FT230X USB转UART芯片技术规格书

datasheet
需积分: 11 2 下载量 108 浏览量 更新于2024-07-17 收藏 823KB PDF 举报
"DS_FT230X.pdf 是Future Technology Devices International Ltd.发布的一款USB到基本UART接口芯片的资料，该芯片常用于器件设计。FT230X是一款单芯片USB到异步串行数据传输接口，具备多项高级功能，如无需USB特定固件编程、集成2048字节的多时间编程内存、集成时钟生成以及FTDI的无版税虚拟串口(VCP)和直接(D2XX)驱动等。" FT230X USB TO BASIC UART IC 是由Future Technology Devices International Ltd.开发的一款微型USB到串行接口芯片，主要设计用于简化PCB布局和提供高效的数据传输。以下是关于FT230X的关键特性： 1. **单芯片USB到串行转换**：FT230X芯片能够处理整个USB协议，这意味着用户在应用中无需编写额外的USB固件。 2. **内置MTP内存**：FT230X集成了2048字节的多时间编程内存（Multi-Time Programmable Memory），用于存储设备描述符和CBUS I/O配置，增强了灵活性。 3. **集成时钟生成**：芯片内部包含时钟发生器，不需要外部晶体，同时提供可选的时钟输出选择，可以实现与外部MCU或FPGA的无胶合接口。 4. **广泛的波特率支持**：数据传输速率范围广泛，从300波特到3兆波特（适用于RS422, RS485, 和 RS232），并且在TTL电平下运行。 5. **缓冲技术**：FT230X具有512字节的接收缓冲区和512字节的发送缓冲区，利用缓冲平滑技术，允许实现高数据吞吐量。 6. **驱动支持**：FTDI提供了无版税的虚拟串口驱动程序（VCP）和直接驱动（D2XX），消除了对USB驱动开发的需求，使得在多种操作系统上的使用更加方便。 7. **优化的引脚数量**：为了适应小型化PCB设计，FT230X的引脚数目经过优化，有助于节省空间。 这款芯片在设计时考虑了易用性、灵活性和性能，是嵌入式系统、工业控制、通信设备以及其他需要USB与串行接口转换的应用的理想选择。通过使用FT230X，开发者可以快速集成USB功能，而无需深入了解复杂的USB协议，从而专注于他们的核心应用开发。

ft230x basic uart 驱动

2020-01-03 上传
ft230x basic uart 驱动 可用 放下下载。摘要必须大于50个字节！ ft230x basic uart 驱动 可用 放下下载。摘要必须大于50个字节！

FT230x资料汇总--驱动+配置软件+datasheet

2019-03-02 上传
FT230x资料汇总（驱动+配置软件+datasheet），需要的同行可以下载来看看！

FT230XS UART to USB Driver

2018-07-26 上传
FT230XS UART to USB Driver，FT230XS芯片 串口转usb驱动程序。

这句sqlUPDATE dev_setting AS ds1 JOIN dev_setting AS ds2 ON ds2.external_port = 0 and ds1.dev_id = ds2.dev_id SET ds1.dev_light = ds2.dev_light, ds1.dev_ct = ds2.dev_ct, ds1.dev_ch = ds2.dev_ch, ds1.dev_cth = ds2.dev_cth, ds1.vpd_ct = ds2.vpd_ct, ds1.backlight_switch = ds2.backlight_switch, ds1.has_backlight_switch = ds2.has_backlight_switch, ds1.dev_company = ds2.dev_company WHERE ds1.dev_id = #{devId} and ds1.external_port != 0为何会死锁

2023-06-07 上传
这条SQL语句UPDATE dev_setting AS ds1 JOIN dev_setting AS ds2 ON ds2.external_port = 0 and ds1.dev_id = ds2.dev_id SET ... WHERE ...语句本身并不会导致死锁。但是在高并发情况下，如果多个线程同时执行该...

expdp demo_ds_adp/DEMO_ds_adp@172.16.20.25:1521/orcl DIRECTORY=DATA_PUMP_DIR DUMPFILE=/aresoft/oracle_bak/expdp_demo_ds_adp_20230716.dmp SCHEMAS=demo_ds_adp logfile=/aresoft/oracle_bak/expdp_demo_ds_adp_20230716.log Export: Release 11.2.0.1.0 - Production on Sun Jul 16 01:06:10 2023 Copyright (c) 1982, 2009, Oracle and/or its affiliates. All rights reserved. Connected to: Oracle Database 11g Enterprise Edition Release 11.2.0.1.0 - 64bit Production With the Partitioning, OLAP, Data Mining and Real Application Testing options ORA-39002: invalid operation ORA-39070: Unable to open the log file. ORA-39088: file name cannot contain a path specification

2023-07-16 上传
expdp demo_ds_adp/DEMO_ds_adp@172.16.20.25:1521/orcl DIRECTORY=DATA_PUMP_DIR DUMPFILE=expdp_demo_ds_adp_20230716.dmp SCHEMAS=demo_ds_adp logfile=expdp_demo_ds_adp_20230716.log ``` 请根据你的实际情况...

