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
1.1k累计阅读
1.2k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
关于SX1262IMLTRT、SX1261、SX1268选型指南分析对比
关于SX1262IMLTRT、SX1261、SX1268选型指南分析对比 今天这个篇幅我们继续来探讨下LoRa领域的相关芯片，Semtech公司推出的SX1261/62/68系列的芯片，不知道各位朋友有没有了解过这系列芯片，一开始推出市场，就是打着特殊的LoRa调制方式、低功耗跟超远距离传输的卖点。而事实上，这系列芯片的功能也确实更为强大，体积方面也有优势。现在我们就重点关于SX1262、SX1261、SX1268这三款芯片的选型指南进行分析对比。 产品简述： SX1261、SX1262和SX1268等无线
计算机模块是什么鬼,sx发现非法模块是什么意思？
一、【SX非法模块，错误码 2,xx,0】 您的情况可能是由于机器使用了非法软件，建议您关闭并卸载此类软件，重新登录游戏进行查看。 二、【SX非法模块，错误码 1,xx,0】 您反映的问题是是由于机器中了木马，请到gamesafe.qq.com下载专杀工具查杀木马。 三、【SX非法模块，错误码 2,5xx,x】 您反映的问题需要完全卸载游戏后，重新安装游戏。 四、【SX非法模块，错误码 2,6xx...
SX1276 与SX1278扩频芯片的区别
SX1278与SX1276性能几乎没有差别，SX1278主要针对于433M与470M网段的地区，包括中国，东南亚，南美与东欧地区。SX1276则主要覆盖欧洲与北美等使用的868M和915M频段。在封装上两颗芯片略有区别，引脚定义无法兼容，所以两种芯片开发出来的产品外围电路不同，必须重新设计布局。
THINKPHP5 入门 2-1 URL
一、URL 1、ThinkPHP采用单一入口index.php模式访问应用，对应用的所有请求都定向到应用的入口文件 2、模块在ThinkPHP中的概念其实就是应用目录下面的子目录，而官方的规范是目录名小写，因此模块全部采用小写命名，无论URL是否开启大小写转换，模块名都会强制小写。 3、默认情况下，URL地址中的控制器和操作名是不区分大小写的 4、如果你的控制器是驼峰的，例如定义一个Hel
SX1278/SX1276/SX1277 LoRa芯片中文手册解读
LoRa芯片系列是基于LoRa技术的一组集成电路，它们是专为远距离、低功耗物联网应用设计的。这些芯片支持LoRaWAN网络协议，能广泛应用于智慧城市的构建、工业自动化、远程监控等多个领域。LoRa技术以其优越的抗干扰能力和长距离传输性能而闻名，在物联网领域迅速崛起。SX1278、SX1276、和SX1277是LoRa芯片家族中的三个成员，它们都由Semtech公司生产，被广泛应用于低功耗广域网（LPWAN）技术中。SX1278支持LoRa和FSK调制模式，适合长距离和低速数据传输。
DevEco Studio在初始化时出现Installing pnpm@8.13.1...npm ERR! code ETIMEDOUTnpm ERR! syscall connectnpm E
npm的仓库源设置的有问题，下载不了鸿蒙相关组件，所以你的启动依赖都没有，或者以前下载过npm，使用的源改的乱七八糟了。以前安装过前端相关的node.js的话，启动的时候记得使用管理远权限。（DevEco Studio）就出错，npm显示超时。
LoRa模块（SX1278）详解
LoRa（Long Range）是一种长距离、低功耗的无线通信技术，专为物联网（IoT）和远程传感应用而设计。LoRa技术基于半双工调制方式，通过扩频和前向纠错编码来提供可靠的通信连接。
jason-2卫星介绍及其数据下载
