- 博客(76)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 别再只把 MCU 当控制器：新一代芯片正在把 AI 推理搬到设备端
摘要：传统MCU主要承担数据采集和控制任务，而AI推理通常由云端或高性能处理器完成。如今，随着芯片厂商将神经网络加速能力引入MCU产品线（如STM32N6、NXPMCXN、ESP32-S3等），嵌入式设备正从单纯的数据节点转变为具备本地轻量推理能力的智能终端。这种转变使设备能够先完成初步判断（如异常检测、状态分类等），再决定数据传输策略，从而提升系统效率和响应速度。这些新型MCU并非用于训练大模型，而是专注于低成本、低功耗的端侧推理应用，如语音交互、工业检测等场景。
2026-05-06 22:59:51
261
原创 TInyML基础：“不用死记公式！一文讲透全连接层：它到底把神经网络‘连’成了什么样？”
文章摘要： 贺老师作为嵌入式AI工程师，深入解析全连接层(Dense)在嵌入式系统中的关键作用。文章从基础概念出发，解释Dense通过权重矩阵和偏置实现输入输出的全连接特性，阐明其参数量计算公式（输入长度×输出长度+输出长度）。特别指出Dense层在MCU应用中的局限性——当处理大尺寸输入时参数量会急剧膨胀（如96×96图像经Dense(128)层会产生117万个参数）。文章结合代码实例演示Dense层的实现逻辑，并给出嵌入式场景的实用建议：控制输入维度（建议几十维）、合理设置隐藏层节点数（16-64）、避
2026-05-06 22:58:39
363
原创 嵌入式AI、AI+嵌入式、边缘AI、端侧AI、云端AI，你是不是还傻傻分不清楚？
文章摘要：本文系统梳理了嵌入式AI、AI+嵌入式、边缘AI、端侧AI和云端AI五个易混淆概念。嵌入式AI强调AI能力嵌入设备本体（如STM32动作识别）；AI+嵌入式侧重AI技术与嵌入式行业的融合（如AI辅助开发）；边缘AI指模型部署在靠近数据源的边缘节点（如工厂视觉检测）；端侧AI是模型直接运行在终端设备（如智能门锁人脸识别）；云端AI则是模型部署在远端服务器。作者通过具体案例和对比表格，清晰界定了这些概念的应用场景和核心差异，帮助读者准确理解不同技术路线的特点与适用场景。
2026-05-05 09:12:07
347
原创 玩转边缘AI（TInyML）：需要掌握的神经网络基础知识汇总！
《嵌入式AI工程师必须掌握的神经网络基础知识》摘要 本文针对嵌入式工程师学习AI时的常见误区，提炼出最核心的神经网络知识要点。重点包括：1）理解输入输出关系，掌握张量形状对部署的影响；2）认识神经元工作原理，明确权重/偏置/激活函数的作用；3）区分全连接层/卷积层等网络结构的适用场景；4）掌握训练评估关键指标，避免过拟合；5）特别关注嵌入式场景特有的量化、内存和算力约束。文章强调实践导向，帮助工程师建立能直接指导MCU部署的神经网络认知框架，而非空谈理论。通过掌握这些核心概念，工程师能有效判断模型适用性、定
2026-05-05 09:09:27
727
原创 玩转边缘AI（TInyML）：需要掌握的C++知识汇总！
学习嵌入式AI，不需要先把 C++ 学成“大而全”。最值得优先掌握的，是那些直接影响模型部署的硬能力。数组、指针、引用、const。先把输入输出缓冲区和读写边界管明白。数据类型、结构体、类。把采样数据、特征数据、推理结果和模块接口组织清楚。静态内存和生命周期。知道数据该放哪，知道对象什么时候失效，知道怎么少拷贝。函数拆分和模块组织。让采样、预处理、推理、后处理形成一条清晰的数据链。把这几层练扎实了，后面无论接哪种 MCU 侧 AI 框架，都会轻松很多。
2026-05-04 22:29:47
376
