本文详细介绍了如何使用Stm32f103c8t6单片机驱动JX90614红外测温传感器的过程。作者首先指出JX90614相关资料较少，因此根据数据手册自行编写驱动。文章内容包括传感器的电路连接（需外接4.7K上拉电阻）、软件IIC接口的实现（使用PB10和PB11引脚）、JX90614的初始化及温度数据读取方法。温度数据为24位，需从三个寄存器分别读取并合成，最后除以2的14次方得到实际温度值。文中提供了完整的代码实现，包括MI2C.h/c、JX90164.h/c等关键文件，以及主程序的温度读取和显示逻辑。 在嵌入式系统开发领域，温度检测是一项重要的功能。本文所探讨的JX90614红外测温传感器与STM32F103C8T6单片机的结合，展现了在硬件和软件层面的深度集成与应用。文章指出，由于JX90614的相关资料稀缺，作者只得依据其数据手册进行驱动程序的编写。在硬件连接方面，JX90614需要连接4.7K的上拉电阻来提升信号稳定性，这是因为它采用IIC通信协议。IIC是一种广泛应用于微控制器和各种外围设备之间的串行通信协议，因其只需要两根线进行数据传输而备受青睐。本文还详细描述了如何在STM32F103C8T6上实现软件IIC接口。作者使用了特定的GPIO引脚（PB10和PB11）来模拟IIC的时钟线(SCL)和数据线(SDA)。这使得在没有硬件IIC模块的单片机上也能实现IIC通信。 在软件层面，作者介绍了如何进行JX90614的初始化，包括对传感器寄存器的配置和数据读取的准备。JX90614传感器温度数据是24位的，因此要从三个寄存器中分别读取数据，并将其组合才能得到完整的温度值。这里有一个重要的步骤，就是将得到的24位数据除以2的14次方，这是为了将数据转换成实际的温度值，因为传感器出厂时数据是以14位形式存储的。文章提供了完整的代码实现，这包括了专门为此项目编写的MI2C.h/c和JX90164.h/c等关键文件。这些文件不仅包含了IIC接口的实现代码，还包括了与JX90614传感器通信和数据处理的代码。文章详细阐述了如何在主程序中读取温度数据，并将其显示出来，为开发者提供了直接可以应用的实例。 在软件开发领域，可复用的软件包和代码包对于提高开发效率有着重要意义。这些软件包和代码包通常包含了经过测试验证的源代码和头文件，使得其他开发者可以在这些基础上进行二次开发或者应用到自己的项目中，缩短了研发周期，降低了开发成本。这种基于开源和复用的开发模式已经成为现代软件开发的一个重要趋势，尤其在嵌入式系统开发领域，这一趋势尤为明显。 在实际应用中，这种集成可以被广泛应用于温度监控和测量，例如在工业自动化、环境监测、医疗设备、家庭智能控制等多个领域。这种技术的应用使得设备能够实时监测和反馈环境温度，不仅提高了设备的智能化水平，也增强了系统的安全性和可靠性。尤其是在当前技术不断进步，物联网技术飞速发展的背景下，温度传感器与单片机的集成应用将有着更加广阔的前景和市场需求。

本文详细介绍了在Linux系统上下载和安装Neo4j 5.26版本的步骤，包括Java JDK 17的安装和环境变量配置。首先，提供了Neo4j和Java JDK的下载链接，并强调了版本对应关系的重要性。接着，详细说明了如何解压和安装Java JDK，并配置环境变量。然后，介绍了Neo4j的安装过程，包括解压、运行和设置环境变量以便直接启动。最后，提供了常用的Neo4j命令和修改初始密码的方法。文章内容全面，适合需要安装和使用Neo4j的开发者参考。 Linux系统上安装Neo4j的过程涉及多个步骤，包括Java JDK的安装和环境变量的配置。用户需要从指定的链接下载Neo4j和Java JDK的安装包，需要注意的是，版本的对应关系在此过程中非常重要，选择不匹配的版本可能会导致安装失败。在下载之后，首先要进行的是Java JDK的安装和环境变量的配置。这一过程包括解压JDK压缩包，并按照文档指导设置JDK的环境变量。环境变量的设置对于Java程序的运行至关重要，因为它决定了操作系统在何处查找Java的可执行文件。 