两台仪器发射脉冲宽度均为105.6μs，带宽320MHz（C频段）和320/100MHz（Ku频段），脉冲重复频率1800Hz（Ku频段）和300Hz（C频段），功率78W，数据传输速率22.5kbit/s。共发射了3颗卫星（Jason - 1/2/3），星上有效载荷均主要为雷达高度计和微波辐射计。Jason - 1卫星主要有效载荷为波塞冬 - 2和“贾森微波辐射计”，Jason - 2卫星进行了改进，主要携带了波塞冬 - 3和先进微波辐射计，此外，Jason - 2卫星还携带了“多里斯”系统。
LoRa模块SX1278/SX1262/SX1268/SX1212的参数对比
SX1278无线模块是基于SEMTECH射频集成芯片SX127X的射频模块，是一款市面广泛应用的模块，其特殊的LORA调试方式可大大增加通信距离，其具有体积小、功耗低、传输距离远、抗干扰能力强等特点，目前SX1278无线模块硅传科技售卖价16元，在市面上很有优势。SX1268无线模块同是SEMTECH射频集成芯片SX1268的射频模块， 是一款超低功耗的无线模块，特殊的LORA调试方式可大大增加通信距离，可广泛应用于各种场合的短距离物联网无线通信领域。其具有体积小、功耗低等特点，成本也相对比较低。
【Xilinx】如何在petalinux下编译vcu-gst-app以及独立编译vcu-gst-app
Xilinx从2018.1开始，提供了一套基于zcu106的vcu参考设计。里面提供了一套基于GStreamer的程序，即vcu-gst-app。如何脱离petalinux直接编译呢，这里以为例，其他版本也是类似的操作。
yanshee 机器人全流程指南
2.点击yanshee app右上角根据提示操作 3.当手机显示成功连接 ，按下机器人胸前按钮说出“ip地址”4.根据机器人播报的ip地址加上:8888使用浏览器访问，你就会看到 jupyterd的界面，里面可以新建文件也可以改他存在的文件。我们使了yanshee机器人，这个是面向K12、中高职、高校学生推出的开源人形机器人教育平台，应用于课程教学、竞赛、科研活动等场景。我们接下来可以根据这些apl做许多好玩的，比如控制他运动，跳舞唱歌，it`s easy。注意电脑，手机，机器人必须连同一个网。
SX1278、SX1276、SX1262的简单详解
SX1278、SX1276、SX1262的简单详解
基于R语言 meta/metafor 包进行荟萃分析（一）
在此部分中，使用连续结果详细描述了通用逆方差方法及其在meta分析中的应用，还介绍了固定效应法和随机效应法。我们已经展示了如何分别将典型数据与metacont和metagen函数一起使用，以及如何print和绘制森林图。我们还讨论了估计研究间方差的各种方法，并将Hartung-Knapp平差描述为经典随机效应方法的替代方法。此外，我们还说明了byvar选项的使用，这使得亚组分析更加简单。关于亚组分析的更多细节见后续章节。
【Esp32】Esp32+sx1268 Spi接口驱动SX1268模块
项目需要用乐鑫的 ESP32开发板驱动 Lora 模块，用的是 深圳SX1268ZTR4-GC的lora模块， 由于网上的参考资料大部分都是基于STM32驱动的， 本文实现了基于ESP32的SPI3接口驱动 sx1268 模块实现数据的收发。 用两个 esp32 + sx1268 模块的形式
OpenBmc开发2：构建开发环境
编译环境VMware + ubuntu 18.04 编译环境构建：参考OpenBmc开发1：构建开发环境 1、打开一个Ternimal，进入openbmc目录下 2、查看有哪些不同的编译配置 find meta-* -name local.conf.sample 可以看到如下编译配置 3、生成编译配置 插入TEMPLATECONF，上边查询到的配置有很多，但是有一些...
