同相放大电路加平衡电阻反而失真?用Multisim仿真揭秘这个90%工程师踩过的坑

运放电路设计避坑指南:如何消除失调电压对直流测量的影响(附3种补偿方案) 本文针对精密直流测量中运算放大器失调电压带来的误差问题,提供了三种有效的补偿方案。详细分析了失调电压在闭环放大电路中的传递机制,并对比了交流耦合、硬件调零电路以及结合MCU的自动校准与数字补偿三种方法的优缺点与适用场景,帮助工程师在设计高精度信号调理电路时做出合理选择,有效提升系统测量精度。 阅读详情

同相放大电路加平衡电阻反而失真?用Multisim仿真揭秘这个90%工程师踩过的坑

很多工程师在设计同相比例放大电路时,都会毫不犹豫地加上那个经典的平衡电阻,认为这是消除运放输入偏置电流影响的“标准操作”。公式也背得滚瓜烂熟:R_balance = R1 // Rf。然而,在实际调试中,尤其是在单电源供电、处理低频或直流信号时,你可能会遇到一个令人困惑的现象——电路输出出现了意料之外的失真,或者直流偏移超出了理论计算值。更让人抓狂的是,当你怀疑是平衡电阻取值问题时,按照教科书公式计算并更换电阻后,问题有时反而更严重了。这背后到底发生了什么?难道经典的平衡电阻理论错了?

今天,我们就抛开教科书上的理想模型,深入到实际运放的内部世界和电路的具体工作场景中。我将通过Multisim仿真,带你一步步复现这个“加了平衡电阻反而出问题”的典型案例,并用波特图分析揭示其频率响应的异常。你会发现,问题往往不在于理论本身,而在于我们如何将理论应用到非理想的、有具体约束条件的现实电路中。这篇文章面向正在备战电子竞赛的学生和追求快速、可靠原型开发的工程师,旨在提供一套从理论计算到仿真验证,再到实际调试的全流程思维方法和实战指南。

1. 重温平衡电阻的“初心”:理想与现实之间的鸿沟

几乎所有模拟电路教材都会告诉我们,平衡电阻(或称补偿电阻)的作用是匹配运放两个输入端的直流对地电阻,从而抵消输入偏置电流(Ib)在电阻上产生的失调电压。对于同相放大电路,其经典结构如下图所示(此处为文字描述):信号通过一个电阻Rg接入同相端(+),反相端(-)通过电阻R1接地,反馈电阻Rf连接在输出端和反相端之间。平衡电阻Rp则串联在信号源与同相端之间。

其理论计算公式非常简单:

V_out = (1 + Rf/R1) * V_in
Rp = R1 // Rf

这个公式基于一个核心假设:运放的输入偏置电流Ib+和Ib-大小相等、方向相同。在这种情况下,如果同相端和反相端对地的直流电阻相等,那么偏置电流在这两个电阻上产生的压降也相等。根据“虚短”概念,这两个压降会相互抵消,最终不会在输出端引入额外的直流误差电压。

注意:这里的“对地直流电阻”是关键。对于同相端,是信号源内阻(通常视为0)加上Rp;对于反相端,是R1与Rf的并联值。让两者相等,就是Rp = R1//Rf的由来。

然而,现实中的运放远非理想。除了偏置电流,我们还需要面对以下几个“非理想特性”,它们正是导致平衡电阻失效甚至引发问题的元凶:

  1. 输入失调电流(Ios):这是Ib+与Ib-的差值。即使加了平衡电阻,Ios流经输入电阻网络也会产生无法抵消的失调电压。精密运放的Ios可以很小(pA级),但通用运放可能在nA级。
  2. 输入失调电压(Vos):运放内部晶体管的不匹配导致,即使输入电压为零,输出也不为零。Vos会被放大(1+Rf/R1)倍出现在输出端,这与平衡电阻无关,但会与偏置电流效应叠加。
  3. 单电源供电与“虚地”点的缺失:这是本文要讨论的核心陷阱。在双电源供电(如±15V)系统中,信号地和电源地是同一个“绝对地”,运放的输入输出电压可以围绕0V上下摆动。但在单电源供电(如+5V和GND)系统中,为了处理双向交流信号,我们常常需要创建一个“虚地”(例如+2.5V)。此时,“对地电阻”中的“地”指的是这个“虚地”参考点,而非电源GND。如果错误地将平衡电阻连接到电源GND,就会彻底破坏直流偏置点的平衡。

