立创EDA（专业版）使用体验（持续更新中）
文章目录前言一、立创EDA标准版与专业版对比二、专业版原理图主题颜色设置建议前言立创EDA作为国产EDA软件，上手非常容易，对于有AD等其它EDA软件制版经验的用户来说，用不到半天的时间就可以轻易上手，在我看来最特殊的地方在于，它提供了器件概念，器件 = 符号 + 封装 + 3D模型，只允许放置器件在原理图画布中。加强库的复用。一、立创EDA标准版与专业版对比专业版相较于标准版拥有非常多的附加功能，当然，标准版功能虽然少，但对于完成比较小规模的电路板来说更方便，比如一些放大，低阶滤波等各种小型功能
STM32学习笔记 一、基于STM32F103C8T6最小系统板和STM32CubeMX实现板载LED灯循环闪烁
文章目录一、配置CubeMX1.1 新建工程1.2 时钟配置1.3 Debug配置1.4 GPIO配置1.5 项目设置二、Keil配置2.1 写逻辑代码2.2 设置debug三、现象一、配置CubeMX1.1 新建工程工程选择STM32F103C8Tx芯片1.2 时钟配置打开RCC时钟外部输入，读原理图发现外部时钟有8MHz和32768Hz，外部8MHZ可以使得时钟达到最高的72MHz，没有外部8MHZ内部时钟最高能调到64MHz。没有外部32768Hz，内部的RTC模块工作不正常，这里我们只
SWD模式下下载程序出现“Flash download failed-Cortex-M3“报错的解决办法
在SWD模式下，Debug菜单中，Reset菜单选项（Autodetect/HWreset/sysresetReq/Vectreset）默认是AutoDetect，改成SysResetReq即可。
STM32学习笔记 二、基于STM32F103C8T6和STM32CubeMX实现UART串口通信数据收发
系列文章目录一、基于STM32F103C8T6最小系统板和STM32CubeMX实现LED灯循环闪烁文章目录系列文章目录前言一、配置CubeMX二、逻辑代码部分前言这次我用的板子是一个用STM32F103C8T6作为主控芯片的一个数据采集卡，两个LED灯连接的引脚是PB3与PB4，TX与RX引脚分别是PA9和PA10。一、配置CubeMX1、新建工程;2、配置时钟源，在RCC里面的HSE配置的是晶振时钟;3、配置程序烧录引脚SYS为SWD模式;4、配置GPIO口，配置一个LE
2017年电赛国赛H题《远程幅频特性测试装置》训练总结（DDS信号源部分）
文章目录前言一、模块介绍二、实测中发现的问题1.DDS不经处理直接产生的小信号不忍直视2.负载电阻600Ω前言作为我们实验室做的第一道国赛训练题，虽然这题被我们老师降维了，把双绞线的功能削弱了，但整体还是具有一定难度，一些模块有许多细节问题。觉得还是很有必要小小总结一下，也当是做了一个简约版的设计报告吧。本人负责题目的硬件部分，所以讲解部分会偏硬件方面多一点。提示：以下是本篇文章正文内容，下面案例可供参考一、模块介绍DDS信号源部分我们使用AD9959模块，这应该也是比赛的时候用的最多的模块
2017年电赛国赛H题《远程幅频特性测试装置》训练总结（放大器部分）
文章目录前言一、放大器1.模块简介2.实测遇到的问题及解决方式3.VCA821与AD8367两个放大模块的对比前言前一篇主要总结了硬件部分信号源模块，这一篇就来说说信号源之后的放大器部分。一、放大器我们采用级联电压控制增益放大器。选用具有45dB增益可调的可控增益放大器AD8367级联，通过外加控制电压的连续变化实现增益连续可调，电路原理简单，控制灵活。1.模块简介AD8367是一款高性能可变增益放大器，设计用于在最高500MHz的频率下工作。从外部施加0至1V的模拟增益控制电压，可调整45
2017年电赛国赛H题《远程幅频特性测试装置》训练总结（信号接收采集部分）
文章目录前言一、频率特性测试原理简介二、检波电路1.方案介绍①AD835乘法器同步检波电路+低通滤波+ADC采样②AD8310峰值检测电路+ADC采样三、测试幅频特性的时候应该注意的问题1.排除系统自身的异常幅频特性2.示波器XY模式的调节3.信号源扫频模式的调节4.软件扫频周期的设置总结前言前两篇主要总结了硬件部分的信号源以及放大器模块，这一篇就来说说这一题的关键部分也是最后一部分----信号采集部分。因为我们老师对双绞线的功能进行了削弱，只把它当被测网络处理，故这里不再添加加法器把幅频信号叠加在
2019年电赛国赛D题《简易电路特性测试仪》训练总结----题目引入与概述
