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
4.2k累计阅读
4.3k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
S3C2410 CPU默认的工作主频为12MHz，使用PLL电路可以产生更高的主频供CPU及外围器件使用。
S3C2410有两个PLL：MPLL和UPLL，UPLL专用与USB设备。MPLL用于CPU及其他外围器件。
通过MPLL会产生三个部分的时钟频率：FCLK、HCLK、PLCK。
FCLK用于CPU核，HCLK用于AHB总线的设备(比如SDRAM)，PCLK用于APB总线的设备(比如UART)。
从时钟结构图中可以查看到使用不同时钟频率的硬件。
下面是MPLL的启动流程：
请跟随FCLK的图像了解启动过程：
1、上电几毫秒后，晶振输出稳定，FCLK=晶振频率，nRESET信号恢复高电平后，
ARM裸机开发-bootloader-时钟初始化（ARM跑快了）
一、概念解析 1、什么是时钟脉冲信号，起什么作用？ 时钟脉冲信号时有一定电压幅度和一定的时间间隔并连续发出的脉冲信号。时钟脉冲信号是时序逻辑的基础，它用于决定逻辑单元中的状态何时更新。数字芯片中的众多晶体管都工作在开关状态，它们的导通和关断动作都是按照时钟信号的节奏进行的。也就是说嵌入式系统是按照时钟来安排CPU的任务。 2、时钟脉冲信号的频率是指单位时间内产生的时钟脉冲个数。 3、如何产
[Boot]硬件上电到Bootloader
platform:rk3399 OS:Android 7.1 参考： 1.Younix 《Android启动流程分析》 概述 本系列简要介绍Android开机流程，用于整体了解Android的启动流程。进一步为开机优化，系统裁剪，启动时相关功能开发，bug调试提供理论支持。 系统上电 系统电源上电顺序： VDD_LOG&VDD_CENTER —> PLL_AVDD_0V9&...
bootloader跳转APP（APP部分）
本文介绍了STM32 Bootloader跳转至APP时的关键处理事项：1. 必须重新开启中断（enableIRQ）并恢复FAULTMASK；2. 正确设置中断向量表偏移（SCB->VTOR指向APP区域）。常见问题包括：中断残留（需在跳转前清除所有中断使能位）和时钟未初始化（APP需包含时钟配置代码）。文中给出了APP主函数中的关键初始化代码示例，包括中断使能、向量表偏移设置等，并强调必须同时修改库函数中的向量表地址。最后提供了UART发送测试信息的具体实现代码。
利用PLL估算器和基于公式的弱磁技术（FW）实现永磁同步电机（PMSM）的无传感器磁场定向控.zip
位置和速度估算基于电机的数学模型。因此，模型与实 际硬件越接近，估算器的性能就越好。 PMSM数学建模 依赖于其拓扑，主要分为两种转子类型：表面贴装式和 内置永磁式。每种类型在不同应用需求方面都有各自的 优势和劣势。 本应用笔记提出的控制方案针对表面贴 装式永磁同步电机进行开发，请参见图2，与其他类型 的PMSM相比，其具有低转矩纹波和低成本的优点。 由于所考虑电机类型的气隙磁通是平滑的，因此定子 的电感值Ld = Lq（非凸极PMSM）， 反电动势（Back Electromotive Force， BEMF）是正弦曲线。 事实上，气隙很大（其包含表面贴装式磁体，置于定子 齿部与转子芯之间），这意味着此类型的PMSM与同尺 寸和标称功率值的其他类型电机相比，电感更小。上述 电机特性可以简化速度和位置估算器中使用的数学模 型，同时可以有效使用FOC。 使用表面PMSM时，通过以下方式来获取FOC最大转 矩/安培：使电机的转子磁链滞后电枢产生的磁链90 度，请参见图3。
ST最新电机库文件V6.2.1
ST官方最新版本的电机库文件，版本6.2.1。
基于STM32设计的有感直流无刷电机驱动控制程序（皆可应用在毕设/课设/大作业/实训/竞赛/项目开发）
基于STM32有感直流无刷电机驱动控制程序，集成CANopen通讯电机控制子集协议 和 MONDBUS 协议。.zip嵌入式优质项目，资源经过严格测试可直接运行成功且功能正常的情况才上传，可轻松copy复刻，拿到资料包后可轻松复现出一样的项目。 本人单片机开发经验充足，深耕嵌入式领域，有任何使用问题欢迎随时与我联系，我会及时为你解惑，提供帮助。 【资源内容】：包含完整源码+工程文件+说明，项目具体内容可查看下方的资源详情。 【附带帮助】： 若还需要嵌入式物联网单片机相关领域开发工具、学习资料等，我会提供帮助，提供资料，鼓励学习进步。 【本人专注嵌入式领域】： 有任何使用问题欢迎随时与我联系，我会及时解答，第一时间为你提供帮助，优快云博客端可私信，为你解惑，欢迎交流。 【建议小白】： 在所有嵌入式开发中硬件部分若不会画PCB/电路，可选择根据引脚定义将其代替为面包板+杜邦线+外设模块的方式，只需轻松简单连线，下载源码烧录进去便可轻松复刻出一样的项目 【适合场景】： 相关项目设计中，皆可应用在项目开发、毕业设计、课程设计、期末/期中/大作业、工程实训、大创等学科竞赛比赛、初期项目立项、学习/练手等方面中 可借鉴此优质项目实现复刻，也可以基于此项目进行扩展来开发出更多功能
