手机用TFT彩色液晶显示驱动芯片的可配置接口电路设计

TFT彩色液晶显示驱动芯片的接口电路是手机主机与其显示驱动芯片之间数据通讯的桥梁.常用的接口类型主要有68、80和SPI三种,它们的动作时序与所用信号线各不相同.文章首先分析了这三种接口类型的读写时序,在此基础上提出了与这三种数据格式相兼容的可配置异步接口电路的设计方案,并给出相对应的验证结果及其在0.25μm CMOS工艺库下的综合结果.     

基于FPGA的以太网MAC控制器的实现

以太网IEEE802.3协议根据LAN的特点,把数据链路层分成LLC(逻辑链路控制)和MAC(介质访问控制)两个子层.MAC层协议作为数据帧收发的基础,是以太网技术的核心,主要负责上层数据和物理层的数据流量控制和数据流的检测、校验工作.介绍了基于FPGA的10MHz/100MHz以太网MAC控制器的设计,整个设计用Verilog语言实现.自主设计开发验证板,使用Altera厂商的FPGA(EP1C20F400C8)并验证.     

基于FPGA的高效CTC译码器设计与实现

讨论了基于增强型Max-log-MAP算法的高效CTC译码器的FPGA实现方案,使译码器在较低复杂度的前提下具有较高的性能。建立了C语言软件仿真平台下对算法的整体编译码过程进行了验证。在用FPGA实现时,对译码器进行了模块划分,通过对算法流程分析,通过优化设计,采用了交织器、滑动窗等技术提高了译码速度,减少了译码所需的存储量。整个设计用VerilogHDL语言描述,最后成功在Altera的CycloneII进行了FPGA实现。     

基于预缓冲机制的低功耗指令Cache

为降低微处理器中片上Cache的能耗,设计一种基于预缓冲机制的指令Cache。通过预缓冲控制部件的预测,使处理器需要的指令尽可能在缓冲区命中,从而避免访问指令Cache所造成的功耗。对7个测试程序的仿真结果表明,预缓冲机制能节省23.23%的处理器功耗,程序执行性能平均提升7.53%。     

基于最优路径的智能车设计与实现

针对城市交通中车辆的智能行驶,以MC9S12XS128单片机为核心控制器,设计并实现了一种基于单目视觉的智能车最优路径控制系统;在简单模拟路况环境下,使用CCD摄像头采集道路信息,先提取二值化图像中的路径信息,再对道路中的不同路况进行分类与识别;构造特殊的路网带权有向图,使用Dijkstra算法计算两顶点间的最优路径;通过分析路径上顶点间的关系得到最优路径控制策略,进行速度和特殊转向控制;实验表明:单片机在48MHz下能够稳定地处理数据,实现了智能车点到点的最优路径自主行驶。     

超标量DSP的片上调试与实时跟踪支持*

针对嵌入式系统日益严峻的调试挑战,提出并实现了一种基于32 bit超标量DSP内核的片上调试与实时跟踪架构。该架构通过设计专用的跟踪接口与其他硬件资源,并扩展JTAG端口、存储器保护逻辑与流水线控制逻辑,以较低的硬件开销实现对内核的实时运行控制、内部寄存器与存储器的非侵入访问、带复杂触发条件的断点与观察点设置、硬件单步以及程序流的实时跟踪等典型特征的支持,可满足绝大部分嵌入式系统的开发与调试需求。     

机载异构网络多优先级多径QoS路由协议研究

为了保障机载全域异构柔性网络中多种优先级业务的不同QoS需求,提出一种多优先级多径QoS路由(multi-priority and multi-path based QoS routing,MP2R)协议。该协议综合考虑路由有效性和可靠性指标,并基于强拆继续型服务策略的多优先级M/M/1系统,构造了路由代价惩罚函数,通过最优化理论对函数求解最小值,从而制定最优路由选择策略。基于机载网络模型路由仿真研究结果表明,MP2R协议不仅具有多业务类型的区分服务和QoS保障能力,而且能够合理利用网络资源,避免网络拥塞,实现负载均衡,有效满足机载全域异构柔性网络的性能需求。     

用户定制边界扫描结构的设计与自动实现

边界扫描是一种标准化的可测性设计体系结构,已被广泛应用于板级测试、系统片上调试以及IC编程;Longtium R2+微处理器的边界扫描设计采用EDA工具BSD Compiler自动完成,缩短了设计和验证周期;主要介绍了BSD Compiler的设计流程及配置要点,并结合Longtium R2+边界扫描逻辑的具体实现方案,提出了一种利用边界扫描逻辑实现对系统内部逻辑观察与控制的机制。     

基于FPGA的DSP总线实时监控系统设计

针对目前市场上DSP处理器可视性下降的问题,设计了一种可以对DSP处理器总线进行实时监控,从而为DSP调试提供有效支持的监控系统;该系统采用远程控制的方法切换工作模式提高了监控系统的灵活性,设计了相应的安全机制进一步提高了监控系统中数据传输的可靠性;监控系统采用Verilog HDL语言实现,测试模型在FPGA上通过验证;应用结果表明,该监控系统运行稳定可靠,具有一定的实用性和推广价值。     

基于深度学习的实时图像目标检测系统设计

针对图像目标检测的嵌入式实时应用需求,采用合并计算层的方法对基于MobileNet和单发多框检测器(SSD)的深度学习目标检测算法进行了优化,并采用软硬件结合的设计方法,基于ZYNQ可扩展处理平台设计了实时图像目标检测系统。在系统中,根据优化后的算法设计了一款多处理器核的深度学习算法加速器,并采用PYTHON语言设计了系统的软件。经过多个实验测试,深度学习目标检测系统处理速度可以达到45FPS,是深度学习软件框架在CPU上运行速度的4.9倍,在GPU上的1.7倍,完全满足实时图像目标检测的需求。