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
2.8k累计阅读
2.8k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
SD卡是由日本Panasonic 公司、TOSHIBA 公司和美国SanDisk 公司 共同开发研制的全新的存储卡产品。SD存储卡是一个完全开放的标准（系统），多用于MP3、数码摄像机、数码相机、电子图书及AV器材等，尤其是被广泛应用在超薄数码相机上。SD卡在外形上同MultiMedia 卡保持一致，大小尺寸比MMC卡略厚，容量也大很多。并且兼容MMC卡接口规范。SD最大的特点就是通过加密功能，可以保证数据资料的安全保密。它还具具备版权保护技术，所采用的版权保护技术是DVD中使用的CPRM技术（可刻录介质内容保护）。
1） SD存储卡概念
SD卡通信基于9芯的接口（Clock, Command,4xDat,3xPower lines）,最大的操作频率是25MHz.
2） SD卡的总线拓扑
SD卡系统支持两种通信协议：SD和SPI方式。模式的选择对主机是透明的，由SD卡自动检测复位命令的模式，在此后的通信过程中始终使用此种通信方式。SD卡在结构上使用一主多从星型拓扑接口。
SD卡、TF卡、eMMC与SDIO：嵌入式存储与扩展接口全解析
在嵌入式系统与消费电子领域，外部存储与功能扩展是核心需求。闪存技术通过NAND颗粒实现数据非易失性存储，其控制器负责协议转换与管理。SD（Secure Digital）协议作为行业标准，定义了存储卡与主机间的命令响应通信机制，支持SPI模式以兼容低端MCU，其价值在于提供了通用、可插拔的存储解决方案。eMMC（embedded MultiMediaCard）则将控制器与闪存集成封装，通过简化接口和内置管理功能，为嵌入式设备提供了高可靠性的内置存储选择。SDIO（Secure Digital Input Ou
Dell precision Tower 7920（戴尔塔式图形工作站）bios设置介绍
Dell precision Tower 7920（戴尔塔式图形工作站）bios设置介绍
深入解析MMC/SD主机控制器通信协议：从原理到实战调试
在嵌入式系统开发中，存储设备与主机的可靠通信是核心基础。MMC/SD协议作为一种广泛应用的嵌入式存储通信标准，其本质是一种基于命令-响应的同步串行主从通信协议。该协议通过精心设计的命令帧、响应帧以及CRC校验机制，确保了数据传输的完整性与可靠性。其技术价值在于为各类嵌入式设备（如智能手机、工业控制器）提供了标准化、高效率的数据交换方案。理解其通信流程，包括卡识别模式中的电压协商、CID获取与RCA分配，以及数据传输模式下的块读写、流访问等机制，对于进行底层驱动开发、性能调优和故障排查至关重要。本文以经典MC
SD/MMC/SDIO 概念区分概要
SD（Secure Digital）与 MMC（Multimedia Card） SD 是一种 flash memory card 的标准，也就是一般常见的 SD 记忆卡，而 MMC 则是较早的一种记忆卡标准，目前已经被 SD 标准所取代。在维基百科上有相当详细的 SD/MMC
【信息科学与工程学】【数据中心】第三十五篇 云计算数据中心的学科知识04
编号学科（课程）核心知识点在云计算/云存储/云网络/云安全/云MaaS中的作用代表教材/资料/论文 + 数学方程式列表工业界应用D1421云原生数据库：TiDBHTAP（混合事务/分析处理）、分布式SQL、水平扩展、强一致（Raft）、自动故障恢复、与MySQL兼容、TiFlash列式引擎提供弹性扩展的分布式数据库；支撑高并发在线交易与实时分析教材：《TiDB in Action》PingCAP（2020） 论文：《TiDB: A Raft-based HTAP Database》（2017）
SanDisk Secure Digital Card
SanDisk Secure Digital Card Product Manual Version 1.9 Document No. 80-13-00169
micro SD(TF)卡详解
一、SD miniSD microSD SDHC的区分 SD SD卡（Secure Digital Memory Card）是一种基于半导体闪存工艺的存储卡。为了满足数码产品不断缩小存储卡体积的要求，SD卡逐渐演变出了Mini SD，Micro SD两种规格。 SD卡背面共有9个引脚，包含4根数据线，支持1bit/4bit两种数据传输宽度，时钟最高频率为25MHZ，故理论最高数据传输速
SD Memory Card Specifications
SD Memory Card (Secure Digital Memory Card) is a Flash-Based memory card that is specifically designed to meet the security, capacity, performance and environment requirements inherent in newly emerging audio and video consumer electronic devices. The SD Memory Card will include a copyright protection mechanism that complies with the security of the SDMI standard and will be faster and capable for higher Memory capacity. The SD Memory Card security system uses mutual authentication and a "new cipher algorithm" to protect from illegal usage of the card content. A none secured access to the user‘s own content is also available. The physical form factor, pin assignment and data transfer protocol are forward compatible with the MultiMediaCard with some additions. The SD Memory Card communication is based on an advanced 9-pin interface (Clock, Command, 4xData and 3xPower lines) designed to operate in a low voltage range. The communication protocol is defined as a part of this specification. The SD Memory Card host interface supports regular MultiMediaCard operation as well. In other words, MultiMediaCard forward compatibility was kept. Actually the main difference between SD Memory Card and MultiMediaCard is the initialization process.