原创 学习嵌入式AI（TInyML），只需掌握这点python基础即可！
函数是组织代码的重要方式，可以提高代码的可读性和复用性。# 函数定义示例"""这是一个简单的问候函数"""return f"你好, {name}!"""计算矩形面积"""# 调用函数message = greet("李华")print(f"矩形面积: {rectangle_area}")NumPy是Python的一个开源数值计算库，提供了强大的多维数组对象和用于处理这些数组的函数。在TinyML中，NumPy常用于：数据预处理和特征工程实现数学运算和线性代数操作。
2026-05-04 22:27:30
348
原创 TinyML应用场景解析：动作识别！
大家好，我是子衡，嵌入式 AI 工程师，《嵌入式AI：让单片机学会思考》课程主理人，专注AI在MCU上的落地实践。自从做嵌入式 AI 课程以来，我经常会被问到一个问题：单片机上部署 AI，到底有没有真正有产品价值、又不是只停留在演示层面的应用场景？如果只选一个最典型、最容易讲清楚、也最适合 MCU 落地的案例，我会优先讲动作识别。
2026-05-02 16:16:05
312
原创 嵌入式AI场景：哪些应用场景不适合将AI模型部署到单片机（MCU）中？
家好，我是子衡，嵌入式 AI 工程师，《嵌入式AI：让单片机学会思考》主理人，专注AI在MCU上的落地实践。我的上一篇文章，主要讲了大家应该如何判断自己的应用场景适合做本地AI。下面罗列出来，哪些常营不适合做本地AI？
2026-05-02 16:13:21
484
原创 嵌入式AI落地避坑指南：用6个步骤找到最适合本地AI的产品场景（建议收藏备用）
《如何判断产品是否适合本地AI推理？嵌入式工程师的实践指南》 摘要： 本文针对嵌入式AI落地的核心问题，提出了系统性的判断方法。作者建议从产品实际痛点出发，重点关注那些传统规则难以稳定维护的判断点（如异常检测、故障诊断等）。通过6步验证法：1)明确任务定义；2)建立传统基线；3)采集最小验证数据集；4)选择轻量级模型；5)多维指标评估；6)价值验证。强调评估时需综合考量准确率、推理延迟、资源占用和功耗等关键指标，只有当本地AI能显著提升响应速度、降低维护成本且满足硬件约束时，才值得实施。最后指出，成功的本地
2026-04-27 23:17:07
464
原创 边缘AI时代的算力基石，盘点带NPU的单片机（国外+国内）
这颗芯片非常有代表性，因为它不是冲着“高性能视觉主控”去的，而是冲着更低成本、更低功耗、更通用的边缘端场景去的。国产芯片并不是没有机会，恰恰相反，国产边缘 AI 芯片的活跃度非常高。边缘 AI 的下一阶段，不是单纯比谁的 TOPS 更高，而是谁能把 NPU、实时性、功耗、成本和开发门槛 这五件事一起压进更小的系统里。乐鑫这颗芯片的定位很明确，是高性能 MCU / SoC，强调的是 AI 指令扩展、ISP、PPA、JPEG、H.264 这套能力组合， 非常适合做 HMI、边缘视觉和多媒体交互。
2026-04-27 23:05:16
477
原创 一个成熟的嵌入式AI系统，是长什么样子的？
嵌入式AI落地的关键：数据管理比算力更重要 嵌入式AI工程师子衡指出，边缘AI产品常陷入算力、模型压缩等技术细节，但真正影响系统智能化的是数据处理能力。优秀的边缘AI系统应具备数据筛选能力，能在设备端判断数据价值：区分噪声与关键信号、决定本地处理或上传、异常时保留证据等。这重构了传统"设备采集-云端处理"的低效链路，解决了延迟、隐私和能耗问题。成熟的嵌入式AI需建立完整数据管理闭环，明确数据采集策略、触发条件和处理流程，使系统从"能跑模型"升级为"长期可靠&
2026-04-18 23:42:46
213