安装好Java环境之后，接下来的工作是安装Neo4j。用户需要解压Neo4j的安装包到指定目录。解压完成后，可以运行Neo4j服务器并进行初步的配置。用户需要设置好Neo4j的环境变量，以便能够从任何目录下直接启动Neo4j服务。此外，为了保障系统的安全性，文章还介绍了如何设置和修改Neo4j的初始密码，这是一个重要的步骤，以防止未经授权的访问。 整个安装过程中，文章为开发者提供了丰富的信息，如在安装过程中遇到问题的常见解决方法，以及如何使用Neo4j的一些基本命令。这些内容都针对Linux系统进行了详细的描述，使得开发者能够在遇到问题时，能够快速找到解决方案。文章的内容覆盖面广，不仅包含了安装步骤的详细说明，还包括了环境变量配置、服务运行和安全性设置等方面的详细内容，从而全面覆盖了在Linux系统上安装和使用Neo4j的各个方面。 Neo4j是一个高性能的图数据库管理系统，它的图形处理能力对于处理复杂的数据关系具有明显优势。作为图数据库的一种，Neo4j通过节点、关系和属性来存储和查询数据，提供了传统关系型数据库无法比拟的灵活性和扩展性。它的应用领域非常广泛，包括社交网络、推荐系统、欺诈检测、网络和IT管理、生物信息学等。Neo4j的高性能和易用性使得它成为很多需要处理复杂关系的数据密集型应用的首选数据库。 Neo4j的版本更新往往伴随着新特性的加入和性能的提升。因此，在下载和安装时选择正确的版本，以及遵循相应的文档指导是非常重要的。此外，由于图数据库相对于传统数据库在概念和使用上有较大的不同，用户在开始使用Neo4j之前，还需要对图数据库的基本概念和Neo4j的操作有一定程度的了解。这包括理解节点、关系、属性等基本概念，以及掌握Cypher查询语言的基础知识。 Neo4j在社区中也拥有广泛的用户基础和活跃的开发社区。用户在遇到问题时可以通过社区资源进行搜索，或者在社区论坛中提问，通常能够获得其他用户或开发者的技术支持。此外，Neo4j的官方文档通常会提供最新和最准确的安装和配置指南，因此对于开发者而言，始终关注官方文档的更新也是一个好的习惯。 Neo4j社区版是完全免费的，并且功能强大，适合个人开发者和小团队使用。对于有更高要求的商业用户，Neo4j也提供了企业版，提供了额外的支持和服务。企业版在扩展性、安全性、性能优化等方面提供了更多的保障，是商业环境中值得信赖的选择。 随着大数据时代的到来，图数据库的使用变得越来越普遍。Neo4j由于其易于理解和使用的特性，以及强大的功能，成为图数据库领域中不可忽视的一个力量。随着技术的不断进步，Neo4j在未来必将在处理大规模复杂关系数据的领域发挥更大的作用。

该博文详细介绍了基于YOLOv11的多种改进方法，涵盖了从注意力机制、特征融合模块到轻量化网络替换等多个方面。具体包括引入单头自注意力机制SHSA、频率感知特征融合模块FreqFusion、动态检测头DynamicHead、分布移位卷积DSConvHead等。此外，还涉及使用CPA-Enhancer自适应增强器、Haar小波下采样、图像去雾网络AOD-PONO-Net、可逆列网络RevColV1等替换backbone的方法。这些改进旨在提升模型在低照度目标、小目标检测、多尺度特征提取等方面的性能，同时优化推理速度和计算效率。博文提供了详细的Python源码和训练源码，适合研究人员和开发者参考。 在深度学习领域，YOLO（You Only Look Once）算法因其快速准确的实时对象检测能力而广泛应用于各类视觉任务中。随着技术的进步，YOLO算法也在不断推陈出新，以适应更多样化的应用需求。此次汇总的博文详细探讨了基于YOLOv11版本的多种改进策略，这些策略着眼于优化算法的多个方面，包括但不限于提高检测精度、加快检测速度、以及增强模型在复杂环境下的鲁棒性。 在注意力机制方面，引入了单头自注意力机制（SHSA），它能够通过模型自学习的方式，强化对关键特征的聚焦，从而提升对小目标或低对比度目标的检测能力。与此同时，频率感知特征融合模块（FreqFusion）通过分析特征图的频率分布，能够有效地将不同尺度的信息融合，增强了模型对多尺度目标的适应性。 