数字电子_数字电路常见电平标准

什么是LVDS电平以及和LVPECL的互联

LVPECL和LVDS互联(交流耦合）：LVPECL到LVDS的交流耦合结构如下图所示，LVPECL的输出端到地需加直流偏置电阻（142Ω到200Ω），同时信号通道上一定要串接33~50Ω电阻，以提供一定衰减，另一方面吸收反射信号。LVDS输入结构如图所示，输入差分阻抗为100Ω，为适应共模电压宽范围内的变化，输入级还包括一个自动电平调整电路，该电路将共模电压调整为一固定值，该电路后面是一个施密特触发器。LVDS 和LVDS互联：因为LVDS的输入与输出都是内部匹配好的，所以LVDS间的连接可以直接连接。

《数字电子技术》笔记

《数字电子技术》笔记

数字电路解答集：阎石《数字电子技术基础》第四版

本文还有配套的精品资源，点击获取 简介：《数字电路答案第四版》为《数字电子技术基础》提供了详细的解答，帮助学生理解和掌握数字电路理论及应用。数字电路是电子工程基础学科，研究数字信号的处理、转换和控制。该解答集覆盖了从基本概念到复杂系统的各个组成部分，包括门电路、组合逻辑电路、时序逻辑电路、存储器以及可编程逻辑器件等。阎石教授的权威著作深入浅出地介绍了数字电路的基础知识和解题...

数字电子技术电子教案深度剖析

逻辑门电路根据其逻辑功能的不同，可以分为多种类型。最基本且常见的逻辑门包括：与门（AND）、或门（OR）、非门（NOT）、异或门（XOR）、同或门（XNOR）等。这些基本逻辑门可以通过组合和连接，构建出更复杂的数字电路。

数字电子课程设计：构建简易拔河游戏机

数字电子技术作为IT领域的基石，一直扮演着关键角色。本章将带您初步认识数字电子技术的核心概念、组成元素及其在现实世界中的应用。

TTL电平与RS232电平的对比分析及转换技术

在电子通信领域中，TTL（Transistor-Transistor Logic）电平和RS232（Recommended Standard 232）电平是两种常见的信号电平标准，它们在不同的应用场景中扮演着关键角色。本章节将简要介绍TTL与RS232电平的基本概念，并探讨它们的应用场景。TTL电平的标准逻辑”高”（逻辑1）定义为电压值介于2.0V到5.0V之间。逻辑”低”（逻辑0）则被定义为电压值介于0V到0.8V之间。这一电压范围保证了逻辑状态的清晰区分，并为数字电路设计提供了足够的噪声容限。

别再只盯着Text-VQA了！这4个主流VQA数据集（含中英双语）的保姆级下载与对比指南

本文深入解析了Text-VQA、ST-VQA、OCR-VQA和EST-VQA这4个主流视觉问答数据集的特性与应用场景，提供了详细的下载与预处理指南。通过对比分析，帮助开发者根据项目需求选择最适合的数据集，避免因选型不当导致的模型性能问题，特别适合需要处理中英双语或多模态文本理解的AI项目。

抖音短视频数据抓取实战系列（一）——模拟器性能对比与优化配置

本文是抖音短视频数据抓取实战系列的开篇，重点探讨了模拟器选型与优化配置。通过对比雷电、夜神、逍遥三大主流模拟器在性能、抖音兼容性及抓包友好度上的表现，文章指出雷电模拟器因其稳定的桥接网络模式和良好的兼容性，是数据抓取的优选。并提供了雷电模拟器从安装、网络桥接到系统优化的详细配置指南，旨在帮助读者构建稳定高效的抓取环境。