原创 不会 Python、不会深度学习，也能在STM32上跑AI模型吗？
比如动作识别、声音检测、模拟量异常检测、振动预测维护。到了这一步，TinyML 才真正开始从 Demo 走向应用。不会 Python，不代表你不能学 TinyML。；不会深度学习，不代表不能在 STM32 上跑起第一个模型；不会自己设计模型，也不代表不能先把推理链路打通。真正能把人挡在门外的，往往不是技术本身，而是错误的学习顺序。所以，我们需要先接受这样一个事实：“我现在的目标，不是成为算法专家，而是先让 STM32 真正跑起第一个 AI 模型。
2026-04-18 23:40:47
430
原创 TinyML落地最容易翻车的一步：不是训练模型，而是预处理不一致（建议收藏）
大家好，我是子衡，嵌入式 AI 工程师，《嵌入式AI：让单片机学会思考》课程主理人，专注AI在MCU上的落地实践。零基础速通嵌入式AI（加好友免费领取嵌入式AI资料）今天分享一下，我第一次做嵌入式AI产品时候的坑。在项目前期的时候，都很顺。数据采集好了，模型也训出来了，在PC端验证集精度看着也很好。结果一部署到 MCU，上板以后效果立刻变差：该识别的不识别，该报警的不报警，串口里虽然能打印推理结果，但结果和电脑上完全不是一回事。
2026-03-29 11:14:07
384
原创 嵌入式AI：单片机跑AI，真正难的根本不是模型，还有这四件事
大家好，我是子衡，嵌入式 AI 工程师，《嵌入式AI：让单片机学会思考》课程主理人，专注AI在MCU上的落地实践。零基础速通嵌入式AI（加好友免费领取嵌入式AI资料）自从我的“嵌入式AI课程开课以来”，接触了越来越多对嵌入式AI感兴趣的人，逐渐有一个感受：很多人认为，单片机部署AI模型，就是把模型压小，然后放进单片机。其实这个理解有点浅了。虽然将模型压缩到足够小很重要，但还不是最难的。TinyML和传统机器学习最核心的差别，不只是部署位置变了，而是它必须同时满足严格的内存、计算和功耗限制；
2026-03-29 11:10:17
471
原创 免费福利来袭：《TinyML从入门到精通》212页PDF资料，速来领取！
《TinyML从入门到精通》是一本面向嵌入式AI开发的实用指南，全面介绍TinyML技术在单片机上的应用实践。资料包含212页图文内容，系统讲解从概念认知到工程部署的完整流程，涵盖硬件选型、开发环境搭建、模型训练与优化等核心环节。特别适合嵌入式工程师、物联网开发者及相关专业学生，帮助建立端到端的技术体系认知，掌握将AI模型部署到资源受限MCU的实际能力。该资料注重工程落地，既包含基础理论又提供实用部署方案，是进入TinyML领域的优质入门材料。
2026-03-16 22:35:52
444
原创 嵌入式AI未来会怎样，能发展好吗？
Q：嵌入式 AI 未来发展好吗？A：答案是好，而且会越来越好；但它真正利好的，不是“追热点的人”，而是能把 AI 当成设备功能去落地的人。这件事不会一夜之间把所有嵌入式岗位改写掉，但它大概率会在未来几年里，持续改变设备设计方式、芯片选型逻辑和工程师能力结构。这才是它真正值得重视的地方。欢迎来我的课程学习嵌入式AI。欢迎关注贺老师，一起学习、一起成长。比如加入小编的微信及技术交流群，与高手一起学习。
2026-03-16 22:16:47
496
原创 AI+嵌入式：TinyML在设备预测维护中的真实价值，到底有没有？
很多人第一次接触“预测性维护”：，会有个误区，认为它的核心是“预测未来”。其实在实际设备中，并不是精确的算出“设备将在33天后损坏”，而是能在设备还没彻底坏掉之前，看出它已经开始不对劲了。前者听起来很厉害，适合放在宣传页里。后者听起来没那么炸裂，但更接近工程现实，也更容易给企业带来价值。最后，如果要把 TinyML 在工业预测维护中的真实价值压缩成一句话，那我会这样说：它最有价值的地方，不是让设备显得更高级，而是让那些原来靠阈值抓不到、靠经验又不稳定的早期异常，开始能够被设备自己发现。
