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
1.2k累计阅读
1.3k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
在单总线上挂接8只DS18B20，单片机控制8个按键，读取相对应DS18B20采集的温度，最终通过8位数码管动态显示。
关于DS18B20的特点、DS18B20的内部结构、单只DS18B20读取温度的方法、怎样编写DS18B20的工作时序，都包含在我的上期文章中，在此就不赘述了，感兴趣的可以访问下面的链接。优快云
https://mp.youkuaiyun.com/mp_blog/creation/editor/142387374
每个DS18B20器件都有各自的64位ROM编码，因此可以将多只DS18B20并联在唯一的三线上，
主机可以通过这64位ROM编码，来定位某一只DS18B20并对其进行操作。
每只DS18B20轮流与单片机挂接、读取其64位ROM编码。读取完所有DS18B20的ROM
STC8H开发(十一): GPIO单线驱动多个DS18B20数字温度计
一般见到的都是3pin的To-92封装, 和普通三极管一样, 使平面朝向自己, Pin脚朝下, 从左往右依次为: GND, DQ, VDDDS18B20内部有9字节的暂存器和3个字节的EEPROM存储, EEPROM可以擦写5万次以上. 结构如下DS18B20的核心功能就是数字化的温度读数, 可以设置为9, 10, 11, 12位分辨率, 缺省分辨率是12位. 各分辨率对应的读数, 温度分辨率分别是0.5, 0.25, 0.125, 0.0625摄氏度.在执行温度转换命令Convert T后, 温度会被转换
STM32单总线协议实战：如何用一根线搞定多个DS18B20温度采集（附ROM搜索代码）
本文详细解析了STM32如何利用单总线协议高效管理多个DS18B20温度传感器。通过深入剖析ROM搜索算法原理，并提供完整的实战代码，指导开发者仅用一根数据线实现多点温度采集，有效解决工业监控、智能家居等场景下的布线复杂难题。
DS18B20温度传感器原理与应用全解析
1-Wire总线协议是单总线通信的经典实现，通过单数据线完成供电与数据传输，大幅简化了传感器网络布线。DS18B20作为采用该协议的数字化温度传感器，凭借独特的寄生供电模式和全球唯一ROM编码，在工业监控、农业大棚等场景中展现出显著优势。其-55°C至+125°C的宽测温范围和±0.5°C的精度，配合可编程分辨率功能，能满足从快速响应到精密测量的不同需求。在多点组网应用中，通过优化上拉电阻配置和抗干扰设计，可稳定驱动数十个传感器节点。本文以DS18B20为例，详解1-Wire协议的时序控制、温度数据解析及工
51单片机 | DS18B20 温度传感器实验
DS18B20 温度传感器实验
Proteus-51单片机-DS18B20多点测温
每个DS18B20都有一个唯一的64位序列号，这使得在同一总线上可以挂载多个传感器，无需额外的地址分配。主机（通常为单片机）通过特定的时序控制，可以依次读取各个DS18B20的温度数据，实现分布式测温。
使用DS18B20实现多点温度测量系统设计
本文还有配套的精品资源，点击获取 简介：DS18B20数字温度传感器采用单总线接口与微控制器通信，适用于多点温度测量。通过C语言和特定库（如 OneWire 和 DallasTemperature ）与DS18B20交互，实现温度读取和传感器管理。项目还包括1602 LCD显示模块的控制，以显示实时温度数据，并利用Proteus软件进行电路设计验...
