

相关推荐
从零构建:手把手教你为逻辑分析仪编写自定义协议解码器
本文详细介绍了如何从零开始为逻辑分析仪编写自定义协议解码器,特别针对私有协议如传感器自定义串行协议等场景。通过libsigrokdecode框架,开发者可以轻松扩展对新协议的支持,将原始信号转化为语义化信息。文章涵盖开发环境搭建、解码器框架设计、协议状态机实现以及高级功能开发,帮助嵌入式开发者提升调试效率。
如何使用逻辑分析仪,解析通信数据
逻辑分析仪定位解决嵌入式通信中的问题PulseView
[原创]用逻辑嗅探破解接触式IC卡口令
最近两周对接触型IC卡很感兴趣,就动手实践了一下,最终实现的效果是通过破解IC卡口令实现对数据修改,然后就可以随意洗衣服喽~IC卡从数据传递方式上划分为接触型和非接触型两种。接触型的卡片表面有金属贴片,用于连接卡内芯片和外界器具(洗衣机,电表,打水器)。而非接触性的卡片则是通过射频信号与器具进行信息传递。IC卡本身是无源的,需要依靠外部器具提供的能量驱动内部电路。时下更流行是非接触型的IC卡或称射...
普源示波器-DS4024E数字示波器技术参数
DS4024E数字示波器是带宽100MHz~200MHz,采样率高达2GSa/s,4个通道存储深度均高达14Mpts的高性能经济型通用数字示波器。它是针对广泛的主流数字示波器市场的设计、调试和测试的需求而设计,其超高的性价比给经济型示波器市场注入新的活力,为低成本测试测量方案提供了更多选择。
从波形到字节:逻辑分析仪解码UART通信协议
本文详细介绍了如何使用逻辑分析仪解码UART通信协议,从基础概念到实战技巧全面解析。通过波形分析、波特率测量和数据位读取等方法,帮助工程师快速诊断串口通信问题,提升调试效率。重点讲解了起始位识别、数据位读取及常见问题排查技巧,适用于嵌入式开发和硬件调试场景。
电脑连接示波器读取数据
示波器型号:北京普源的RIGOL MSO4034 首先连接示波器: 连接线与示波器相连的端口如上图USB DEVICE所示,是一个比较奇怪的方形接口。连接线的另一端是标准的USB typeA接口,可以直接插在电脑上,当示波器和电脑连接时,电脑会提示安装驱动。 该型号示波器端口是业界通用的标准驱动VISA设计,可以使用SCPI命令控制。 首先下载NI的Ultra Sigma软件,安装,启动。下载链接:https://pan.baidu.com/s/1K8u5ZoB2D31aix76tGqZcg 提取码:ng
uart波形分析-解码
注解:关于解码中msb-first和lsb--first的说明。1,逻辑分析仪,uart部分波形。2,逻辑分析仪解码格式。
基于LabVIEW控制仪器检测与监控 --普源示波器DS1102Z-E
LabVIEW 控制普源示波器 代码实现与解释
普源示波器CAN解码
普源示波器CAN解码的关键在于理解CAN总线上不同协议的数据格式,如标准CAN、扩展CAN等。通过解析CAN总线上的数据帧,普源示波器可以将其转化为可读的文本信息,使得诊断人员能够更加直观地理解和分析汽车电子系统的工作状态。通过实时解码CAN总线上的数据,普源示波器帮助诊断人员更好地理解和分析汽车电子系统的工作状态,提升了故障排查的效率和准确性。3.可视化:普源示波器CAN解码将CAN总线上的数据转化为可视化的文本信息,诊断人员可以直观地观察到信号的变化和波形图。一、普源示波器CAN解码的原理。
Saleae逻辑分析仪自定义解码VS2017工程
Saleae逻辑分析仪是我们常用的硬件调试工具,可是有时候官方的软件里面没有我们需要的解码协议,比如红外线遥控的解码,这时候我们可以通过自己编写自定义解码插件来解决.压缩包里面有两种解码红外遥控的插件,并且含有VS2017的源码.需要的朋友们可以经过修改变成自己需要的协议.
DSView FCP/SCP/AFC解码器
FCP/SCP/AFC及其他相同底层的快充协议的解码器,用于DSView/DSLogic。Python编写。
普源示波器总线解码功能设置指南
通过以上步骤,用户可以快速设置解码功能,并查看解码结果,提高工作效率。需要注意的是,不同型号的示波器可能在操作步骤上存在差异,请参考具体型号的用户手册进行操作。设置好解码参数后,就可以进行触发和解码操作了。触发后,示波器会自动对信号进行解码,并将解码结果显示在屏幕上。本文将以常见的操作步骤为例,简述如何设置示波器上的总线解码功能。这些参数可以通过示波器界面上的设置菜单进行调整,具体操作步骤请参考示波器的用户手册。串行总线:数据位数,停止位数,校验方式,时钟频率等。并行总线:数据位宽,地址位数,控制信号等。
VSCode配置C/C++开发环境:从零安装MinGW-w64并运行第一个C程序
在Windows系统上搭建C语言开发环境时,很多初学者混淆编辑器、编译器与调试器的分工,导致配置过程屡屡受挫。理解VSCode作为轻量级编辑器的定位,以及MinGW-w64提供的gcc编译器在源码编译中的核心作用,是顺利完成环境配置的关键。环境变量的正确设置直接影响gcc命令能否全局调用,而C/C++插件则赋予编辑器语法高亮与智能提示能力。通过安装VSCode、配置MinGW-w64、安装插件、汉化界面并运行一个最简单的hello.c程序,就能系统掌握这套开源工具链的完整工作流。无论是用于课程学习、算法练习
嵌入式开发实战:示波器核心原理与调试场景全解析
示波器作为电子工程师的基础测量仪器,其核心原理在于将电信号随时间的变化以波形形式可视化。理解带宽、采样率、存储深度等关键参数,是准确捕捉信号特征的前提。在嵌入式系统开发中,示波器的技术价值尤为突出,它能帮助工程师验证硬件设计、调试通信协议、诊断电源问题,并分析信号完整性。无论是排查系统启动失败、调试I2C/SPI/UART时序,还是捕捉偶发干扰与电压尖峰,示波器都是连接代码与物理世界的桥梁。本文从嵌入式开发者的实战视角,结合**电源毛刺**和**信号完整性**等常见问题,深入讲解如何将示波器从复杂仪器变为高
从零开始使用CubeMX配置STM32使用lwip实现httpd服务器以及使用vscode编辑阅读keil代码(三)
使用stm32搭载lwip实现HTTPd服务器
USB2.0协议解读
就写到这吧,其他协议层等属于软件需要了解的东西了。简单看了下,本文总结的有点乱,有两个原因吧,其一是理解的不够透彻,无法用简单明了的语言总结;其二是感觉这个协议文档章节划分的也不是很好,有点大杂烩。
什么是逻辑分析仪?逻辑分析仪的参数、使用步骤和优势
由于电路的发展是从模拟发展到数字这样的过程,因此测量工具的发展也遵循了这个顺序。现在提到测量,首先我们想到的是示波器,尤其是一些老工程师,他们对示波器的认知度非常高。而逻辑分析仪是一种新型测量工具 ...
