LVDS信号调试必备:5分钟搞懂Xilinx IDELAYE3的TIME模式校准

Xilinx LVDS使用(以DAC AD9736展开) Xilinx的vivado设计套件中,对于lvds的使用可以选择两种方式,一是使用原语,例如IDDR ODDR这类进行双边沿数据传输的原语,也有IBUFDS等差分转单端的原语,这些原语为LVDS的不同方式提供解决方案。 而我更多的是去使用selectIO这个IP核来实现lvds的传输。 一、LVDS介绍 LVDS(Low-Voltage Differential Signaling)低电压差分信号,这种传输技术可以达到155Mbps以上。 在FPGA上一般可以配置专门的bank作为l 阅读详情

LVDS信号调试实战:深入解析Xilinx IDELAYE3的TIME模式校准与眼图优化

在高速串行接口的调试现场,LVDS信号的完整性往往是决定项目成败的关键。信号在PCB走线、连接器以及FPGA内部路径上累积的微小延迟,足以让精心设计的时序预算瞬间崩塌。对于使用Xilinx Ultrascale或Ultrascale+系列FPGA的工程师而言,IDELAYE3这个可编程输入延迟单元,是手中最锋利的“手术刀”。然而,仅仅知道如何例化原语是远远不够的。真正考验功力的,是如何在TIME模式下,让这把“手术刀”精准地工作,协同IDELAYCTRL与EN_VTC管脚,完成对信号延迟的精密校准与补偿,最终在示波器上“睁开”一个清晰、稳定的数据眼图。

本文将抛开手册式的参数罗列,直接从实战角度切入。我们会探讨IDELAYCTRL的“就绪”信号(RDY)与EN_VTC之间微妙的握手逻辑,揭示内置自校准(BISC)过程中那个神秘的Align_Delay如何影响你的抽头值读数,并通过对比Ultrascale与Ultrascale+在2.1ps/2.5ps分辨率下的实际偏差,给出可落地的补偿方案。无论你是正在调试千兆以太网、JESD204B接口,还是任何基于LVDS的高速数据采集系统,这里的细节都可能帮你省下数天的调试时间。

1. 理解核心:IDELAYCTRL、EN_VTC与校准状态机

要驾驭IDELAYE3的TIME模式,必须首先理解其背后的校准引擎——IDELAYCTRL,以及控制这个引擎的“开关”EN_VTC。很多调试问题都源于对这三者协同关系的一知半解。

IDELAYCTRL 是一个独立的硬件模块,它需要一个非常稳定的参考时钟(通常来自MMCM/PLL输出的200MHz或300MHz时钟)。它的核心任务是持续监测芯片工艺、电压和温度(PVT)的变化,并动态调整IDELAYE3和ODELAYE3内部延迟链的每个抽头所代表的实际物理时间,使其尽可能接近数据手册标称的分辨率(如Ultrascale+的2.1ps)。你可以把它想象成一个不断自我标定的“尺子”工厂。

而 EN_VTC(Voltage and Temperature Compensation,电压温度补偿使能)管脚,则是连接这把“尺子”与IDELAYE3延迟单元的阀门。它的电平状态直接决定了IDELAYE3是使用IDELAYCTRL实时校准后的“标准尺”,还是使用一个未校准的、会随PVT漂移的“橡皮尺”。

它们的工作逻辑可以概括为以下关键几点:

  • TIME模式下的强制关联:一旦将IDELAYE3的DELAY_FORMAT设置为TIME,就必须例化并正确驱动IDELAYCTRL。两者的参考时钟频率必须通过REFCLK_FREQUENCY属性严格匹配。
  • EN_VTC的两种角色:
    • 在FIXED模式下:延迟值在配置时确定,之后不变。此时EN_VTC应始终置为高电平,让延迟单元持续接受校准,以对抗PVT变化,维持固定的延迟时间。
    • 在VARIABLE或VAR_LOAD模式下:延迟值可能在运行时动态改变。这里就存在一个关键操作窗口:当需要写入新的抽头值(通过CE和INC或CNTVALUEIN)时,必须先将EN_VTC拉低,暂时关闭校准,待抽头值稳定更新后,再重新拉高EN_VTC恢复校准。如果跳过这一步,在校准生效的同时修改抽头,可能导致不可预测的延迟值。
  • IDELAYCTRL的“就绪”信号(RDY):这是一个输出状态信号。上电或复位后,IDELAYCTRL需要一段时间来完成初始校准,在此期间RDY为低。一个必须遵守的准则是:在RDY变为高电平之前,所有相关IDELA
接口协议(1)----在xilinx 7 系列FPGA上配置LVDS 接口协议(1)----在FPGA上配置LVDS1.0 背景2.0 xilinx 7系列里的lvds2.1 传输模式2.2 模式得选择2.3 数据buffer3.0 lvds 接收端3.1 IBUF3.2 ISERDES3.3 IDDR&ISDR4.0 lvds 发送端4.1 OSERDES4.2 ODDR&ISDR4.3 OBUF5.0 视频传输格式 1.0 背景 LVDS(Low-Voltage Differential Signaling ,低电压差分信号)是美国国家半导体(Nation 阅读详情

