边缘AI的隐形革命:从洗衣机到电动汽车,StellarStudio如何重塑日常设备的智能内核

数量1倍数特性.pdf 立即下载

边缘AI的隐形革命:从洗衣机到电动汽车,StellarStudio如何重塑日常设备的智能内核

在智能设备日益普及的今天,我们往往只关注表面的功能升级,却忽略了背后真正的变革者——边缘AI技术。它正悄然嵌入我们的生活,从洗衣机的节能洗涤到电动汽车的预测性维护,这些看似普通的日常操作背后,是边缘计算和人工智能的深度融合。而在这场技术革命中,StellarStudio作为意法半导体(STMicroelectronics)推出的核心开发工具,正成为连接硬件与智能应用的关键桥梁。

边缘AI的独特之处在于其能够在设备本地完成数据处理和决策,无需依赖云端服务器。这种模式不仅大幅降低了延迟,还显著提升了隐私安全性和系统可靠性。对于嵌入式系统工程师、产品经理以及物联网开发者而言,StellarStudio提供了一套完整的解决方案,帮助他们在资源受限的嵌入式设备上实现复杂的AI功能。无论是基于STM32微控制器的智能家电,还是采用Stellar系列芯片的汽车电子系统,StellarStudio都能通过其强大的模型优化和代码生成能力,将AI算法高效部署到实际硬件中。

本文将通过多个实际案例,深入探讨StellarStudio如何助力企业实现技术突破。从霍尼韦尔的智能传感器到HPE集团的下一代汽车动力系统,我们将看到边缘AI如何在不增加硬件成本的前提下,显著提升设备性能与能效。同时,我们也会剖析其中的技术细节,包括模型优化、功耗控制以及系统集成策略,为开发者提供实用的参考和灵感。

1. 边缘AI的技术基础与StellarStudio的核心优势

边缘AI的兴起并非偶然,而是嵌入式系统演进与人工智能技术结合的必然结果。传统的云端AI模型虽然强大,但在实时性要求高、网络环境不稳定的场景中往往表现不佳。边缘AI通过将计算任务下沉到设备端,有效解决了这些问题。而StellarStudio作为ST Edge AI Suite的重要组成部分,专门针对STM32、Stellar和MEMS传感器等硬件平台进行了深度优化。

StellarStudio的核心优势在于其高度集成化的开发环境。它不仅仅是一个代码生成工具,更是一个覆盖从数据采集到模型部署的全生命周期平台。开发者可以通过图形化界面快速配置硬件参数,导入预训练的AI模型,并自动生成优化的嵌入式代码。例如,在智能家电领域,StellarStudio能够将TensorFlow或PyTorch训练的模型转换为可在STM32微控制器上运行的轻量级版本,同时保持较高的推理精度。

为了更直观地展示StellarStudio支持的硬件平台及其特性,以下是常见嵌入式AI硬件的对比表:

硬件平台典型算力(TOPS)功耗范围(mW)主要应用场景StellarStudio优化特性
STM32G0系列0.05-0.150-100家电控制、传感器节点自动模型量化、内存优化
Stellar E系列MCU0.2-0.5100-300汽车电控、工业自动化多核任务调度、实时推理加速
MEMS传感器内置AI0.01-0.02<1运动检测、姿态识别传感器数据直接处理、低功耗模式

在实际应用中,StellarStudio的模型优化算法能够将AI模型的体积压缩至原来的十分之一甚至更小。例如,一个原本需要1MB存储空间的图像识别模型,经过优化后可能仅占用100KB,同时推理速度提升2-3倍。这种优化不仅降低了硬件成本,还显著延长了电池供电设备的续航时间。

提示:选择硬件平台时,除了算力和功耗,还需考虑外设接口和生态支持。StellarStudio目前对ST旗下芯片的支持最为全面,包括最新的STM32N6神经处理单元(NPU)加速器。

对于开发者而言,StellarStudio的另一大优势是其与ST Edge AI Developer Cloud的无缝集成。开发者可以访问在线的模型库(Model Zoo),直接获取针对常见应用场景的预训练模型,如电机控制异常检测、语音唤醒词识别等。这些模型经过大量实际数据训练,只需少量调整就能适应特定需求,大幅缩短开发周期。

2. 智能家电中的边缘AI实践:以洗衣机为例

洗衣机的智能化转型是边缘AI技术的一个典型应用场景。传统洗衣机通常基于预设程序运行,无法根据衣物重量、材质或脏污程度动态调整洗涤参数。而通过集成STM32微控制器和AI算法,现代洗衣机能够实现真正的智能洗涤,同时在能耗和资源使用上实现显著优化。

