互联型嵌入式应用ARM选型分享



转载自:郑州恒迈–张弓与非网博客


 

    伴随着大众创业万众创新的趋势节奏和创客空间的遍地开花,伴随着智能硬件产品的赤手可热和物联网的应用的不断深入,伴随着终端产品研发周期的拼命压缩和产品的快速量化,也伴随着半导体原厂新品系列的层出不穷和竞争格局的不断加深,要想在众多半导体原厂的产品系列里,能够快速的找到适合自己研发项目的功能需求,而且是要求可靠性和稳定性以及性价比都比较高的集成电路主控产品,对于原本选型就比较头疼和困难的工程师同仁们来说,现在乃至以后所面临的挑战会越来越大,困难也会越来越多,尽管目前我们所能够掌握的信息量越来越多,信息也越来越透明,但如果能从众多的信息里面解脱出来,关注自己所关注的应用领域,从全局来了解和把握行业的应用,对于工作繁忙的我们来说,是需要有一种智慧和一个开放的,乐于分享的心态。绕了很大的一个弯儿回来,我先分享下我对:互联型嵌入式应用ARM选型的一些做法和见解,希望能够和具有同样应用的同仁们一起探讨和交流。

    在ARM应用方面我们都熟知的是ST(意法半导体),当然在互联性应用的ARM方面我们通常都会顺藤摸瓜的选用自己熟知的品牌,我首先看了看STM32F107RB这个型号,基于Cortex-M3核的ARM,带10/100M的以太网MAC,程序加上软件的TCP/IP协议栈,128K的闪存应该够用,但公司要求要有一个备选或者是优化的器件,以面对无端的缺货和价格的问题。以备不时之需,接着我就看看NXP(恩智浦)的LPC1764FBD100,同样是基于Cortex-M3核的ARM,带10/100M的以太网MAC,128K的闪存,而且主频达到100MHz。这下思路好像一下子打开了一样,既然是Cortex-M3核的ARM,这两家半导体厂商会有,那么其他的主控厂商应该也都会有,于是我就找到了ATMEL(爱特梅尔)的ATSAM3X4EA-AU,顺带说一句就连AVR也有带以太网MAC的器件,真是不看不知道。找到了SPANSION(飞索半导体)的MB9BF216SPMC,内存容量竟有512K,在看到TI(德州仪器)的LM3S6911是,有个惊奇的发现,原来这个器件不仅有10/100M的以太网MAC,而且还带了物理层(PHY),这样的话不仅电路板的面就会缩小,而且可靠性也会比用两个器件要高,也省去了两个器件的匹配麻烦,不巧的很官方网站已经不推荐使用,推荐的器件是Cortex-M4内核的TM4C129X,既然是推荐Cortex-M4内核的ARM,那就顺便看看飞思卡尔(FSL)基于Cortex-M4内核MK60DN256VLL10这个芯片看着看着,突然想想不对啊,想起前段时间在微信上看到的一个段子,一个人原本打算去买辆自行车结果开了一辆高级轿车回来,既然Cortex-M4内核的ARM不靠谱,那么有没有成本比较低的Cortex-M0内核的ARM也带有以太网MAC的呢?

    功夫不负有心人,终于看到了WIZNET(微知纳特)的W7500,这个器件足够强悍:是基于Cortex-M0内核的ARM,同样是128K的闪存,不仅具有10/100M以太网MAC,而且带有物理层(PHY),更是用硬件逻辑门去实现TCP/IP协议栈,也就是说软件的TCP/IP协议栈都不用写,将本来占用ARM存储以及运算资源的以太网通信协议,用一颗片外的芯片独立去实现,不仅节省主控制器的FLASH及RAM的空间,节省了ARM处理TCP/IP通信的中断及线程,而且降低了开发难度,提升了开发效率及系统表现力,虽然省去了通用型微控制器的一些用不到的功能,但是却加固了芯片的网络处理专业能力,简单易用。有的时候就在想,选择大于努力这句话真是经典,既然有这样现成的器件去选择,那我们干嘛要去努力的琢磨原本不大熟悉的TCP/IP通信协议,不仅浪费了时间还有可能增加了产品不稳定因素,这样出力不讨好的做法难道会成为我们整天忙碌加班的原因?干嘛非要等到公司要求我们这样做,我们才去这么做呢,如何才能把被动的工作变换为主动的学习,打开自己的思路,在这终端产品多样化快速更新的时代里,在这乱花渐欲迷人眼的缤纷型号里,在这要求愈来愈严格而又快节奏的工作进程里,在这选择大于努力而我们又不太善于选择,甚至都没有时间去静心想象怎么选择的氛围里,这才应该是我们应该考虑的,我们究竟需要的是什么。

   就是因为选择太难,所有我们本应去选择适合我们的!

附件:互联型嵌入式应用ARM对比列表

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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