相关推荐

Xilinx IDELAYE3 TIME模式详解:LVDS接收动态校准原理与实战

LVDS是一种低摆幅、高带宽的差分信号标准,广泛应用于工业相机、高速ADC和RGB显示接口,其可靠采样高度依赖精确的时间对齐。IDELAYE3是Xilinx FPGA中关键的片内延迟原语,而TIME模式通过引入外部参考时钟实现闭环动态校准,本质是在模拟域构建PVT自适应的时间基准,显著区别于仅支持静态配置的DEFAULT或VAR_LOAD模式。该技术价值在于解决温度、电压漂移导致的建立/保持时间裕量退化问题,支撑多通道LVDS同步接收、RK3566点屏适配及FPGA高速数据采集等典型工程场景。本文聚焦TIM

weixin_28256233的博客 264

FPGA高速接收核心:ISERDES原语原理与动态相位校准实战

ISERDES是FPGA实现高速串行数据接收的关键硬件原语,其本质是在IOB内集成的专用串转并采样引擎,依赖IDELAYE2延时调节与CLKDIV时钟协同完成皮秒级相位对齐。不同于软件可编程逻辑,它通过固定金属走线保障<15ps内部skew,支撑300Mbps以上源同步接口稳定工作。技术价值在于为上层协议提供干净、对齐、低误码的原始比特流,是JESD204B、DDR、自定义LVDS等高速接口的物理层基石。典型应用场景包括雷达回波采集、工业相机图像接收和医疗影像前端——这些场景普遍要求宽温域(-40℃~105

weixin_34068198的博客 371

G101STN01.C工业LCD屏LVDS接口深度解析与实战调试指南

LVDS(低压差分信号)是一种广泛应用于工业显示设备的高速串行接口技术,其核心在于差分传输、抗干扰强、时序敏感等特性。理解LVDS工作原理,需掌握差分对相位匹配、共模电压容限、终端阻抗匹配三大电气约束,这对保障1080×600分辨率下稳定图像输出至关重要。在工控、医疗、车载等人机界面场景中,LVDS不仅承载像素数据,更与TCON时序控制、背光驱动PWM特性、FPGA接收校准深度耦合,构成端到端信号链可靠性瓶颈。本文围绕G101STN01.C这一典型工业级LCD模组,系统拆解LVDS物理层调试、眼图优化、温度

weixin_30824479的博客 429

MIPI Deskew原理与实战:解决高速信号通道间偏移

MIPI Deskew是D-PHY高速接口中保障多通道信号时间对齐的关键机制,其本质是在接收端动态测量并补偿Clock Lane与Data Lane之间的确定性相位差。该技术源于D-PHY物理层对skew的严苛容限(±1/4 UI),通过协议定义的HS-Deskew校准流程实现闭环补偿,直接决定DSI/CSI链路的误码率与稳定性。在RK平台点亮MIPI屏幕、FPGA实现MIPI接收、MIPI Retimer调试等典型工程场景中,Deskew配置错误或未启用是导致花屏、闪屏、初始化失败的首要原因。结合示波器波

weixin_33889245的博客 229

FPGA IO操作本质:电压、时序与Bank约束全解析

FPGA IO操作是数字系统落地的物理基石,其本质是引脚级电气行为建模——涉及供电电压(VCCO)、IO标准(如LVCMOS33/LVDS/SSTL)、驱动强度、压摆率及Bank分区约束。原理上,每个IO Bank为独立供电子系统,VCCO决定可支持的标准组合,而IO标准实为芯片与外设间的电气契约,错配将导致信号失效甚至器件损伤。技术价值在于保障信号完整性、时序收敛与硬件兼容性;典型应用场景包括DDR接口设计、高速串行通信(如RGMII、LVDS)及工业控制多协议共存。本文基于Xilinx 7系列与Inte

weixin_34355559的博客 315

FPGA 高速接口(LVDS)

LVDS(Low Voltage Differential Signalin)是一种。它使用幅度非常低的信号(约350mV)通过一对差分PCB走线或平衡电缆传输数据。大部分高速数据传输中,都会用到LVDS传输。目前FPGA开发板资料中涉及LVDS通信的方案并不多,但是LVDS实际上有大量的应用,特别是在高速ADC,高分辨率摄像头,液晶屏显示技术等应用领域。所以掌握LVDS通信也是我们FPGA开发者的必备基本技能。

baidu_34971492的博客 7070

(Xilinx)FPGA中LVDS差分高速传输的实现.doc

VerilogHDL扫盲文VerilogHDL扫盲文VerilogHDL扫盲文VerilogHDL扫盲文

UltraScale校准属性解析[源码]