下面这个表格对比了理想情况与实际应用中考虑因素的差异:

考虑因素 理想模型中的处理 实际设计中必须考虑的要点
输入偏置电流 (Ib) 假设为0,或完全匹配 存在且可能不对称
运放电路设计避坑指南:为什么我的输出波形总失真?(附负反馈电阻选择技巧) 本文深入剖析了运放电路输出波形失真的常见原因,核心在于负反馈回路设计不当。文章重点提供了负反馈电阻选择的实用技巧,包括阻值范围、精度匹配、温度系数考量以及单电源应用中的偏置设置,帮助工程师避免设计陷阱,实现稳定、线性的放大效果。 阅读详情

相关推荐

LM358单电源供电实战:如何用1/2 VCC偏置解决交流信号失真问题

本文详细解析了LM358单电源供电时交流信号失真的成因及解决方案,重点介绍了1/2 VCC偏置电压的设计与应用。通过具体电路示例和调试技巧,帮助工程师有效解决单电源运放信号处理中的削波失真问题,提升电路性能。

tech5的博客 641

运算放大器基础知识及应用电路仿真(Multisim)

本文系统介绍了运算放大器的基础知识及其典型应用电路。内容包括:1.运算放大器基础知识:概念、引脚定义、理想运放特性(虚短虚断)、三种基本放大电路(反相/同相/电压跟随器)、线性与饱和工作状态、关键参数及经典应用。2.运算放大器应用电路及Multisim仿真:详细讲解了同相/反相比例放大、差分放大、加减法运算、积分/微分、指数/对数运算及过零比较器等电路,包括各电路的结构原理、计算公式、特性分析及Multisim仿真验证。3.通过理论分析与仿真实验相结合,直观展示了各类运放电路的输入输出特性,验证了运算放大器

XU157303764的博客 1062

积分、微分、指数和对数运算放大电路基础知识及Multisim电路仿真

本文系统介绍了三种基于运算放大器的模拟运算电路。积分运算电路通过电容反馈实现波形变换,能将方波转为三角波、正弦波转为余弦波,但存在直流漂移问题需并联电阻修正。微分运算电路利用电容输入和电阻反馈,输出与输入变化率成正比,可检测信号边沿但易受高频噪声干扰。指数和对数运算电路基于三极管PN结特性,分别实现指数和对数运算,但受温度影响大且输入范围有限。通过Multisim仿真验证了各电路对不同输入波形的响应特性,并分析了实际应用中的注意事项,如温度补偿、输入极性限制和动态范围控制等。这些电路在信号处理、波形变换和模

XU157303764的博客 877

运算放大器 LM358 电路设计实战:3种经典放大电路参数计算与仿真对比

本文详细介绍了运算放大器LM358在三种经典放大电路(同相放大、反相放大和差分放大)中的设计方法与仿真对比。通过理论计算、参数选型和仿真验证,为工程师提供实用的设计参考,特别适合模电设计领域的应用。

注重长远 天天积累 cqujsjcyj 436

运放选型避坑指南:从Multisim仿真看共模抑制比(CMRR)的致命影响

本文深入探讨运放选型中常被忽视的共模抑制比(CMRR)参数,通过Multisim和LTspice仿真对比,揭示CMRR在不同放大电路中的关键影响。从反相放大器的免疫特性到同相放大器的敏感区,提供工程选型实战策略和成本敏感型设计技巧,帮助工程师避免CMRR导致的电路性能问题。

weixin_29165465的博客 242

别再死记公式了!用Multisim仿真+实物测量,5分钟搞懂运放差分放大电路

本文介绍了一种通过Multisim仿真和实物测量快速掌握运算放大器差分放大电路的高效学习方法。通过对比仿真与实测数据,直观理解虚短现象、共模抑制比等关键概念,并提供了典型故障排查和PCB布局技巧,帮助工程师摆脱死记公式的传统学习模式。

weixin_28335283的博客 381

从LM741内部电路图出发,手把手教你理解差动放大电路的工作原理(附Multisim仿真)