2026-03-12 00:14:39
397
原创 Keil 最反人类的设计是什么？答：加文件！（附一键添加工具）
大家好，我是子衡，嵌入式 AI 工程师，《AI+嵌入式：让单片机学会思考》课程主理人，专注AI在 MCU 上的落地实践。（加好友免费领取嵌入式AI资料）欢迎扫描下方的二维码加我好有，可以免费获取这个小工具。做嵌入式开发这么多年，我一直觉得 Keil 是一个很优秀的软件。确实陪很多工程师走过了 STM32、GD32、51、NXP、国产 MCU 的一个又一个项目。很多人打开电脑，写单片机程序，第一反应还是先开 Keil。对于很多嵌入式工程师来说，Keil 甚至已经不只是一个 IDE，而是一种肌肉记忆。
2026-03-12 00:11:18
408
原创 单片机为何以及如何助力实现边缘AI的普及化？
摘要： 随着边缘AI需求激增（预计2035年市场达3568亿美元），嵌入式MCU因低成本、低功耗优势成为关键载体。传统MCU受限于算力，但通过集成NPU加速器（如STM32N6的Neural-ART）、优化AI模型（TinyML）及完善开发生态（如STEdgeAISuite），现已支持边缘AI部署。STM32N6系列具备600GOPS算力、MIPI摄像头接口及硬件加密，结合ST的软件工具链，降低了AI在工业、医疗等实时场景的应用门槛，推动边缘智能普及。 （字数：150）
2026-03-03 23:35:18
562
原创 用最简单的模拟量采集的例子说清楚：STM32这类单片机上运行推理模型的作用！（可收藏备用）
摘要：本文探讨了AI在嵌入式系统中对模拟量信号异常检测的应用价值。作者指出传统阈值检测只能解决边界问题，而AI模型可识别"范围内异常"如信号漂移、噪声增大等问题。TinyML通过建立"正常行为建模"输出异常分数，与硬规则形成互补检测系统。这种方案能更早发现设备性能下降趋势，实现主动维护。文章强调工程落地需关注模型输出的实用性、告警策略的可操作性以及明确的验收标准，使AI真正提升设备可靠性而非仅作为技术展示。
2026-03-03 23:32:10
355
原创 AI+嵌入式：单片机上部署大模型（边缘TinyML）的3类典型用例！
TinyML 在边缘有很多潜在的应用和用例。我们已经探讨了目前常见的东西，但其用例几乎是无限的。TinyML 可用于手势检测、引导和控制等应用。随着边缘设备开始使用 tinyML，问题实际上就变成了“你在边缘使用 tinyML 做什么？
2026-03-01 18:23:19
960
原创 单片机上如何运行AI？单片机如何“学会思考”之TinyML崛起！（含案例，建议收藏）
摘要：TinyML（微型机器学习）是一种在资源受限的微控制器(MCU)上运行的轻量级推理模型，适用于关键词唤醒、异常检测、手势识别等任务。其优势在于低功耗、低延迟和低成本，适合边缘设备本地处理数据。适合TinyML的MCU需满足Flash≥512KB、SRAM≥128KB等条件，并配备DSP指令和DMA外设。文章还提供了可复制的开源案例，如关键词唤醒和人形检测，并推荐了相关学习资源。TinyML正成为主流，因其在隐私保护、实时响应和成本控制方面的优势。
2026-03-01 18:18:57
1028
原创 AI时代，单片机从业者还有未来吗？应该何去何从？
摘要 AI技术正在深刻影响单片机行业，能够完成代码生成、优化、调试和文档编写等工作，对初级开发者、DIY工程师和测试岗位构成较大威胁。然而，高级系统架构、底层驱动开发、硬件安全以及AI与嵌入式结合等领域仍具有发展前景。从业者应主动学习AI技术、提升系统设计能力，并善用AI工具提高效率，从而在AI时代保持竞争力。单片机工程师若仅掌握基础技能将面临淘汰风险，但若能向高端技术转型，将迎来新的职业机遇。
