前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >菜鸟,请你们真爱生命,远离Proteus

菜鸟,请你们真爱生命,远离Proteus

作者头像
单片机技术宅
发布于 2020-03-17 03:14:28
发布于 2020-03-17 03:14:28
7270
举报
文章被收录于专栏:初学单片机初学单片机

以下是全文:

*注:此文专为21IC而著,可以转载,但需保留本说明,否则将可能导致版权追究 Proteus可能是本版面最受争议的软件之一,我骂他,同时也因为骂他而受别人骂,所以今天我就来告诉新同学们为什么Proteus是菜鸟杀手(老鸟请自觉跳过本帖,你们用不用Proteus都是那么回事)。

严重声明:本人与地球上任何销售软/硬件仿真器的公司、组织、利益团体或个人没有任何利益瓜葛。本文观点仅代表个人见解,不承担围观者因本帖而导致的任何技术错误、软硬件损失、经济损失、精神损失;因新同学围观本文导致的仿真软/硬件设计、制造和利润下滑情况与本人无关!

为什么老鸟可以用proteus

为什么老鸟用Proteus与我无关,因为他们知道什么是硬件,而菜鸟不知道。为了说明这个问题,我们先跑题到达芬奇画鸡蛋的故事上去,这个故事告诉我们,世界上没有两个长相完全一样的鸡蛋。

世界上没有两个完全一样的硬件

OK,现在我要告诉你,世界上同样没有两个长相完全一样的硬件系统。不信么?你找一张光盘,把它复制一张,然后用计算机程序来校验,程序会告诉你,他们完全一致(说俗一点就是他们上面0和1的排列顺序是一样的)。那么现在请你找两只电阻,两只标称阻值都是10k的电阻,请你量一下他们的阻值相同么?什么?你说相同?那是因为你的3位半万用表不够精确,你用10位半的量一下呢,但是在电路图上,他们都是10k,或者至多再标个±5%之类,Why?这就是硬件——世界上没有两个完全一样的硬件。

硬件具有离散性

可以说,当一个软件被编写完成之后,他的一切行为就是确定的了(具有事件驱动架构的程序除外,本括号仅为避免被其他老鸟痛批,新同学请无条件跳过),烧录进10000个单片机去,都是同一个软件。但是当一个单片机产品被设计出来后,生产线上所加工出的每一个产品,都有着不同的特性。比如三端稳压器7805,不是每一个的输出电压都在5.000000000V上的,有5.01的,有5.03的,如果你的单片机系统有设计缺陷,对5.01V的可以工作,对5.03V的就要出错,这就是硬件的特点——离散性! 硬件设计中很大的一部分工作就是在“容差”,就是说我们明知道构成系统的每一个元器件都有误差,却能够通过概率统计、理论计算,让系统工作起来,这是一项很繁杂的工作,有很多老鸟在设计中会用“经验”二字来代替计算,这通常是没有什么问题的,放生产实践上看,出个万分之一的废品率也就不得了了,但是对正在学习工程思想的菜鸟就是毁灭性的。 如果你不服上面的话,请自己看21IC的帖子,有多少菜鸟在把Proteus设计移植到现实中发生了困难,有多少菜鸟直接照搬proteus里的设计到硬件上来就瞎了的,就几个是直接照搬过来可以直接运行成功的。我甚至还见过LED数码管不加限流电阻就在Proteus里点的。

如果你还是坚定不移的认为Proteus是神圣不可侵犯的话,我再给你说一个: 单片机从休眠状态唤醒,对晶体和匹配电容的要求是很高的,如果激励不足,将导致无法唤醒,设计上除了要选择激励功率合适的晶体和仔细匹配晶体所需的匹配电容,还要在高、低电源电压,高、低环境温度的组合中做休眠唤醒实验以确认激励合适。 请问哪一个仿真软件可以完成上述工作?元器件这么多自然属性(精度、温漂、离散、老化、寄生参数)请问哪个仿真软件可以对每个元件建立精确的数学模型?

老鸟用proteus都干嘛了?

最后,再说下Proteus是拿来干什么的。应该说这个软件是给老鸟偷懒用的,比如调个串口通讯,写个I2C时序啥的还成,因为老鸟要的只是功能验证,硬件容差的原理他们已经在N年前就知道了。不过这个软件的作者也不厚道,起码应该在启动界面里做个“**”的标志吧!