本文通过逆向拆解LM741内部电路,详细解析差动放大电路的工作原理,包括对称共射放大器、恒流源设计及信号路径分析。结合Multisim仿真验证,提供差模增益、共模抑制比等关键参数计算,并分享性能优化实战技巧,帮助工程师深入理解经典运放设计。

weixin_30703911的博客 404

运放电路设计:从开环到闭环的实战解析

运算放大器(运放)是模拟电路设计的核心元件,其工作原理基于负反馈机制实现信号放大与处理。开环状态下运放呈现极高增益,适合比较器应用;而闭环结构通过反馈网络实现精确放大,是实际电路设计的标准配置。虚短与虚断原理为运放分析提供了理论基础,其中虚短源于负反馈的强制平衡,虚断则体现了运放输入端的高阻抗特性。在工程实践中,反相放大器、同相放大器、差分放大器等经典电路结构各有其应用场景与技术要点,如电阻选型对共模抑制比的影响、高阻抗输入带来的共模电压问题等。通过合理选型(如关注GBW、压摆率等参数)和优化设计(如电源退

weixin_30920513的博客 345

LTspice仿真实战:从基础操作到电源设计高级技巧

SPICE仿真工具是模拟电路与电源设计验证的核心手段,其原理基于求解非线性微分方程组,收敛性和速度直接影响开发效率。LTspice作为一款免费且专业的仿真软件,凭借出色的收敛性、丰富的ADI/LTC元件库以及高效的波形处理能力,成为开关电源、环路补偿、MOS管损耗分析及浪涌防护等场景的常用选择。本文从基础操作切入,涵盖运放仿真搭建、pulse源参数详解、外部SPICE模型导入、损耗计算与AC分析等高频问题,并针对常见报错和仿真变慢现象提供排查思路。掌握这些技能,工程师可大幅减少与软件较劲的时间,更专注于电路

weixin_33957648的博客 397

单电源与双电源运放本质区别:选错=烧芯片

运算放大器的供电方式并非仅关乎接线形式,而是由其内部偏置结构决定的根本性设计差异。双电源运放依赖对称供电建立以0V为中心的输入共模区间,适用于交流耦合、零点居中信号;单电源运放则采用轨到轨输入级,支持GND为下限的共模范围,专为直流耦合、单极性信号(如传感器输出、电池供电系统)而生。技术价值体现在输入兼容性、输出摆幅能力及静态工作点稳定性上,直接决定电路能否起振、是否失真甚至器件是否过压击穿。典型应用场景包括音频前置放大、工业传感器调理、低功耗IoT节点等。理解‘单电源运放’与‘双电源运放’的物理边界,是避

WGH100817的博客 304

LTspice电路仿真实战:运放非理想建模与PID闭环验证

运放电路仿真不是简单调参,而是对器件物理特性的精确建模。从虚短虚断的失效边界,到输入偏置电流、压摆率、共模抑制比(CMRR)、输入电容等非理想参数的影响,LTspice凭借开源SPICE3f5内核与可编辑子电路模型,成为唯一能显式表达这些关键参数的轻量级仿真引擎。其技术价值在于将理论公式还原为晶体管级KCL/KVL求解过程,支撑DC工作点分析、AC频响、瞬态响应及蒙特卡洛容差仿真一体化验证。典型应用场景涵盖反相/同相放大器稳定性评估、有源滤波器Q值校准、仪表放大器CMRR影响分析,以及电机PID控制中的环路

weixin_34026276的博客 370

差分信号转单端输出:运放电路设计与实操全解析

差分信号是模拟信号链路中常见形式,传感器桥路、电流采样、音频接口等场合常需将其转换为以地为参考的单端信号,以便ADC采集或后级处理。核心思路是利用运放搭建差分放大电路,通过精确匹配电阻实现差模增益与共模抑制,并叠加直流偏置适配单电源系统。这一技术在压力传感器信号调理、电机驱动电流检测、音频平衡接口转换等场景中具有广泛价值。实际设计中需关注共模抑制比(CMRR)、失调电压、增益带宽积等指标,结合LTspice或TINA-TI仿真验证参数,并注意电阻匹配与偏置源缓冲等工程细节。文章从原理推导到案例实践,系统梳理

weixin_34327223的博客 315

模拟电路中运放的平衡电阻

平衡电阻的目的是为了减小运放输入偏置电流在电阻上形成的静态输入电压而带来误差详细看书。(减少失调电压)

