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
800+累计阅读
863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
动态时钟的作用主要是在电源管理方面。
当系统中没有活动进程时，idle进程被调度起来，对于arm处理器，idle进程将执行指令进入idle状态。但是由于内核的tick机制的存在，时钟芯片仍然每隔tick周期产生一次中断，这将导致cpu从idle状态返回到normal状态。这样显然消耗了不必要的能量。
动态时钟的作用就是在进入idle状态时，关闭时钟芯片，避免不必要的能量损耗。而当真正外部事件发生时（如网卡中断），处理器返回到正常状态，重新调整系统时间。
===============================================================
讨论： linux_kernel_2_6@yahoo.com.cn
未经允许请勿用于商业用途
wangsen
===============================================================
深入解析bq24296M：NVDC架构与动态电源管理如何实现智能充电
在便携式电子设备中，电源管理系统是确保设备稳定运行和用户体验的核心。其核心原理在于高效、安全地管理来自适配器、USB端口等输入源的能量，并在系统负载、电池充电和输入源能力三者之间进行动态、最优的功率分配。这一技术价值体现在提升充电效率、保障系统稳定性和延长电池寿命上，广泛应用于智能手机、平板电脑等设备。动态电源路径管理（DPM）和Narrow VDC（NVDC）架构是实现这一目标的关键技术。DPM如同智能交通警察，实时监控输入电流和电压，防止输入源过载并动态分配功率；而NVDC架构则通过BATFET开关管，
DTW 笔记： Dynamic Time Warping 动态时间规整 （&DTW的python实现） 【DDTW，WDTW】
0 总述 DTW可以计算两个时间序列的相似度，尤其适用于不同长度、不同节奏的时间序列（比如不同的人读同一个词的音频序列） DTW将自动扭曲（warping）时间序列（即在时间轴上进行局部的缩放），使得两个序列的形态尽可能的一致，得到最大可能的相似度。 DTW采用了动态规划的方法来进行时间规整的计算 1 欧几里得距离的局限性 描述两个序列之间的相似性，欧氏距离是一种十分简单且直观的方法，但对于序列之间步调不统一的情况，计算欧氏距离得到...
瑞萨DA16200/DA16600动态电源管理（DPM）实战指南：实现微安级Wi-Fi物联网设备
动态电源管理（DPM）是嵌入式系统，尤其是电池供电物联网设备中的一项核心技术，旨在解决设备“随时在线”与“极致续航”之间的矛盾。其核心原理是通过一套精细的状态机，让设备在活跃的全功能模式与深度休眠的低功耗模式之间智能切换，仅在处理任务时唤醒，从而大幅降低平均功耗。这项技术的核心价值在于，它并非简单地关闭模块，而是在保持网络连接（如Wi-Fi关联状态、IP地址）的前提下实现节能，这对于需要快速响应且连接稳定的物联网应用至关重要。典型的应用场景包括智能门锁、环境传感器、资产追踪器等各类低功耗Wi-Fi终端。本文
电脑如何设置自动开关机？
想设置电脑自动开关机？看这篇文章就够了
DA16200/DA16600 DPM框架实战：超低功耗Wi-Fi物联网设备电源管理详解
动态电源管理（DPM）是物联网设备实现超低功耗的核心技术，其原理是通过精密的“睡眠-唤醒”状态机调度，让设备在空闲时进入深度休眠以节省电量，仅在需要处理网络数据或执行定时任务时才被唤醒。这项技术的核心价值在于，它使得依赖电池供电的传感器、智能门锁等设备能够实现长达数月至数年的续航，极大地拓展了物联网的应用边界。在Wi-Fi连接场景下，DPM需要与无线接入点（AP）协同工作，通过TIM/DTIM机制和动态周期设置（DDPS）算法来平衡功耗与数据可靠性。本文以瑞萨电子的DA16200/DA16600 SoC为例
