 阅读详情

相关推荐

连续数值的离散化方法

详细描述了连续数据离散化的方法,阐述的比较详细

离散化的方法

离散化的方法,在网上看到大神写的,感觉很神奇,可以去掉重复的数据

基于ESP32与JavaScript的Stack-chan桌面机器人:从硬件组装到AI交互的完整实践

嵌入式系统开发是连接物理世界与数字世界的核心技术,其核心原理在于通过微控制器直接操作硬件外设,实现感知、决策与执行。这项技术的核心价值在于为物联网、智能硬件和机器人等领域提供了低功耗、高可靠性的解决方案。在机器人应用场景中,嵌入式平台常作为主控大脑,驱动舵机、传感器并处理交互逻辑。本文聚焦的Stack-chan项目,正是这一理念的生动实践:它采用流行的ESP32微控制器,并创新性地通过Moddable运行时支持使用JavaScript进行嵌入式开发,极大地降低了机器人编程的门槛。开发者可以基于此平台,轻松实

weixin_28729173的博客 439

别再为FPGA程序裸奔发愁了!手把手教你用Quartus和AES256给Altera芯片上把‘锁’

本文详细介绍了如何为Altera/Intel FPGA芯片(如Cyclone系列)构建可靠的AES256加密体系,涵盖密钥类型选择、Quartus实操到JTAG链路验证的全流程。通过硬件级AES256引擎实现配置流解密,确保FPGA程序的安全保护,适用于工业控制器等高安全需求场景。

weixin_28309571的博客 390

3、流程引擎下载安装与部署

camunda有多种使用方式,此处先使用独立平台的方式部署引擎,这种用法适合分布式,微服务化,多语言异构系统的使用方式。

leyoliu的博客 5524

老 Intel Mac mini 装 OpenClaw:低成本常年在线方案

老款Intel Mac mini部署OpenClaw方案摘要 本文详细介绍了如何利用老款Intel Mac mini低成本部署OpenClaw系统。方案推荐2011-2018款Mac mini,建议升级至16GB内存和SSD存储以提升性能。部署步骤包括:1)安装Ubuntu系统;2)配置Docker环境;3)通过docker-compose部署OpenClaw及其依赖组件(PostgreSQL和Redis);4)进行系统级和Docker层面的性能优化;5)设置开机自启动服务。该方案充分利用老款设备剩余价值,

一键难忘的博客 2478

USB2.0协议解读

就写到这吧,其他协议层等属于软件需要了解的东西了。简单看了下,本文总结的有点乱,有两个原因吧,其一是理解的不够透彻,无法用简单明了的语言总结;其二是感觉这个协议文档章节划分的也不是很好,有点大杂烩。

qflook的博客 3674

【思考模型框架】前景理论(Prospect Theory),认为人们并不是完全理性的决策者,而是根据一些心理上的偏差来评估选项的价值

前景理论,是一种行为经济学理论。前景理论,描述了人们在不确定条件下如何作出决策。前景理论,认为人们并不是完全理性的决策者,而是根据一些心理上的偏差来评估选项的价值。

奶爸的编程之路,也就一周冷个三天 1644

R语言深度学习实战:基于YOLO的目标检测

目标检测是计算机视觉领域的一项任务,旨在识别图像或视频中的物体,并确定它们的位置。与图像分类不同,目标检测要求模型能够识别多个物体,并为每个物体提供边界框(bounding box)的位置信息。这种任务在众多应用中都具有重要价值,例如自动驾驶、安防监控、物体跟踪等。YOLO(You Only Look Once)是一种非常流行的目标检测算法,它在速度和准确性之间取得了良好的平衡。与传统的目标检测方法不同,YOLO将目标检测任务视为回归问题,直接从输入图像中预测目标的类别和位置信息。

YOLO 330

在Simulink中进行基于强化学习控制策略的三相逆变器仿真

本文详细介绍了在Simulink中实现基于强化学习控制策略的三相逆变器仿真的完整流程。主要内容包括:1)准备工作,确保MATLAB/Simulink及相关工具箱安装;2)构建三相逆变器基础模型,包含电源、全桥电路、LC滤波器和负载;3)重点阐述强化学习控制器设计,涉及状态空间、动作空间定义,奖励函数设计和算法选择;4)实现控制逻辑,包括环境创建、代理配置和训练过程;5)仿真设置与结果分析。文章强调了模型调试优化的重要性,并建议结合文献研究提升控制效果。该方案为开发自适应电力电子控制系统提供了实用指南。

amy_mhd的博客 272

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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")

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

上一篇: TMS470R1x HET模块:硬件级定时器在嵌入式实时控制中的原理与应用
下一篇: 嵌入式以太网DMA中断配置:从EMACDMAIM寄存器到高效网络驱动实践
deepfuture
博客等级 码龄17年 211粉丝 1287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  | 博主筛选后可见
 
 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