23、SRAM设计中的辐射效应综合分析

SRAM设计中的辐射效应综合分析

一、引言

数字革命如同工业革命一样,引领我们步入了信息时代,促使技术从机械和模拟电子向数字电子转变。从20世纪50年代末到70年代,随着数字计算机的广泛应用和普及,这一技术变革拉开了序幕。此后,数字计算和数字信息存储领域发生了革命性的变化。

随着技术的进步,对存储容量和性能的要求也越来越高,数字存储设备从磁盘发展到了光盘和闪存。数字逻辑、MOSFET和硅集成电路芯片的广泛应用和大规模生产是这场革命的核心。

硅基技术的进步改变了我们的日常生活,不仅使便携式设备让生活更加便捷,还改善了医疗系统。然而,人工智能、物联网、通信、纳米技术和机器学习等领域的发展对信息处理能力提出了更高的要求,但由于对高计算能力的需求,指数级增长的趋势已经放缓。

大数据的兴起正在改变网络和数据存储能力,人工智能需要具有快速访问和低功耗的最佳存储技术。在许多片上系统(SoC)中,内存瓶颈限制了性能和能源效率,因为大部分芯片面积被片上静态随机存取存储器(SRAM)占据。

便携式微处理器系统包含嵌入式存储器,如智能可穿戴设备、航天、军事、无线传感器网络、移动和电池供电设备、空间电子和物联网等应用,都需要低功耗、长电池寿命的片上SRAM。根据国际半导体技术路线图(ITRS),SRAM占据了芯片面积的90%,并且主导着系统的整体性能。随着技术的进步,微处理器的速度通过使用与处理器操作同步的最快内存来提高。由于SRAM与读写逻辑的高度兼容性,它正成为先进处理器中的关键模块。技术缩放促使制造商设计更小、更快、低电源电压的存储器,同时设计师必须确保系统的整体性能不受太大影响。

辐射效应是SRAM电路中的主要问题,单事件翻转(SEU)

相关推荐

Kinetis K22F电气特性实战:从极限参数到低功耗设计的硬件避坑指南

微控制器(MCU)的电气特性是其稳定运行的物理基础,理解这些参数是硬件设计的核心。其原理在于,数据手册中的极限参数定义了芯片的绝对安全边界,而工作条件则划定了可靠运行的“舒适区”。掌握这些特性对于确保系统在复杂电磁环境、宽温范围及电池供电场景下的长期稳定至关重要,其技术价值直接体现在产品的可靠性、功耗和成本控制上。在物联网节点、便携设备和工业控制等应用场景中,工程师需要将这些参数转化为具体的电源设计、接口保护、热管理和低功耗策略。本文以Kinetis K22F这款经典的Cortex-M4 MCU为例,深入剖

weixin_30781775的博客 322

IPEX接口飞控套件硬件设计与射频优化实战指南

IPEX接口是一种广泛应用于嵌入式无线设备的微型射频连接器,核心价值在于实现天线与主控的物理解耦,从而提升2.4GHz频段通信的可靠性与可调性。其工作原理依赖于50Ω阻抗匹配、低回波损耗(VSWR≤1.5)及严格的PCB射频走线控制,技术价值体现在远距离遥控稳定性、抗振动EMC鲁棒性及量产一致性保障。典型应用场景涵盖穿越机、FPV竞速机等对尺寸、功耗和实时性敏感的航模系统;在ESP32等Wi-Fi SoC平台上,IPEX接口配合高增益专用天线与多级电源滤波,可将接收灵敏度提升至-85dBm,显著优于消费级方

weixin_35696112的博客 431

从数据手册到稳定设计:深度解析ARM SoC电源、时序与接口实战

在嵌入式系统与硬件设计中,数据手册是连接芯片规格与工程实现的桥梁。其核心价值在于将抽象的电气参数和时序波形,转化为可执行的设计规则与调试依据。理解其原理,是确保系统稳定性、优化功耗和实现可靠通信的基础。这涉及到对电源架构(如多电压域、上电时序)、时钟系统(如晶体振荡、PLL锁定)以及数字接口时序(如建立/保持时间)的深刻把握。掌握这些技术,对于开发工控设备、便携终端等产品至关重要。本文以NXP LH7A400 ARM SoC为例,聚焦电源树设计、低功耗策略及SDRAM/SPI接口调试等核心实践,通过分析常见