LS1046A BSP驱动实战：IEEE 1588、LPUART与PCIe配置与调试指南
在嵌入式Linux系统开发中，设备驱动是连接硬件与操作系统的核心组件，其配置与调试直接决定了系统的功能与性能。理解驱动的工作原理，从内核配置、设备树绑定到功能验证，是嵌入式工程师的必备技能。这些技术为构建高可靠、高性能的嵌入式应用提供了基础支撑，尤其在工业控制、网络通信等对实时性和稳定性要求严苛的场景中价值显著。本文聚焦于NXP LS1046A处理器，深入剖析其BSP（Board Support Package）中三个关键驱动模块：IEEE 1588精密时钟同步、LPUART低功耗串口以及PCIe高速总线。
动态时间规整DWT（Dynamic Time Warping）
1. DTW作用 动态时间规整算法，能够将两个代表同一个类型的事物的不同长度序列进行时间上的“对齐”。 比如在语音识别中，同一个字母，由不同人发音，时间长短不一，但信号相似。故需要用一个函数拉长或者缩短其中一个信号，使得它们之间的误差达到最小。 如图所示，实线和虚线分别是同一个词的两个语音波形。可以看到他们整体上的波形形状很相似，但在时间轴上却是不对齐的。 例如在第20个时间点的时候，实线波形的a点会对应于虚线波形的b’点，这样传统的通过比较距离来计算相似性很明显不靠谱。而实际上实线的a点对应虚线的b点才
Xilinx 7系列FPGA内置XADC：从架构解析到多通道数据采集实战
模数转换器（ADC）是连接模拟世界与数字系统的关键接口，其核心原理是将连续的模拟信号离散化为数字代码。在FPGA设计中，集成高性能ADC能显著简化系统架构、降低成本并提升可靠性。Xilinx 7系列FPGA内置的XADC硬核IP，正是这样一个集成了双通道12位SAR ADC、模拟多路复用器及片上传感器的混合信号监测系统。它通过灵活的通道序列器和可配置的采样率，为电源管理、环境监控及传感器信号采集等应用场景提供了高性价比的片上解决方案。本文以XADC为例，深入解析其混合信号架构，并演示如何通过Vivado I
Ubuntu定时开关机
Ubuntu定时关机 cd /etc sudo vi crontab 添加一行 00 23 * * 1-5 root /sbin/shutdown -h now :w! ctrl+z退出 Ubuntu定时开机 开机按del键进入BIOS模式 选择advance-》wake up event management-》wake system from rtc-》wake system with fixed time-》0:55:0 (早上9点，系统时间显示1点，因此如此设置) ...
NXP CAAM硬件加密引擎驱动配置与性能调优实战指南
硬件加密加速器是现代嵌入式系统中提升数据安全处理性能的关键技术，它通过专用硬件单元卸载CPU的加密计算负载，显著降低功耗与延迟。其核心原理是将加密算法（如AES、SHA）固化到硬件流水线中，由驱动通过描述符（Descriptor）进行调度。这项技术的核心价值在于为高吞吐、低延迟的应用场景（如IPsec VPN、TLS/SSL）提供可靠的性能保障。在NXP Layerscape处理器中，CAAM（Cryptographic Acceleration and Assurance Module）模块正是这样一个可
DTW（Dynamic Time Warping / 动态时间归整） python实现的Demo
DTW（Dynamic Time Warping / 动态时间归整） python实现的Demo 基于 python 2.7 实现
安卓——动态时间
一、运行效果 二、涉及知识点 1、线性布局（LinearLayout） 2、标签（TextView） 3、线程（Thread） 4、异步消息处理器（Handler） 三、实现步骤 1、创建安卓应用DynamicTime 2、主布局文件activity_main.xml 打开res文件夹下布局文件夹（layout）再打开该目录下的activity_main.xml文件。 <?xml v...
