新闻详情

新闻详情

首页 / 资讯中心 / 详情

012_显性位与隐性位竞争时的边沿竞争问题

发布时间:2026/11/16 19:02:59来源:尧图网络
012_显性位与隐性位竞争时的边沿竞争问题
012、显性位与隐性位竞争时的边沿竞争问题一个让我半夜爬起来改板子的现场几年前做一个多节点采集系统,主控和几个从节点挂在同一条差分总线上,速率不高,线也不长,实验室里跑了一整天都稳。小批量装到现场后,白天没事,到了晚上某个时段,主控就开始间歇性报"总线错误",概率大概几百分之一帧。更邪门的是,把示波器探头往总线上一搭,故障率立刻下降。探头一撤,又回来了。那几天我一直在查软件:中断延迟、收发切换时序、FIFO水位。后来实在没辙,用一台带长存储的示波器,设了触发条件盯了一整夜,终于抓到一帧:在仲裁阶段,某一位的边沿位置上,总线电平出现了一个很窄的毛刺,宽度只有几十纳秒,刚好卡在采样点附近。主控采到了隐性,从节点采到了显性,双方对"谁赢了仲裁"的判断出现了分歧。主控以为自己输了、退出了发送,从节点以为自己还在跟别人竞争,结果两边对总线的后续状态理解完全错位。那次之后我才真正把"显性位和隐性位竞争"这件事从"逻辑上谁优先"的层面,下沉到"物理边沿上到底发生了什么"的层面。逻辑层面人人都懂:显性会盖住隐性,谁发隐性谁就退出。但物理层面,边沿不是理想的阶跃,它有时间、有斜率、有反射、有延迟,而采样点就落在这段不确定的窗口里。这就是边沿竞争问题的本质。逻辑上的确定性,物理上的不确定性先把逻辑模型摆清楚,因为后面所有坑都是从这个模型的"理想假设"里漏出来的。总线是线与结构:一个节点发显性、另一个发隐性,总线呈现显性。所有节点在每个位时间的采样点读回总线,如果自己发的是隐性却读回显性,说明自己输了仲裁,主动退出。这套机制在逻辑上无懈可击,前提是——所有节
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