2026-02-26 22:19:03
1027
原创 AI模型跑云端已经过时了！单片机上本地运行大模型的3大碾压优势
一起往上涨（大家应该知道Deepseek的API也是要收费的吧），更不要想自己部署Deepseek的成本了，完整部署一个满血版Deepseek的纯硬件成本在大几百万。真正传出去的，可能也只是结果，比如「有人/无人」，「异常/正常」，「告警等级 」等这种几个字节的信息，对外面看的话基本就是黑盒，拿不到完整的画面、声音、工况曲线。原来每台设备要实时往云端上传一堆原始数据，现在只需要再出现异常时，上传一次「告警事件」云端 AI 不会消失，本地 MCU 也不会取代云，而是形成「分工明确的组合拳」。
2026-02-26 21:19:06
876
原创 玩嵌入式AI时，获取Tensorflow lite micro源码的6种途径以及选择建议！（收藏备用）
本文总结了7种获取TensorFlow Lite Micro(TFLM)源代码的方法：1）从官方独立仓库clone最新完整代码；2）从TensorFlow总仓获取旧版子目录；3）通过Arduino官方库获取裁剪版；4）从芯片厂商SDK中获取优化版（如STM32的X-CUBE-AI）；5）使用作者精简的教学课程仓库版本；6）通过生成工程间接获取；7）从EdgeImpulse等工具导出。针对不同开发需求推荐了相应的获取方式，如STM32开发推荐使用X-CUBE-AI中的优化版本，快速上手可选择Arduino库，
2026-02-21 17:06:20
9285
原创 一篇文章讲清楚：在单片机上部署AI的整个流程！（TinyML+STM32）
本文介绍了将AI模型部署到单片机的完整流程，主要分为8个步骤：1)数据采集，强调真实性和全面性；2)数据预处理，需保持PC端与MCU端一致性；3)模型设计，需考虑MCU资源限制；4)评估优化，关注模型大小、内存和时延等；5)模型转换，将TensorFlow转为TFLite格式；6)部署模型，使用TensorFlow Lite Micro在MCU运行。重点讲解了数据采集的关键作用、预处理的重要性以及部署时的注意事项，为嵌入式AI开发提供了实用指导。
2026-02-21 10:37:49
1166
原创 嵌入式AI：STM32F103运行TinyML，正弦波模型的性能分析！
从下面图片可以看出，Flash和RAM的实际占用大小如下：Flash 实际占用 = text + data = 156812 + 108 =156920 字节（≈153.24 KB）RAM 实际占用 = data + bss = 108 + 5128 =5236 字节（≈5.11 KB）在STM32F103运行正弦波模型这件事，证明了下面两点。
2026-02-15 01:22:29
1275
原创 嵌入式AI：TinyML 是什么？它与传统人工智能有什么区别？
TinyML是机器学习在嵌入式设备上的应用分支，专注于在资源受限的微控制器（MCU）上实现AI推理。与传统云端AI不同，TinyML具有以下特点：1）直接在设备端完成数据采集、推理和动作执行；2）运行环境苛刻（KB级内存、mW级功耗）；3）采用静态内存分配和精简算子；4）适用于唤醒词检测等轻量级场景。TinyML不是新算法，而是AI在极端资源约束下的工程实现方式，使智能设备摆脱云端依赖，实现本地化实时处理。其核心价值在于将AI能力下沉到最靠近传感器的终端设备。
2026-02-15 01:18:07
756
原创 嵌入式AI：TinyML为什么会存在，因为云端AI并不总是最优解