动态检测头（DynamicHead）的设计使得网络可以根据输入数据的不同动态调整其检测策略，进一步提升了模型的灵活性。分布移位卷积DSConvHead则在卷积层设计上有所创新，通过调整特征图的分布，优化了特征提取过程中的信息流动。 此外，博文还探讨了以CPA-Enhancer自适应增强器、Haar小波下采样、图像去雾网络AOD-PONO-Net、可逆列网络RevColV1等多种技术替换传统backbone结构。这些方法各有特色，比如CPA-Enhancer自适应增强器能够动态调节特征图的对比度，提高低照度环境下的检测性能；Haar小波下采样则有助于提高计算效率；图像去雾网络AOD-PONO-Net针对雾天等恶劣天气条件下的图像提供去雾处理，以恢复更多细节信息；而可逆列网络RevColV1则是一种轻量级网络结构，能够在不影响精度的前提下，大幅减少模型的参数量，从而降低计算资源的需求。 这些改进手段不仅提升了YOLOv11在各类视觉检测任务中的表现，还为研究人员和开发者提供了宝贵的实践经验。通过详细的Python源码和训练源码的分享，该博文为业内同仁提供了直接的参考，便于他们快速上手并实施这些先进的改进策略。 博文所提供的源码充分体现了开源精神，让社区中的每个人都能参与到算法的改进与优化中来。源码中丰富的注释和清晰的结构设计，不仅有助于理解每项改进的原理和实现方式，还方便社区成员基于现有的工作进行进一步的创新与拓展。这不仅促进了算法的进化，也加速了整个视觉检测领域的发展进程。 这次汇总的博文是对当前YOLO算法改进工作的一次全面回顾和总结。它不仅展示了该算法不断进步的发展趋势，也展现了开源社区在推动技术革新方面所发挥的积极作用。通过这些改进，YOLO算法的应用范围将得到进一步拓展，其性能也将在更多实际场景中得到验证和提升。

基于深度学习开发的体育动作识别与质量评估系统，支持俯卧撑、深蹲、跳绳、跳远、引体向上、仰卧起坐等多种体育运动。（源码+教程） 功能特性 动作识别: 自动识别6种体育动作类型 阶段分割: 精确划分动作的各个阶段 质量评估: 多维度评估动作质量（0-100分） 错误检测: 自动检测常见动作错误 实时评估: 支持视频实时分析 支持的运动类型 动作 英文标识 支持功能 俯卧撑 pushup 识别/阶段/评估/错误检测 深蹲 squat 识别/阶段/评估/错误检测 仰卧起坐 situp 识别/阶段/评估/错误检测 跳绳 jump_rope 识别/阶段/评估/错误检测 跳远 long_jump 识别/阶段/评估/错误检测 引体向上 pullup 识别/阶段/评估/错误检测 评估指标 动作识别 准确率: 动作分类准确率 每类准确率: 各动作类型的识别准确率 阶段分割 帧级准确率: 单帧阶段分类准确率 边界F1: 阶段边界检测F1分数 编辑距离: 阶段序列相似度 质量评估 MAE: 与人工评分的平均绝对误差 相关性: 与人工评分的皮尔逊相关系数 错误检测准确率: 多标签分类准确率 可检测的错误类型 俯卧撑 塌腰、撅臀、肘外扩、未达深度、耸肩 深蹲 膝盖内扣、重心前移、未达深度、踮脚尖、圆背 仰卧起坐 借力拉头、臀部离地、未触膝、借助惯性 跳绳 全脚掌落地、膝盖过直、节奏不稳、跳跃过高、手臂外展 跳远 起跳角度过大/过小、未充分摆臂、落地不稳、身体后仰 引体向上 未过杆、未充分下放、身体摆动、蹬腿借力、耸肩 配置说明 编辑 config.yaml 可以自定义： 动作定义: 阶段数、标准参数、错误类型 训练参数: 学习率、批次大小、训练轮数 评估阈值: 各等级分数阈值 路径配置: 数据目录、输出目录

