XiaoMi-AI文件搜索系统
World File Search SystemMCUS
PerCV.ai 平台的隐私和数据保护
在运营阶段部署视觉 AI 解决方案意味着视觉系统或视觉传感器接收输入图像或视频，并生成元数据，例如人数或汽车数量，或与特定对象相关的事件（例如产品识别）。在此阶段，PerCV.ai 通过两种方式确保隐私，首先是使用边缘 AI，其次是尽可能使用视觉传感器设计。边缘 AI 意味着所有视频和图像数据都在视觉传感器上实时本地处理，元数据在边缘设备提取，只有这些元数据可以传递到云或其他基础设施。在运营阶段，边缘 AI 不会存储任何图像或视频数据。这是 PerCV.ai 的强项，因为我们可以在各种边缘平台中部署视觉 AI 解决方案，从强大的 GPU 和 VPU 到微型 MCU 和 DSP。更多详细信息可在 Irida Labs 网站的合作伙伴部分找到。
CA-IS376x High-Speed Six-Channel Digital Isolators
• Robust Galvanic Isolation of Digital Signals High lifetime: >40 years Up to 5000 V RMS isolation rating (narrow body packages) and up to 5000 V RMS isolation rating (wide body packages) ±150 kV/μs typical CMTI Wide operating temperature range: ‐40°C to 125°C Schmitt trigger inputs • Interfaces Directly with Most MCUs and FPGAs Data rate: DC to 150Mbps Accepts 2.5V to 5.5V supplies Default output High (CA‐IS376xH) and Low (CA‐ IS376xL) Options • Low Power Consumption 1.5mA per channel at 1Mbps with V DD = 5.0V 6.6mA per channel at 100Mbps with V DD = 5.0V • Best in class propagation delay and skew 12ns typical propagation delay 1ns pulse width distortion 2ns propagation delay skew (chip ‐to‐chip) 5ns minimum pulse width • No Start‐Up Initialization Required • Package Options Narrow‐body SOIC16‐NB(N) package Wide‐body SOIC16‐WB(W) package • Safety Regulatory Approvals VDE 0884‐17 isolation certification UL according to UL1577 IEC 61010‐1 and GB 4943.1‐2022 certifications
就地计算串行 FeRAM：提高关键嵌入式系统的性能、效率和适应性
在嵌入式系统在电动汽车、医疗保健、工业或基础设施监控等关键领域发挥越来越重要作用的时代，对实时数据处理的需求至关重要。本文讨论了这些应用中高传感器数据速率和微控制器 (MCU) 有限处理能力所带来的挑战。它介绍了一种利用串行铁电 RAM (FeRAM) 架构以及计算 SRAM 概念的新型计算方法，称为就地计算 (CIP)。对 CIP 串行 FeRAM 的探索揭示了其在高吞吐量处理大量传感器数据时提高可预测性、能源效率和安全性的潜力。与传统计算架构不同，CIP 串行 FeRAM 通过在内存中启用计算任务，减轻了 MCU 的计算负荷、降低了延迟并提高了能源效率。本文强调了 CIP 串行 FeRAM 对各种实时任务的灵活性，为更高性能、更高效和适应性更强的关键嵌入式系统铺平了道路。
230 V/250 W、Hi-η 无传感器无刷直流电机驱动器（大容量电容器减少 30%）参考设计 (Rev. A)
TI MSP430™ 系列超低功耗 MCU 由多种设备组成，这些设备具有针对各种应用的不同外设集。该架构结合了五种低功耗模式。该设备具有强大的 16 位精简指令集计算 (RISC) CPU、16 位寄存器和常数生成器，有助于实现最大代码效率。数控振荡器 (DCO) 允许设备在不到 5 µs 的时间内从低功耗模式唤醒到活动模式。 MSP430F51x2 系列是微控制器配置，具有两个 16 位高分辨率定时器、两个通用串行通信接口 (USCI) USCI_A0 和 USCI_B0、一个 32 位硬件乘法器、一个高性能 10 位 200 ksps 模数转换器 (ADC)、一个片上比较器、一个三通道直接存储器访问 (DMA)、5V 容限 I/O 和最多 29 个 I/O 引脚。定时器事件控制模块将不同的定时器模块相互连接，并将外部信号路由到定时器模块。该器件能够以高达 25 MHz 的系统频率工作。该器件的工作温度为 –40°C 至 85°C。
PSOC™4000T数据表，基于ARM®Cortex
PSOC™4是一个具有ARM®Cortex®-M0+ CPU的可扩展MCU家族。它结合了一个高性能的电容和感应传感子系统，可编程和可重新配置的模拟和数字块。新的PSOC™4000T系列提供了PSOC™4000和PSOC™4000的设计升级路径，并具有软件和软件包兼容性的第五代HMI技术。PSOC™4000T是PSOC™4 MCU家族的成员，该家族具有第五代CapSense™和多强度的技术，可提供基于集成的“始终对接”感应技术的超低功率触摸HMI解决方案，并提高了性能。多态转换器通过对新用例的最佳感应传感扩展了经典的电容感应感，并启用具有出色液体耐受性的现代光滑用户界面解决方案，并为恶劣的环境提供了可靠且可靠的触摸HMI解决方案。PSOC™4000T是具有标准通信，时机外围设备和Infineon的第五代CapSense™的微控制器，其具有多态HMI技术目的是为低功能应用程序而设计的，包括可穿戴，可听觉，可听觉的智能连接产品，需要低功能和低功耗的Iot产品，以促进下一代的性能，以促进下一代的使用以上。
Alma Mater Studiorum 博洛尼亚大学档案馆......
