基于单片机的步进电机控制系统的研制

以AT89S51单片机为核心构成步进电机的控制系统。设计了步进电机驱动电路、键盘设定与显示电路,并进行了系统软件设计。重点阐述了脉冲产生电路以及对速度的控制。该系统成本低、控制方便、控制精度高。     

便携式多参数采集仪表的设计

介绍了以IAP15F2K61S2单片机为控制器的多参数采集仪表的硬件设计及软件流程,该仪表通过数字传感器实现外界温、湿度、光照度、大气压强等参数的采集,通过COG段码液晶模块显示输出,同时可根据需求将存储数据通过串口上传到PC机,具备实时时钟、低电压监测、待机模式等功能。该仪表设计集成化、数字化程度较高,成本低,便于携带;硬件稍作改动可方便移植到机房、温室、家居等环境监测领域,有较好的市场应用前景。     

高性能MCU的FPGA原型验证系统研究与平台实现

本文研究并实现了一种基于Cortex-A7核的高性能MCU在FPGA原型阶段的验证平台。该设计研究可以针对高性能MCU芯片或其FPGA原型验证阶段的软硬件验证环境快速搭建,通过交互式、软硬件协同的方式对MCU芯片各个模块功能进行实时、可靠的功能验证。高效的FPGA原型验证可以提高MCU研发速度、缩短验证时间、提高验证效率、及时发现芯片设计的缺陷、缩短芯片研发周期。     

基于ZYNQ飞艇囊体应变在线监测系统设计

针对当前高空飞艇囊体的应变实时测量装置无法同时具备体积小和实时测量的工作属性,创新性地用光学器件和感光元件配合,对工作中飞艇囊体两个固定点的相对位移量进行测量,提出了一种能够在线监测飞艇囊体应变的测量装置,能够实现应变在线测量且测量精度高;采用TCD1500C电荷耦合器件作为数据来源;主芯片采用ZYNQ处理器,ZYNQ能够具备FPGA的并行处理能力和Cortex的数据调度能力,能够处理CCD高速数据;通过自定义IP核,使用PS端与PL端互联AXI协议,实现了高速、大量数据传输;为了得到应变信号,采用了将应变信号转化为位移信号进行采集的方法,之后将位移信号采集存储至SD卡中并周期性显示到上位机上,实现地面对飞艇囊体应变的实时监控;实现了飞艇囊体应变的实时测量并把测量精度提高至0.1％.     

一种面向2D-Mesh拓扑结构的片上网络容错路由算法设计与分析

介绍了片上网络的拓扑结构和路由算法和故障模型,提出了一种适用于NoC 2D-Mesh结构的容错性路由算法,可以根据邻居节点的状态动态的选择路由。通过仿真证明了在均匀随机流量模式下,相对于XY路由算法,使用该算法吞吐量更高,平均端到端时延更小。     

重力式芯片处理机监控系统设计

重力式芯片处理机是依靠重力作用进行芯片分类收纳的设备,广泛应用于芯片生产线末端分类筛选工作。为了解决原系统设置参数不灵活、不能查询历史报警、无权限操作设置、卡机率(JAM率)高和运行速度慢等问题,采用PLC和触摸式人机控制系统,优化了系统结构,实现了多功能人机交互、动态数据库管理、实时报警查询和账户安全管理的功能,使芯片处理速度达到3 500n/h,JAM率低于0.5‰,设计达到工艺指标要求。     

基于PIC单片机的智能充电器设计

针对现有充电器存在的问题和不足,设计了一款基于PIC单片机的智能充电器.可利用单片机功能的灵活性对电池快速充电,通过按键对充电器进行设定,具有良好的人机交互.单片机可以直接生成半桥波,降低成本,并可通过采样电压和电流直接控制占空比来改变输出电压.     

硬质合金可转位刀片槽型有限元分析及研究

利用有限元软件 ANSYS构建出具有复杂截面槽型的硬质合金可转位刀片三维有限元模型。该有限元模型更接近可转位刀片的真实形状 ,并通过切削力试验获得切削力 ,有利于对切削过程中的力学特性进行深入研究     

Probabilistic Bit Stream Neural Chip: Theory

A design for a neural network chip is proposed using probabilistic bit streams to represent real values. This paper analyzes the performance of the proposed neurons in this design and demonstrates that very simple operations can be used to obtain the desired functionality. It is also shown that a suitable ‘activation function’ for neurons of this type can be obtained using the interaction of two probability distributions. Finally, the paper introduces a variant of the back-propagation learning algorithm which involves computing the derivatives of the output with respect to individual weights in a network of such units.