系列文章链接目录一、2017年电赛国赛H题《远程幅频特性测试装置》训练总结（DDS信号源部分）二、2017年电赛国赛H题《远程幅频特性测试装置》训练总结（放大器部分）三、2017年电赛国赛H题《远程幅频特性测试装置》训练总结（信号接收采集部分）文章目录系列文章链接目录前言一、题目要求二、作品实物图展示三、题目总体分析四、总体方案描述与系统框图总结前言 《简易电路特性测试仪》这一题是我们实验室做的第二道国赛训练题，同时也是我个人非常喜欢的一道题，因为这题也是当年国赛夺杯的题目。此题不仅完美诠释
2019年电赛国赛D题《简易电路特性测试仪》训练总结----待测三极管共射放大电路部分
系列文章链接目录一、2017年电赛国赛H题《远程幅频特性测试装置》训练总结（DDS信号源部分）二、2017年电赛国赛H题《远程幅频特性测试装置》训练总结（放大器部分）三、2017年电赛国赛H题《远程幅频特性测试装置》训练总结（信号接收采集部分）一、2019年电赛国赛D题《简易电路特性测试仪》训练总结----题目引入与概述文章目录系列文章链接目录一、原题分析1.1题目要求1.2要求分析1.3待测电路焊接实物图二、仿真分析2.1 Multisim仿真电路图2.2 Multisim中2N9013怎么
[深度学习论文笔记] U-Net: Convolutional Networks for Biomedical Image Segmentation （用于生物医学图像分割的卷积网络）
[深度学习论文解读] U-Net: Convolutional Networks for Biomedical Image Segmentation （用于生物医学图像分割的卷积网络）Unet论文：http://www.arxiv.org/pdf/1505.04597.pdfUnet源代码：https://github.com/jakeret/tf_unet发表于：2015 MICCAI一、基本介绍1.1历史背景卷积神经网络（CNN）不仅对图像识别有所帮助，也对语义分割领域的发展起到巨大的促进作
[深度学习论文笔记] UNet++: A Nested U-Net Architecture for Medical Image SegmentationUNet++
[论文解读] UNet++: A Nested U-Net Architecture for Medical Image Segmentation（UNet++：一种用于医学图像分割的嵌套U-Net结构）Unet论文：https://arxiv.org/pdf/1807.10165Unet源代码：https://github.com/MrGiovanni/UNetPlusPlus发表：2018 DLMIA一、基本介绍1.1历史背景图像分割的SOTA模型有各种基于像U-Net和FCN解码编码结构的
[深度学习论文笔记] 3D U2-Net: A 3D Universal U-Net for Multi-Domain Medical Image Segmentation
[论文解读] 3D U2-Net: A 3D Universal U-Net for Multi-Domain Medical Image Segmentation3D-U2网络：一种用于多域医学图像分割的3D通用U网络论文：https://arxiv.org/pdf/1909.06012代码：https://github.com/huangmozhilv/u2net_torch/发表：2019 MICCAI一、基本介绍1.1历史背景U-Net这样的全卷积神经网络已经成为医学图像分割的最新方法
[深度学习论文笔记] Non-local U-Net for Biomedical Image Segmentation 非局部Unet在生物医学图像分割中的应用
[论文解读] Non-local U-Net for Biomedical Image Segmentation非局部Unet在生物医学图像分割中的应用论文：https://arxiv.org/pdf/1812.04103代码：https://github.com/divelab/Non-local-U-Netshttps://github.com/Whu-wxy/Non-local-U-Nets-2D-block数据集(未开源)：3D多模态婴儿脑部MR图像发表：2020 AAAI一、基本介绍
[深度学习论文笔记] nnU-Net: Breaking the Spell on Successful Medical Image Segmentation（nnunet）