【摘要】课程《AI+嵌入式：让单片机学会思考》引发对TinyML价值的讨论。针对"为何不用云端AI"的质疑，文章从三个维度阐述TinyML的不可替代性：1）高可靠性：在弱网环境下保持基础功能运行；2）快速响应：本地推理实现确定性的低延迟；3）数据筛选：避免高频连续流数据的全量上传成本。TinyML特别适用于网络不稳定、要求实时响应或需处理大量原始数据的场景，如工业控制、安全监测等。当项目涉及弱网环境、严格时延要求或高频数据流时，TinyML应作为优先考虑方案。（149字）
2026-02-14 23:16:48
842
原创 TinyML适合在哪些MCU上运行？怎么评估我们的MCU能不能运行TinyML？（赠评估手册）
下面我们通过一些“官方”的文章/资料来了解清楚已经被定义或者验证可运行TinyML的MCU。
2026-02-14 22:43:18
1271
原创 AI+嵌入式之：从0到1将TinyML部署到国产单片机GD32F103（附详细步骤，建议收藏）
目标板：淘宝上购买的GD32F103VET6的核心板。下载调试：J-link-OB串口：USB转TTL工具。
2026-02-14 17:04:32
667
原创 嵌入式AI：用小白工程师可以理解的语言讲清楚，机器学习中的“分类”和“回归”
上面仅仅是通过两个例子让读者朋友们可以理解什么是“分类”和“回归”。其实还有非常非常多问题需要解答：其中神经网络是怎么实现的分类？怎么实现的回归？怎么进行拟合曲线？过拟合怎么处理？怎么让拟合的曲线更接近真实值？具体是选择线性回归还是非线性回归？…………还有非常多的问题需要学习。欢迎关注小编，一起学习、一起成长。比如加入小编的微信及技术交流群，与高手一起学习。
2026-02-14 16:58:07
373
原创 在STM32F103单片机上跑通AI模型：为什么选正弦波作为Hello World？
摘要 本文回应了关于在STM32F103上使用TinyML实现正弦波函数的质疑，解释了选择sin(x)作为入门案例的三个原因：1) 作为回归问题的典型示例，模型结构简单且训练收敛容易；2) 误差可视化直观，便于初学者理解；3) 数据集生成方便，无需依赖真实传感器。同时论证了在STM32F103有限的资源(72MHz主频、256KB Flash、48KB RAM)上运行TinyML模型的可行性，实测显示仅需约151.7KB Flash和5.03KB RAM，资源占用非常轻量。
2025-12-13 17:41:35
1278
原创 资料共享：可以显示波形的串口调试助手（附赠通信协议）
摘要：本文分享了一款免费串口波形显示工具，该工具是"AI+嵌入式"课程配套资源。主要功能包括：1）支持4条曲线实时波形显示；2）静态波形分析，可缩放拖动查看历史数据；3）支持8/16/32位及浮点型4种数据精度；4）提供数据统计和原始数据显示；5）具备串口调试基础功能，自动识别串口并支持多种波特率。工具采用简单通讯协议，适合嵌入式开发调试使用。
2025-12-04 23:37:10
494
原创 “大厂面试官偷偷透露：会STM32+AI的候选人，薪资直接×2！这课把「硬件AI化」全教给你！
《AI赋能嵌入式开发：STM32单片机智能化转型趋势》 近期发布的STM32部署AI系列文章引发行业关注，传统MCU正加速拥抱AI技术。随着边缘计算爆发，嵌入式工程师面临技能升级的迫切需求。作者开发的《AI+嵌入式》课程已帮助多位学员实现职场突破，包括成功通过大厂AI相关岗位面试的典型案例。课程提供从环境搭建到模型部署的全流程实战，涵盖人脸识别、故障预测等典型应用场景，助力工程师将传统设备改造为智能终端。当前AI技术正在重塑嵌入式领域，掌握AI能力的工程师薪资涨幅可达200%，及时掌握这一趋势将成为职场竞争
