【51进阶】Keil C51高效访问RAM与ROM的指针与绝对地址实战解析

51单片机ROM和RAM 讲解51单片机的RAM和ROM 阅读详情

1. 为什么需要高效访问RAM与ROM?从51单片机的存储结构说起

很多刚开始玩51单片机的朋友,可能都写过类似 unsigned char temp = 0x55; 这样的代码,然后让单片机去处理。但当你真正想深入控制硬件,比如直接操作某个特定的内存地址(可能是为了读写一个外设的寄存器,或者访问一段预存在ROM里的固定数据表),你就会发现,光靠普通的变量声明有点“使不上劲”。这时候,你就需要掌握更“硬核”的武器:指针和绝对地址访问。

我刚开始学51那会儿,也总觉得指针和直接操作地址是C语言里比较“玄”的部分,容易出错。但后来在项目里被逼着用了几次,才发现这其实是把单片机玩“活”的关键。尤其是在资源紧张的51平台上,RAM就那么256字节(标准51),ROM也就64KB,怎么把每一分资源都用到刀刃上,怎么让代码跑得更快,都离不开对内存空间的精准操控。

要理解这两种方法,咱们得先看看51单片机肚子里到底是怎么“装东西”的。你可以把它想象成一个结构非常清晰的小仓库:

  • 片内RAM (Internal RAM):这是离CPU最近、速度最快的工作区,总共256字节。但它又分成了两块:

    • 低128字节 (0x00 ~ 0x7F):这部分空间最“金贵”,支持直接寻址。什么意思呢?就是CPU能用最短的指令、最快的速度找到并操作这里的任何一个字节。我们常说的 data 区,指的就是这块地儿。
    • 高128字节 (0x80 ~ 0xFF):这部分和特殊功能寄存器(SFR)地址是重叠的,访问它们必须用间接寻址,也就是通过寄存器(比如R0, R1)当“门牌号”去找。这整个256字节(包括低128和高128)统称为 idata 区。虽然高128字节访问比低128慢一点,但毕竟还在片内,速度依然远超片外。
  • 片外RAM (External RAM):如果256字节的片内RAM不够用(这在稍微复杂点的程序里很常见),就需要在单片机外部扩展RAM,最多可以扩到64KB(地址 0x0000 ~ 0xFFFF)。这部分空间被称为 xdata。访问它需要用16位的DPTR寄存器,速度比访问片内RAM慢。

  • 程序存储器ROM (Code Memory):也就是放我们程序代码的地方,同样最多64KB(0x0000 ~ 0xFFFF)。这部分空间用 code 关键字标识。ROM是只读的,程序运行时可以从里面读取常量、查找表,但不能写入。

  • 特殊区域:

    • pdata:这是片外RAM的低256字节(0x00 ~ 0xFF)。访问它可以用R0或R1寄存器,比用DPTR访问整个 xdata 效率稍高一些,但实际项目中用得相对较少。
    • bdata:这是片内RAM中一块16字节(0x20 ~ 0x2F)的可位寻址区。这里的每一个位(bit)都可以单独操作,对于需要频繁进行位操作的标志位管理特别方便。
    • far / const far:这是Keil C51为了支持一些增强型的51内核(比如NXP的51MX系列)而扩展的关键字,用于访问超过64KB的扩展存储空间(可达8MB)。对于玩标准51的朋友,可以先有个印象。

简单来说,data 最快最省代码,idata 次之但能访问全部片内RAM,xdata 容量大但速度慢,code 是只读的程序区。理解了这个“仓库地图”,我们再用指针和绝对地址去“取放货物”,就心里有底了。

2. 指针访问:像导游一样灵活寻址

指针,本质上就是一个变量,只不过这个变量里存放的不是普通的数据,而是另一个变量的内存地址。在C51里,指针就像是一个知道具体门牌号的“导游”,你告诉它要去哪个存储区(data, idata, xdata, code),它就能带你准确找到数据。

