没有合适的资源？快使用搜索试试~ 我知道了~

首页PCA9535/PCA9535C: 16-Bit I2C/GPIO扩展器增强方案

PCA9535/PCA9535C: 16-Bit I2C/GPIO扩展器增强方案

需积分: 1 0 下载量 177 浏览量更新于2024-06-16 收藏 184KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

试读

31页

PCA9535和PCA9535C是NXP半导体公司开发的一款针对I2C总线/SMBus应用的24针CMOS集成电路，专为增强其I2C接口外设扩展功能而设计。这款器件提供了16位通用目的并行输入/输出(GPIO)扩展，能够满足对额外I/O需求的广泛应用，如ACPI电源开关、传感器、按钮、LED灯、风扇等设备的控制。这些设备的主要改进包括增强的驱动能力，使得它们能更好地驱动负载；增加了5V电压下的I/O耐受性，提高了系统的稳健性；降低了功耗，有助于实现更高效的能源管理；支持独立的I/O配置，用户可以根据实际需求灵活设定每个引脚的功能；此外，PCA9535和PCA9535C采用了紧凑的封装，简化了电路板布局。 PCA9535和PCA9535C内部集成了两个8位配置寄存器，分别用于选择输入或输出模式、设置数据输入和输出以及进行信号极性反转（即高电平有效或低电平有效）。系统主控通过写入这些配置位，可以动态地控制I/O引脚的工作状态。读取数据则存储在对应的输入或输出寄存器中，而极性反转可以通过单独的Polarity Inversion寄存器进行设置。尽管与PCF8575引脚到引脚兼容，并且具有相同的I2C地址，但为了适配PCA9535C的新特性，软件层面的调整是必要的。使用PCA9535/C时，开发者需要注意正确配置其寄存器以实现所需的I/O功能，同时考虑到电源管理、信号完整性等因素，确保与系统的兼容性和性能。这种高度灵活和易用的I/O扩展解决方案，为设计师在扩展I2C总线功能时提供了强大的工具。无论是工业控制、消费电子还是物联网应用，PCA9535和PCA9535C都能提供可靠且经济高效的解决方案。

资源详情

资源推荐

Product data sheet Rev. 05 — 15 September 2008 6 of 31

NXP Semiconductors

PCA9535; PCA9535C

16-bit I

C-bus and SMBus, low power I/O port with interrupt

6. Functional description

Refer to Figure 1 “Block diagram of PCA9535; PCA9535C”.

6.1 Device address

6.2 Registers

6.2.1 Command byte

The command byte is the ﬁrst byte to follow the address byte during a write transmission.

It is used as a pointer to determine which of the following registers will be written or read.

Fig 6. PCA9535; PCA9535C device address

R/W

002aac219

0 1 0 0 A2 A1 A0

programmable

slave address

fixed

Table 4. Command byte

Command Register

0 Input port 0

1 Input port 1

2 Output port 0

3 Output port 1

4 Polarity Inversion port 0

5 Polarity Inversion port 1

6 Conﬁguration port 0

7 Conﬁguration port 1

Product data sheet Rev. 05 — 15 September 2008 7 of 31

NXP Semiconductors

PCA9535; PCA9535C

16-bit I

C-bus and SMBus, low power I/O port with interrupt

6.2.2 Registers 0 and 1: Input port registers

This register is an input-only port. It reﬂects the incoming logic levels of the pins,

regardless of whether the pin is deﬁned as an input or an output by Register 3. Writes to

this register have no effect.

The default value ‘X’ is determined by the externally applied logic level.

6.2.3 Registers 2 and 3: Output port registers

This register is an output-only port. It reﬂects the outgoing logic levels of the pins deﬁned

as outputs by Registers 6 and 7. Bit values in this register have no effect on pins deﬁned

as inputs. In turn, reads from this register reﬂect the value that is in the ﬂip-ﬂop controlling

the output selection, not the actual pin value.

6.2.4 Registers 4 and 5: Polarity Inversion registers

This register allows the user to invert the polarity of the Input port register data. If a bit in

this register is set (written with ‘1’), the Input port data polarity is inverted. If a bit in this