2025-11-18 23:12:45
412
原创 为什么STM32这种MCU也要“跑AI”？怎么跑？
为什么STM32这种MCU也要“跑AI”？STM32 这类主频不过百兆、存储只有 KB/MB 级的 MCU，明明算力有限，为什么还要费劲让它 “跑 AI”？不如直接用云端计算？为何不适用更强的 NPU 芯片？……今天我将重点回复一下大家的一个疑问：为什么STM32这种MCU也要“跑AI”？在回答问题之间，我们需要要先澄清一件事：当我们说要把“AI”塞进MCU的时候，不是把一个会背百科全书、会写作文的大模型全部放到MCU中；而是针对一个特定的场景、特定的任务训练出来的小模型。
2025-11-06 23:44:05
1090
原创 当AI在STM32这类单片机上跑起来，你的老经验就不值钱了！
摘要：随着AI技术发展，嵌入式行业正经历深刻变革。传统单片机技能如驱动编写、通信协议等基础能力正在贬值，企业更需求能实现"智能思考"的嵌入式系统。作者指出，现代嵌入式工程师需要掌握将AI模型部署到MCU的能力，如数据采集、低功耗推理设计、模型转换等。文章分享了自己将语音唤醒模型部署到ESP32、CNN部署到STM32H7的实践经验，强调AI不会取代嵌入式工程师，而是提供了重塑设备智能化的新机遇。作者正整理相关实战经验，推出面向嵌入式工程师的AI+MCU课程。
2025-10-27 23:50:00
1436
原创 【毕业设计023】-基于STM32单片机的信号发生器设计（原理图、源代码、PCB、开题报告、论文等）
本系统以单片机STM32F103为控制核心,通过按键输入所需波形参数的数字量,然后由STM32F103自带的DA把数字量转换成模拟量来调整波形的幅值、频率及方波的占空比；（5）显示部分采用TFT液晶，实时显示其波形名称，幅值、频率以及占空比参数变化。（2）按键应用的是独立按键，用来切换波形、时钟，幅值，频率以及占空比；（3）其频率的调解就是调节其中断间隔的时间，幅值就是调节其数字的大小；（1）电压步进100mV,频率步进50Hz，方波占空比可调；（4）为了波形的合成，采用的点的个数都是128个；
2024-04-05 22:42:17
3743
1
原创 基于51单片机的超声波测距仪设计
波在空气中的传播速度为已知，测量声波在发射后遇到障碍物反射回来的时间，根据发射和接收的时间差，最终计算出发射点到障碍物的实际距离。单片机为控制平台，通过细化设计要求，结合传感器技术相关知识实现超声波测距仪的功能。由单片机系统及显示电路、超声波发射电路和超声波接收电路三部分组成。和超声波转换模块的控制。
2024-04-05 17:04:57
607
原创 基于STM32的电子钟与万年历设计
(1). 采用 STM32F103ZET6作为主控芯片， 负责驱动其他外设模块。(3). TFT(LCD)彩色显示屏 正点原子的3.5寸触摸屏（NT3510）（7）字库存放在W25Q128（FLASH）里，从第0个地址开始寻址。(2). 实时时钟采用 STM32 本身的 RTC。(4). DS18B20 温度传感器。（6）支持代码设置闹钟，可以设置N组。链接：后台私信我获取资料下载链接。（1）指针式时钟显示。（4）自定义数据显示。
2024-04-05 02:36:33
1138
2
TInyML从入门到精通：嵌入式AI基于TinyML的微型机器学习系统设计：智能设备端推理与低功耗优化
2026-02-27
基于STM32单片机的信号发生器设计
2024-04-05
基于单片机技术的电子抢答器论文仿真资料
2024-04-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人