本文详细介绍了UltraScale架构中的UNAVAILABLE_DURING_CALIBRATION属性,该属性用于禁用DRC错误消息,特别是在BITSLICE0在自校准(BISC)过程中不可用时。文章解释了IDELAY/ODELAY和RX_BITSLICE/TX_ITSLICE/RXTX_ITSLICE在时间模式下的应用,以及如何通过连续调整对齐来提供更精确的延迟。此外,还提到了当IDELAY/ODELAY和本机原语使用TIME模式时,BITSLICE_0在BISC过程中的使用情况,以及可能导致的逻辑不可用问题。最后,文章提供了如何通过XDC约束来禁用DRC错误消息的详细步骤和适用条件。

similarity network fusion for aggregating data types on a genomic scale

基因组规模上的聚合数据类型的相似性网络融合 摘要:         近期的技术已经使收集不同类型的全基因组数据十分划算,结合这些数据去创建一个给定的疾病或生物过程的一个全面视图的计算方法是有必要的。相似网络融合(SNF:similarity network fusion)通过创建每一个可利用的数据类型的样本(如,患者)的网络可以解决这个问题。例如,创建一个给定一群患者疾病的全面视图,SNF计算

augustar学习笔记 7871

Python实现安居客新房数据抓取简易版

本文介绍使用Python爬取安居客新房楼盘数据的方法,重点针对三四线城市。通过分析移动端H5页面结构,采用滚动加载方式获取推荐楼盘列表(class="recomm-list"),从中提取楼盘ID并拼接详情页链接。代码展示了如何解析HTML标签获取楼盘名称、状态、价格、户型等基本信息,并处理图片URL。爬取过程涉及一个一级页面和两个二级页面,同时提到可能遇到的验证码问题将在后续处理。核心代码使用BeautifulSoup解析HTML,requests发送请求,并将数据存入MySQL数据库。

qq_37604998的博客 480

newman的使用

Newman是一个基于Node.js的postman命令行工具,用于运行和测试PostmanAPI 请求的集合。它允许用户在命令行环境中执行Postman的JSON文件,从而实现接口自动化测试和持续集成,同时支持用户进行自动化测试、批量执行请求、生成报告等操作。

m0_62825058的博客 1618

Wezterm的安装和简单配置

希望 wezterm 的主题配色,保持和 powershell 默认配色一致,也就是 Compell 主题。目的是在频繁使用 wezterm 时,原本的根据颜色判断文件信息(尤其是WSL里的Linux下,文件和目录颜色)依然可以使用。wezterm 默认用 cmd.exe, 我是 win11,希望默认用 powershell。

baiyu33的博客 4296

USB2.0学习1--基本概念

USB全称是 Universal Serial Bus,即通用串行总线,是一种计算机与外围设备进行数据交互的串行通信标准。USB协议是在1994年底由英特尔、IBM、Microsoft等公司联合提出的,现由USB协会(USB-IF)管理。USB使用差分信号来传输数据,具有传输速度快、支持热插拔、连接灵活、独立供电、协议向下兼容等优点,目前应用十分广泛。

原海青木的博客 3769

Ribo-seq数据解析:从翻译效率计算到动态可视化分析

本文系统介绍了Ribo-seq(核糖体印迹测序)数据分析全流程,从核心的P-site定位、翻译效率计算,到差异翻译分析和动态可视化。重点阐述了如何利用Ribo-seq高分辨率数据揭示基因表达在翻译层面的精细调控,并提供了从数据处理到生物学解读的实用工具与避坑指南。

weixin_28559803的博客 424

字符编码——简体中文编码中区位码、国标码、内码、外码、字形码的区别及关系

目录区位码国标码(交换码)内码(机内码)区位码、国际码、内码的转换为什么要加上20H为什么加上80H 本文以GB2312为例,讲述区位码、国标码、内码、外码、字形码 区位码 整个GB2312字符集分成94个区,每区有94个位,每个区位上只有一个字符,即每区含有94个汉字或符号,用所在的区和位来对字符进行编码(实际上就是字符编号、码点编号),因此称为区位码。 换言之,GB2312将包括汉字在内的所有字符编入一个94 * 94的二维表,行就是“区”、列就是“位”,每个字符由区、位唯一定位,其对应的区、位编号合并

路人coder 5369

华为OD机考双机位A卷 - 流浪地球(Java & Python& JS & C/C++ & GO )

华为OD机考双机位A卷 - 流浪地球(OD上机考试双机位A卷)。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解,并提供完整思路讲解。

算法大师! 4045

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

上一篇: LightTools宏开发避坑指南:为什么你的杂散光路径图总是导出失败?
下一篇: 用Python+DeepSORT手把手教你实现多目标跟踪(附完整代码)
joy55
博客等级 码龄17年 75粉丝 1377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址