c语言中fl,用C语言操作SPMC75内部FLSASH.doc

本文详细介绍了如何使用C语言来操作SPMC75系列单片机的内部Flash,包括其硬件资源分析、Flash控制寄存器的设置以及擦除和写入操作。关键步骤包括对P_Flash_RW和P_Flash_Cmd寄存器的连续两次写操作以防止误写,并提供了相关指令功能和操作流程。
摘要由CSDN通过智能技术生成

用C语言操作SPMC75内部FLSASH

用C语言操作SPMC75内部FLSASH文章来源:凌阳单片机推广中心? 发布时间:2006-2-16 12:17:43

摘? 要: SPMC75系列单片机的内部程序存储器采用Flash,其中有一部分Flash在程序自由运行模式下可以由程序擦除、写入,本文主要介绍采用 C语言编程操作SPMC75系列单片机内部Flash的方法。关键词:SPMC75 ?1?引言  支持C语言几乎是所有微控制器程序设计的一项基本要求,当然SPMC75系列单片机也不例外。μ'nSPTM 指令结构的设计就着重考虑对C语言的支持,GCC就是一种针对μ'nSPTM 操作平台的ANSI-C编译器。但是在应用中对于程序的设计,特别是C和ASM混合使用的时候有些地方是需要注意的,在C中如何嵌入ASM也是一个不可回避的问题。

2?SPMC75单片机FLASH硬件资源分析  SPMC75系列微控制器Flash分为两区:信息区和通用区,在同一时间只能访问其中的一区。信息区包含64个字,寻址空间为0x8000 ~ 0x803F。地址0x8000为系统选项寄存器P_System_Option。其他地址空间可由用户自定义重要信息比如:版本控制、日期、版权、项目名称等等。信息区的内容只有在仿真或烧录的状态下才能改变。  32k字的内嵌Flash(embedded Flash)被划分为16个页,每页2K字,每页可分为8块,这样32K的Flash就可以分成128个块。只有位于00F000 ~00F7FF区域的页在自由运行模式下可以设置为只读或可读可写,其他页均为只读。SPMC75系列微控制器的32K字的内嵌式闪存结构入下图2-1和图2-2。

图2-1信息区结构?     ?????????????? 图2-2页和帧结构

2.1? FLASH操作◆ FLASH相关寄存器  Flash有两个控制寄存器:P_Flash_RW ($704D)和P_Flash_Cmd? ($7555).。  P_Flash_RW ($704D)是Flash访问控制接口,用连续两次写操作进行设置,这样避免误写入。首先向该寄存器写入$5a5a,然后在16个CPU时钟周期内再向该寄存器写入设置字。

表 2-1 Flash寄存器和系统寄存器

地址

寄存器

名称

704Dh

P_Flash_RW

内嵌 Flash 的访问控制寄存器

7555h

P_Flash_Cmd

内嵌 Flash 的控制寄存器

P_Flash_RW ($704D):内嵌的Flash访问控制寄存器  P_Flash_RW ($704D)是Flash访问控制接口,用连续两次写操作进行设置,这样避免误写入:首先向该寄存器写入$5a5a,然后在16个CPU时钟周期内再向该寄存器写入设置字。

B15

B14

B13

B12

B11

B10

B9

B8

R

R/W

R

R

R

R

R

R

1

0

1

1

1

1

1

1

保留

BK14WENB

BK13WENB

BK12WENB

BK11WENB

BK10WENB

BK9WENB

BK8WENB

B7

B6

B5

B4

B3

B2

B1

B0

R

R

R

R

R

R

R

R

1

1

1

1

1

1

1

1

BK7WENB

BK6WENB

BK5WENB

BK4WENB

BK3WENB

BK2WENB

BK1WENB

BK0WENB

用控制寄存器将页设置内嵌FLASH为只读或可读可写模式。

\

类型 ( 默认 )

描述

B[15]

保留

B[14]

R/W (0)

Bank 14

Frame 112~119

F000h-F7FFh 访问控制

1= 只读

0= 读 / 写

B[13:0]

保留

P_Flash_Cmd? ($7555):内嵌的Flash访问控制寄存器  用于处理Flash的指令,见表2-3

B15

B14

B13

B12

B11

B10

B9

B8

W

W

W

W

W

W

W

W

0

0

0

0

0

0

0

0

FlashCtrl

B7

B6

B5

B4

B3

B2

B1

B0

W

W

W

W

W

W

W

W

0

0

0

0

0

0

0

0

FlashCtrl

表 2-2 指令功能和操作流程

块擦除

单字写模式

连续多字写模式

第一步

P_Flash_CMD = 0xAAAA

第二步

[ P_Flash_CMD ] = 0x5511

[ P_Flash_

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。深度学习模型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型,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型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型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,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型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、模型的解释性差、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