末了,诊断自己是否菜鸟的方法是:问实际电路能运行,Proteus里不能仿真之类问题的是菜鸟,反之,是老鸟。

菜鸟请远离Proteus,老老实实去拿烙铁吧!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-01-14,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 单片机技术宅 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
letswave7中文教程4:脑电数据预处理-时域分析
在管理器模块数据列表中选择数据集“sp_filter ica chan_interp butt sel_chan sub093”,在菜单中点击Process->Epochsegmentation-> Segment relative to events (one file per event code)。
脑机接口社区
2020/06/30
1K0
letswave7中文教程4:脑电数据预处理-时域分析
ICA处理脑电资料汇总
1.Tools >> reject data using ICA >> reject component by map 点击这里会画出所有ICA成分的缩略图,可以有一个全局观。在这里大致观察后如果觉得哪个成分有问题,可以点击查看大图
脑机接口社区
2020/06/30
2.1K0
ICA处理脑电资料汇总
ICA独立成分分析去除EEG伪影
Hello,大家好! Rose小哥今天介绍ICA去除伪影。 关于脑电图EEG,Rose小哥分享过很多,可以查看《什么是EEG以及如何解释EEG?》《EEG数据、伪影的查看与清洗》等。今天分享的这篇利用
脑机接口社区
2020/06/30
1.6K0
letswave7中文教程2:脑电数据预处理-通道位置分配
原始的脑电图信号是有噪声的。预处理对于提高信号的信噪比以获得“清晰”的脑电图数据是非常有必要的。但是,想要完全区分噪音和信号却是几乎不可能的。在脑电信号中,信号与噪声常常混合在一起。在某些步骤中,某些伪影可以很容易地识别和删除。而有些步骤在去噪时可能会滤除部分信号。此外,一些步骤甚至会引入一些噪音。
脑机接口社区
2020/06/30
1.2K0
伪影校正时选择脑电图的独立成分的实用指南
背景:脑电图数据很容易受到非神经来源信号的污染。独立分量分析(ICA)可以帮助EEG数据对这些伪影进行校正。伪迹的独立成分(ICs)可以由专家通过目测识别。但是伪迹特性有时是模糊的或难以注意到的,甚至专家也可能不同意如何对特定伪迹进行分类。因此,将伪迹属性告知用户,并给他们机会进行干预是很重要的。
用户1279583
2022/02/28
2.6K2
伪影校正时选择脑电图的独立成分的实用指南
结合matlab代码案例解释ICA独立成分分析原理
Rose小哥今天介绍一篇来自于arnauddelorme网站上的结合matlab代码案例来解释ICA原理(案例代码在后文中有提供)。
脑机接口社区
2020/06/30
1.6K1
eeglab中文教程系列(12)-学习和删除ICA组件
本教程为脑机学习者Rose发表于公众号:脑机接口社区(微信号:Brain_Computer),QQ交流群:903290195
脑机接口社区
2019/10/28
9040
eeglab中文教程系列(12)-学习和删除ICA组件
TMS-EEG数据预处理的标准化
摘要:将非侵入性脑刺激(NIBS)技术与脑电生理活动记录相结合,在神经科学领域正日益普及。经颅磁刺激(TMS)与脑电图(EEG)的同步组合尤为成功。遗憾的是,为有效与大脑活动相互作用所需的强磁脉冲,不可避免地会在同步 EEG 采集中引入伪影。因此,需要进行细致且有效的预处理,以高效去除伪影。不幸的是,正如文献中已报道的那样,不同的预处理方法可能会导致结果出现差异。在这里,我们旨在对目前可用的三种主要 TMS-EEG 预处理流程,即 ARTIST、TESA 和 SOUND/SSP-SIR 进行特征描述,为需要在不同方法之间做出选择的研究人员提供参考。与以往的研究不同,我们使用具有已知真实情况(即无伪影且待重建的信号)的合成 TMS-EEG 信号来测试这些流程。通过这种方式,能够精确且定量地评估每个流程的可靠性,为未来的研究提供更可靠的参考。总之,我们发现所有流程的表现都不错,但在重建真实信号的时空精度方面存在差异。至关重要的是,这三种流程对试验间变异性的影响各不相同,ARTIST 会引入真实信号中原本不存在的试验间变异性。
悦影科技
2025/03/10
1100
ICA处理后,如何判断眼电、心电等成分?
当Run ICA结束后,我们一般会判断ICA分量对应的是什么分量,是眨眼成分还是水平眼动成分或是线路噪声成分。