weixin_33858485的博客 408

SafeCiM:浮点内存计算加速器的容错技术解析

内存计算(Compute-in-Memory, CiM)是突破传统冯·诺依曼架构内存墙瓶颈的关键技术,通过将计算单元嵌入内存阵列实现近数据计算,显著提升AI算力能效。然而,浮点计算(FP-CiM)在生成式AI和大语言模型应用中面临严峻的可靠性挑战,如宇宙射线引发的位翻转可能导致静默数据损坏。本文深入分析FP-CiM的故障机理,包括数值敏感度、误差累积和特殊值处理等核心问题,并介绍创新的SafeCiM容错架构。该架构采用后对齐计算范式、分块式加法器树和分级对齐机制等关键技术,在台积电7nm工艺下实现MTTF两

weixin_30552811的博客 368

STM32F103C8T6系统板硬件设计全解析:从原理图到实战调试

在嵌入式系统开发中,微控制器(MCU)是核心处理单元,其外围电路设计的稳定性直接决定了整个系统的可靠性。基于ARM Cortex-M3内核的MCU,如STM32系列,通过精心的电源管理、时钟电路和信号完整性设计,能够构建出高性能、低功耗的嵌入式平台。这些技术原理在工业控制、物联网设备和消费电子等领域具有广泛的应用价值。本文以广泛应用的STM32F103C8T6 MCU为例,深入剖析其系统板的设计要点,涵盖GPIO引脚功能配置、定时器捕获与计时等关键外设的实战应用,并解答了关于USB OTG FS接口能否用于

weixin_33875839的博客 376

MRAM的挑战与机遇:为什么它还没完全取代DRAM和FLASH?

本文探讨了MRAM技术在存储领域的挑战与机遇,分析了其为何尚未完全取代DRAM和FLASH。MRAM凭借非易失性、高速度和三维集成潜力等优势,在特定场景如汽车电子和工业物联网中展现出独特价值。然而,写入功耗、串扰问题、材料精度和外围电路等瓶颈限制了其普及。文章还展望了SOT技术和VCMA效应等前沿突破方向,以及MRAM在商业化路径中的市场定位策略。

weixin_29288313的博客 462

【信息科学与工程学】计算机科学与自动化——第十篇 芯片设计33 芯片中的后端设计20

编号子编号类型微电子领域领域关联子领域模型名称20​20.1​后端设计标准单元时序与功耗库NLDM/CCS时序模型​2020.2后端设计标准单元时序模型非线性延迟模型(NLDM)2020.3后端设计标准单元时序模型复合电流源模型(CCS)2020.4后端设计标准单元功耗模型开关功耗模型2020.5后端设计标准单元功耗模型内部功耗模型2020.6后端设计标准单元功耗模型漏电功耗模型2020.7后端设计标准单元噪声模型噪声容限模型2020.8后端设计标准单元噪声模型噪声传播模型2020.9后端设计标准单元PVT

weixin_49199313的博客 409

【信息科学与工程学】计算机科学与自动化——第十篇 芯片设计00 芯片中的基础学科知识03

湿度加速:Peck模型 AF = (RH_stress/RH_use)^n exp(Ea/k(1/T_use-1/T_stress))热循环加速因子:Arrhenius AF = exp(Ea/k (1/T_use - 1/T_stress))等离子体鞘层厚度:d_s = (2/3)√(2e/m) V^{3/4} / (ω_p √(J))过程能力Cpk = min((USL-μ)/(3σ), (μ-LSL)/(3σ))薄膜应力:Stoney公式 σ_f = (E_s t_s²)/(6t_f R)

weixin_49199313的博客 414

【信息科学与工程学】计算机科学与自动化——第十篇 芯片设计03——芯片级电学设计方程(1)