String sql2 = “SELECT as, bs, cs, ds, es, qs FROM b_table”; PreparedStatement stmt2 = conn.prepareStatement(sql2); ResultSet rs2 = stmt2.executeQuery(); BigDecimal as_current = BigDecimal.ZERO; BigDecimal bs_current = BigDecimal.ZERO; BigDecimal cs_current = BigDecimal.ZERO; BigDecimal ds_current = BigDecimal.ZERO; BigDecimal es_current = BigDecimal.ZERO; BigDecimal qs_current = BigDecimal.ZERO; if (rs2.next()) { as_current = rs2.getBigDecimal(“as”); bs_current = rs2.getBigDecimal(“bs”); cs_current = rs2.getBigDecimal(“cs”); ds_current = rs2.getBigDecimal(“ds”); es_current = rs2.getBigDecimal(“es”); qs_current = rs2.getBigDecimal(“qs”); } rs2.close(); stmt2.close();b表里的数据是小数，请问这段代码查出来为什么是null，已知字段类型是varchar，指出原因并改正

2023-06-02 上传
ds_current = rs2.getBigDecimal(“ds”); es_current = rs2.getBigDecimal(“es”); qs_current = rs2.getBigDecimal(“qs”); } rs2.close(); stmt2.close(); ``` 注意，需要将变量的初始值设置为...

import tensorflow as tf from tensorflow.keras.layers import Dense, Flatten, Conv2D, MaxPool2D, Dropoutfrom tensorflow.keras import Model​# 在GPU上运算时，因为cuDNN库本身也有自己的随机数生成器，所以即使tf设置了seed，也不会每次得到相同的结果tf.random.set_seed(100)​mnist = tf.keras.datasets.mnist(X_train, y_train), (X_test, y_test) = mnist.load_data()X_train, X_test = X_train/255.0, X_test/255.0​# 将特征数据集从(N,32,32)转变成(N,32,32,1),因为Conv2D需要(NHWC)四阶张量结构X_train = X_train[..., tf.newaxis]    X_test = X_test[..., tf.newaxis]​batch_size = 64# 手动生成mini_batch数据集train_ds = tf.data.Dataset.from_tensor_slices((X_train, y_train)).shuffle(10000).batch(batch_size)test_ds = tf.data.Dataset.from_tensor_slices((X_test, y_test)).batch(batch_size)​class Deep_CNN_Model(Model):    def __init__(self):        super(Deep_CNN_Model, self).__init__()        self.conv1 = Conv2D(32, 5, activation='relu')        self.pool1 = MaxPool2D()        self.conv2 = Conv2D(64, 5, activation='relu')        self.pool2 = MaxPool2D()        self.flatten = Flatten()        self.d1 = Dense(128, activation='relu')        self.dropout = Dropout(0.2)        self.d2 = Dense(10, activation='softmax')        def call(self, X):    # 无需在此处增加training参数状态。只需要在调用Model.call时，传递training参数即可        X = self.conv1(X)        X = self.pool1(X)        X = self.conv2(X)        X = self.pool2(X)        X = self.flatten(X)        X = self.d1(X)        X = self.dropout(X)   # 无需在此处设置training状态。只需要在调用Model.call时，传递training参数即可        return self.d2(X)​model = Deep_CNN_Model()loss_object = tf.keras.losses.SparseCategoricalCrossentropy()optimizer = tf.keras.optimizers.Adam()​train_loss = tf.keras.metrics.Mean(name='train_loss')train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(name='train_accuracy')test_loss = tf.keras.metrics.Mean(name='test_loss')test_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(name='test_accuracy')​# TODO：定义单批次的训练和预测操作@tf.functiondef train_step(images, labels):       ......    @tf.functiondef test_step(images, labels):       ......    # TODO：执行完整的训练过程EPOCHS = 10for epoch in range(EPOCHS)补全代码

2023-06-13 上传
train_ds = tf.data.Dataset.from_tensor_slices((X_train, y_train)).shuffle(10000).batch(batch_size) test_ds = tf.data.Dataset.from_tensor_slices((X_test, y_test)).batch(batch_size) # 定义深度CNN模型 ...