裸机：SD卡启动详解
硬盘：硬盘是计算机中最常用的外存设备之一，分为机械硬盘（HDD）和固态硬盘（SSD）两种。机械硬盘（HDD）：由涂有磁性材料的铝合金原盘组成，通过磁头在盘片上读写数据。其优点是容量大、价格相对较低，但读写速度相对较慢，且抗震性较差。固态硬盘（SSD）：以闪存为存储介质，通过电学原理存储数据。相比机械硬盘，固态硬盘具有读写速度快、延迟低、抗震性好等优势，但价格相对较高。随着技术的发展，固态硬盘的出货量在全球硬盘市场上占比不断提高。软盘：虽然现已较少使用，但软盘曾是重要的外存设备。
第10章：位同步与Gardner环路（1）
第10章（1）内容如下：一、位同步与载波同步的区别1、采样时钟相位偏差的影响2、采样时钟频率偏差的影响二、Gardner环路算法与插值方法1、插值滤波器2、Gardner误差检查算法三、Gardner环路中环路滤波器与数字振荡器设计1、环路滤波器2、数控振荡器（NCO）四、Gardner环路的可运行MATLAB代码五、参考资料六、致谢 最近搞懂了Gardner环路的一些知识，于是更新第10章——位同步。 如果你稍不留意的话，这可能是你在网上能看到的介绍Gardner环路及其MATLAB仿真最详细的一篇文章了
基于POI-TL实现动态Word模板数据填充（含图表）：从需求到落地的完整开发实践
本文聚焦企业级报告生成场景中 “在线编辑模板 + 动态数据填充” 的核心需求，详细阐述基于 POI-TL、OnlyOffice 与 MinIO 的全栈实现方案。通过代码示例拆解模板加载、文字填充、图表匹配渲染（含通过关系 ID 关联图表与段落的关键逻辑）、报告存储全步骤。最终通过技术组合实现业务人员可视化编辑模板、后端高效填充数据的目标，为同类动态 Word 生成需求提供可复用的实践参考。
STM32H743 SD卡读写实战：MDMA与FATFS避坑指南
在嵌入式系统中，SD卡作为大容量存储介质广泛应用于数据采集与文件管理。其读写性能与稳定性依赖于底层硬件接口与DMA传输机制。STM32H743凭借Cortex-M7内核与MDMA控制器，可显著提升SDMMC接口的数据吞吐效率，同时降低CPU负载。结合FATFS文件系统，开发者能实现高效的文件读写与目录管理。然而，Cache一致性、中断优先级配置及DMA通道选择等问题常导致读写异常。本文基于实际项目经验，详解CubeMX配置、MDMA优化及FreeRTOS适配，助你避开常见陷阱，实现稳定高速的SD卡数据存储。
Oracle入门——基础语法篇
ROWID是Oracle中的一个伪列，用于唯一标识数据库中的每一行。在查询中，可以使用ROWID来定位和操作特定的行，例如，删除特定的行或更新特定的行。在Oracle中，子查询是指嵌套在另一个查询内部的查询语句，它可以作为主查询的一部分，用于提供额外的过滤条件、计算或数据源。在Oracle中，连接查询是通过使用JOIN子句将两个或多个表中的数据合并在一起，以获取满足特定条件的结果集。在Oracle数据库中，ROWID和ROWNUM都是用于对行进行标识和定位的伪列，它们在查询中的使用有一些不同之处。
【信息科学与工程学】【通信工程】第三百零五篇 网络中的几何/拓扑/离散数学/组合数学 01
矩 accountant 累计。Bluetooth LE广告包。单细胞RNA-seq计数矩阵。梯度AllReduce算法。蛋白质-蛋白质相互作用网络。联邦学习本地epoch数。资本资产定价模型beta。联邦学习客户端采样比例。联邦学习服务器聚合权重。变分量子本征求解器参数。抵押贷款支持证券现金流。数据加载器工作进程数。流水线并行微批次数量。学习感知图像块相似度。边缘设备CPU利用率。ZigBee网络地址。量子近似优化算法参数。宇宙微波背景温度涨落。
宇树机器人G1二次开发：导览、起始点、目的地与完整示例
通过宇树G1 SDK的导航接口，开发者可以高效地实现机器人的自主移动功能。连接 -> 设置目标点 -> 发送命令 -> 监控状态。本文提供的完整示例涵盖了从环境搭建到代码实现的全部步骤，并解释了起始点、目的地等关键概念。开发者可以在此基础上，结合多目标点巡逻、动态避障（需高级配置）等功能，构建更复杂的机器人应用。建议读者先在小范围、熟悉的平坦环境中测试，成功后再逐步扩展到更复杂的场景。
手把手教你为RV1126开发板点亮3寸MIPI屏（ST7701S驱动，含设备树配置避坑点）
本文详细介绍了RV1126开发板适配3寸MIPI屏幕（ST7701S驱动）的全流程，涵盖硬件设计、信号完整性保障、屏幕时序参数计算及设备树配置等关键步骤。特别针对MIPI差分信号布线、电压匹配和设备树配置中的常见问题提供了实用解决方案，帮助开发者高效完成屏幕适配工作。
简述sd卡2.0协议_【正点原子FPGA连载】第十二章SD卡读写TXT文本实验-领航者 ZYNQ 之嵌入式开发指南...
