XiaoMi-AI文件搜索系统
World File Search System64A
EN25QX64A (2C)
- 使用 WP# 引脚启用/禁用保护 软件和硬件复位 高性能编程/擦除速度 - 页面编程时间：典型 0.5ms - 扇区擦除时间：典型 40ms - 半块擦除时间典型 200ms - 块擦除时间典型 300ms - 芯片擦除时间：典型 30 秒 易失性状态寄存器位。 可锁定 3x512 字节 OTP 安全扇区 写入暂停和恢复 带包装的突发读取（8/16/32/64 字节） 空白校验位 读取唯一 ID 号 最小 100K 耐久性周期 数据保留时间 20 年 封装选项 - 8 引脚 SOP 150mil 主体宽度 - 8 引脚 SOP 200mil 主体宽度 - 16 引脚 SOP 300mil 主体宽度 - 8 触点 VDFN / WSON（6x5mm） - 8 触点 VDFN / WSON（8x6mm） - 8 触点 USON（4x3X0.55mm） - 8 触点 USON（4x4X0.45mm） - 所有无铅封装均符合 RoHS、
80V、164A、3.3mΩ N 沟道功率 SGT MOSFET
本文档中提供的信息被认为是准确和可靠的。但是，江苏杰杰微电子有限公司对未考虑此类信息或超出此类信息范围使用所造成的后果不承担任何责任。本文档中提到的信息如有更改，恕不另行通知，除非签署协议，否则江苏杰杰将遵守协议。本文档中提供的产品和信息不侵犯专利。江苏杰杰对因使用此类产品和信息而可能侵犯第三方其他权利的行为不承担任何责任。
Microsoft Word - 9434822023109064 基于注意力机制的多层特征 3D CNN，用于使用脑图像进行 AD 诊断.docx
摘要 —结构MRI和PET成像在阿尔茨海默病（AD）的诊断中起着重要作用，分别显示脑部的形态学改变和葡萄糖代谢变化。一些认知障碍患者在脑图像中的表现相对不明显，例如在临床上通过sMRI仍难以实现准确诊断。随着深度学习的出现，卷积神经网络（CNN）成为AD辅助诊断的宝贵方法，但一些CNN方法不能有效地学习脑图像的特征，使得AD的诊断仍然存在一些挑战。在本文中，我们提出了一种基于ResNet的用于AD诊断的端到端3D CNN框架，该框架融合了在注意力机制作用下获得的多层特征，以更好地捕捉脑图像中的细微差异。注意力图显示我们的模型可以关注与疾病诊断相关的关键脑区。我们的方法在对来自 ADNI 数据库的 792 名受试者的两种模态图像进行的消融实验中得到了验证，其中基于 sMRI 和 PET 的 AD 诊断准确率分别达到 89.71% 和 91.18%，并且优于一些最先进的方法。
EN25QX64A (2CPU) 64 兆位 3V 串行闪存...
该设备是一个 64 兆位（8,192K 字节）串行闪存，具有先进的写保护机制。该设备通过标准串行外设接口 (SPI) 引脚支持单比特和四比特串行输入和输出命令：串行时钟、芯片选择、串行 DQ 0 (DI) 和 DQ 1 (DO)、DQ 2 (WP#) 和 DQ 3 (HOLD#/RESET#)。支持高达 133MHz 的 SPI 时钟频率，在使用四路输出读取指令时，允许四路输出的等效时钟速率为 532MHz（133MHz x 4）。使用页面编程指令，可以一次对内存进行 1 到 256 个字节的编程。该设备还提供了一种复杂的方法来保护单个块免受错误或恶意编程和擦除操作的影响。通过提供单独保护和取消保护块的能力，系统可以取消保护特定块以修改其内容，同时确保内存阵列的其余块得到安全保护。这在以子程序或模块为基础修补或更新程序代码的应用中非常有用，或者在需要修改数据存储段而又不冒程序代码段被错误修改的风险的应用中非常有用。该设备设计为允许一次执行单个扇区/块或全芯片擦除操作。该设备可以配置为以软件保护模式保护部分内存。该设备可以对每个扇区或块维持至少 100K 次编程/擦除周期。