给出如下数据库导出命令 expdp demo_ds_adp/DEMO_ds_adp@172.16.20.25:1521/orcl DIRECTORY=DATA_PUMP_DIR DUMPFILE=expdp_demo_ds_adp_20220829.dmp SCHEMAS=demo_ds_adp logfile=expdp_demo_ds_adp_20220829.log 写一个shell脚本 实现远程执行 oracle数据库的备份 将备份文件保存至本地/aresoft/oacke_bak目录下

2023-07-16 上传
以下是一个示例的Shell脚本，用于远程执行...保存脚本并赋予执行权限（例如，使用 `chmod +x script.sh` 命令赋予执行权限），然后在终端中执行脚本即可实现远程执行Oracle数据库备份，并将备份文件保存到指定目录下。

FAILED: esp-idf/main/CMakeFiles/__idf_main.dir/src/net/ds_wifi_ap_sta.c.obj

2023-07-28 上传
它表示编译器无法编译 "ds_wifi_ap_sta.c" 这个文件。 这个问题可能有多种原因导致，下面是一些可能的解决方法： 1. 检查文件路径：确保文件路径正确且存在。如果文件路径不正确或文件不存在，编译器将无法找到该...

优化这个代码import xarray as xr import netCDF4 as nc import pandas as pd import numpy as np import datetime import matplotlib.pyplot as plt import cartopy.mpl.ticker as cticker import cartopy.crs as ccrs import cartopy.feature as cfeature ds = xr.open_dataset('C:/Users/cindy/Desktop/SP.nc', engine='netcdf4') # 读取原始数据 ds_temp = xr.open_dataset('C:/Users/cindy/Desktop/SP.nc') # 区域提取* south_asia = ds_temp.sel(latitude=slice(38, 28), longitude=slice(75, 103)) indian_ocean = ds_temp.sel(latitude=slice(5, -15), longitude=slice(60, 100)) # 高度插值 south_asia_200hpa = south_asia.t.interp(level=200) indian_ocean_200hpa = indian_ocean.t.interp(level=200) south_asia_400hpa = south_asia.t.interp(level=400) indian_ocean_400hpa = indian_ocean.t.interp(level=400) # 区域平均 TTP = south_asia_400hpa.mean(dim=('latitude', 'longitude'))#.values TTIO = indian_ocean_400hpa.mean(dim=('latitude', 'longitude'))# TTP_200hpa = south_asia_200hpa.mean(dim=('latitude', 'longitude')) TTIO_200hpa = indian_ocean_200hpa.mean(dim=('latitude', 'longitude')) tlup=(TTP-TTIO)-(TTP_200hpa-TTIO_200hpa)-(-5.367655815) # 定义画图区域和投影方式 fig = plt.figure(figsize=[10, 8]) ax = plt.axes(projection=ccrs.PlateCarree()) # 添加地图特征 ax.set_extent([60, 140, -15, 60], crs=ccrs.PlateCarree()) ax.add_feature(cfeature.COASTLINE.with_scale('50m'), linewidths=0.5) ax.add_feature(cfeature.LAND.with_scale('50m'), facecolor='lightgray') ax.add_feature(cfeature.OCEAN.with_scale('50m'), facecolor='white') # 画距平场 im = ax.contourf(TTP_200hpa, TTP, tlup, cmap='coolwarm', levels=np.arange(-4, 4.5, 0.5), extend='both') # 添加色标 cbar = plt.colorbar(im, ax=ax, shrink=0.8) cbar.set_label('Temperature anomaly (°C)') # 添加经纬度坐标轴标签 ax.set_xticks(np.arange(60, 105, 10), crs=ccrs.PlateCarree()) ax.set_yticks(np.arange(-10, 40, 10), crs=ccrs.PlateCarree()) lon_formatter = cticker.LongitudeFormatter() lat_formatter = cticker.LatitudeFormatter() ax.xaxis.set_major_formatter(lon_formatter) ax.yaxis.set_major_formatter(lat_formatter) # 添加标题和保存图片 plt.title('Temperature anomaly at 400hPa over South Asia and the Indian Ocean') plt.savefig('temperature_anomaly.png', dpi=300) plt.show()

2023-05-22 上传
south_asia = ds.sel(latitude=slice(38, 28), longitude=slice(75, 103)).t.interp(level=200) indian_ocean = ds.sel(latitude=slice(5, -15), longitude=slice(60, 100)).t.interp(level=200) ``` 4. 对于计算...
由硬到软-产品经理
  • 粉丝: 51
  • 资源: 2
上传资源 快速赚钱

最新资源