在当前的数字化时代，微信小程序已经成为了移动应用领域的一个重要组成部分，尤其对于轻量级、快速触达用户的应用场景，其优势明显。本项目“基于云开发的微信答题小程序”结合了微信原生小程序和云开发的技术，构建了一个高效、便捷的在线答题平台。 微信原生小程序是一种无需下载安装即可使用的应用形式，它运行在微信环境中，具有流畅的用户体验和较低的开发门槛。微信提供了丰富的API接口和组件，使得开发者可以快速构建功能丰富的应用。在本项目中，微信小程序负责前端展示和用户交互，提供答题界面设计、用户登录注册、题目显示、答案提交等功能。 云开发（Tencent Cloud Base，简称TCB）是腾讯云提供的全栈式开发服务，它免去了开发者搭建和运维服务器的复杂流程，使得开发过程更加聚焦于业务逻辑。在微信答题小程序中，云开发主要承担以下几个方面的作用： 1. 数据存储：云数据库为小程序提供后台数据存储服务，保存用户信息、题目库、答案、分数等关键数据，确保数据的安全性和一致性。 2. 功能扩展：云函数作为后端逻辑处理中心，可以实现如用户身份验证、答题逻辑判断、成绩计算等功能，同时避免了暴露敏感的后端代码。 3. 文件存储：云存储服务用于存放图片、音频等非结构化数据，例如题目图片或背景音乐。 4. 实时通信：如果需要实现答题的实时性，如抢答功能，云开发中的实时通信服务（例如WebSocket）可以提供低延迟的双向通信，确保用户间的即时互动。 在技术实现上，微信小程序与云开发的集成通常通过小程序的云能力接口进行，开发者可以在小程序端调用云函数，触发云端的业务逻辑，并将结果返回到客户端。此外，云开发还提供了统一的身份认证（CORS）机制，使得微信小程序能够安全地访问云资源。 为了确保项目的稳定性和可扩展性，开发者还需要关注以下几点： 1. 性能优化：合理设置缓存策略，减少不必要的网络请求，提高用户体验。 2. 安全性：对用户输入进行校验，防止SQL注入等攻击，同时保护用户隐私。 3. 异常处理：建立完善的错误处理机制，提供友好的错误提示，确保程序在异常情况下也能优雅地运行。 4. 测试与调试：进行充分的单元测试和集成测试，确保各功能模块的正确性，同时利用微信开发者工具进行调试和性能分析。 “基于云开发的微信答题小程序”项目结合了微信小程序的易用性和云开发的便捷性，为构建一个高效、可靠的在线答题平台提供了有力的技术支持。通过持续优化和迭代，该小程序有望为用户提供更优质的服务，满足各类在线答题活动的需求。

内容概要：本文详细介绍了2023年电子设计大赛K题“辨音识键奏乐系统”的原理、设计思路和实现方法。该系统由5个特殊“琴键”（水杯）、1个敲击棒和1个识别控制器组成，通过敲击水杯发出声音，识别控制器分析声音并发出对应音高的声音。基本要求包括一键启动自动演奏简单乐曲、识别空水杯和装有不同水量的水杯，并显示杯号。发挥部分则要求在更复杂的条件下实现更高的识别准确率和更快的响应速度。文章还分析了硬件选择（如STM32和树莓派）的优劣，讨论了声音信号处理中的挑战，如噪音干扰和信号提取，并详细解析了系统架构和关键代码实现。最后，文章分享了开发中的避坑经验和性能优化策略。 适合人群：对电子设计和嵌入式开发感兴趣的大学生、电子设计爱好者以及有一定硬件和编程基础的研发人员。 使用场景及目标：①了解电子设计大赛K题的设计思路和技术实现；②掌握STM32或树莓派在声音识别和处理中的应用；③学习如何应对声音信号处理中的常见问题，如噪音干扰和信号提取；④优化系统性能，提高识别精度和响应速度。 阅读建议：本文内容涵盖了硬件选择、信号处理、代码实现等多个方面，建议读者结合自身背景和兴趣点，重点关注感兴趣的部分，并通过实际动手操作加深理解。特别是对于初学者，建议先从简单的硬件搭建和基础代码实现入手，逐步深入到更复杂的算法优化和性能提升。

本文详细介绍了YOLOv8在遗留物检测（Abandoned Object Detection）中的应用及其技术实现。遗留物检测在视频监控系统中用于识别被放置或遗留在监控区域内未被取走的物体，广泛应用于反恐防爆、大型活动安全、无主行李识别、垃圾检测、道路安全和防盗等领域。文章分析了遗留物检测面临的技术挑战，如背景变化、遮挡问题、物体分类和实时性要求，并介绍了相关技术，包括背景建模、运动检测、机器学习和深度学习（如YOLO模型）以及图像处理技术。此外，文章还提供了多种前景提取方法的示例代码，如背景减法、帧差法、高斯混合模型和均值背景建模，并详细说明了YOLOv8在遗留物检测中的具体实现步骤，包括背景建模、物体跟踪、行人检测和前景绘制。