实战全解|大疆司空2二次开发:从接口开发到第三方业务系统深度融合
大疆司空2二次开发是实现行业无人机定制化应用的关键,通过OpenAPI后端对接+前端组件集成的组合方式,可快速完成功能定制,而与第三方业务系统的深度融合,能彻底打通“业务下发-设备执行-数据回传-流程闭环”的全链路,让无人机管控真正融入行业业务流程。开发过程中,建议优先采用私有版部署保障数据安全,通过中间适配层降低系统耦合度,结合实际业务场景打磨功能,避免过度开发。随着大疆开发者生态的完善,司空2的二次开发能力将持续升级,为更多行业无人机应用提供技术支撑。
使用PulseView逻辑分析仪软件 解码CAN总线数据
使用PulseView逻辑分析仪软件 解码CAN总线数据
VN5620以太网测试——环境搭建篇
CANoe(CAN open environment)VN5620 :是一个紧凑而强大的接口,用于以太网网络的分析、仿真、测试和验证。VN5620 接口支持各种可能的应用。它适用于与其他总线系统、网络参与(例如在模拟和生成帧、测试中的负载和错误)的同步以太网监控。在2021年Vector公司的以太网接口卡VN5610和VN5640设备已经陆续停产,相应被VN5620和VN5650代替。
深度强化Q学习-基于微软AirSim仿真环境的自动驾驶案例(原理代码详解简易可行)
最近在学习《强化学习原理与Python实现》,肖智清著。参考第十二章的自动驾驶案例,写一篇总结,尽量做到简单可行,让有志于自动驾驶的小伙伴可以通过此篇博客可以管中窥豹,初步了解自动驾驶的强化学习训练过程。 本篇将自动驾驶问题转化为回合制的强化学习任务,设计以车辆观察图像和运行状态为输入的自动驾驶算法,并在AirSim仿真环境中进行训练和测试。本篇使用带经验回放和目标网络的基于深度Q网络算法设计并实现智能体,对经验回放、目标网络和深度Q学习算法进行简单介绍,并用代码实现。
逻辑分析仪DSLogic配合DSView解码CAN
**逻辑分析仪DSLogic接法:**通道地接CAN地,通道正接CANL 对于CAN通讯 显性电平,总线电压差2V,用逻辑"0"表示, 隐性电平,总线电压差0V,用逻辑"1"表示 DSView的解码是依据逻辑上的高低电平,CANL对地的高低变化与逻辑"相符" DSview设置: 1.阈值电压设为2V,因为CANL对地在1.5V到2.5V之间 2.采样时间至少要大于发送周期,采样频率设为默认的1MHz即可 3.点开始进行波形捕获 4.设置两个光标,需要包含解码的数据帧区间 第一个光标要在数据帧第一个边沿前面
自助结账商品检测(Scanned Item Detection)——基于YOLOv8的RPC数据集实战
RPC数据集是由中国科学院自动化研究所发布的零售商品结账检测公开数据集,广泛用于自助结账和零售场景下的目标检测与识别。YOLOv8是YOLO系列最新版本,由Ultralytics推出,继承了YOLO家族的高效快速和高准确性,适用于实时检测场景。本文系统介绍了基于YOLOv8的RPC数据集自助结账商品检测方案,涵盖数据准备、训练、推理及UI界面设计。未来,可结合多模态感知、RFID融合技术,打造更加智能和稳定的自助结账系统。
使用逻辑分析进行UART通信协议分析
使用逻辑分析进行UART通信协议分析本实验过程使用下列软硬件工具实现: 硬件设备:逻辑分析仪 软件:Saleae Logic1.2.14,NuMicro ISP ProgrammingTool 效果目标 通过逻辑分析仪抓取uart通信过程中的信号,对其协议进行逆向分析 可用于红外遥控器的解码 串口通信协议的分析 试验结果 对此段结果进行分析后,即为该通信过程所用的协议 设置项协议展
Open3D 计算点云法向量的夹角【2026最新版】
计算法向量的夹角,博客长期更新,本文最新更新时间为:2026年3月7日。
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")
利用逻辑分析仪解析串口通讯数据
利用逻辑分析仪解析串口通讯数据
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
361



被折叠的 条评论
为什么被折叠?



