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
1.4k累计阅读
1.4k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
在嵌入式系统开发中，存储器是至关重要的组成部分。W25Q32JV是一款常见的SPI Flash存储器，适用于许多嵌入式应用。本文将详细介绍如何在STM32单片机上使用W25Q32JV SPI Flash存储器，并提供相应的源代码示例。
#include "stm32f4xx.h"
vSTM32CUBUMX配置FLASH(W25Q128)--保姆级教程
W25Q128是华邦公司推出的一款SPI接口的NOR Flash芯片，其存储空间为128Mbit，相当于16M字节。W25Q128V芯片是串行闪存，可以通过标准/两线/四线SPI控制。W25Q128JV阵列被组织成65536个可编程页面，每个页面256字节。一次最多可编程256个字节。页面可以按16组（4KB扇区擦除）、128组（32KB块擦除）、256组（64KB块擦除或整个芯片（芯片擦除）擦除。W25Q128JV分别具有4096个可擦除扇区和256个可擦除块。
STM32物联网项目-SPI FLASH编程
W25Q64JV的芯片手册是英文的，用软件翻译了一下，有些地方翻译得不准确，大概了解一下即可，例如芯片的工作电压在2.7V到3.6V的电源上，电流消耗地至断电1uA，每个页面256字节，一次最多可编程256字节，通信接口有SPI。
别再死记硬背SPI时序了！用W25Q256JV Flash和STM32CubeMX，5分钟搞定SPI通信配置
本文详细介绍了如何使用STM32CubeMX快速配置SPI通信与W25Q256JV Flash存储芯片，解析了SPI协议的核心要点，包括时钟极性、相位和传输模式选择，并提供了实战演示和调试技巧，帮助开发者5分钟内完成SPI通信配置。
STM32开发实战：W25Q32JV SPI Flash详解
W25Q32JV SPI Flash是一种常用的Flash存储器，本篇文章将详细介绍如何在STM32上使用W25Q32JV SPI Flash。其中，W25Q32JV_CS_LOW和W25Q32JV_CS_HIGH函数用于拉低或拉高W25Q32JV SPI Flash的CS引脚，SPI_TransmitReceiveByte函数是一个封装好的SPI数据传输函数。对于W25Q32JV SPI Flash的读、写、擦除等操作，我们可以编写一些封装好的驱动代码。
STM32开发 -- W25Q32JV SPI FlASH详解
flash这部分也是很重的一部分了，尤其是地址选择，OTA升级等操作。 一、 未完待续
STM32CubeMX | 30-使用硬件SPI读写FLASH（W25Q64）
本篇详细的记录了如何使用STM32CubeMX配置 STM32G070RBT6 的硬件SPI外设与 SPI Flash 通信（W25Q64）。 1. 准备工作 硬件准备 开发板 首先需要准备一个开发板，这里我准备的是STM32G070RB的开发板 SPI Flash 开发板板载一片SPI Flash，型号为 W25Q64JV，大小为 8 MB。 软件准备 需要安装好Keil - MDK及芯片对应的包，以便编译和下载生成的代码； 准备一个串口调试助手，这里我使用的是Serial Port Ut
SPI Flash W25Q32JV 中英文数据手册详解 - 引脚、指令与下载
摘要：W25Q32JV是华邦电子推出的32M-bit SPI Flash存储器，具有小体积、低功耗（2.7V-3.6V）和高可靠性特点，支持标准/双线/四线SPI接口（最高133MHz）。其4MB存储空间分为64个64KB块（每块16个4KB扇区），支持10万次擦写和20年数据保存。关键操作包括写使能（0x06）、页编程（0x02）和扇区擦除（0x20），使用前需先擦除目标区域。本文详细解析了引脚定义、存储结构和操作流程，并提供中英文数据手册下载参考（注：翻译版仅供学习，技术细节以原版手册为准）。
altium room 布局_ALtium 16相同重复模块PCB布局，复制布局走线
自己做了实际工程以后发现PCB器件名字后缀太长了，所以文章最后写了一下后缀的调整方法。第一种方法：1、建立子原理图如下，文件名CANM 2、之后新建一个顶层文件，文件名TOP，之后design—create sheet symbol form sheet or hdl。选择CANM，并放置到TOP中，如下 3、由于我们要多次调用CANM所以使用repeat命令修改如下： 4、之后根据自己的定义，连...