STM32实现FOC位置闭环【直流无刷电机的FOC矢量控制驱动】.zip
STM32实现直流无刷电机的FOC矢量控制驱动。 项目代码可顺利编译运行~
STM32实现FOC_速度模式控制_编码器驱动_带OS【直流无刷电机的FOC矢量控制驱动】.zip
STM32实现直流无刷电机的FOC矢量控制驱动。 项目代码可顺利编译运行~
STM32实现FOC_速度模式控制_霍尔驱动_带OS【直流无刷电机的FOC矢量控制驱动】.zip
STM32实现直流无刷电机的FOC矢量控制驱动。 项目代码可顺利编译运行~
瑞芯微RV1126B芯片实战：如何用3Tops NPU打造智能安防摄像头（附配置指南）
本文详细介绍了基于瑞芯微RV1126B芯片构建高性能智能安防摄像头的实战经验。文章深入剖析了其3Tops NPU与独立AI-ISP的协同优势，提供了从硬件选型、开发环境搭建、AI模型部署到系统调优的全流程配置指南，帮助开发者充分发挥芯片潜力，实现高效、稳定的智能视觉应用。
百度api爬虫（1）从百度api中爬取地点数据
几句废话———— 百度api就是基于百度地图的开发接口，这么大的地图公司居然给开发接口真的很感激哎！ 所以，言归正传。现在项目需求要把乌鲁木齐市内的所有清真寺都用矢量圈出来，然后做点统计啥的，最后做个专题图产品。 怎么把清真寺找出来？ 领导的意思是你一个一个上网搜吧，这就是你的工作量。那我当然要想办法啊，边工作边学习工作才有意义嘛！ 然后就发现百度api可以实现我的需求。其实可以通过py...
Java分布式流处理，flink+kafka实现电商网站个性化商品推荐系统
在现代电商环境中，用户每天都会浏览大量商品页面，而这些行为数据中蕴藏着丰富的信息。通过分析用户的浏览历史、购买记录以及对特定商品的兴趣程度，我们可以为用户提供更加个性化的商品推荐，从而提升用户体验和转化率。为了实现实时的个性化推荐，我们需要构建一个能够快速处理并响应用户行为变化的数据处理管道。
Chromatix 7实战：从零开始调优ISP模块的完整流程（附常见报错解决方案）
本文提供了高通平台Camera调试工具Chromatix 7的完整实战指南。详细阐述了从环境准备、项目初始化、基础校正（如LSC、BPC）到核心ISP管线（Demosaic、CCM、HDR）及后处理（CAC、ANR）的调优全流程，并附带了常见报错（如“未初始化实例”）的解决方案，旨在帮助工程师建立系统性的调试方法论。
FPGA实战：手把手教你用Verilog驱动4.3寸RGB触摸屏（附完整代码）
本文详细介绍了如何使用Verilog语言在FPGA上驱动4.3寸RGB触摸屏，包括时序设计、信号交互原理及完整代码实现。通过双计数器引擎设计和参数化模块，开发者可以高效构建800*480分辨率的显示驱动，并解决工程实践中的信号完整性和时序收敛问题。
固定资产报废的损失鉴定怎么做？
在社会生产的日常中，企业经常会遇到固定资产报废的损失鉴定，那么怎么去做鉴定？哪些情况下能申请固定资产报废损失鉴定呢？ 今天，华碧鉴定就和大家说一说固定资产报废损失鉴定那些事儿。 符合下列条件之一的固定资产可申请报废： 1、使用年限过长，功能丧失，完全失去使用价值，或不能使用并无修复价值的； 2、产品技术落后，质量差，耗能高，效率低，已属淘汰且不适于继续使用，或技术指标已达不到使用要求的； 3、严重损坏，无法修复的或虽能修复，但累计修理费已接近或超过市场价值的； 4、主要附件损坏，无.
基于 DnLUT 超高效的彩色图像去噪（CVPR 2025），本地部署 DnLUT 模型，图像去噪算法训练和推理，全网最详细教程
基于 DnLUT 超高效的彩色图像去噪（CVPR 2025），本地部署 DnLUT 模型，图像去噪算法训练和推理，全网最详细教程
Python爬虫实战：新浪财经股票金融数据全方位抓取教程
本教程系统介绍了新浪财经股票数据爬取技术，从静态网页解析、实时接口请求到异步爬取和数据存储，帮助你搭建了一个完整的金融数据采集流程。未来，可以结合深度学习模型进行行情预测，或者将数据接入量化交易系统，实现自动化投资。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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")
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
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。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1486
扫一扫