最后，文章分享了YOLOv8遗留物检测的代码下载链接。 遗留物检测技术是视频监控领域的重要研究方向，其目的在于发现并识别监控区域内未被取走的物体。这种技术的应用场景非常广泛，涵盖了反恐防爆、大型活动安全、无主行李识别、垃圾检测、道路安全以及防盗等多个领域。随着技术的不断进步，遗留物检测的准确性和实时性得到了显著提升，尤其是深度学习技术的引入，为该领域带来了革命性的变化。 YOLO（You Only Look Once）模型是一系列以高效率和快速识别著称的深度学习目标检测算法。YOLOv8作为该系列的最新成员，继承了前代YOLO模型的优势，同时在性能上实现了进一步的提升。YOLOv8在遗留物检测中的应用，不仅能够处理复杂的监控场景，而且能够快速准确地识别出被遗留的物体，并及时进行报警。 在技术实现方面，遗留物检测需要解决多个技术挑战，包括但不限于背景变化、遮挡问题、物体分类以及实时性要求。传统的方法包括背景建模和运动检测等，在某些特定的监控场景下能够提供有效的检测结果。然而，随着环境的复杂性增加，这些传统方法往往难以应对各种挑战，这就需要更为先进的技术来提升检测的准确性和鲁棒性。 深度学习技术，特别是基于卷积神经网络（CNN）的YOLO模型，已经成为解决遗留物检测问题的主流方法之一。YOLO模型通过将目标检测任务转化为回归问题来实现实时检测，其速度和效率在同类模型中表现突出。此外，YOLOv8在继承了YOLO系列一贯的快速检测能力的同时，还在模型结构和算法优化上作出了改进，使得它在处理遮挡、小目标等难题时有着更好的表现。 图像处理技术在遗留物检测中也扮演着重要角色，它涉及的前景提取方法包括背景减法、帧差法、高斯混合模型和均值背景建模等。这些技术通过分析视频帧之间的差异或视频帧与背景模型之间的差异来提取前景目标。在实际应用中，这些方法可以根据不同场景的特点进行选择和优化，以获得最佳的检测效果。 YOLOv8遗留物检测的具体实现步骤包括背景建模、物体跟踪、行人检测和前景绘制等关键环节。背景建模是提取前景目标的基础，能够有效地从视频中分离出移动的物体；物体跟踪则确保了连续帧中检测到的物体能够被准确地识别和跟踪；行人检测和前景绘制进一步细化了检测结果，提高了检测的准确率和可靠性。 文章不仅深入分析了YOLOv8在遗留物检测中的技术细节，还提供了多种前景提取方法的示例代码。通过这些示例代码，开发者可以更直观地理解算法的实现过程，从而加速开发出适合实际应用场景的遗留物检测系统。 文章还分享了YOLOv8遗留物检测的代码下载链接，为感兴趣的开发者和研究人员提供了宝贵的资源。通过源码的共享，可以促进学术界和产业界在遗留物检测领域的进一步交流与合作，推动该技术的发展和应用。

全国职业院校技能大赛移动应用与开发（中职组）是一项旨在提升中职学生在移动应用开发领域的专业技能的比赛。2023年的赛题分为三个模块：模块A - 移动应用界面设计，模块B - 移动应用前端开发，以及模块C - 移动应用测试与交付，总分100分。 模块A主要考核参赛选手的UI/UE设计能力，要求选手使用Adobe XD创建高保真原型稿，设计符合目标受众的App界面。设计内容需包括看电影、物流查询和找工作等生活服务场景。画板尺寸固定，需考虑滚动区域、界面布局和风格一致性。设计中不得出现与选手身份相关的标识，否则将被判定为零分。 模块B涉及移动应用的前端开发，可能需要用到HTML5、CSS3和JavaScript等技术，构建实际的功能性应用。参赛者需完成DigitalLife.apk的应用程序，并确保其能正常运行和提供相应服务。 模块C则关注应用的测试和交付，包括编写产品使用手册和缺陷分析文档，确保应用的质量和用户体验。选手需要提交"产品使用手册.doc"和"缺陷分析.doc"，这体现了对应用测试流程和文档编写能力的要求。 比赛成果物需按指定格式命名并保存在对应文件夹中，最后提交到裁判提供的U盘中。整个竞赛过程强调了数字生活的应用背景，要求选手能够结合新一代信息技术，创造出符合业务逻辑、用户体验良好的移动应用。 此赛事不仅检验了学生的专业技能，还推动了他们在数字社会发展中的角色，鼓励他们利用HTML5、CSS3、JavaScript等技术，参与到智慧党建、乡村民宿、智慧健康等多元数字生活场景的创新中。通过这样的比赛，中职学生可以更好地理解和适应数字技术全面融入社会的新趋势，为未来的数字化生活提供更优质的服务。