分类ID一级分类二级分类三级分类四级分类说明应用场景限制条件依赖条件互斥条件1.1.1.1数学基础复变函数复指数函数欧拉公式e^(jθ) = cosθ + jsinθ,将指数函数与三角函数联系起来频域分析,相位表示,交流电路分析仅适用于线性时不变系统复分析基本知识时域脉冲分析1.1.1.2数学基础复变函数复指数函数复平面变换复数乘法表示旋转和缩放,z = re^(jθ)阻抗变换,频率响应分析需要理解极坐标表示复数代数实数域运算1.1.2.1数学基础复变函数贝塞尔函数第一类贝塞尔函数J_n(x) = Σ(-1

weixin_49199313的博客 835

【信息科学与工程学】计算机科学与自动化——第二十篇 计算机体系架构 系列二 约束条件01

编号类型领域子领域问题问题的数学分析算法逐步推理思考的数学表达式及参数列表及约束方程组及参数列表及边界条件及范围关联知识1计算架构计算机体系结构指令集架构 (ISA)ISCA(指令集计算机架构)的性能分析与优化采用经典执行时间模型与Amdahl定律,结合指令级并行(ILP)和流水线效率,建立包含指令计数、CPI、时钟周期的数学关系。考虑存储层次与分支预测的影响,引入概率论与排队论分析延迟。1. 执行时间 T=N⋅CPI⋅tclk​。

weixin_49199313的博客 93

【信息科学与工程学】信息工程领域——第三十六篇 电路电子06 电路设计01

问题的数学分析及组合数学分析(涵盖材料科学、材料力学、数学物理、电路/电气/电机/电子/控制科学/控制论、微电子/电路系统架构、半导体器件物理、几何学/拓扑学/代数学/数论/离散数学/泛函分析/复变函数和时变函数/数理逻辑/运筹学、数学物理、数学华为、计算机系统架构设计、通信科学、信息科学、光科学、电科学、热科学、力学科学、网络科学 、复杂系统、其他学科知识)③LED驱动、PD接收、跨阻放大、带通滤波、ADC、数字处理;③三电极体系(工作、对、参比)、恒电位电路、电流-电压转换、低通滤波;

weixin_49199313的博客 337

【信息科学与工程学】计算机科学与自动化——第十篇 芯片设计30 芯片中的数学1

所有涉及货币流动的岗位都受到严格的法律法规和行业准则约束,包括中国人民银行的各项货币政策工具管理规定、银行间市场交易规则、支付清算系统管理办法以及企业司库管理的相关指导意见。:在货币流动链条中,距离资金源头(央行投放)或关键流转节点越近的岗位,对资金的控制力、经手规模和影响力越大。处于资金流转的“管道”中,虽不直接决定资金量,但负责海量资金交易的安全、准确、高效清算,是货币流通的“基础设施”维护者。《关于规范金融机构资产管理业务的指导意见》(资管新规),要求信托业务打破刚性兑付,向净值化、标准化转型。

weixin_49199313的博客 416

【信息科学与工程学】【制造工程】【物理/化学和工程技术】第三十九篇 芯片中的物理01

编号类型领域子领域材料问题(数学分析及数学物理/数学化学/材料科学/界面科学/表面科学 + 计算架构/信息架构/通信架构/堆叠架构/应用架构/几何/拓扑/代数/数论/函数评估/数值估计/概率/统计/向量/张量/矩阵/矢量 + 其他)数学分析逐步推理思考的数学表达式及实现步骤及时序流程关联知识1物理效应半导体物理量子隧穿Si / SiO₂ / HfO₂利用薛定谔方程进行量子隧穿概率的数学分析,结合WKB近似与传输矩阵法进行数值估计;考虑一维势垒的几何形状(矩形/梯形)及界面粗糙度引起的势垒波动;统计电子能量分

weixin_49199313的博客 102

快速上手springboot+vue的前后端分离项目

使用webStorm新建项目后,把 .lock文件删除后项目运行才不报错,配置文件 vue.config.js 中加入 lintOnSave: false 关闭eslint语法检测。在多层嵌套的父子组件之间传递状态已经十分麻烦,而Vue更是没有为兄弟组件提供直接共享数据的办法。基于这个问题,许多框架提供了解决方案——使用全局的状态管理器,将所有分散的共享数据交由状态管理器保管,Vue也不例外。其中一种解决CORS 的方法, 在springboot项目中跨域的方法或类加上@CrossOrigin注解。