在具体实现中,洗衣机首先通过内置的MEMS惯性传感器采集数据。当滚筒开始旋转时,传感器会实时监测电机的电流、电压和振动频率等参数。这些数据被输入到经过StellarStudio优化的AI模型中,模型会立即推断出衣物的重量和分布情况。以下是一个简化的数据处理流程:

  1. 数据采集:电机启动后,以1kHz的频率采样电流和电压信号;
  2. 特征提取:计算电流波形的均方根(RMS)、谐波分量等特征;
  3. 模型推理:使用轻量级神经网络推断衣物重量(精度可达±100克);
  4. 决策执行:根据重量结果自动调整水位、洗涤剂用量和洗涤时间。

通过这种方案,洗衣机的能耗和用水量可降低高达40%。更重要的是,这一切计算都在本地完成,无需将数据上传到云端,既保护了用户隐私,也避免了网络连接不稳定带来的问题。

除了负载检测,边缘AI还能实现碰撞避免和预测性维护。例如,通过分析振动数据,AI模型可以识别出滚筒与外壳的碰撞风险,并及时调整电机转速。以下是一段模拟数据处理的Python代码示例,展示了如何从原始传感器数据中提取特征:

import numpy as np
from scipy import signal

# 模拟电流传感器数据(单位:mA)
current_data = np.random.randn(1000) * 50 + 500

# 计算RMS值作为基础特征
rms_current = np.sqrt(np.mean(current_data**2))

# 使用FFT计算谐波分量
fft_data = np.fft.fft(current_data)
frequencies = np.fft.fftfreq(len(current_data), 0.001)
harmonic_energy = np.sum(np.abs(fft_data[10:50]))  # 提取10-50Hz频段能量

# 特征向量可用于机器学习模型输入
feature_vector = [rms_current, harmonic_energy]
print(f"提取的特征向量: {feature_vector}")

在实际部署时,这些代码会被StellarStudio转换为高度优化的C语言版本,并集成到STM32的固件中。开发过程中,StellarStudio的图形化配置工具可以自动生成引脚配置、外设初始化代码以及RTOS任务调度逻辑,极大简化了开发流程。

注意:在洗衣机这种强振动环境中,传感器数据容易受到噪声干扰。建议在软件层面加入数字滤波算法,并结合硬件上的去耦设计,确保数据可靠性。

根据一家领先家电制造商的数据,采用边缘AI方案的洗衣机在市场上表现出色,用户反馈显示洗涤效果提升的同时,电费支出明显减少。这种成功不仅证明了技术的实用性,也为其他家电产品的智能化升级提供了宝贵经验。

3. 工业与汽车领域的创新应用

工业自动化和汽车电子对可靠性和实时性的要求极为严苛,而这正是边缘AI的优势所在。在工业领域,ST与霍尼韦尔合作开发的智能传感器系统能够实时监控设备状态,预测潜在故障。例如,在工厂的泵送系统中,MEMS加速度传感器持续采集振动数据,本地AI模型分析这些数据并识别出轴承磨损或叶轮不平衡等异常模式。

汽车行业的变化更为显著。电动汽车的动力系统需要精确控制电机转速、扭矩和温度,传统方法往往依赖物理传感器和经验公式。而基于Stellar MCU和StellarStudio的解决方案,能够实现虚拟传感器功能,通过AI算法推断出无法直接测量的参数。

以电机转子温度监测为例,直接测量转子温度需要在电机内部安装温度传感器,这不仅成本高昂,还影响可靠性。边缘AI方案采用了一种间接方法:

  • 数据采集:收集电机运行时的电流、电压、转速以及外壳温度等易测参数;
  • 模型训练:在实验室环境中,使用仪器化电机采集大量数据,训练神经网络建立输入参数与转子温度的映射关系;
  • 部署推理:将训练好的模型部署到Stellar MCU中,实时推断转子温度。

这种方案的优势显而易见:无需改造电机硬件,即可实现高精度的温度监控。实际测试表明,AI推断的温度与真实值误差不超过2°C,完全满足过热保护的需求。

HPE集团的Prometeo联合创新实验室正在将这一技术推向新高度。他们开发的下一代电动动力系统,集成了多个AI模型,分别负责预测性维护、能效优化和故障诊断。以下是该系统的主要功能模块:

模块名称实现功能硬件平台推理延迟要求
温度虚拟传感器实时推断转子与电池温度Stellar SR6xx<1ms
振动异常检测识别轴承磨损、不平衡等机械故障STM32H7<5ms
能效优化控制器动态调整电机工作点以最大化效率Stellar E系列<2ms
故障安全决策在检测到异常时触发安全关机或降级运行双核锁步架构<0.5ms