本文介绍了基于NVMe的exFAT文件系统FPGA IP核的应用场景和产品特点。该IP核适用于需要实时高速存储和大数据量文件管理的场景，如超高速高清相机数据记录、航空成像与测量数据记录等。产品特点包括纯FPGA逻辑实现exFAT，简化硬件设计并提升存储效率和可靠性；支持文件管理，操作简便易用；支持多种文件格式并可定制；目前基于自研NVMe IP实现，可移植到自研SATA IP上。此外，文中还提供了相关图片和资源消耗报表，展示了该IP核的实际应用效果。 随着数字技术的发展和数据存储需求的不断提升，数据存储系统正面临着新的挑战和机遇。在这一背景下，一种基于非易失性内存表达式(NVMe)的可扩展文件分配表(exFAT)文件系统FPGA IP核应运而生，它专门为满足实时高速存储和大数据量文件管理的复杂需求而设计。 这一IP核的核心优势在于其对FPGA逻辑的纯硬件实现，这种方式摆脱了传统软件解决方案的复杂性，同时也保证了数据处理的速度和系统的稳定性。对于如超高速高清相机数据记录、航空成像与测量数据记录等场景来说，这种IP核的应用显得尤为重要。 它提供了对exFAT文件系统的支持，这在FPGA环境中是不常见的，因为FPGA一般不直接参与操作系统的文件管理功能。有了这一功能，系统能够更加高效地处理大文件，并在高速数据流中实现无缝的文件管理。同时，它还简化了整体的硬件设计，使得硬件工程师可以更专注于其他核心功能的开发，而不必担心底层文件系统的实现。 在可操作性上，该IP核支持了多种文件格式，并且能够根据用户需求进行定制。这意味着开发者可以根据自己的应用需求来选择或者设计适合的文件系统，大大增强了产品的灵活性和适用范围。不仅如此，该IP核还能够与开发者自研的NVMe IP核兼容，这一特性为使用自主知识产权的硬件加速器提供了便利，同时也支持将IP核移植到其他的硬件平台，如自研的串行高级技术附件(SATA) IP核，以实现更广泛的应用。 此外，文档中提供的图片和资源消耗报表，进一步证明了该IP核在实际应用中的表现。这些资源消耗报表详细列出了在实现不同功能时的FPGA资源占用情况，包括逻辑单元、存储器块和输入输出块等，帮助开发者在资源有限的情况下做出更合理的规划。 这款NVMe exFAT FPGA IP核提供了一个强大的解决方案，以硬件逻辑的形式实现了高效、可靠的文件系统，满足了特殊应用场景下的存储和文件管理需求。它的出现不仅提升了特定行业的数据处理能力，也推动了硬件开发技术的进步。

DSP28035的CAN通信升级方案：包括源码、测试固件与C#上位机开发，支持周立功USBCAN-II兼容盒及BootLoader闪烁指示,DSP28035的CAN升级方案及详细配置说明：使用新动力开发板与C#上位机软件实现固件升级，涉及用户代码、BootLoader代码及硬件连接细节,DSP28035的can升级方案 提供源代码，测试用固件。 上位机采用c#开发。 说明 一、介绍 1、测试平台介绍：采用M新动力的DSP28035开发板，CAN口使用GPIO30\31。波特率为500K。 2、28035__APP为测试用的用户代码，ccs10.3.1工程，参考其CMD配置。 3、28035_Bootloader_CAN为bootloader源代码，ccs10.3.1工程； 4、SWJ为上位机，采用VS2013开发，C#语言。 5、测试使用的是周立功的USBCAN-II，can盒，如果用一些国产可以兼容周立功的，则更这里面的ControlCAN.dll即可。 6、升级的app工程需要生成hex去升级，具体参考我给的工程的设置。 7、BootLoader代码，只有D400这一个灯1s闪烁一