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
300+累计阅读
331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
在嵌入式系统和单片机开发中，处理异常和故障排查是非常重要的。当系统遇到错误或异常情况时，我们需要一种方法来记录相关信息以便进行后续分析和调试。其中一个常用的工具是dump_stack函数，它能够打印当前函数调用栈的信息，帮助我们追踪代码执行的路径。
dump_stack函数通常用于操作系统内核的开发，但也可以在单片机的应用程序中使用。它的实现方式可能因不同的单片机平台而异，下面是一个简化的示例实现，用于说明其工作原理：
#include <stdio.h>
// 定义栈的最大深度
#define MAX_STACK_DEPTH 10
// 定义C语言异常处理实战：基于setjmp/longjmp实现健壮的Try/Catch框架
在软件工程中，错误处理是保障程序健壮性的核心机制。传统C语言依赖返回值与条件判断，导致业务逻辑与错误处理高度耦合，代码可读性与可维护性降低。通过理解程序执行上下文与栈帧原理，可以利用setjmp/longjmp实现非局部跳转，模拟现代语言的异常处理机制。这种技术方案的核心价值在于分离正常流程与错误路径，提升代码模块化与可靠性。在嵌入式系统、服务器后台等对稳定性要求高的应用场景中，构建一套轻量级异常处理框架能有效管理复杂错误状态。本文以C语言中Try/Catch的实现为例，深入探讨如何通过异常上下文栈与资源管
CmBacktrace实战指南：从错误追踪到高效调试
本文详细介绍了CmBacktrace在ARM Cortex-M开发中的实战应用，从环境搭建到错误诊断，再到性能优化与避坑指南。CmBacktrace作为ARM开发者的错误追踪利器，能高效捕获断言错误和内存访问异常，还原完整函数调用链，大幅提升调试效率。特别适合新手、中级开发者和资深工程师使用。
嵌入式内存管理全解析：从ROM、RAM到DDR，实战避坑与性能优化
内存管理是嵌入式系统开发的基石，深刻理解其概念与原理是构建稳定高效系统的关键。从基础层面看，内存主要分为ROM（如Flash、EEPROM）和RAM（如SRAM、DRAM），前者用于存储非易失性代码与数据，后者作为程序运行的临时工作区。其核心原理在于通过链接脚本进行内存映射，将代码段、数据段、堆栈等合理分配到物理地址空间。在资源受限的嵌入式环境中，有效的内存管理技术价值巨大，它直接决定了系统的稳定性、实时性与功耗。应用场景广泛，从单片机的串口缓冲区栈溢出，到运行Linux的SoC中DDR训练失败导致的系统不
Windsurf实战指南：AI工程化中的本地化可观测性探针
在深度学习工业化（DLAI）落地过程中，模型调试不再依赖日志打印或事后分析，而是需要毫秒级、跨栈层、可编程的运行时可观测能力。Windsurf作为一种轻量级本地化AI工作流探针系统，通过深度Hook PyTorch与CUDA运行时，在不侵入业务代码的前提下，自动捕获张量状态、GPU内核耗时、内存分配及OS级指标，实现‘执行即记录’的结构化证据链。其核心价值在于填补了传统logging与tensorboard之间的可观测性断层，并天然适配VS Code等主流IDE，支撑时间旅行调试、跨层级根因定位等高阶工程实
“分析单片机中的dump_stack实现方法“
以上代码中，我们用stack_top和stack_bottom定义了栈的起始和结束地址，便于打印栈信息。在print_stack函数中，我们首先检查栈指针是否越界，并获取当前函数的地址。在函数调用时，当前函数的局部变量和参数都会被保存在栈中，函数返回时这些数据也会被清空。由于栈是后进先出（LIFO）的数据结构，所以每个函数的局部变量和参数的保存顺序是相反的，即后调用的函数的数据会先出栈。以上代码中，dump_stack函数的作用是将当前栈的状态保存起来，并调用print_stack函数打印栈信息。
如何使用dump_stack分析函数调用关系——单片机版
从输出结果可以看出，my_init函数调用了function_1函数，function_1函数又调用了function_2函数，最终导致了dump_stack函数的执行。在单片机的Linux内核中，dump_stack函数可以输出当前的函数调用栈信息。在上述代码中，my_init函数会调用function_1函数，而function_1函数会调用function_2函数，最终输出函数调用栈信息。通过使用dump_stack函数，我们能够清晰地了解程序运行时的函数调用关系，方便问题的定位和排查。
安卓驱动与嵌入式系统软件开发深度解析
