IP5209IP5109IP5207IP5108寄存器手册.pdf
英集芯移动电源芯片的IIC寄存器手册，不是数据手册。支持IP5209/IP5109/IP5207/IP5108等芯片，有详细的寄存器地址说明。英集匙利技INJOINIC TECHNOLOGYP5209/P5109/P5207/P51086、12C通讯波形介绍SDANOURMSBAcknowleAcknowledgementSignal From ReceiverSignal From Receiver8Condition(S)RW ACKACK Condition(Py1 2c master写的时候,先传8bit数据,第9个bit读save返回的ack,ack为低代表写入成功,为高代表写入不成功。l2 c master读的时候,最后一个byte传输是 slave返叵数据, master返回nack(高电平),代表读结束:如果 master返回的是ack(低电平),则说明读没有结束, master会继续读所以第九个bit的ack信号要看 master端是读操作还是写操作:因为IP5209/P5109/P5108/P5207只能做save如果往1P5209/P5109/P5108/P5207寄存器写入数据,P5209/P5109/P5108/P5207返回ack为低电平;如果从P5209/P5109/P5108/P5207读取数据,IP5209/|5109/P5108/P5207返回nack高电平),( master必须发NACK,否则会有异常)代表读结束(英集匙利技INJOINIC TECHNOLOGYP5209/P5109/P5207/P51083、寄存器功能描述标示为“ Reserved”的寄存器位有特殊控制作用,不可改变原有的值,否则会出现无法预期的结果。对寄存器的操作必须按照“读-→>修改-->写”来进行,只修改要用到的bit,不能修改其他未用bit的值。1.1 SYS CTLOOffset= Ox01Bit(s)NameDescriptionR/WReset7:5Reserved手电筒检测是否使能RW1. enableO: disableLight enableRW0: disable1 enableBoost enableRW1O: disable1: enableCharger enableRWO disable1: enable0Reserved1.2 SYS CTL1Offset=0x02Bit(sNameDescriptionResetReserved轻载关机使能(0c可设定轻载关机阙|R/W值1:使能| BATLOW轻载关机功能0:关闭 BATLOW轻载关机功能负载插入自动开机R/W1:使能0:关闭英集匙利技INJOINIC TECHNOLOGYP5209/P5109/P5207/P51081.3 SYS CTL2Offset =0x0cBit(s)NameDescriptionR/WReset7:3轻载关机电流阈值设定RW00100n * 12mA当BAT电流小于设定阈值时,持续325米机注意:此电流设定阈值需要大于100mA2:0Reserved1. 4 SYS CTL3Offset=0x03it (s)NameDescriptionR/WReset7:6长按按键时间选择010:1S01:2s10:3S11:4S1:连续两次短按(两次短按在15内)R1关札功能使能O:连续两次短按(两次短按在15内)关机功能关闭4:0Reserved1.5 SYS CTL4Offset =0x04Bit(s)NameDescriptionR/WReset7:6关机时间设定R/W11:64s10:3201:16s00:8sV|N拔出是否开启 BOOST11:开启0:不开启4:0Reserved(i)英集匙利技INJOINIC TECHNOLOGYP5209/P5109/P5207/P51081.6 SYS CTLSOffset = 0x07Bit(s)NameDescriptionR/WResetReservedNNTC功能使能R/W:使能1:关闭ReservedR/W按键开关WLED于电筒方式选择:0:长按251:短按两次按键0按键关机方式选择:R/W0:短按两次按键1:长按251.7 Charger_ CTIOffset=0x22Bit(s)NameDescriptionR/WReset7:5Reserved3:2充电欠压环设定(充电时输出端voUT的R/电压)11:4.83V10:4.73V01:4.63V00:4.53V注:在充电的时候C会检测输出voUT的电压来自动调整充电电流,当VOUT的电压大于改置值时就以最大电流对充电充电,小于设定值时就自动减小充电电流以维持此电压;如果客户要求边充边放状态下可在输出端加采样电阻检测边充边放状态输出端的负载电流大于100mA时可把欠压环设置为最高,优先对外部负载充电1:0Reserved英集匙利技INJOINIC