2.1 通用指针与存储区特定指针

Keil C51里的指针有两种形态,理解它们的区别至关重要,这直接关系到代码的效率和大小。

通用指针 (Generic Pointers): 这种指针和标准C里的指针很像,定义时不用指定存储区。例如:

unsigned char *gp; // gp 是一个指向无符号字符的通用指针

通用指针在内存中占3个字节。第一个字节用来存储存储类型编码(告诉CPU这个地址指向的是data、xdata还是code区),后面两个字节才是16位的实际地址。因为它的“通用性”,它可以指向任何存储空间(data, idata, xdata, code, pdata等),编译器会生成额外的代码来处理不同类型的存储区访问。这带来了灵活性,但代价是代码体积变大,执行速度变慢。

存储区特定指针 (Memory-Specific Pointers): 这种指针在定义时就指明了它指向的数据存放在哪个存储区。例如:

unsigned char data *dp;   // dp指向data区的一个字符
unsigned int xdata *xp;   // xp指向xdata区的一个整型
unsigned long code *cp;   // cp指向code区的一个长整型

这种指针非常“专一”。因为编译器在编译时就已经知道数据在哪,所以它能生成最优化的指令。指向 data, idata, pdata 的指针通常只占1个字节(因为地址范围小),指向 xdata 和 code 的指针占2个字节。使用它们能显著减少代码尺寸,提高执行效率。

我个人的经验是:在明确知道数据存储区域的情况下,务必使用存储区特定指针。除非你在写一个非常通用的库函数,需要处理来自不同存储区的数据,否则通用指针在51这种资源受限的平台上性价比太低。

2.2 指针实战:操作片内指定地址

让我们来看一个具体的例子。假设我们需要操作片内RAM地址 0x30 开始的两个字节(比如这是一个软件定时器的计数值)。

使用存储区特定指针(推荐):

#include <reg52.h>

void main() {
    // 定义一个指向idata区unsigned int类型的指针,并初始化为地址0x30
    unsigned int idata *pTimer;
    pTimer = (unsigned int idata *)0x30; // 注意这里的强制类型转换

    // 通过指针写入数据
    *pTimer = 0x1234;

    // 通过指针读取数据
    unsigned int timerValue = *pTimer;

    // 指针也可以进行算术运算,pTimer+1 将指向 0x32 (因为unsigne
【51进阶】KeilC51高效操作RAM与ROM的指针技巧与绝对地址实战 本文深入探讨了Keil C51开发中高效操作RAM与ROM的指针技巧与绝对地址实战方法。通过详细解析51单片机内存架构、指针访问优化、绝对地址应用及性能对比,帮助开发者提升嵌入式系统开发效率。特别针对RAM和ROM的指针访问技巧提供了实用案例和优化建议。 阅读详情

相关推荐

Keil C51编程避坑指南:用指针和_at_关键字精准操作RAM/ROM地址

本文深入解析Keil C51编程中指针和_at_关键字在RAM/ROM地址操作中的应用技巧,帮助开发者避开常见陷阱。通过对比五大存储区特性、分析指针类型差异及_at_关键字的精准控制,提供实战案例和优化建议,助力编写高效可靠的嵌入式代码。

weixin_30266885的博客 225

Keil C51编程避坑:用指针和_at_关键字精准操作RAM/ROM地址(附完整代码)

本文深入探讨Keil C51环境下指针访问和_at_关键字在RAM/ROM地址操作中的应用,提供详细的内存架构解析、实战案例和最佳实践指南。通过对比两种技术的性能与灵活性,帮助开发者精准操作硬件寄存器、管理非易失性存储器,并附完整代码示例。

weixin_26854829的博客 454

8051外部RAM高效清零:汇编与C51双语言实战解析

本文详细解析了8051单片机外部RAM高效清零的汇编与C51双语言实现方案,涵盖硬件寄存器操作、编译器优化技巧及性能对比。通过实际案例展示清零操作在传感器数据采集、通信协议栈等场景中的关键作用,并提供安全校验、DMA加速等高级技巧,帮助开发者提升系统稳定性与效率。

weixin_29162439的博客 365

Keil C51混合编程:C与汇编调用编译解析

深入解析Keil C51环境下C语言与汇编语言的相互调用机制,涵盖函数接口、参数传递与编译优化策略。掌握keilc51混合编程可提升代码执行效率与硬件控制精度,适用于对性能要求严苛的嵌入式应用场景。