这些模块的代码开发均基于StellarStudio完成。开发过程中,工程师首先在Python环境中验证算法原型,然后使用StellarStudio的模型转换工具将模型量化并转换为C代码。最后,通过集成开发环境完成编译和调试。

提示:汽车电子系统对功能安全要求极高(ISO 26262 ASIL-D)。StellarStudio提供了符合功能安全要求的代码生成选项,包括冗余计算和自检机制,开发者应在项目初期就启用这些特性。

除了动力系统,边缘AI还在车载信息娱乐和高级驾驶辅助系统(ADAS)中发挥作用。例如,基于MEMS传感器的驾驶员状态监测系统,能够通过分析方向盘振动和车辆运动模式,判断驾驶员是否疲劳或分心。这些应用共同推动了汽车向智能化、网联化方向的演进。

4. 低功耗设计与性能优化策略

边缘AI设备往往由电池供电或需要满足严格的能效标准,因此功耗优化成为开发过程中的关键考量。StellarStudio提供了一系列工具和策略,帮助开发者在保持AI性能的同时,最大限度地降低系统功耗。

首先在硬件选择上,ST的STM32U5和STM32L5系列微控制器集成了多种低功耗技术,如动态电压调节(DVS)和超低功耗休眠模式。这些芯片在运行AI推理时的功耗可低至100μA/MHz,非常适合电池供电的便携设备。

软件层面的优化更为重要。StellarStudio的模型优化器支持多种剪枝和量化技术:

  • 权重剪枝:移除模型中不重要的连接,减少计算量和内存占用;
  • 量化感知训练:将FP32模型转换为INT8甚至INT4格式,大幅降低计算复杂度;
__EF550.zip 立即下载

相关推荐

【高速互连技术】合规性测试规范:物理层信号完整性与链路均衡验证系统设计

内容概要:本文档介绍了分析工具进行实践对照,并关注后续规范版本更新以确保符合最终发布标准。

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)内容概要:本文介绍了基于NSGA-II多目标优化算法对包含风能、光伏、火电、储能系统、需求响应及电转气(P2G)等多种能源形式的综合能源系统进行优化调度的研究,采用Matlab进行代码实现。研究综合考虑了系统运行成本、碳排放、能源利用率等多个优化目标,通过建立精确的数学模型,结合可再生能源出力不确定性、负荷波动以及需求响应机制,实现多能源协同调度的帕累托最优解集求解,旨在提升能源系统的经济性与环保性,并验证所提方法的有效性和实用性。; 适合人群:具备一定电力系统、优化算法及Matlab编程基础的研究生、科研人员以及从事能源系统规划与运行相关工作的工程技术人员。; 使用场景及目标:①应用于多能源互补的综合能源系统优化调度研究;②为实现低碳、高效、可靠的能源供应提供决策支持;③学习和掌握NSGA-II算法在复杂多目标优化问题中的实际应用方法。; 阅读建议:建议读者结合Matlab代码与文中模型描述逐步理解算法实现流程,重点关注目标函数构建、约束处理及Pareto解集的生成与分析,有条件者可进一步修改参数或扩展模型以深化理解。

万人睡眠健康与生活方式调查数据集

成年人群睡眠健康与生活方式研究数据集,合成模拟10000行20列单CSV文件,睡眠障碍标记人群占比约四分之一。设置双预测目标:睡眠障碍二分类字段与日间疲劳得分回归字段,可分别开展分类与回归建模。特征字段涵盖年龄、性别、十一种职业类别、每周工作时长、轮班工作标记、自我压力评分、身体质量指数BMI、吸烟状态、每周饮酒量、每日咖啡因摄入毫克数、睡前一小时屏幕使用时间、每周运动分钟数、日均步行数、静息心率、习惯就寝时间点、平均睡眠时长、睡眠质量自评等二十项。数据完整无缺失,结果列与特征列分离清晰,便于目标泄漏防范练习。适用场景:睡眠障碍预测建模、日间疲劳程度回归分析、咖啡因与睡前屏幕对睡眠时长的影响量化、不同职业群体睡眠质量对比研究、逻辑回归与梯度提升模型对比实战等。合成数据不含真实个人信息,适合健康数据分析教学、特征工程练习与机器学习课程实训项目使用。