TECHNOLOGYP5209/P5109/P5207/P51081.8 Charger CTL2Offset=0x24Bit(s)NameDescriptionR/WResetReserved6:5BAT电池类型选择R/W0011: RESERVED10:4.35V电池01:43V电池00:4.2V电池4:3RESERVED2:1恒压充电电压加压设置1011:加压4210:加压28mV1:加压1400:不加压注:4.30V/4.35V建议加压14mV;4.2V建议加压28mV;如果客户需要支持44V的电芯,可以在435V电池的基础上选择加压48mV,充饱由MCU检测到电池电压大于44V,电流小于200MA才认为是电芯充饱了Reserved1.9 CHG DIG cTL4Offset = 0x26Bit(s)NameDescriptionR/WResetReserved电池类型内部寄存器设定还是外部setP|设定|RW选择1:外部 VSET PIN设置内部寄存器设置如果是该bit为0,可通过0x24寄存器的bit6:5来设定电池类型5:0Reserved英集匙利技INJOINIC TECHNOLOGYP5209/P5109/P5207/P51081.10 CHG DIG CTL4Offset=0x25Bit(s)NameDescriptionR/WReset7:5Reserved充电电流设置(设置为电氾端电流)R/W10111lbat=b0*0.1+b1*0.2+b2*0.4+b3*08+b4*1.6A注:默认值为1011123A左右1.11 MEP CTLOOffset = 0x51it (s)NameDescriptionR/WReset7:6Reserved5: 4 LIGHT selLGHT功能选择R/W0000: WLED01: GP10210: VREF11: Reserved3: 2 L4_selL4的功能选择R/W00:L401:GP|o110: Reserved11: Reserved1:0L3_seL3的功能选择R/W01: GPIO010: Reserved11: Reserved1.12 MFP CTL1Offset=0x52sit(s)NameDescriptionR/WReset7:4ReservedR/W3: 2 VSET selVSET功能选择W0000:电池电压选择PN)英集应利P5209/P5109/P5207/P510801: GP10410: Reserved11: Reserved1: 0 RSET seRS氏T功能选择R/W0000:电池内阻选择PN01:GP|O310: Reserved11: Reserved1.13 GPIO CTL2Offset =0x53 default oxoBit(sNameDescriptionR/WReset7:5Reserved4:0 GPIO_ INEN GPIO[4: 0]input enableRW00: Disable1: Enable1.14 GP0 CTL2Offset= Ox54 default oxoBits)NameDescriptionR/WReset7:5Reserved4: 0 GPIO_OUTEN GPIO[4: ]output enableRW00: Disable1: Enable在丌启 Output之前,需要先将data配好1.15 GPO CTL3Offset =0x55Bit(s)NameDescriptionR/w Reset7:5Reserved4:0 GPIO DATGPIO[4: 0]DATAR/W0(i)英集匙利技INJOINIC TECHNOLOGYP5209/P5109/P5207/P51082.1 BATVADC DATOOffset =Oxa2Bit(s)NameDescriptionR/WReset7:0 BATVADO7:| BATVADC数据的低8bitRO2.2 BATVADC DAT1Offset Oxa3Bit(s)NameDescriptionR/VReset7:6Reserved5:0 BATVADC[13: BATVADC数据的高6btR8]VBAT=BATVADC*0. 26855mv+2.6VBATVADC VALUE low =l2C Read Byte( 12C SLAVE ADDR, Oxa2);//low 8bitBATVADC VALUE high=12c Read Byte(I2C SLAVE ADDR, Oxa3); //high 6bitf( BATVADC VALUE high&0x20)=0x20)//补码BATVOL[=2600-("BATVADC VALUE low +((BATVADC vaLUe high & 0x1F)*256+1)*0.26855else//原码BATVOL[]=2600+(BATVADC VALUE low+BATVADC_ VALUE high *256)*0.26855; //mv 24i