本文系统探讨了安卓驱动与嵌入式系统开发的核心技术，涵盖RTOS（如FreeRTOS）任务调度、底层驱动开发（LCD/触摸屏/传感器等）、Linux内核驱动及安卓HAL层适配。详细解析了C++在嵌入式开发中的应用、电源与性能优化策略（DVFS、启动优化），以及软硬件联调方法。文章提供完整的开发流程指导，包括字符设备驱动实现、I2C协议开发等具体代码示例，并附有深度技术面试题库（含内核调试、死锁处理等实战问题）。
从玩具车到手机充电：手把手带你用Multisim仿真Buck/Boost电路（附工程文件）
本文通过Multisim仿真软件，手把手教你搭建Buck降压电路和Boost升压电路，实现从12V到5V或3.7V到5V的电压转换。文章详细介绍了电路搭建步骤、关键波形观测技巧及常见故障排查方法，并附赠工程文件，帮助电子爱好者快速掌握电源转换技术。
Win11 WSL2 Ubuntu 18.04 ROS Gazebo 图形渲染性能调优：从LLVM到NVIDIA GPU的完整指南
本文详细解决了在Win11 WSL2 Ubuntu 18.04环境中运行ROS Gazebo时图形渲染卡顿的问题。通过诊断默认LLVM软件渲染的瓶颈，指导用户更新Mesa驱动PPA源，并关键性地设置环境变量以强制启用NVIDIA GPU硬件加速，最终显著提升仿真性能与流畅度。
YOLOv8改进：注意力系列篇 |高效的通道先验卷积注意力（CPCA） | 中科院 2023.6
高效的通道先验卷积注意力（CPCA）方法，支持注意力权重在通道和空间维度上的动态分布；
课题申报书成功率提升85%！借助大模型AI精准选题、搭综述框架及提炼创新点（附实操AI提示词）
写一份高质量的课题申报书往往面临许多困难，对很多同仁来说，难就难在：选题既要新又要能落地，文献综述要结构清晰还得有观点，研究目标要写得有逻辑还不能夸大，创新点必须得新。而且就算你有思路，也卡在怎么组织语言，怎么压缩字数上。现在我们用ChatGPT等AI工具，可以帮我们从“选题策划 → 综述撰写 → 目标拆解 → 创新提炼 → 团队结构”实现申报工作的全流程，我们要做的就是设计好提示词和收集相关资料。这篇文章将会从申报工作的六个核心模块出发，并给出参考AI提示词，帮你快速提升课题申报效率。
海康DS-7604N-K1/RTB固件包
【摘要】海康DS-7604N-K1/RTB萤石云设备发布V4.30.091版本升级程序（2022.09.19），仅适用于指定型号。升级前需先升级至V3.4.106基础版本，刷机会重置设备为未激活状态，需重新设置admin密码。该机型支持密码/手势登录，无密码时可通过U盘升级。注意事项：升级存在风险，需确认程序适用性；升级过程严禁断电；必须阅读压缩包内的刷机说明。此为定制机型，非必要不建议升级。（150字）
MATLAB - 利用非线性模型预测控制（Nonlinear MPC）来控制四旋翼飞行器
本示例展示了如何利用非线性模型预测控制（MPC）为四旋翼飞行器设计一个跟踪轨迹的控制器。
手把手教你学simulink实例--基于Simulink的电动汽车动力总成控制策略验证与标定仿真平台
电动汽车的动力总成（Powertrain）是车辆的核心系统，包括动力电池、电机控制器、逆变器和驱动电机等关键部件。动力总成的控制策略直接影响车辆的动力性能、能耗效率和驾驶体验。为了验证和优化这些控制策略，基于MATLAB/Simulink的仿真平台成为一种高效且经济的解决方案。本项目旨在构建一个完整的基于Simulink的电动汽车动力总成控制策略验证与标定仿真平台，涵盖控制策略建模、性能评估以及参数标定等功能模块，并通过仿真验证系统的有效性。
基于深度学习的垃圾邮件识别
垃圾邮件的大量存在严重威胁着电子邮件系统的安全和效率。基于深度学习的垃圾邮件识别技术已经成为目前最有效的解决方案之一。本文将详细介绍使用深度学习技术进行垃圾邮件识别的方法，并提供相应的代码实现。 随着电子邮件的广泛应用，垃圾邮件的数量不断增加，传统的规则和统计方法已经无法满足对垃圾邮件进行准确识别的需求。深度学习技术以其强大的模式识别能力和自动特征提取能力成为解决垃圾邮件识别难题的有效工具。
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")
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。
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。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
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
291
扫一扫