16周全【Harness&Hermes】多智能体开发特训营

2026年的AI开发者圈子里,几乎没有人再怀疑多智能体的价值。Gartner预测年底40%的企业应用将内置智能体,LangChain、AutoGen、CrewAI等框架轮番登场,演示视频里的AI团队分工明确、配合流畅。然而,一个尴尬的现实是:大多数开发者手里跑通的多智能体项目,停留在Jupyter Notebook的最后一行。一旦试图把它塞进真实业务环境,问题便如潮水般涌来——长任务跑到一半崩了要重来,智能体之间的消息黑盒般不可追溯,换个场景就得推倒重写,上线之后连“刚才那次调用为什么花了三倍的钱”都查不出来。 这正是【Harness&Hermes】多智能体开发特训营试图回应的命题。它的切入点不在“再教你写一个Demo”,而在于一个更朴素却更稀缺的能力:让多智能体系统从演示玩具变成可交付、可运维、可演进的生产资产。 要理解这门课的价值,得先看清多智能体开发当前的断层在哪里。单Agent时代,提示词写得好、API调得通,基本就能交差。但多Agent协作的本质是编排:谁负责拆解需求,谁负责执行,谁负责校验,上下文如何在角色之间传递而不丢失,某个环节出错时整条链路如何回退。这些问题的难度不在模型能力,而在工程控制。市面上不缺讲LangGraph节点怎么连、RAG检索怎么做的教程,缺的是把“多个智能体在真实业务压力下稳定协作”这件事讲透的人。 Harness与Hermes的分工,恰好对应了工程控制的左右手。根据课程的设计逻辑,Harness管“流程”,Hermes管“记忆与进化”。Harness 负责长任务的流程治理:一个面试模拟流程跑了二十分钟,中途用户关掉页面,下次打开能不能接着上次的进度继续?某个Agent调用工具超时了,整条链路是崩溃还是优雅降级?线上出了问题,日志能不能精确到“第几轮对话、哪个Agent、调了什么工具、花了多少token”。这些听起来不性感,但任何一

FANUC-R2000iC165F-六轴机械臂码垛仿真

FANUC_R2000iC165F_六轴机械臂码垛仿真

frontend-design skills

frontend-design skills

产业园区运营负责人如何利用数据智能化提升科技资源配置效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?.docx

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?

一种具有实验验证的层级扰动抑制深度跟踪控制算法,适用于欠驱动型AUV(Simulink仿真、Matlab代码)

内容概要:本文详细介绍了一种专为欠驱动型自主水下航行器(AUV)设计的层级扰动抑制深度跟踪控制算法,该算法通过构建分层控制架构,有效应对海洋环境中复杂的外部扰动(如水流、波浪等)以及系统内部的非线性动态特性,显著提升了AUV在执行深度跟踪任务时的控制精度与系统鲁棒性。研究不仅涵盖了控制策略的理论设计与稳定性分析,还包括详细的Simulink仿真模型搭建、Matlab代码实现及参数设置,并通过对比实验验证了所提方法在抗干扰能力和跟踪性能方面相较于传统控制算法的优越性。资源包内含完整的可运行代码、仿真模型和详尽的文档说明,便于研究者复现结果并在此基础上进行二次开发与创新。; 适合人群:具备自动控制理论基础、海洋工程或机器人相关学科背景,且熟练掌握Matlab/Simulink仿真环境的科研人员、研究生及高年级本科生。; 使用场景及目标:① 深入学习和研究欠驱动AUV的先进运动控制技术,特别是深度跟踪控制策略;② 开展水下机器人抗外部扰动控制算法的设计、仿真与性能验证工作;③ 作为毕业设计、科研项目或学术论文的技术支撑与代码原型,加速研究进程。; 阅读建议:建议使用者结合提供的Matlab代码与Simulink模型,逐模块理解算法的实现逻辑与数据流,推荐从简单静态环境仿真入手,逐步过渡到复杂动态扰动工况,通过调整控制器参数与扰动强度,全面掌握算法的性能边界、鲁棒性特征及优化潜力。

国企央企如何实现技术成果的精准对接与快速落地?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)

内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开研究,深入探讨了卡尔曼滤波在动态系统状态估计中的核心作用。文章系统阐述了卡尔曼滤波的数学基础,包括状态空间模型的建立、先验与后验状态估计、协方差矩阵的递推更新,以及最优增益矩阵的推导过程,确保在高斯白噪声环境下实现对系统状态的最小均方误差估计。结合Matlab代码实现,完整展示了算法从理论建模到仿真实验的全流程,涵盖系统建模、噪声设置、滤波迭代、状态更新与误差分析等环节,并通过仿真实验验证了算法在噪声干扰下对系统真实状态的高精度跟踪能力。该研究为控制工程、导航系统、信号处理及自动化领域中的状态估计问题提供了坚实的理论依据与高效的数值实现方案。; 适合人群:具备一定控制理论、概率统计基础和Matlab编程能力,从事自动化、电子信息、航空航天、机器人、导航定位等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①掌握卡尔曼滤波的基本原理及其在状态估计中的数学推导过程;②学习如何利用Matlab实现卡尔曼滤波算法并进行系统仿真与性能评估;③应用于目标跟踪、传感器融合、惯性导航、故障诊断、时间序列预测等实际工程中的动态状态估计问题。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过调整系统模型参数、过程噪声与观测噪声强度,观察滤波效果的变化,深入理解卡尔曼增益的自适应调节机制与MMSE估计的收敛特性。同时可进一步拓展学习扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等非线性滤波方法,以应对更复杂的非线性系统状态估计挑战。