RT-DETR模型应用过程中的报错处理及疑问解答，涉及环境搭建、模型训练、模块改进、论文写作
本文记录了RT-DETR模型的这一系列过程中可能发生的问题，以及大家非常关心的问题，这里统一做了一个记录和解答。
LoRa模块选型指南：SX1278 vs SX1262的跳频实现与生态对比
本文对比了Semtech的SX1278与SX1262两款LoRa芯片在跳频实现、开发复杂度及生态支持方面的差异。SX1262采用指令集架构，跳频自动化程度高，降低了开发门槛；而SX1278寄存器操作灵活，生态成熟。文章为物联网设备选型提供实用指南，并整合了E32-400M22S等模块的实际测试数据。
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")
SX1308电压调节，踩坑
SX1308芯片是一款固定频率的升压芯片，采用的SOT23-6的封装，具体的详细参数在SX1308的芯片手册中可以看到，这里我们主要看的是芯片手册的推荐电路以及引脚等信息 芯片推荐电路 芯片引脚说明看到上方的推荐电路以及对芯片手册的阅读可以发现，芯片本身的输出电压是由反馈分压电阻R1和R2来决定的，输出电压由公式计算 Vout=（1+R1/R2） 那么现在我们调节电阻R1的值就可以改变输出的电压了，把R1换...
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
SX127x和SX1268手册资源下载介绍：助力开发者高效掌握模块使用
SX127x和SX1268手册资源下载介绍：助力开发者高效掌握模块使用 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 SX127x和SX1268手册资源下载项目，旨在为开发者提供一套详尽的模块使用手册。该手册涵盖了SX127x和SX1268两大模块的技术细节，包括性能参数、规格说明和开发技巧。通过本项目的帮助，开发者可以更高效地掌握这些模块的使用，从而为项目研发提供有...
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。
SX130x吞吐量是SX1278的多少倍？
目前，大部分的LoRa网关采用SX130x基带芯片，也有部分使用SX1276/8单信道芯片。那么，SX130x的吞吐量是SX1276/8的多少倍呢？我们一起来探讨。
SX1262SX1268无线模块测试程序：让无线通信更可靠
SX1262SX1268无线模块测试程序：让无线通信更可靠 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在现代物联网和无线通信领域，无线模块的性能测试至关重要。SX1262/SX1268无线模块测试程序正是为了满足这一需求而诞生。该项目提供了一款专门为SX1262或SX1268无线模块设计的测试程序压缩包，名为“SX1262SX1268测试.rar”。这款经过严格测...
SX1262与SX1278、SX1276对比分析以及选型指南
1、产品简述 SX1278/6是Semtech公司在2013年推出的一款远距离、低功耗的无线收发器，是一款性能高的物联网无线收发器，具备特殊的LoRa调制方式，在一定程度上增加了通信距离；而SX1262是一款新产品，同样由Semtech公司在2018年推出，也具备特殊的LoRa调制方式。SX1262与SX1278/6在多个方面有些区别，下文主要进行三者的对比以及分析。 2、对比分析 芯片......
物联网LoRa系列-4：LoRa终端射频芯片SX1268、SX1278、SX1262对比与选择
LoRa的射频芯片主要分两大类，一类是LoRa终端射频芯片，另一类是LoRa基站/网关射频芯片。LoRa终端射频芯片有：SX1278、SX12786、SX1262；LoRa基站/网关射频芯片有：SX1301。本文对三款终端射频芯片进行详细的比较。 ...
sx1278——sx1262信号强度检测RSSI记录
个人纪录只做参考。用lora模式做拉距测试，其中RSSI值是必不可少的一个数值，用来评估接收方信号强度。
STM32F030 Lora射频模块SX1278学习过程
"sx1278.h"#define LR_RegFifo 0x00 //FIFO读写访问，当器件处于睡眠模式时，FIFO被清零，无法访问#define LR_RegOpMode 0x01 //运行模式 Lora和FSK选择#define LR_RegFrMsb 0x06 //RF载波频率最高有效位#define LR_RegFrMid 0x07 //RF载波频率中间有效位。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3418
扫一扫
