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
7.3k累计阅读
7.4k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
1.__nounwind
declaration is incompatible with "__nounwind __interwork __softfp unsigned int __iar_builtin_STREXB(unsigned char, unsigned char volatile *)解决方法：右击工程进入options->C/C++Compiler->Preprocessor删除
$PROJ_DIR$\..\Libraries\CMSIS\CM3\CoreSupport
2.打不开”core_cm3.h”
cannot open source file "core_cm3.h"
原因：没有选MCU型号
解决方法：右击工程进入options->General Options->Target选设备，选设备完后进入Library Configuration，勾选CMSIS内的Use CMSIS
房产平台系统小程序源码
🏠 一键解锁购房新体验 🔓房产小程序 实现前端 发布二手房 租房 商品 求租 求购等信息；后台发布 新房，二手房租房 商品 写字楼 求租求购等房源信息；功能完善的一块房产小程序。
IAR 高版本打开低版本项目可能出现的报错
问题1：出现Warning[25]:Label'Reset_Handler'isdefinedpubweak…… 解决： 7.1版本之前，section默认是noroot，但现在是root。所以可以将SECTION .text:CODE:REORDER(1)改成SECTION .text:CODE:REORDER:NOROOT(1)或SECTION .text:CODE:REORDE...
用户存续期价值评估CLV(二) BG/NBD Model python模拟
BG/NBD Model …继续 想象每一个客户有两个硬币，一个“Buy Coin"控制客户购买的概率；一个"Die Coin"控制客户流失、不再购买的概率。 前面假设了客户的交易次数服从泊松过程： 在一年中的每个月，客户都以抛硬币的方式来决定是否购买。我们所观察到的购买次数取决与泊松分布的参数 ????。 %matplotlib inline import numpy as np impor...
IAR版本不兼容问题解决办法
低版本无法打开我自己的工程
基于车牌识别的停车收费系统的设计与实现(源码+开题)
本系统（程序源码）带文档lw万字以上文末可获取一份本项目的java源码和数据库参考。系统程序文件列表开题报告内容研究背景： 随着城市化进程的加速和汽车保有量的增加，停车难成为了一个普遍存在的问题。传统的停车收费方式存在着效率低下、管理混乱等问题。因此，开发一款基于车牌识别的停车收费系统具有重要的现实意义。研究意义： 基于车牌识别的停车收费系统可以有效地解决传统停车收费方式在效率和准确性方面的问题，提高停车服务的效率和质量。
Geant4学习——入门(基本概念、Geant4工具包的结构、强制类、可选类)
Geant4是由欧洲核子研究组织基于C++面向对象技术开发的蒙特卡罗应用软件包，用于模拟粒子在物质中输运的物理过程。由于具有良好的通用性和扩展能力，Geant4在涉及微观粒子与物质相互作用的诸多领域获得了广泛应用。 第一部分 Geant4的基本概念 HEP中的模拟是“虚拟现实”。仿真既可用于在研发阶段帮助设计探测器，又可用于物理研究中了解探测器的响应。为了创建这样的虚拟现实，我们需要对粒子间的相互作用，几何形状和材料进行建模，以便将基本粒子传播到检测器中。我们还需要描述检测器生成原始数据的灵敏度。 Gea
关于IAR for ARM 8.32打开旧版本工程无法跳转问题(高版本兼容低版本问题)
嵌入式开发/学习过程中，难免需要借鉴别人的工程，但是开发环境的匹配始终是个问题，要么是高版本不兼容低版本，要么是低版本不兼容高版本。低版本不兼容高版本还好，升级到高版本就好了。高版本不兼容低版本就有点麻烦了，本帖主要就是针对高版本不兼容低版本问题做出一些解决办法。 最近在开发一个项目，是在原有的产品固件上进行添加功能。其中我自己用的是IAR for ARM 8.32版本，然后原有产品的固件用的是I...
AS7262六通道可见光传感器：从光谱原理到物联网色彩检测实战
光谱检测是嵌入式感知领域的关键技术，其核心原理是通过特定波长的滤光片分离光线并转换为电信号，从而实现对环境光或物体反射光的成分分析。这项技术的价值在于将复杂的光学分析简化为可编程读取的数字信号，极大降低了色彩检测在物联网和智能设备中的应用门槛。在智能农业、工业分拣、环境监测等场景中，精确的光谱数据能够驱动自动化决策，例如评估植物光照条件或识别物料颜色。本文以Adafruit AS7262传感器为例，深入解析其基于硅干涉滤光片的六通道设计，并通过Arduino与Python实战，演示如何快速构建从数据采集到可
IAR 高版本编译低版本程序问题解决
iar升级到7.80,不料编译时，却出现一系列问题： Error[Pe147]: declaration is incompatible with "__nounwind __interwork __softfp unsigned long __get_PSP(void)" (declared at line Embedded Workbench 7.5\arm\inc\c\intrinsic...