Table 5. Input port 0 Register

Bit 7 6 5 4 3 2 1 0

Symbol I0.7 I0.6 I0.5 I0.4 I0.3 I0.2 I0.1 I0.0

Default XXXXXXXX

Table 6. Input port 1 register

Bit 7 6 5 4 3 2 1 0

Symbol I1.7 I1.6 I1.5 I1.4 I1.3 I1.2 I1.1 I1.0

Default XXXXXXXX

Table 7. Output port 0 register

Bit 7 6 5 4 3 2 1 0

Symbol O0.7 O0.6 O0.5 O0.4 O0.3 O0.2 O0.1 O0.0

Default 11111111

Table 8. Output port 1 register

Bit 7 6 5 4 3 2 1 0

Symbol O1.7 O1.6 O1.5 O1.4 O1.3 O1.2 O1.1 O1.0

Default 11111111

Table 9. Polarity Inversion port 0 register

Bit 7 6 5 4 3 2 1 0

Symbol N0.7 N0.6 N0.5 N0.4 N0.3 N0.2 N0.1 N0.0

Default 00000000

Table 10. Polarity Inversion port 1 register

Bit 7 6 5 4 3 2 1 0

Symbol N1.7 N1.6 N1.5 N1.4 N1.3 N1.2 N1.1 N1.0

Default 00000000

剩余30页未读，继续阅读

这个是哪里出错了```python import pandas as pd from sklearn.decomposition import PCAfrom sklearn.preprocessing import StandardScaler# 读取数据df = pd.read_excel('data.xlsx', sheet_name='Sheet1') df = df.drop(columns=['地区']) # 标准化 sc = StandardScaler() data_std sc.fit_transform(df) # 主成分分析 pca = PCA(n_components=2) pca.fit(data_std) data_pca = pca.transform(data_std) df_pca = pd.DataFrame(data_pca, columns=['PC1', 'PC2']) print(df_pca.head()) ``` (2) 前面提取的两个主成分包含了所有样本的信息，接下来使用K均值聚类算法来对样本进行聚类。具体步骤如下： ```python from sklearn.cluster import KMeans# 聚类kmeans = KMeans(n_clusters=4) kmeans.fit(df_pca) labels = kmeans.labels_ # 输出结果 df_result = pd.DataFrame({'地区': df.index, '类别': labels}) for i in range(4): print("第{}类地区: ".format(i+1), df_result[df_result['类别'] == i]['地区'].unique())

df = pd.read_excel('data.xlsx', sheet_name='Sheet1') df = df.drop(columns=['地区']) # 标准化 sc = StandardScaler() data_std = sc.fit_transform(df) # 主成分分析 pca = PCA(n_components=2) pca.fit(data...

pca融合 matlab

[data_pca,~] = pca(data,'NumComponents',3); 其中，data即为原始数据矩阵，NumComponents为降维后的维数，data_pca即为降维后的数据矩阵。除此之外，pca函数还能返回降维后的特征向量和特征值，用于后续建模分析...

用matlab编写pca函数代码

function [pca_data, V] = pca(data) % 计算输入数据 data 的主成分分析结果 % data：输入数据，行表示样本，列表示特征 % pca_data：降维后的数据 % V：主成分矩阵，每一列为一个主成分向量 % 对每一列进行零均值...

denty

粉丝: 1
资源: 3

上传资源快速赚钱

我的内容管理收起

我的资源快来上传第一个资源

我的收益

登录查看自己的收益

我的积分登录查看自己的积分

我的C币登录后查看C币余额

我的收藏

我的下载

下载帮助

会员权益专享

PCA9535/PCA9535C: 16-Bit I2C/GPIO扩展器增强方案

I2C扩展IO芯片-PCA9535 datasheet

PCA9546A datasheet

PCA9557 datasheet.pdf

assert_param(IS_PCA9535_GPIO_PERIPH(PCA9535x));

PCA9535 STM32F4 HAL driver

stm32 pca9535

模拟i2c pca9535

pca9535 i2c

pca9535 单片机驱动

完整的STM32F4 I2C HAL驱动PCA9555程序带容错功能，出错重新初始化PCA9535

[coeff, score, latent] = pca(data); new_data = score(:, 1:2); scatter(new_data(:, 1), new_data(:, 2));怎么支持将脚本 pca 作为函数执行

CV_PCA_DATA_AS_ROW’ was not declared in this scope

pca = PCA(n_components=5) pca.fit(Data) Std_pca=pca.transform(Data)

R语言中，主成分分析PCA有PC1，PC2，PC3，想画成彩色二维PCA图，需要什么代码

对给定的数据ColorHistogram.asc进行PCA主成分分析，并输出以下三个内容：PCA之前数据方差、PCA之后降至5维的数据、PCA之后数据方差。尽量避免调库

python实现：对给定的数据ColorHistogram.asc进行PCA主成分分析，并输出以下三个内容：PCA之前数据方差、PCA之后降至5维的数据、PCA之后数据方差。不调用pca库

scatterplot3d画PCA图

pca融合 matlab

用matlab编写pca函数代码

会员权益专享

最新资源