SAP生产版本导入避坑大全：从‘黄灯’到‘绿灯’，详解CM_FV_MKAL_CONSISTENCY_CHECK检查函数
本文深入解析SAP生产版本导入过程中的常见问题，特别是通过`CM_FV_MKAL_CONSISTENCY_CHECK`检查函数从‘黄灯’异常到‘绿灯’正常的修复方法。涵盖静态与动态校验机制、典型异常场景诊断及批量导入最佳实践，帮助SAP运维人员高效解决生产版本管理难题。
深入解析SoC时钟域管理：从静态、动态到唤醒依赖的实战指南
在复杂的嵌入式系统，尤其是汽车电子和物联网设备中，低功耗设计是核心挑战。其背后依赖于一套精密的硬件协同机制，其中时钟域管理是关键。时钟域将SoC划分为多个可独立控制时钟和电源的功能区域，通过静态依赖、动态依赖和唤醒依赖三种机制协同工作。静态依赖定义了模块间电源时钟开关的硬性顺序，确保系统安全启动和关闭；动态依赖则根据模块运行时活性自动决策低功耗状态，是实现智能功耗优化的核心；唤醒依赖构建了从外设事件到处理器核心的精准唤醒路径。理解这些依赖关系，能帮助开发者从被动调参转向主动架构，在高级驾驶辅助系统（ADAS
STC15单片机实战项目软件开发第四讲 - 按键检测(状态机)
软件开发第四讲 - 按键检测(状态机) 一、工具链接 1、Keil c51 UV4 https://yunpan.360.cn/surl_yrIfYYmeRFk 2、STC-ISP下载软件 https://yunpan.360.cn/surl_yxH4CuUUvI3 二、学习板获取方式 方法1：自己设计PCB，自行打板焊接； 方法2：用群主设计的PCB，自行打板焊接； 方法3：向群主购买，淘宝链接...
从球谐函数到哈希编码：Instant-NGP如何重构NeRF的数学基础
本文深入解析了Instant-NGP如何通过多分辨率哈希编码重构NeRF的数学基础，显著提升训练速度和渲染效率。对比传统球谐函数，哈希编码在计算复杂度、频率适应性和内存访问效率上具有明显优势，为实时神经渲染技术开辟了新方向。
I3C SDR 主时钟停滞（Stalling）机制解析：4种触发条件与15ms上限的时序影响
本文深入解析I3C SDR主时钟停滞机制的4种触发条件及其对系统时序的影响，重点探讨15ms停滞上限的设计原理与优化策略。通过量化分析和电路级实现细节，揭示停滞机制在总线通信中的核心价值，为混合总线环境下的时序协调提供专业解决方案。
基于555定时器的呼吸灯电路
呼吸灯是指LED灯在芯片的控制下完成由亮到暗的逐渐变化，感觉就像人在呼吸，其广泛使用在手机上，起到一个通知提醒的作用。呼吸灯在许多灯光装饰上也有大量使用，如音响、汽车广告牌等，在生活中较为常见。...
ARM Cortex-M时钟门控：RCGC与SCGC寄存器实战详解
时钟信号是数字电路工作的基础，其跳变直接产生动态功耗。时钟门控技术通过逻辑门选择性阻断时钟路径，使空闲模块静态化以消除动态功耗，是实现芯片级低功耗设计的核心技术。在嵌入式系统，尤其是电池供电的物联网设备中，精细的时钟管理对延长续航至关重要。ARM Cortex-M架构的微控制器（如TI Tiva系列）将时钟门控硬件化，通过RCGC（运行模式时钟门控控制）和SCGC（睡眠模式时钟门控控制）两组寄存器提供软件可控的功耗管理接口。RCGC用于运行模式下动态开关外设时钟以优化动态功耗，而SCGC则确保在睡眠模式下仅
YOLO26涨点改进 | 全网首发Conv独家改进篇 | CVPR 2025 | YOLO26引入FDConv频率动态卷积改进，含FDC3k2二次创新，小目标检测，能够捕捉更加丰富和复杂的特征信息
本文提出了一种频率动态卷积（FDConv）模块，用于改进YOLO26目标检测模型的性能。FDConv通过在傅里叶域内划分参数预算，构建具有频率多样性的权重，有效提升了模型对低频和高频信息的处理能力。该模块包含内核空间调制（KSM）和频率带调制（FBM）两个关键组件，分别实现空间级和频域级的动态调节。实验表明，FDConv仅增加3.6M参数就能超越其他需要大幅增加参数的方法，并在目标检测、实例分割等任务中表现优异。文章详细介绍了FDConv的原理、实现方法及在YOLO26中的集成方式，提供了完整的代码实现。