Word多级标题出现黑块的解决思路（word 数字必须介于1-1638之间）
遇到多级目录出现黑块问题，看到一篇博客完美解决，在此记录。
麦当劳app之sign逆向分析
摘要：本文分析了麦当劳APP请求参数sign的逆向过程。通过抓包发现32位sign参数疑似MD5加密，使用frida-trace工具跟踪CC_MD5函数验证其为标准MD5算法。加密参数包含时间戳、token、版本号等固定和动态字段，拼接后经MD5加密生成sign。文章提供了JS和Python两种实现方案，包含完整的请求头参数和加密逻辑，最终成功获取API响应数据。该研究仅用于逆向技术学习，展示了移动应用常见加密参数的逆向分析方法。
rk3568 rk628桥片 rgb2hdmi
RK628 是瑞芯微全新推出的视频桥接芯片，支持丰富的显示接口，支持高分辨率大屏产品转换需求。基于DRM、FB的显示框架易于使用。 输入信号支持：HDMI、RGB、BT.1120，输出信号支持 HDMI、GVI、Dual LVDS、Dual MIPI、MIPI-CSI、RGB、BT.1120，最高支持4K 60fps 输入/输出转换，并且支持输入到输出 1/4~4倍的缩放。
qt实现OCC读取STEP模型并显示（附完整源码）
qt实现OCC读取STEP模型并显示（附完整源码）
智能手表PCB布局：PPG与IMU传感器噪声隔离与应力解耦设计
在可穿戴设备硬件开发中，PCB布局已超越传统布线范畴，成为决定信号完整性、电磁兼容性与机械可靠性的核心环节。心率传感器（PPG）依赖微伏级光电容积脉搏波信号，极易受数字开关噪声与电源纹波干扰；姿态传感器（IMU）则对PCB弯曲形变引发的机械应力高度敏感。其布局需融合电磁场建模、热-力-电多物理协同及高密度互连约束。关键技术价值体现在噪声路径切断、地弹抑制、应力方向解耦与电源域隔离等工程实践。典型应用场景涵盖智能手表、医疗级贴片设备及微型运动传感终端。本文聚焦PPG与IMU两大模组在STM32L4平台上的实操
C# USB通信实现
在C#中，我们可以利用.NET框架提供的类库和API来实现与USB设备的通信。本文将介绍如何使用C#进行USB通信，并提供相应的代码示例。以上就是使用C#进行USB通信的基本过程。通过以上代码示例，你可以实现与USB设备的简单通信，具体的实现方式和细节根据你的实际需求进行调整和扩展。命名空间，该命名空间包含了与串口通信相关的类和方法。选择需要通信的USB设备，然后使用。步骤二：获取可用的USB设备列表。首先，在你的C#项目中引入。步骤三：打开USB端口。步骤六：关闭USB端口。步骤一：引入命名空间。
1.07---共识机制详解（PoW、PoS、DPoS 对比）
【摘要】区块链能成为“无需信任的协作网络”，靠的正是它的“共识机制”。本节将深入剖析 PoW、PoS、DPoS 等核心共识模型，并结合以太坊从 PoW 到 PoS 的转型与 Solana 等新型方案，为你拆解这一决定区块链运行方式、性能、安全性的“发动机系统”。什么是共识机制？为何不是多数投票这么简单？三大主流共识算法（PoW、PoS、DPoS）机制对比与演化路线以太坊从 PoW 到 PoS 的转型细节（The Merge）Solana 的 PoH + PoS 混合共识机制解析。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
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")
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
7273
扫一扫