国央企如何构建高效的内部技术转移与创新协同机制?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

高校技术转移办公室人员如何提升成果转化服务效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

圆柱形永磁体的磁场建模研究(Matlab代码实现)

内容概要:本文围绕圆柱形永磁体的磁场建模展开系统性研究,基于毕奥-萨伐尔定律建立了有限尺寸圆柱形永磁体的物理模型,推导出其在空间任意点产生磁场强度的数学表达式,并采用数值积分方法结合Matlab编程实现磁场分布的精确计算与三维可视化。研究深入探讨了磁体的几何参数(如半径、高度)和磁化方向对磁场分布特性的影响,实现了磁场矢量的多维度仿真分析,为电机设计、磁传感器开发、磁悬浮系统等工程应用提供了坚实的理论依据与高效的仿真工具支持; 适合人群:具备电磁场与电磁波、大学物理等相关理论基础,并熟悉Matlab编程语言的高校理工科学生、科研人员及从事磁性器件设计与仿真的工程技术开发者; 使用场景及目标:①掌握基于经典电磁理论的磁场建模方法与数值求解流程;②学习并实践Matlab在科学计算与物理场仿真中的高级应用技巧;③为永磁材料相关装置的结构优化与性能评估提供可靠的仿真手段;④服务于高校课程教学、科研项目验证及工程原型开发; 阅读建议:建议读者在学习过程中紧密结合电磁学基本原理,逐步理解公式推导逻辑,动手运行并调试所提供的Matlab代码,通过调整磁体参数观察磁场变化趋势,从而深化对永磁体空间磁场分布规律的认识,并尝试将其拓展应用于实际工程项目中。

国央企创新负责人如何利用平台实现技术需求的精准挖掘与匹配?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文提出了一种自适应多机器人编队规划方法,旨在实现对具有运动能力和可见性约束目标的高效包围与持续跟踪,采用Matlab进行算法实现与仿真验证。该方法综合考虑了多机器人系统在动态环境中的协同控制、编队形态生成与保持、障碍物规避以及目标可见性维护等关键问题,通过设计分布式控制律使编队能够根据目标行为和环境变化自适应调整队形与运动轨迹,确保稳定包围并最大化目标观测质量。文中详细阐述了系统的数学建模过程、控制策略设计原理及约束处理机制,并提供了多场景下的仿真实验结果,验证了所提方法在复杂条件下的鲁棒性、灵活性与有效性。; 适合人群:具备自动化、机器人学、控制理论或人工智能等相关领域基础知识的科研人员及研究生,熟悉Matlab编程环境并致力于多智能体系统、协同控制、路径规划或智能无人系统研究的专业人士。; 使用场景及目标:①应用于多机器人系统在监视、围捕、搜救等任务中对移动目标的协同包围与跟踪控制;②为研究分布式编队控制、可见性优化、动态避障与多智能体协同决策等核心技术提供可复现的算法实例与理论支撑; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现细节,重点关注控制律设计、约束建模与仿真结果对比部分,宜在仿真环境中调整参数配置以深入理解系统性能边界与优化潜力。

高校技术转移办公室人员在进行技术成果推介时,如何高效生成具有说服力的推介材料.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

Moodle平台题库建设技术

Moodle平台题库建设技术简述1新的改变1功能快捷键1合理的创建标题,有助于目录的生成1如何改变文本的样式1插入链接与图片1如何插入一段漂亮的代码片1生成一个适合你的列表1创建一个表格1设定内容居中、居左、居右1SmartyPants1创建一个自定义列表1如何创建一个注脚注释也是必不可少的1KaTeX数学公式1新的甘特图功能,丰富你的文章1UML 图表1FLowchart流程图1导出与导入导出1...

lxf78的博客 4535
上一篇: 5天攻克CST Studio Suite天线设计实战:从基础建模到5G阵列优化
下一篇: STM32电机控制实战:从编码器到PWM的精准调速
pluto
博客等级 码龄25年 46粉丝 1562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