(转)Wince读核1-启动流程1

本文介绍了Windows CE系统的启动过程,从eboot加载内核到KernelStart()函数的执行路径,包括预处理步骤及虚拟地址到物理地址的转换机制。文中详细解释了g_oalAddressTable的配置,展示了不同内存区域的映射关系。

写在前面
将近一年前,做过一段时间windows mobile,当时忙于项目,精力放在bsp的调试上,对widnows ce系统了解不深刻,后来忙别的项目就把ce放下了。时隔将近一年,这几天难得有点清闲,看了一点ce的源代码,发现自己记性大不如前,正好这个blog很久没有更新了,因此写点东西吧。
以下内容基于ce5.0,arm体系结构。

参考
1. ce5.0源代码和帮助文档
2. 《ARM Architecture Reference Manual》

索引
1. 从KernelStart开始
2. arm9虚拟地址到物理地址的转换
3. ;;写到再说

1. 从KernelStart()开始
事实上,kernel并不是从KernelStart()开始运行。eboot加载内核后,跳转的地址是startup.s文件的StartUp()函数(此处忽略msipl)。这个文件一般位于bsp目录中。这个函数会做一些预处理工作,之后跳到另一个startup.s文件的OALStartUp()函数,该函数做一些bsp级别的检查工作,之后会跳转到armtrap.s文件的KernelStart()函数。在跳转前要注意两点,一是此时mmu是关闭的,也就是cpu直接访问的是物理地址;其次g_oalAddressTable的物理地址会保存在r0寄存器中。g_oalAddressTable定义了虚拟地址和物理地址的映射关系,由bsp提供,下面是270的一个实现。第一列是虚拟地址,第二列是物理地址,第三列是大小,单位MB。
     g_oalAddressTable

            DCD        0x80000000, 0xA0000000, 64         ; MAINSTONEII: SDRAM (64MB).
            DCD        0x84000000, 0x5C000000,     1         ; BULVERDE: Internal SRAM (64KB bank 0).
            DCD        0x84100000, 0x58000000,     1         ; BULVERDE: Internal memory PM registers.
            DCD        0x84200000, 0x4C000000,     1         ; BULVERDE: USB host controller.
            DCD        0x84300000, 0x48000000,     1         ; BULVERDE: Memory controller.
            DCD        0x84400000, 0x44000000,     1         ; BULVERDE: LCD controller.
            DCD        0x84500000, 0x40000000, 32         ; BULVERDE: Memory-mapped registers (peripherals).
            DCD        0x86500000, 0x3C000000, 64         ; BULVERDE: PCMCIA S1 common memory space.
            DCD        0x8A500000, 0x38000000, 64         ; BULVERDE: PCMCIA S1 attribute memory space.
            DCD        0x8E500000, 0x30000000, 32         ; BULVERDE: PCMCIA S1 I/O space.
            DCD        0x90500000, 0x2C000000, 64         ; BULVERDE: PCMCIA S0 common memory space.
            DCD        0x94500000, 0x28000000, 64         ; BULVERDE: PCMCIA S0 attribute memory space.
            DCD        0x98500000, 0x20000000, 32         ; BULVERDE: PCMCIA S0 I/O space.
            DCD        0x9A500000, 0xE0000000,     1         ; MAINSTONEII: Zero-bank (in reserved slot - no physical memory required).

            DCD        0x9AA00000, 0x00000000, 64         ; MAINSTONEII: nCS0: MCPII Module Boot Flash (64MB).
            DCD        0x9EA00000, 0x50000000,     1         ; BULVERDE: Camera peripheral interface.
         
            DCD        0x00000000, 0x00000000,     0         ; end of table

2. arm9虚拟地址到物理地址的转换
在这里有必要介绍一点arm体系结构的基础知识。在mmu使能后,cpu“看到”的地址都是虚拟地址,mmu的功能之一就是把虚拟地址转换成物理地址(此处暂时忽略FCSE),因为电气信号只认识物理地址。比如要访问上面的虚拟地址0x80000000,在操作具体的地址总线时必须使用物理地址0xA0000000。
arm9系列cpu,有的不支持mmu而只有内存保护单元,有的支持mmu,后者还支持mmu的多种映射方式,具体可以参考文档2。ce目前的arm实现不仅利用了cpu的mmu功能,还使用了两种mmu映射方式:最高的1MB(0xFFF00000-0xFFFFFFFF),使用二级映射,并使用不同的page类型;而其余地址空间,只使用一级映射。这样做的原因是ce把高1MB空间用来给内核储存内存映射表(page table),中断向量表(exception vectors),不同模式下的stack和KDataStruct结构,而它们有不同的内存访问方式(domains,C,B等,参考文档2),需要用二级映射加以细分;而其它地址空间为了简化访问,加快速度,采用一级映射。下面会结合代码分析。
对于一级映射,参考下图。


对于二级映射,参考下图。

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机子角度、速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的函数(例如线性、多项式及径向基函数等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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