基于51单片机的DS18B20数字温度监控系统设计与实现
DS18B20是一款由Maxim Integrated推出的单总线数字温度传感器，具备高精度、低功耗和抗干扰能力强等特点。其测温范围为-55°C 至 +125°C，在 -10°C ~ +85°C 范围内测温精度可达 ±0.5°C，分辨率可通过配置寄存器设置为9~12位。传感器直接输出数字信号，无需外部AD转换，简化了系统设计。每个DS18B20具有唯一的64位ROM序列号，支持多传感器挂载于同一总线，适用于分布式温度采集系统。供电方式灵活，可采用寄生供电或外部电源模式。
Microchip Studio 7.0 从下载到项目调试：AVR开发者的完整入门指南（附常见问题解决）
本文为AVR开发者提供了Microchip Studio 7.0从下载安装到项目调试的完整入门指南。详细介绍了如何获取安装包、创建第一个AVR工程项目，并配置编译与调试环境。同时，文章重点解决了开发过程中常见的编译错误和仿真问题，帮助开发者快速上手并高效使用这一官方集成开发环境。
odoo19/18集成reportbro 打印插件 完美支持静默打印
ReportBro设计器 一个用于创建PDF和XLSX报告模板的javascript插件。ReportBro Designer可以轻松集成到您的Web应用程序中。每个人都可以设计和编辑文档模板，并直接在浏览器中预览它们。可以使用服务器上的 （有关完整的文档和演示，请参阅上的ReportBro项目网站。reportBro官方没有提供。测试环境：odoo17社区版。2.产品标签打印设计。
【MATLAB代码】蚁群算法（Ant Colony Optimization, ACO）路径规划（避障）仿真程序，订阅专栏后可直接查看完整源代码
基于蚁群算法的路径规划系统。可自定义起点、终点和障碍物地图，系统通过蚁群算法自动计算最优路径，并输出路径坐标、障碍物地图和收敛曲线。完整MATLAB源代码直接运行。适用于复杂障碍环境下的路径优化问题。
微信小程序 - 最新实现项目适老化设计全流程及源码，老年模式大字版与常规版页面样式切换，老年人大字模式字体与布局更换关怀版解决方案（新老项目均适用的方案，全局页面统一修改文本字号/DOM排版元素等）
微信小程序，vue2，vue3，老年大字版设计，小程序开发如何实现适老化方案，放大字体字号及改变页面的布局，小程序关怀模式实现思路及代码，统一将布局都改了，全局修改字体大小适配老年人看不清问题，小程序怎么接入老年模式并根据模式改变页面的UI设计，实现全局修改字体大小适老化/关怀版改造，最新详细示例代码全流程，字体放大/缩小，老项目怎么适配老年人模式方案，小程序适老化设计指南，当切换成老年模式时页面所有排版都会发生变化，小程序vue开发，新手详细教程，老年模式字体设置思路和UI布局的设计，开发者可以通过wx.
4.4 直流无刷电机(BLDC)：控制器硬件设计
摘要 本文详细阐述了直流无刷电机(BLDC)控制器的硬件设计要点。控制器硬件主要包括微处理器单元、功率驱动模块、信号检测电路、通信接口和电源管理模块。在微处理器选型方面，分析了ARM Cortex-M系列、DSP等架构的适用场景，并对比了不同处理器的性能参数。功率驱动模块设计重点包括栅极驱动电路、逆变桥热管理和电流保护机制。信号检测部分介绍了位置传感器接口和模拟信号调理技术。此外，还讨论了通信接口设计、电源管理方案以及硬件布局与EMC设计规范。最后强调了硬件测试验证的重要性，包括故障注入测试等验证方法。整体
视觉SLAM十四讲slambook2示例代码所有依赖库的编译安装教程（VTK、OpenCV3、ceres、Sophus、g2o、Eigen、Pangolin、googletest等）
这是2021年的最后一篇博客～ 新年快乐！ 0 准备工作 首先需要先安装cmake编译器： sudo apt-get install cmake 以及，将十四讲的示例代码克隆下来（十四讲的源码地址点击这里）： git clone --recursive https://github.com/gaoxiang12/slambook2.git 由于里面的3rdparty文件夹内所有内容都来自于其他github仓库，所以需要加上--recursive参数，不然克隆下来的内容不完整。 如果你.
语言模型推理能力与计算表达力深度解析
语言模型的推理能力本质上是一种知识迁移与泛化应用的过程，其核心在于Transformer架构中的自注意力机制和前馈网络的协同作用。计算表达力作为衡量模型能力的关键指标，涉及函数逼近、组合泛化和上下文理解等多个维度。随着模型规模的扩大，涌现能力现象揭示了参数规模与推理能力之间的非线性关系。在实际应用中，通过提示工程和微调策略可以有效激活和优化模型的推理表现。当前研究正探索模块化架构和世界模型整合等方向，以突破长程推理和因果关系建模等前沿挑战。本文深入探讨了语言模型推理泛化的技术原理与实践方法，为理解计算表达力
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")
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
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。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1028
扫一扫