我的PCB设计经验总结及最容易犯错的100例之二B07
本文总结了PCB设计中的常见错误及解决方法。作者通过记录自身及他人的设计失误，系统归纳了高频、隐蔽且致命的问题，如电容中间穿线、高速信号跨分割、锐角布线等。重点提出从错误中提炼规律，建立分类案例库，并开发自动化检查工具的方法。案例涵盖高速信号处理、电源设计、EMC防护等关键领域，强调通过原理理解和实践验证提升设计质量。文章建议工程师建立个人错误数据库，从被动纠错升级为主动预防，最终形成系统化的设计方法论，提高PCB一次成功率。
硬件工程师必读：从IO、BANK到时钟与电源的嵌入式系统资源规划实战
在嵌入式系统与FPGA开发中，硬件资源的高效管理是确保系统稳定与性能的关键。从基础概念讲起，芯片的IO引脚、BANK电压域、时钟网络、存储单元及电源轨共同构成了系统的物理资源框架。理解IO的电平兼容性、驱动能力与信号完整性原理，是避免通信故障的第一步；掌握BANK作为电压管理单元的工作机制，能有效预防电平冲突与芯片损坏。这些底层资源规划直接影响着系统功耗、时序收敛与信号质量，其技术价值在于实现从被动使用芯片到主动架构设计的思维转变。尤其在处理ZYNQ等异构SoC或高速接口时，合理的资源分配与约束设计，是解决
【人工智能论文发表】基于医学病例文本和多模态大模型的医疗影像分割方法研究
摘要：本研究提出MMS-Former，一种基于级联多模态Transformer的文本引导医学图像分割框架。该模型创新性地将临床文本信息深度融入图像分割全过程，通过SwinUNETR提取视觉特征，ClinicalBERT编码病历文本，并在解码器的每个上采样阶段通过交叉注意力模块实现多级文本特征融合。实验表明，相比纯视觉模型，MMS-Former在Dice系数和IoU指标上分别提升3%以上，在处理边界模糊目标时表现尤为突出。模型还设计了结合Dice损失和图文对比损失的复合目标函数，确保分割精度与语义对齐。代码实
从模块组装到内核驱动开发：深入理解Linux字符设备驱动框架与核心原理
在嵌入式与底层开发领域，驱动是连接硬件与操作系统的核心桥梁，其本质是为千差万别的硬件提供统一的抽象接口。从操作系统内核的视角看，驱动实现了硬件操作的标准化与安全隔离，将复杂的寄存器读写、总线协议时序转化为应用程序可调用的统一文件操作。其技术价值在于保障系统稳定性、安全性与资源高效管理，是嵌入式系统可靠运行的基石。应用场景广泛覆盖字符设备、总线设备（如I2C、SPI、USB）及复杂外设驱动。本文以字符设备驱动为例，深入剖析其核心数据结构如file_operations与cdev，并探讨在驱动框架化时代，工程师
Open3d Qt的环境配置
目前统一使用qt6配置，open3d中可视化功能目前使用vtk代替，语言为c++。
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")
ARM9嵌入式系统低功耗设计实战：时钟管理与睡眠模式详解
在嵌入式系统开发中，低功耗设计是延长电池续航的关键技术。其核心原理在于通过精细的电源管理策略，动态控制系统的能量消耗。这主要涉及两大技术：时钟管理和处理器睡眠模式。时钟管理通过门控技术关闭闲置模块的时钟以消除动态功耗，或通过频率缩放调节工作频率来降低功耗。处理器睡眠模式则让核心进入低功耗状态以节省能量。这些技术的工程价值在于，它们使物联网终端、便携医疗设备等对功耗敏感的嵌入式产品能够实现更长的待机时间和更高的能效。具体到基于ARM9内核的嵌入式平台，开发者需要深入理解电源与睡眠控制器（PSC）的时钟门控机制
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。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
448
扫一扫