脑机接口社区
2020/06/30
2K0
BCI-EEG脑电数据处理
EEG信号特征提取就是以脑电信号作为源信号,确定各种参数并以此为向量组成表征信号特征的特征向量。
MiChong
2020/09/24
3.6K0
BCI-EEG脑电数据处理
eeglab中文教程系列(2)-绘制脑电头皮图
本教程为脑机学习者Rose发表于公众号:脑机接口社区(微信号:Brain_Computer)
脑机接口社区
2019/10/14
2.4K0
eeglab中文教程系列(2)-绘制脑电头皮图
使用时空-频率模式分析从脑电数据的一些试验中提取N400成分
关于高小榕教授的介绍,可以查看本社区之前分享的《第1期 | 国内脑机接口领域专家教授汇总》
脑机接口社区
2020/07/28
8760
思影科技EEG/ERP数据处理业务
好的数据质量是获得可靠结果的前提,而预处理的质量往往对后处理的结果存在一定的影响。脑电的数据对噪音的敏感性很强,为了提高您数据的质量,在更大程度上将数据中的信噪比提高,获得更严谨的科研结果,我们会对您的数据进行高质量的预处理。
用户1279583
2022/04/12
1.7K0
思影科技EEG/ERP数据处理业务
思影数据处理服务六:脑磁图(MEG)数据处理
为更好的帮助到想要利用脑磁图(MEG)数据做相关研究的朋友们,拓展思影科技的业务范围,思影推出脑磁图(MEG)数据处理服务,如感兴趣请关注后留言,或联系微信:siyingyxf或拨打电话18580429226进行咨询:
用户1279583
2019/09/09
2.4K0
思影数据处理服务六:脑磁图(MEG)数据处理
letswave7中文教程1:软件安装与脑电数据导入
Letswave是一款非常好用的神经生理信号处理分析工具,支持从主流的脑电图放大器中导入数据,为数据预处理和时频域信号分析提供多种功能。而且用户友好的界面使文件管理、批处理操作、统计分析和发布的图形生成变得容易。与其他信号处理工具相比,Letswave是一种直观、流线型的脑电图数据处理可视化工具,学习曲线较浅。
脑机接口社区
2020/06/30
1.1K0
eeglab教程系列(12)-学习和删除ICA组件
研究组件属性的操作:Tools > Reject data using ICA > Reject components by map.操作过程如下:
脑机接口社区
2020/06/29
5310
脑电机器学习数据处理业务
数据质量检查包括:检查是否存在坏的导联、Marker信息是否完整、信号是否有过大的波动或漂移等。
用户1279583
2020/05/11
9410
思影数据处理业务四:EEG/ERP数据处理
3.频域/时频域分析:通过快速傅立叶变换(FFT),短时傅里叶变换(STFT),小波变换(CWT)等方式将时域信号转换成频域/时频域信号、绘制频域/时频域分布图和地形图并通过不同方式提取感兴趣时频段的振幅信息进行进一步统计分析。
用户1279583
2020/05/08
1.2K0
思影数据处理业务四:EEG/ERP数据处理
EEG伪影详解和过滤工具的汇总(二)
在《EEG伪影类型详解和过滤工具的汇总(一)》,我们详细介绍了EEG伪影类型和产生原因,这篇文章,我们主要介绍常见脑电伪影的处理技术。
脑机接口社区
2022/08/17
7691
EEG伪影详解和过滤工具的汇总(二)
NeuXus开源工具:用于实时去除EEG-fMRI中的伪迹
摘要:同时获取脑电图和功能磁共振成像(EEG-fMRI)允许以高时间和空间分辨率对大脑的电生理和血流动力学进行互补研究。其中一个具有巨大潜力的应用是基于实时分析脑电图和功能磁共振成像信号进行目标脑活动的神经反馈训练。这依赖于实时减少严重伪迹对脑电图信号的影响,主要是梯度和脉冲伪迹。已经提出了一些方法来实现这个目的,但它们要么速度慢、依赖特定硬件、未公开或是专有软件。在这里,我们介绍了一种完全开源且公开可用的工具,用于同时进行脑电图和功能磁共振成像记录中的实时脑电图伪迹去除,它速度快且适用于任何硬件。我们的工具集成在Python工具包NeuXus中。我们在三个不同数据集上对NeuXus进行了基准测试,评估了伪迹功率减少和静息状态下背景信号保留、闭眼时α波带功率反应以及运动想象事件相关去同步化的能力。我们通过报告执行时间低于250毫秒证明了NeuXus的实时能力。总之,我们提供并验证了第一个完全开源且与硬件无关的解决方案,用于实时去除同时进行的脑电图和功能磁共振成像研究中的伪迹。
悦影科技
2023/11/13
4720
相关推荐
letswave7中文教程4:脑电数据预处理-时域分析
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档