STM32f103AD采集，DA还原采样率100kHz(可调)都使用DMA传送，不占用CPU

语音识别技术的第一步是将连续的声音切片，这个代码用了最简单粗暴的方法，根据音量的大小，简单切分，前提是要知道这段语音中包含了多少个字。
可以支撑不同采样率，不同位数，不同声道的各种WAV格式。

压缩感知，又称压缩采样，压缩传感。
它作为一个新的采样理论，它通过开发信号的稀疏特性，在远小于Nyquist采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号。

这是基于STM32F407的数字语音存储回放，采样率为8K，ADC接口是GPIOA(5),DAC接口是GPIOA(4),开始键是GPIOA(0),,暂停键是GPIOE(1),开始DAC输出键是GPIOE(4),存储时间是40S左右。

本文对数字调制中的2FSK采用matlab进行了仿真实验，代码中没有加入噪声，采用相干解调的解调方式。
（一）、代码的流程如下：（1）、设置载波频率，码元频率（本文中即比特率）和采样率；
（2）、产生2FSK信号；
（3）、信号分别经过两个带通滤波器后得到band_passed_sig1和band_passed_sig2；
（4）、对band_passed_sig1和band_passed_sig2分别进行相干解调，再分别进行低通滤波得到lower_sig1和lower_sig2；
（5）、对lower_sig1和lower_sig2进行抽样判决得到输出信号；
（6）、统计无码率；
（二）、2FSK进行matlab仿真的疑难点：（1）、相干解调采用的“同频同相的载波”的获取。
由于信号经过带通滤波器之后（本文采用的是FIR线性相位数字滤波器）会出现相移，所以不能直接用调制时候的载波信号与此时的band_passed_sig1信号相乘来相干解调，此时用来相干解调的载波应该与经过滤波器之后出现相移的“载波”信号同频同相，本文代码中直接采用band_passed_sig1.*band_passed_sig1的方式进行相干解调，这点需要读者细心斟酌一下（其实不难理解的）。
（2）、抽样判决的判决时刻选择。
据笔者观察，经过低通滤波器之后得到的信号会出现时移（延时）的情况，建议读者可以先设置10个码元个数，观察一下低通滤波器的输出波形，然后再选择波形峰值时刻作为抽样判决时刻。
本文的代码中是采用每一个码元的结束时刻作为抽样判决时刻，这是笔者通过观察低通滤波器的输出波形后得到的，不具有通用性。
时移的原因，笔者觉得是因为FIR数字滤波器的线性相位所导致的，但是怎么个时移法，笔者目前还没有弄明白（数字信号处理学的不够好），还有待探究。

2.2修正一个显示文字错误，功能没有影响。
//2.1对2.0版本的改进：1、幅度超过32767时，超过部分限幅，此特性可以生成梯形波2、双声道下，可设声道间相位差总功能：生成正弦波形的音频文件，格式是wav，精度16bit。
可设置采样率,正弦频率,幅度,声道，声道间相位差，添加1bit随机噪声。
详细用法见：https://blog.csdn.net/mubo814/article/details/90815909

一个不错的串口波形显示软件，[_setup_]port=COM3//这个是返回数据的端口号baudrate=19200//比特率和你设备实际速率必须匹配,否则接到的都是乱码width=1000//绘图区域的宽度,数据多的还是适当加宽,或者改变采样率height=200//绘图区域高度建议不要太高background_color=white//背景色grid_h_origin=100grid_h_step=10grid_h_color=#EEE//格子颜色grid_h_origin_color=#CCC//起始颜色grid_v_origin=12grid_v_step=10grid_v_color=#1EEgrid_v_origin_color=greem[_default_]//这个里面是整体的全局参数,如在子字段不做另外定义,都按照这个来min=0//数据最小值;max=1024//数据最大值[Field1]//字段1color=gray//线条颜色[Field2]color=blue[Field3]color=red

积分设置最少了，可以放心下载了，之前被系统搞成30了，G711alaw格式录音文件，数数1到30，采样率8000，16位，单声道，给有需要的朋友，自己网上找半天，效果不好，都是歌曲或者电影，杂音太多，不适合测试，这个是自己录制的，有什么问题可以留言咨询，谢谢！

matlab程序，将IQ数据转换为频谱，采样率，精度可以配置。
采样率和精度根据IQ数据的实际参数，绘制FFT的点数可以自己配置，2048、4096

基于MRAS的无速度矢量控制系统仿真-MRAS_SVPWM_MT_FOC.mdl      最近调通的几个基于MRAS无速度矢量控制模型，给大家分享分享，一起提高，欢迎回帖！我在调试过程中发现一下几点很重要：1）系统的采样率最好小点（设为5*e-6)，如果过大，则不管MRAS中的PI怎么调试也很难成功！2）在调节MRAS之前，先把原来有速度反馈模型中的几个PI调节好很关键，如果有速度矢量控制的PI没有调节好，直接调试MRAS则很难成功。
下图是第二个模型的实测转速和辨识转速的仿真波形，从图看，在加速、减速和负载变化过程中估算转速都还可以。
希望对大家有用，如果发现有什么问题，希望大家积极回帖讨论。
n4.jpg

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。