科研绘图神器Origin中文版安装后还是英文?手把手教你三步搞定界面汉化

本文详细介绍了Origin软件安装后界面仍显示英文的解决方案,包括基础语言切换、注册表修改和序列号破解三种方法。通过逐步指导,帮助用户快速实现界面汉化,提升科研绘图效率。特别针对教育版用户提供了有效的语言锁定解除方案。

weixin_42524708的博客 1145

AIOps探索 | 如何用大模型构建高效运维知识及智能问答平台(1)

好久没有分享AIOps相关干货了,最近大模型这么火,而且我们有客户已经基于大模型构建了知识及智能问答平台,需要在运维领域结合使用场景进行应用。为此,楼主从头到尾声梳理了一遍大模型在运维领域构建知识及智能问答平台的应用场景、技术实现,总结出来供大家一同探索,希望对大家理解和运用大模型有一定帮助~

智能运维及数据中台探索 2814

Cadence仿真MOS电容C-V曲线:从电路图到参数扫描的完整流程

本文详细介绍了使用Cadence Virtuoso仿真MOS电容C-V曲线的完整流程,从电路图绘制到参数扫描,再到结果分析与问题排查。通过实际案例和实用技巧,帮助工程师快速掌握MOS电容特性分析的关键步骤,提升集成电路设计效率。

weixin_29271263的博客 431

保姆级教程:手把手带你复现APFNet论文的RGBT目标跟踪模型(附完整代码与数据集配置)

本文提供了一份详细的APFNet论文复现指南,涵盖从环境搭建到模型测试的全流程。通过解析多模态融合模块和渐进式训练流程,帮助读者高效完成RGBT目标跟踪模型的复现工作,特别针对训练和测试中的常见问题提供实用解决方案。

weixin_29056781的博客 346

ADS2020实战:手把手教你搭建交叉耦合VCO并分析相位噪声(附避坑指南)

本文以ADS2020软件为例,提供了交叉耦合压控振荡器(VCO)从原理图搭建到相位噪声分析的完整实战指南。详细讲解了核心器件选择、谐波平衡与瞬态仿真的关键设置,并重点剖析了相位噪声的仿真方法与优化方向。文中附有详细的避坑指南,帮助初学者和工程师高效完成VCO设计与仿真验证,避免常见错误。

p5l2m9n4o6q的博客 283

Comsol有限元网格剖分实战:从基础操作到高效仿真技巧

本文系统介绍了COMSOL有限元网格剖分的核心实战技巧。从基础的物理场控制与用户控制网格选择,到三角形、四边形、四面体等网格单元类型的适用场景,再到扫掠网格、边界层网格与复制网格等高效剖分方法,最后讲解了网格质量评估与几何预处理的关键步骤。旨在帮助用户掌握从自动到手动、从基础到高效的网格剖分艺术,实现仿真精度与计算效率的最佳平衡。

j7k8l的博客 376

基于TIA博途的一阶滞后滤波+中位值滤波+堆栈平均值滤波算法SCL语言程序(封装FB库)

基于TIA博途的一阶滞后滤波+中位值滤波+堆栈平均值滤波算法SCL语言程序(封装FB库)

Robot_PLC_HMI_Automation 2181

SAP FICO CBS接口-银企直连付款平台功能开发说明书(包括测试样例、FS)

SAP FICO CBS接口-银企直连付款平台功能开发说明书(包括测试样例、FS)

我好像病了的博客 2450

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")

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

上一篇: 链篦机回转窑球团生产全流程解析:从配料到成品的10个关键步骤
下一篇: 10个超实用的信息可视化工具推荐(附真实案例解析)
github5actions
博客等级 码龄1天 0粉丝 1824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