【Apollo规划模块探秘】—— 场景(Scenario)驱动的决策引擎

本文深入解析了Apollo自动驾驶平台规划模块的核心机制——场景(Scenario)驱动的决策引擎。文章通过类比日常驾驶，阐述了规划模块如何像经验丰富的司机一样，根据不同的路况（如车道跟随、无保护左转）切换不同的“驾驶模式”。重点剖析了场景管理器(ScenarioManager)如何基于感知信息进行场景判断与切换，以及“场景-阶段-任务”双层状态机如何精密协作，实现灵活、高效且安全的轨迹规划。

【图像超分】论文精读：RepSR: Training Efficient VGG-style Super-Resolution Networks with Structural Re-Paramete

摘要： 本文提出RepSR，一种基于结构重新参数化和批量归一化（BN）的高效VGG式超分辨率网络。针对SR任务中BN易引发伪影的问题，作者通过分析发现训练-测试阶段的不一致性是主因，并提出先使用小批量统计训练、后期切换为总体统计的优化策略。RepSR块设计包含干净的残差路径和带改进BN的扩展-压缩卷积路径，有效平衡了训练非线性与推理效率。实验表明，RepSR在不同模型规模下优于现有重参数化方法，且实际推理速度更快。该工作为SR提供了性能与效率兼优的解决方案，相关代码未开源。 关键词： 超分辨率、结构重参数化

​非线性分析-增加位移量可能出现下面错误。虽然求解无法在所有时间点完成，但在某些点上仍能够求解部分结果。请参阅“帮助系统”中的故障排除，以了解更多信息详情。由于受约束，规划求解引擎无法收敛

基于收敛状态拆分载荷步‌：在已收敛的载荷步基础上，将未收敛的关键区域拆分为更细的子步，比如在载荷突变点前设置5~10个子步，逐步加载。替换冲突约束为弱约束‌：若存在约束冲突，将刚性约束替换为弱弹簧约束（刚度设为1e-6~1e-4），既限制刚体位移，又不影响结构的变形自由度，命令流：SPRING, NODE, K, 1e-6。部分区域约束完整，但存在未被约束的刚体自由度，或约束类型与大变形/接触逻辑冲突，比如某部件的位移约束在初始阶段有效，但大变形后约束位置脱离实际受力点，导致求解器在该阶段无法收敛。

Java 部分笔试题解析

合法的 try 语句块必须包含 try 块，并且至少包含一个 catch 块或一个 finally 块。给定一个长度为n的数组，数组中的每个元素，表示一根水管的长度，水管可以在任意位置锯开。调用 sleep() 方法、创建新线程、高优先级线程进入就绪状态只会暂停或抢占线程的执行，而不会终止线程的运行。A.抽象类中可以包含非抽象的普通方法，接口中的方法必须是抽象的，不能有非抽象的普通方法。接口中的成员变量必须是常量（static final），而抽象类可以有普通成员变量。

密码学系列3-Elgamal加密及其IND-CPA安全性证明

但这没有任何影响，敌手本身就只能知道公钥，他并没有能力知道挑战者是否知道对应的私钥。所以上述整个游戏就是一个模拟实验，敌手无法区分挑战者运行的是这个模拟实验，还是真正的按照第一节的算法构造的实验（挑战者知道私钥…为什么合起来的时候有1/2：因为T既可能是随机的也可能是g^{ab}，这两种情况概率为1/2。能够攻破Elgamal加密方案，那么挑战者利用敌手的能力构建下面游戏，来求解困难性问题DDH。就是挑战者选的随机数，虽然挑战者自己也不知道。），否则挑战者输出0，作为DDH的回答。

使用 MATLAB/Simulink + Simscape Electrical + Simulink Design Optimization，构建一个沙漠环境中光伏组件灰尘积累与效率下降仿真模型

本文通过，构建了沙漠环境中光伏组件灰尘积累与效率下降仿真模型✅ 建立了风速-沙尘-积尘速率的物理关系✅ 仿真了灰尘积累过程及其对Isc 和 Pmax的影响✅ 量化分析了不同清洁策略的经济性✅ 提出了优化设计与智能运维建议。

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")

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】