- 2020-12-11下载
- 积分：1
卷积神经网络CNN学习笔记 pdf
个人整理的CNN学习笔记，所有素材均来自于互联网。把经典的摘之以作备案，待整理好这份笔记后，发现对CNN也有了深入理解，希望对你也有帮助！LOCALLY CONNECTED NEURAL NETCONVOLUTIONAL NETSTATIONARI? Statisties issimilar at dif ferent locationsLearn multiple filters.Example: 1000x1000 image1M hidden unitsFilter size: 10x10E.g. 1000x1000 image100M parameters100 FiltersFilter size: 10x10u鴻網互聯EEIDEE下面的分析来源于:htp/ log csdn. net/zouxy09/ article/details,/8781543我们知道,隐含层的每一个神经元都连接10x10个图像区域,也就是说每一个神经元存在10x10=100个连接权值参数。那如果我们每个神经元这100个参教是相同的呢?也就是说每个神经元用的是同一个卷积核去卷积图像。这样我们就只有多少个参数??只有100个参数啊!!!亲!不管你隐层的神经元个数有多少,两层间的连接我只有100个参数啊!亲!这就是权值共享啊!亲!这就是卷积神经网络的主打卖点啊!亲!(有点烦了,呵呵)也许你会问,这样做靠谱吗?为什么可行呢?好了,你就会想,这样提取特征也忒不靠谱吧,这样你只提取了一种特征啊?对了,頁聪明,我们需要提取多种特征对不?假如一种滤波器,也就是一种卷积核就是提出图像的一种特征,例如某个方向的边缘。那么我们需要提取不同的特征,怎么办,加多几种滤波器不就行了吗?对∫。所以假设我们加到100种滤波器,每种滤波器的参数不一样,表示它提出输入图像的不同特征,例如不同的边缘。这样每种滤波器去卷积图像就得到对图像的不同特征的放映,我们称之为 Feature Map。所以100种卷积核就有100个 Feature Map。这100个 Feature Map就组成了一层神经元。到这个时候明了了吧。我们这一层有多少个参数了?100种卷积核x每种卷积核共享100个参数=100×100=10K,也就是1万个参数。才1万个参数啊!亲!(又来了,受不了了!)见上图右:不同的颜色表达不同的滤波器嘿哟,遗漏一个问题了。刚才说隐层的参数个数和隐层的神经元个数无关,只和滤波器的大小和滤波器种类的多少有关。那么隐层的神经元个数怎么确定呢?它和原图像,也就是输入的大小(神经元个数)、滤波器的大小和滤波器在图像中的滑动步长都有关!例如,我的图像是1000×1000像素,而滤波器大小是10×10,假设滤波器没有重叠,也就是步长为10,这样隐层的神经元个数就是(1000×1000y(10×10}=100×100个神经元了,假设步长是8,也就是卷积核会重叠两个像素,那么……我就不算了,思想懂了就好。注意了,这只是一种滤波器,也就是一个 Feature Map的神经元个数哦,如果100个 Feature Map就是100倍了。由此可见,图像越大,神经元个数和需要训练的权值参数个数的贫富差距就越大。CONV NETS: EXTENSIONSBypool ing"(e. g. max or average)filterresponses at different locations we gain Over the years. some new medes have proven to be veryrubustness to the exact spatial location effective when plugged inte corv-netsof featuresL2 PoolingU, kEN(x,r)Local Contrast normalizationhN(x y)iN(xvIRenato总之,卷积网络的核心思想是将:局部感受野、权值共享(或者权值复制)以及时间或空间亚采样这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性。23实例视觉皮层存在两类相关的细胞,S细胞( Simple Cel)和C( Complex Cell)细胞。S细胞在自身的感受野内最大限度地对图像中类似边缘模式的剌激做出响应,而C细胞具有更大的感受野,它可以对图像中产生刺激的模式的空间位置进行精准地定位C是卷积层,S是下采样层。