m0_61950264的博客 1910

Intel网卡固件烧录实战:eeupdate与bootutil命令完全解析

固件作为硬件设备底层运行的软件,其稳定性直接决定硬件功能的完整性。网卡固件一旦损坏,常表现为MAC地址丢失、PXE启动失效、NVM数据异常导致降速或掉线。维护这类问题,需借助Intel官方工具eeupdate与bootutil在UEFI Shell或DOS环境下执行底层烧录操作。eeupdate负责网卡的身份信息与NVM存储管理,可重置MAC、恢复固件镜像;bootutil则专管启动行为,支持PXE配置与Boot Agent升级。从环境准备、命令参数到故障恢复,掌握这两款工具能让运维人员在修复存量网卡、应对

weixin_34269583的博客 314

xilinx zynq-7000 linux下rs422串口通信测试步骤

这几天使用xilinx的zynq-7000系列调试rs422串口,期间遇到不少问题,好在最终调试完成,在这里记录一下调试步骤。 我用的soc型号是xc7z100,板载了2个rs422外设,PS端有2个uart控制器,uart0用于连接rs232并作为console控制台输出,uart1连接rs422。 rs422和主板连线原理图如下: 其中422_TXD1_3V3 和422_RXD1_3V3 为数据发送和接收引脚,422_TXD_DE1_3V3为发送使能引脚,422_RXD_REn1_...

dongyunke的博客 5908

eQTL:连接突变与基因表达的桥梁

欢迎关注”生信修炼手册”!在高等生物中,很多的重要性状都为数量形状,比如农作物的产量,人类复杂疾病(高血液,糖尿病)等等。对于这些数量性状而言,往往受到多个基因的调控作用。为了更好的开展...

庐州月光的博客 7076

网络虚拟化介绍(OVS、DVS)

网络虚拟化概念网络虚拟化就是把网络层的一些功能从硬件中剥离出来,建立新的网络虚拟层;该虚拟层可以接管网络服务和配置,实现网络服务与物理层的解耦,打破物理资源限制;通过网络虚拟层能够在一个物理网络上模拟出多个逻辑网络,并且多用户在逻辑网络上相互隔离,保证网络安全网络虚拟化的特点隔离性:不同租户的流量相互之间不能互访;但是IP/MAC地址都可以独立规划可移动性:虚拟机可以跨二层/三层迁移,甚至可以跨广域网迁移(迁移前后虚拟机Vlan和IP地址都不会发生变化)可扩展性:逻辑网络的规模和数量可扩展。

m0_49864110的博客 1万+

工业界实战:小红书推荐系统中的AB测试策略解析——分层、Holdout与反转实验

本文深入解析了小红书推荐系统在工业界实践中采用的AB测试核心策略。重点阐述了分层实验如何解决多实验并行与干扰问题,Holdout机制如何作为评估黄金标准提供稳定基准,以及反转实验如何作为全量上线后的终极安全网进行风险控制。这些策略共同构成了科学、严谨的线上评估体系,是保障推荐系统迭代效果与决策质量的关键。

transformer2023的博客 479

【CloudCompare教程】017:点云快速全局配准

点云数据的配准分为基于特征(特征点、特征线)的拼接和无特征拼接。特征点匹配的方法和全局ICP的方法。特征点的方法通过全局特征匹配达到全局配准,全局ICP的方法通过对变量空间进行搜索的方法达到全局最优解。

智慧空间实验室 3931

VTK实战完整教程介绍

该专栏以VTK提供的Example为基础,讲解VTK中的相关接口和使用方法。订阅该专栏,带你了解所有VTK的功能,以便VTK更好的解决工作中遇到的问题。一起学习起来吧!

qq_40041064的博客 2512

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

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")

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

上一篇: 58、机器学习系统中的风险监控与事件响应策略
下一篇: 42、新冠疫情下舞蹈视觉媒体传播的利弊分析
人间清醒863
博客等级 码龄3年 33粉丝 1544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