摘要 — 运动想象 (MI) 脑机接口 (BMI) 使我们只需想象执行运动动作即可控制机器。实际用例需要一种可穿戴解决方案，其中使用嵌入在节能微控制器单元 (MCU) 上的机器学习模型在传感器附近本地对脑信号进行分类，以确保隐私、用户舒适度和长期使用。在这项工作中，我们为嵌入式 BMI 解决方案的准确性与成本权衡提供了实用见解。我们的多光谱黎曼分类器在 4 类 MI 任务上达到 75.1% 的准确率。通过针对每个受试者调整不同类型的分类器，准确率进一步提高，达到 76.4%。我们进一步缩小模型，将其量化为混合精度表示，准确率损失分别仅为 1% 和 1.4%，但仍比最先进的嵌入式卷积神经网络高出 4.1%。我们在低功耗 MCU 上实现了该模型，能量预算仅为 198 µ J，每次分类仅需 16.9 毫秒。连续对样本进行分类，将 3.5 秒样本重叠 50% 以避免遗漏用户输入，这样仅需 85 µ W 即可运行。与嵌入式 MI-BMI 中的相关工作相比，我们的解决方案在近传感器分类的准确度-能量权衡方面树立了新的领先地位。
基于 EEGNet 的精确运动意象大脑——......
摘要 — 本文介绍了一种准确而强大的嵌入式运动想象脑机接口 (MI-BCI)。所提出的新模型基于 EEGNet [1]，可满足 ARM Cortex-M 系列等低功耗微控制器单元 (MCU) 的内存占用和计算资源要求。此外，本文还提出了一组方法，包括时间下采样、通道选择和缩小分类窗口，以进一步缩小模型以放宽内存要求，同时几乎不影响准确度。在 Physionet EEG 运动/图像数据集上的实验结果表明，标准 EEGNet 在全局验证中对 2 类、3 类和 4 类 MI 任务的分类准确率分别为 82.43%、75.07% 和 65.07%，比最先进的 (SoA) 卷积神经网络 (CNN) 分别高出 2.05%、5.25% 和 6.49%。我们的新方法进一步缩小了标准 EEGNet，精度损失为 0.31%，内存占用减少了 7.6 倍，精度损失为 2.51%，减少了 15 倍。缩放后的模型部署在商用 Cortex-M4F MCU 上，运行最小模型需要 101 毫秒，每次推理消耗 4.28 mJ，在 Cortex-M7 上运行中等模型需要 44 毫秒，每次推理消耗 18.1 mJ，从而实现了完全自主、可穿戴、准确的低功耗 BCI。索引术语 — 脑机接口、运动意象、CNN、嵌入式系统、边缘计算
探测器：探测目标的新实用方法
电磁侧通道分析是一种有力的方法，用于监测处理器活动并损害气动环境中的加密系统。随着分析方法和目标设备的发展，对于仅捕获具有高信噪比的所需信号，泄漏定位和探测目标的重要性变得越来越明显。尽管具有重要意义，但仍然非常依赖不可靠的启发式方法和效率低下的详尽搜索。此外，相关研究通常在可行性，实用性和表现方面缺乏，并且仅限于受控的DUT和低端MCU。为了解决以前的处理的局限性和效率低下，我们提出了一种新颖的方法（探针射击），以泄漏定位和探测目标。这种方法利用了对处理器中幅度模拟和间隔扭曲的空间特征的新见解。结果，探针弹药器在各种拟合中提供了实质性改进：1）它不仅适用于简单的MCU，而且适用于复杂的SOC，2）它有效地处理多核系统和动态频率缩放，3）它可用于不受控制的DUTS，可用于可约束的现实攻击，并与以前相比，它可用于约束现实攻击，并与以前的方法相比具有显着效果。为了证明这一点，我们在高端MCU（具有单臂皮质M7核心的NXP I.MX RT1061上）和复杂的SOC（Broadcom BCM2711配备了Raspberry Pi 4型号B，具有四ARM ARM Cortex-A72 Cores）。
用于极边缘 DNN 推理的混合精度 RISC-V 处理器