[深度学习论文解读] nnU-Net: Breaking the Spell on Successful Medical Image Segmentation（nnU-Net: 破除魔咒，一个成功的医学图象分割技术）Published：2019论文：https://arxiv.org/pdf/1904.08128v1.pdf论文：https://arxiv.org/pdf/1809.10486代码：https://github.com/MIC-DKFZ/nnunet一、基本介绍1.1历史背景
[Linux ]安装Anaconda、python、验证cuda是否可用
[Linux ]安装Anaconda、python、验证cuda是否可用一、下载Anaconda(下载你所需python版本对应的anaconda)Anaconda的下载有两种途径：①anaconda官网https://www.anaconda.com/products/individual②清华镜像下载（推荐）https://mirror.tuna.tsinghua.edu.cn/help/anaconda/二、Linux环境下安装如果之前安装过话得把之前安装的卸载rm -rf anac
[Linux ]安装或更新服务器驱动
[Linux ]安装或更新服务器驱动一、 卸载原本驱动命令：sudo /usr/bin/nvidia-uninstall卸载过后可能要在宿主机重启虚拟机:llsh start_vm.sh二、安装新的驱动之前 需要先禁用nouveau（以下操作建议在根目录进行）命令： sudo vim /etc/modprobe.d/blacklist.conf在文件的最后面加入以下的内容:blacklist nouveaublacklist lbm-nouveauoptions nouvea
[深度学习论文笔记] TransBTS: Multimodal Brain Tumor Segmentation Using Transformer 基于Transformer的多模态脑肿瘤分割
[深度学习论文解读] TransBTS: Multimodal Brain Tumor Segmentation Using Transformer基于Transformer的多模态脑肿瘤分割论文：https://arxiv.org/pdf/2103.04430代码：https://github.com/Wenxuan-1119/TransBTS发表时间：Mar 2021一、基本介绍1.1胶质瘤胶质瘤是最常见的恶性脑肿瘤，具有不同程度的侵袭性。在磁共振成像(MRI)上自动精确地分割这些恶性肿瘤
[深度学习论文笔记] Inter-slice Context Residual Learning for 3D Medical Image Segmentation
[深度学习论文研读] Inter-slice Context Residual Learning for 3D Medical Image Segmentation基于层间上下文残差学习的三维医学图像分割论文：https://arxiv.org/abs/2011.14155v1代码： https://github.com/jianpengz/ConResNet发表时间：2020 IEEE-TMI一、基本介绍1.1问题动机自动化和精确的三维医学图像分割在帮助医学专业人员评估疾病进展和制定快速治疗
[深度学习论文笔记]3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 从稀疏标注学习密集体分割
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation3D-U-Net：从稀疏标注学习密集体分割Published: MICCAI 2016论文：https://arxiv.org/abs/1606.06650代码：https://github.com/lee-zq/3DUNet-Pytorch/问题动机：在生物医学数据分析中，3D数据是非常丰富的。用分割标签注释这些数据会很困难，因为只有二维切片可以在计算机
[深度学习论文笔记]RA-UNet: A hybrid deep attention-aware network to extract liver and tumor in CT scans
RA-UNet: A hybrid deep attention-aware network to extract liver and tumor in CT scansRA-unet：一个混合的深度注意感知网络，用于在CT扫描中提取肝脏和肿瘤Published: ICONIP2019论文：https://arxiv.org/abs/1811.01328代码：https://github.com/RanSuLab/RAUNet-tumor-segmentation问题动机：  
今日推荐
周排行