weixin_42527665的博客 532

KEIL C51编程实践:51单片机控制实例详解

KEIL C51是专门为8051微控制器系列开发的应用程序集成开发环境,它提供了包括编译器、调试器和编程器在内的各种工具,使得开发者能够高效地进行C语言或汇编语言编程。KEIL C51支持各种8051变种,包括高性能的C51、高速的C52以及兼容的S51、S52等。它的友好用户界面和丰富的库函数支持是学习和开发8051系列单片机的首选环境。

weixin_42588555的博客 1503

【Unity】Unity性能分析解决方案——UPR

由Unity中国团队提供的一套性能优化解决方案,其是一系列性能工具的集合,并可将收集的数据进行可视化。

Davidorzs的博客 1009

三菱 FX5U PLC 4轴程序 控制松下伺服3个, 步进电机一个

三菱 FX5U PLC 4轴程序。 控制松下伺服3个, 步进电机一个, 四轴自动堆垛码垛设备程序, 回原点动作用专用的原点回归指令写的, 手动运行用三菱相对定位指令写的 , 自动运行用绝对定位指令写的取料运行, 表格定位写的自动放料运行, 设备各种报警异常都有写出 程序每一步都有注释。 包括PLC程序、显控触摸屏 程序、松下伺服驱动器接线图。 程序内都有IO注释 编号:4816635519484681汇美0808 ...

m0_68069172的博客 3382

UVM验证中,为什么我的pack_bytes()返回长度是0?手把手教你排查自定义do_pack函数

本文深入解析UVM验证中pack_bytes()返回长度为0的常见原因及系统排查方法。从UVM打包机制原理出发,详细列举了super.do_pack()缺失、field automation冲突等典型问题,并提供动态数组处理、位宽计算等进阶调试技巧,帮助开发者快速定位和解决自定义do_pack函数问题。

weixin_42523693的博客 127

学习笔记( 11 ) - 解决:finalshell连接虚拟机(ubuntu)超时,主机ping不通虚拟机,主机没有VMnet8网卡, Connection refused: connect

解决:finalshell连接虚拟机(ubuntu)超时,主机ping不通虚拟机,主机没有VMnet8网卡, Connection refused: connect

烟溪彭于晏的博客 2万+

别再凭感觉选电容了!手把手教你计算电机控制器里的母线电容(附Excel计算工具)

本文详细解析了电机控制器中母线电容的选型方法,从理论计算到工程实践,帮助工程师避免常见误区。通过精确计算纹波电压、电容容量等关键参数,并结合薄膜电容与电解电容的性能对比,提供实用的选型建议。附带的Excel计算工具可快速完成参数计算,适用于工业伺服驱动和电动车电机控制器设计。

weixin_28720573的博客 524

华为OD机考双机位C卷 - 构成正方形的数量 (Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 成正方形的数量 (OD上机考试双机位C卷)。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解,并提供完整思路讲解。

算法大师! 5939

使用Android Studio调试系统应用之TvSettings(一):移植

对于做ROM的同仁、以及想要深入学习Android同学,必定会去调试Android的系统APK,而 *aosp* 源码中的系统APK源码,无法直接在Android Studio中进行调试,本文将持续更新细节,手把手教你,使用Android Studio调试安卓的系统应用。在每个阶段,提供知识点的梳理、总结,为您答疑解惑!

上周的博客 2054

AUTOSAR进阶图解==>AUTOSAR_SWS_CANNetworkManagement

本文介绍了AUTOSAR架构中的CAN网络管理(CanNm)模块,主要内容包括: 模块概述:CanNm是协调CAN网络节点状态转换的基础组件,采用去中心化设计,通过周期性发送网络管理PDU保持网络活跃状态,支持网络唤醒、睡眠和部分网络功能。 架构设计:CanNm位于AUTOSAR中间层,连接上层通信管理器(ComM)和底层CAN接口(CanIf),包含状态管理、PDU处理和定时器管理等子组件。 状态机设计:定义了三种主要模式(总线睡眠、准备睡眠和网络模式)及其转换逻辑,网络模式又包含重复消息、正常操作和准备

一名留德华的,康德的信徒的,专注于汽车电子领域的博客 2041

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

上一篇: 思科交换机链路聚合实战:提升带宽与冗余的配置指南
下一篇: 从零到一:手把手搭建Ferry工单管理系统
寂静夜空35
博客等级 码龄3年 60粉丝 1797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