1）实验平台：正点原子领航者ZYNQ开发板2）平台购买地址：https://item.taobao.com/item.htm?&id=6061601087613）全套实验源码+手册+视频下载地址：http://www.openedv.com/docs/boards/fpga/zdyz_linhanz.html4）对正点原子FPGA感兴趣的同学可以加群讨论：8767449005）关注正点原子...
浪涌电流测试仪的工作原理
浪涌电流脉冲形成的开始由同步电路 13 确定，该同步电路 13 发送命令以打开和第二开关 10 和 11，向发生器 14 发送控制命令以生成被测半导体器件 5 的控制信号和参考信号整形器 9 的触发脉冲。电流源的功率输出并联连接，以对流经被测半导体样品的电流求和。此外，使用数字控制扩展了测试仪的功能，能够产生各种形状的电流脉冲，例如梯形电流脉冲，以估计被测晶闸管的导通状态扩展时间。由于晶体管3的栅极是连接的，并且平衡电阻4包含在晶体管3的源中，因此通过每个晶体管3的电流脉冲大致相同，并重复参考信号的形状。
SD卡相关应用
文章目录1. SD卡简介1.1 SD卡概述1.2 SD卡常用命令2. SD卡操作时序2.1 SPI接口与时序2.2 SD卡初始化2.3 SD卡读写操作3. SD卡读写测试3.1 系统框图3.2 程序设计 1. SD卡简介 1.1 SD卡概述 SD卡（Secure Digital Card，安全数字卡，又叫做安全数码卡）。 特点：体积小、传输速度快、支持热插拨 SD卡在MMC（MultiMedia Card，多媒体卡）的基础上发展而来，增加了更高的安全性和更快的读写速度。 SD卡从存储量上分为三个级别： SD
防止通达信公式被盗？手把手教你用DLL加密+互联网验证（含易语言后台管理）
本文详细介绍了如何通过DLL加密与互联网验证技术保护通达信公式安全。从DLL加密实现、设备绑定到易语言后台管理，提供了一套完整的防护方案，有效防止公式被盗用。重点讲解了互联网验证登录和绑定设备等核心技术，帮助量化交易者守护核心资产。
【DRAM存储器一】基本存储单元、阵列结构、读写原理
详述DRAM存储器存储单元、存储阵列结构和读写原理
【科普贴】SD卡接口协议详解
本文主要是描写SD卡相关知识，通过本文，你可以对SD有一个从感性到理性的深刻认识，方便不了解SD卡协议的朋友，能有一个入门的认识。
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")
U-Boot SD (Secured Digital card) Support
U-Boot SD(Secured Digital card) Support This section gives an overview of the SD(Secured Digital Card) support in U-Boot l Overview SD (Secured Digital Card) support isavailable through
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
Secure Digital I/O, SD Card
Secure Digital I/O Card Description Secure Digital Input/Output [SDIO] is a flash based removable memory card. The card format may also be used for other device functions in addition to data storage.
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
Zynq 7000 系列之启动模式—SD卡启动
SD卡启动允许设备从SD卡（Secure Digital Card）上读取引导加载程序或操作系统，从而启动系统。SD卡启动具有一些显著的优点，例如方便性、灵活性和可移植性。通过将必要的启动文件存储在SD卡上，用户可以轻松地更换或更新这些文件，而无需对设备的内部存储进行复杂的操作。
linux系统中u-boot命令的EMMC和SD卡操作命令分析
在Linux系统中，U-Boot是一个非常重要的引导加载器，它在系统启动时负责加载内核和其他必要的启动文件。U-Boot支持多种存储设备，包括EMMC和SD卡。这篇文章将详细解析如何使用U-Boot命令来操作EMMC和SD卡。总结一下，在Linux系统下通过U-boot来管理EMMC或者SD卡并不复杂。首先需要进入到u-boot控制台界面，在此界面可以输入各类u-boot命令进行操作。例如，在一个系统里有一个eMMC（编号为0）和一个SD卡（编号为1），如果我们想要对eMMC进行操作，则首先执行命令。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
472
扫一扫
