意法半导体发布《通过SensorTile了解嵌入式系统》的物联网课程

分享到:

- 加州大学洛杉矶分校William Kaiser教授为入门工程课程教学开发的首个面向大一学生的嵌入式系统实战开发课程:使用SensorTile开发物联网实时嵌入式系统
 
- 仅需售价不足100美元的硬件和(免费)注册
 
 
 
中国,2018年2月9日 —— 横跨多重电子应用领域的全球领先的半导体供应商意法半导体(STMicroelectronics,简称ST;纽约证券交易所代码:STM)今天宣布,包括学生、创客、工程师新秀和计算机科学家在内,人人都可以学习 “Introduction to Embedded Systems with SensorTile” 课程(通过SensorTile了解嵌入式系统)。
 
包含加州大学洛杉矶分校(UCLA)William Kaiser教授为大一计算机工程班的学生开发的教学课程,该在线课程资源为理解基于传感器的物联网(IoT)嵌入式系统的基本原理打下基础。意法半导体鼓励其他大学的教授改编补充这套课程。
 
这套由8个自定进度的教程组成的入门课程围绕意法半导体的SensorTile设计。SensorTile是一个独一无二的具有物联网功能的实时嵌入式系统,集成在一个只有一张邮票大小的模块上。这个13.5mm x 13.5mm的微型模块整合高性能、低功耗的STM32 Arm®-Cortex®-M微控制器、5个实用的MEMS(微机电系统)传感器和蓝牙网络处理器。其中5个传感器分别是加速度计、陀螺仪、电子罗盘、压力传感器、麦克风。包含模块、电缆、底座和电池在内的开发套件在大型经销商的售价约80美元。
 
ST新闻图片 2月9日——意法半导体推出《通过SensorTile了解嵌入式系统》物联网课程
 
William Kaiser是加州大学洛杉矶分校Henry Samueli工程与应用科学学院的教授、致动感测和协同嵌入式网络技术研究组现任主任、加州大学洛杉矶分校2007年度 Gold Shield Prize奖获得者[1]。“我们与意法半导体合作提供的8个线上免费教程,配合技术文档、开源算法和开发解决方案,以及没有任何限制的规模不断扩大的用户论坛,是一个非常好的确保社区可持续发展的方式,我们希望开发社区扩大到社区学院等各类大学、甚至高中课程和自学者,”William Kaiser教授表示。 “事实上,在我们把教程做得简单但是很实用的过程中,我们知道新手将会在某些地方会遇到学习障碍,我们依靠社区用户的热情帮助新手克服无法避免的阻碍。”
 
意法半导体战略市场部美洲区副总裁John Rossi表示:“Kaiser教授对‘Introduction to Embedded Systems with SensorTile’ 课程开发的热情和专注,是课程取得成功的关键,目前这门课程已经是加州大学洛杉矶分校所有计算机工程专业学生的必修课。对于ST,这个项目的推动力是我们想要创造向我们一样的工程设计和解决问题的热情,并强调我们的口号,半导体在哪里对人类生活发挥积极影响,哪里就有意法半导体。”
 
若有兴趣更详细地了解教程或购买SensorTile开发套件,请访问网站 (http://www.st.com/sensortile-edu)。意法半导体博客还有更多信息
 
 
 
 
相关新闻
继续阅读
详解指纹识别在嵌入式IoT系统中的实现及设计要点

在系统实现上面,智能手机本身拥有强大的计算能力和丰富的内存资源,实现指纹识别并不困难,但在嵌入式系统中特别是基于MCU的应用场合,其运算能力、内存资源等都受到限制,本文介绍了一种基于单片机系统的指纹识别方案和设计要点。

5G来了?ST和MACOM宣布合作开发硅上氮化镓项目

中国,2018年2月12日 ——横跨多重电子应用领域的全球领先的半导体供应商意法半导体和世界领先的高性能模拟射频、微波、毫米波和光波半导体产品供应商MACOM科技解决方案控股有限公司 (简称“MACOM”)今天宣布一份硅上氮化镓GaN 合作开发协议。

意法半导体成功入围 “2018汤森路透全球科技领导者100强”

中国,2018年2月8日 —— 横跨多重电子应用领域的全球领先的半导体供应商意法半导体(STMicroelectronics,简称ST;纽约证券交易所代码:STM)入选“2018年汤森路透全球科技领导者100强”,跻身全球最具创新力的科技企业行列。

意法半导体技术助力Neonode,研制简单好用的触感模块

光传感器科技公司Neonode使用意法半导体芯片,用于研制新的zForce AIR™触感模块。尺寸紧凑、低功耗、简单好用的Neonode触感模块能够给任意USB或I2C连接设备增加触控互动功能,支持任何类型屏幕或表面,包括钢板、木板、塑料、玻璃、皮肤,甚至无需表面,在半空中检测触控互动。

如何在 Cortex-M 处理器上实现高精度关键词识别

通过对神经网络架构进行优化,可以使之适配微控制器的内存和计算限制范围,并且不会影响精度。我们将在本文中解释和探讨深度可分离卷积神经网络在 Cortex-M 处理器上实现关键词识别的潜力。关键词识别 (KWS) 对于在智能设备上实现基于语音的用户交互十分关键,需要实时响应和高精度,才能确保良好的用户体验。最近,神经网络已经成为 KWS 架构的热门选择,因为与传统的语音处理算法相比,神经网络的精度更胜一筹。