摘要 — 低位宽量化神经网络 (QNN) 通过减少内存占用，支持在受限设备（如微控制器 (MCU)）上部署复杂的机器学习模型。细粒度非对称量化（即，在张量基础上为权重和激活分配不同的位宽）是一种特别有趣的方案，可以在严格的内存约束下最大限度地提高准确性 [1]。然而，SoA 微处理器缺乏对子字节指令集架构 (ISA) 的支持，这使得很难在嵌入式 MCU 中充分利用这种极端量化范式。对子字节和非对称 QNN 的支持需要许多精度格式和大量的操作码空间。在这项工作中，我们使用基于状态的 SIMD 指令来解决这个问题：不是显式编码精度，而是在核心状态寄存器中动态设置每个操作数的精度。我们提出了一种基于开源 RI5CY 核心的新型 RISC-V ISA 核心 MPIC（混合精度推理核心）。我们的方法能够完全支持混合精度 QNN 推理，具有 292 种不同的操作数组合，精度为 16 位、8 位、4 位和 2 位，而无需添加任何额外的操作码或增加解码阶段的复杂性。我们的结果表明，与 RI5CY 上的基于软件的混合精度相比，MPIC 将性能和能效提高了 1.1-4.9 倍；与市售的 Cortex-M4 和 M7 微控制器相比，它的性能提高了 3.6-11.7 倍，效率提高了 41-155 倍。索引术语 —PULP 平台、嵌入式系统、深度神经网络、混合精度、微控制器
微控制器和开发工具
引入Fujitsu Microectronics Europe的目录1在汽车和工业市场中的专业知识2-3汽车优势4新的8位MCU家族-F 2 MC-8FX CPU核心体系结构5新的8位MCU家族-F 2 MC-8FX 6-7 NEW 8 BIT MC MC MC MC MC MC-F 2 MC MC-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-8-B8。 8-bit F 2 MC-8FX product line-up 10 F 2 MC-16 CPU-core architecture 11 The new 16-bit MCU family: F 2 MC-16FX 12 Features of 16-bit families 13 F 2 MC-16LX & 16FX product line-up 14-17 Embedded Flash technology 18 16-bit single CAN bus microcontrollers (100-pin) MB90340 19 16-bit single CAN bus microcontrollers (64-pin) MB90350 20 16位易于巴士微控制器（48针）MB90360 21 16位双罐头总线微控制器（120-pin）MB90390 22 16位16位USB USB微控制器微控制器MicroController 28-30 Introduction to the FR family - 32-bit RISC architecture 31 MB91270 automotive series 32 MB91360G automotive series 33 MB91460 automotive series 34-37 MB88121 FlexRay communication controller 38 MB91260/265 series - 3-phase motor control 39 Next generation 32-bit motor control MCUs 40 MB91301 series 41 MB91350A系列42 FR系列循环模拟器43 FR系列评估板43-45 32-1位FR产品阵容46-47 46-47的集成软件开发环境解决方案v 48 Softune-Fujitsu的Softune-Fujitsu的综合软件开发包49 ACCPOMIC MDE MDE MNOMIN MONITIAL MONERIAL SERIAL/SIRIAL/SIRIAL/SERIAL IVER 50 GALEP IV IV IV IV IV UNIVERSIAL/PALELEAL MCERECTER 54 - 平行系统54-51实时eromper 52-51实时EMMER EMMER EMMER EMEM 54 - 分销商56-57