参看这个两个网址,对理解CNN非常有帮助http://www.68idc.cn/help/buildlang/ask/20150705417730.htmlhttp://www.68idc.cn/help/buildlang/ask/20150705419299.html涵pC1s2c384江蘇鴻網互刷三 -TOLERc是卷积层,S是下采样层。输入的一幅图像,在C1层,通过和3个卷积模板做卷积运算,然后加上偏置值,再经过 sigmoid激活函数,得到3幅输出图像,在S2层,对C1层输出的3幅图像做下采样,假设采样因子是2,也就是图中每2*2的 patch中的4个像素进行求和,再加偏置,再通过激活函数,得到3张尺寸减小了的输出图像。同样的,再经过C3S4。将S4的输出拉成一个向量,输入传统的神经网络中,并得到输出24综合实例G1: feature maps8@28X28C3: f. mapInp ut20@10x1032×32S1: f. mapsS4: f. maps@14x1420@5x5C5:120Output: 9ConvolutionsSubsamplingSubsamplingconnectionConvolutions og. Csdn. n Convolutions 688图中的卷积网终Ⅰ作流程如下,输入层由32×32个感知节点组成,接收原始图像。然后,计算流程在卷积和子抽样之间交替进行,如下所述·第一隐藏层进行卷积,它由8个特征映射组成,每个特征映射由28×28个神经元组成,每个神经元指定一个5×5的接受域,这28×28个神经元共享5×5个权值参数,即卷积核第二隐藏层实现子抽样和局部平均,它同样由8个特征映射组成,但其每个特征映射由14×14个神经元组成。每个神经元具有一个2×2的接受域,一个可训练系数,一个可训练偏置和一个 sigmoid激活函数。可训练系数和偏置控制神经元的操作点;第三隐藏层进行第二次卷积,它由20个特征映射组成,每个特征映射由10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接,它以与第一个卷积层相似的方式操作。第四个隐藏层进行第二次子抽样和局部平均汁算。它由20个特征映射组成,但每个特征映射由5×5个神经元组成,它以与第一次抽样相似的方式操作。●第五个隐藏层实现卷积的最后阶段,它由120个神经元组成,每个神经元指定一个5×5的接受域。最后是个全连接层,得到输出向量。综合起来,如下图山辆入员/閩张38的圈像辆入|种特图到C28×28KD卷,:对应位遇相森再未和⊙如偏置每种图有个偏置a老积层f同治减函数6↑5的卷铝kC6个偏置值b输邶钟培钲图24X0mno:22域的值平均坐smle=2辆入6种征图列12|2k2个55的着核kKk22个偏置值b辆出12钟特钲图8×88×g年怦居D mean pooL斜样9=2s输出口钟特征图4x叶把S园輪出的特征图垣成一年向量入,维,:平4x×12=12F房入节点有2个192资接的神经刚络W1,09W参教W:20×192矩阵爹教bho0x1向量oh辆出节点有个,国为baby的度是o·上图中28如何变成24的?12如何变成8的?详情见这个网址:hto:/ud. stanfordedu/wki/ index. php/ Featureextractionusing convolution这个过程中,有这么几个参数:a.深度 depth:神经元个数,决定输出的dept厚度。同时代表滤波器个数。*b.步长 stride:决定滑动多少步可以到边缘。C.填充值zero- padding:在外围边缘补充若干圈0,方便从初始位置以步长为单位可以刚好滑倒末尾位置,通俗地讲就是为了总长能被步长整除。最左边一列是输入层,第二列是第一个滤波器(W0),第三列是第二个滤波器(W1),第四列是输出层。*该图有两个神经元,即 depth=2,意味着有两个滤波器数据窗口每次移动两个步长取3*3的局部数据,即stde=2。zero-padding=13cNN的激励层与池化层ReLU激励层不要用 sigmoid,因为它容易饱和、造成终止梯度传递,且没有0中心化ReLU的优点是收敛快,求梯度简单。·池化poo层池化,简言之,即取区域平均或最大,如下图所示Single depth slice1124Xmax pool with 2X2 filters5678 and stride 26832234304y参考文献:·htp:/ yann lecun. com/exdb/lenet/index. html( Yann securη实现的CNN演示,以动画的形式演示了位移、加噪、旋转、压缩等识别,最有价值的是把隐层用图像显示出来了,很生动形象)
- 2021-05-07下载
- 积分：1