信捷XDH PLC多轴运动控制实战：Ethercat总线下的C语言封装技巧
本文深入探讨了在信捷XDH PLC平台上，如何利用C语言对EtherCAT总线多轴运动控制进行高效封装。通过设计全局数据池、模块化状态机及用户友好接口，将底层复杂的运动控制函数库抽象为清晰、可复用的高级模块，显著提升程序稳定性与可维护性，并分享了关键的实战避坑经验。
【Matlab 六自由度机器人】基于改进型D-H参数的运动学建模与蒙特卡洛工作空间分析
本文详细介绍了如何使用改进型D-H参数法为六自由度机器人建立运动学模型，并利用Matlab Robotics Toolbox实现正运动学计算与可视化。通过蒙特卡洛法对机器人工作空间进行分析，生成三维点云图以直观展示其可达范围，为机器人选型与任务规划提供关键依据。
高版本IAR打开低版本编译的程序出现的问题
山外KEA程序一打开就出现这个： The project file 'vcan_Kinetis.ewp' is in an old format. Would you like to convert it for use with this version? (The converted project will not work with older versions of EW, b
基于YOLOv5的人脸识别系统：从构建到应用的全流程指南
本文详细介绍了基于YOLOv5的人脸识别系统开发全流程。首先阐述了YOLOv5模型的高效性和准确性优势，随后分步骤讲解了深度学习环境配置、数据集准备（推荐WIDER FACE数据集）和模型训练方法。重点展示了如何将训练好的模型集成到Tkinter开发的GUI界面中，实现图片上传、人脸检测和结果可视化功能。文章提供完整的代码示例和飞书文档链接（密码：946m22&8），帮助开发者快速构建可交互的人脸识别系统，适用于安防、门禁等多种应用场景。通过该项目，读者可掌握YOLOv5的实际应用和界面集成技术。
IAR编译报错［a148]：intrinsic function “nounwind air builtin dsb“is not
报错原因是芯片类型没选或者选错。 我芯片是用GD32F30X的。去GD网站（gd32mcu.com)下载芯片包。然后右键工程名，在Option里更改芯片类型 。下载芯片包可参考该链接https://blog.csdn.net/zouxin_88/article/details/125450345
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")
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。
【IAR被高版本打开后，低版本无法打开解决方法之一】
当低版本IAR工程被高版本打开后，可能因文件格式变更导致报错。解决方法如下：
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。
关于Stm32Libs\CMSIS\CM3\CoreSupport\core_cm3.h: error: #20: identifier "IRQn_Type" is undefined的问题
一个关于keil5中编译出现Stm32Libs\CMSIS\CM3\CoreSupport\core_cm3.h(1628): error: #20: identifier “IRQn_Type” is undefined的问题 第一次在优快云上写东西，也是为了不让太多在c语言上的新手朋友遇到问题而浪费太多时间去查找同样编译失败的问题 我是在keil打开一个RikiRobot机器人的底层驱动系...
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
Fatal Error[Pe1696]: cannot open source file "core_cm3.h" C:\Users\Administrator\Desktop\STM32F103_I
IAR新建工程编译错误解决方案：General Options->Library Configuration:Library 选FULL，右下角选择Use CMSIS
IAR版本不兼容问题
IAR版本不兼容，版本过低，提示The project filewas created by a newer version of the product and can not be opened.
解决 declaration is incompatible with "__interwork __softfp unsigned long __get_PSP(void)" 报错
使用IAR 6.4（7.0）编译工程报错 Error[Pe147]: declaration is incompatible with "__interwork __softfp unsigned long __get_PSP(void)" 在网上找到一个解决方法 http://www.amobbs.com/thread-5172279-1-1.html 7楼 没有再出现
IAR代码错误总结(一)
一些简单的编程错误总结
IAR 低版本升高版本报错
iar for arm 7.1以前版本升级以后的版本兼容处理 1.新版本包含了core_cm3.c core_cm3.h,所以去掉路径中的core_cm3.文件，移除工程中core_cm3.c文件，然后在option中做如下设置 2.修改启动文件，也就是那个.s的汇编文件 在将所有的SECTION .text:CODE:REORDER(1)改为 SECTION .text:CO...
关于在keil编译遇到的../../Libraries/CMSIS/Include\core_cm4.h(1462): error: unknown type name ‘inline‘问题
然后把路径里的CMSIS/Include全部直接替换成最新的。直接下载最新的CMSIS。
IAR错误：无法打开文件Unable to open file 'devices/...'
如图IAR编译出现错误。 这是因为和设备关联的外部命令链接器的文件.xcl（eXternal Command Linker）没有选择正确。 XLINK链接器可以把IAR汇编器或编译器所产生的可重定向UBROF目标文件转换成对应设备的机器码。XLINK一般通过外部链接器命令文件（*.xcl）来配置，当然也可以在命令行中直接在XLINK命令之后输入链接选项，或者也可以在XLINK_ENVPAR环境变...
头文件循环引用导致“unknown type name”的问题详解
经过检查，未知的变量类型所在的头文件已经被包含在本头文件中了，而且也添加进了头文件目录，通过Ctrl键也能跳转，表面看上去没有任何问题，甚至怀疑是编译器出问题了。这条语句的时候，会寻找名为b.h的头文件并进行编译，而这个时候，c.h中剩下的内容并没有参与编译。而在a.h中，由于包含了c.h头文件，编译器也会去寻找该头文件，然而 #这条语句提示编译器c.h已经参与编译了，因此会跳出c.h的编译，回到a.h中，当继续编译到。语句会判断当前没有编译c.h文件，而对c.h进行编译，当执行到 #
IAR 编译出现类似cannot open source file “xxx.h“以及no definition for “xxx“（link阶段）错误问题解决方法
在IAR中编译工程时会经常碰到一些问题，现就如标题所示的问题做下总结。 1. cannot oen source file "xxx.h" IAR工程options->C/C++ Compiler->Preprocessor中包含一下该头文件的路径即可 2. 链接阶段出现no definition for "xxx" 可参考https://blog.csdn.net/yueniaoshi/article/details/7844653和https://www....
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
796
扫一扫
