QuartusII学习使用(1)-创建新工程以非门为例

QuartusII13.1 原理图编辑与仿真(半加器为例) QuartusII13.1 原理图编辑与仿真 上次写了一个用Verilog语言完成的半加器,这次就用原理图的方法做一个吧。 还是先新建一个文件夹: 打开QuartusII,新建一个工程(也可以在file->new project wizard里新建): 点击“Next” 选择我们刚才新建的文件夹并加上工程名称和项目名称: 点击“Next”,为文件取一个名字并添加进来: 选择目... 阅读详情
AI摘要

本文介绍了使用QuartusII进行Verilog项目管理,从工程创建、代码编写到配置和仿真的一系列步骤。,

1 双击打开软件

2 新建工程

2.1 创建文件夹

在创建工程前先创建一个文件夹以存放后续QuartusII工程,文件夹名字只能包含字母、数字和下划线,不能包含中文和其他符号。如下图所示,我将项目文件存储在F盘,读者可自行更改。0template为工程名称,doc文件夹存放与工程相关的解释文档等(方便其他人了解此工程),par文件夹存放Quartus软件的工程文件,rtl文件夹存放原代码,sim文件夹存放项目的仿真文件。

2.2 新建工程

双击图标后,点击左上角file>New Progect Wizard或直接点击Starting Desigining界面中New Progect Wizard新建工程。

出现新建工程向导。

Quartus-II入门(全加器) 文章目录一、相关概念1.半加器2.全加器 一、相关概念 1.半加器 半加器电路是指对两个输入数据位相加,输出一个结果位和进位,没有进位输入的加法器电路。 是实现两个一位二进制数的加法运算电路。 真值表如下 2.全加器 全加器是用门电路实现两个二进制数相加并求出和的组合线路,称为一位全加器。一位全加器可以处理低位进位,并输出本位加法进位。多个一位全加器进行级联可以得到多位全加器。常用二进制四位全加器74LS283。 真值表如下(Ai为被加数,Bi为加数,相邻低位来的进位数为Ci-1,输出本位和为Si。向相邻 阅读详情

相关推荐

Quartus II使用小技巧

有两个Quartus工程:q_pfj_1.qpf与q_prj_2.qpf,其中q_prj_2.qpf是q_prj_1.qpf的衍生工程,两个工程想要在Signal Tap Logic Analyzer中观察的信号一样,直接将q_prj_1.qpf中已经设置好的stp1.stp挪到q_prj_2.qpf工程中,替换掉q_prj_2.qpf中原来的stp1.stp文件,即可在q_prj_2.qpf中的Signal Tap Logic Analyze抓取相同的信号。

qq_37624854的博客 4177

如何在Quartus II 13.1创建一个项目以及详细教程

今天来分享一下如何在Quartus II 13.1上面创建一个工程,并举了一个简单的例子。 首先:第一步我们先打开Quartus II 13.1,会出现如图界面,我们先点击菜单栏的file 第二步:点击file下面的创建一个新工程 第三步:出现如图所示界面,点击下一步 第四步:按如图所示要求填好 第五步:点击下一步 第六步:选择自己对于的芯片类型和芯片 第七步:点击下一步 第八步:检查相关参数是否正确,如无误点击完成 第九步:点击完成后我们可以看到左下角的层次结构栏里面已经有我们创建的工程了

OMGMac的博客 1万+

FPGA学习日记(二)使用quartusII创建ip核

使用quartusII创建各类ip核,操作大体上都相似,区别在于根据实际需求对ip核进行设置,下面以pll的ip核创建为例,讲述ip核的一般创建过程。 step1:找到tools下的魔棒选项; step2:选择创建一个新的ip核还是导入已有的ip核; step3:当以第一次创建ip核时,搜索框中输入想创建的ip核名称和类型,且将其ip核的地址保存至相应的路径,并且为ip和文件命名; step4:设置自己所需要的的ip核条件; step5:设置完后需要添加altera的仿真库; step6:最后根据自

weixin_45299680的博客 8845

QuartusII-项目工程的功能仿真

编译无误后,需要对项目工程进行功能仿真以验证逻辑设计是否有误。选择File->New菜单项,在弹出的New对话框中选择Vector Waveform File选项,单击OK则退出New对话框,如下图所示: 返回到波形文件编辑窗口,在Name栏空白处右击或双击。如下图: 在弹出的快捷菜单中选择Insert->In->sert Node or Bus选项进行仿真节点或总线的选择,如下图所示: 然后在上图中点击Nodes Finder按钮,进入节点查找对话,如下图所示: 单击list按

qhs的博客 2551

FPGA QuartusII 13.0.1+ModelSim SE 10.1a联合仿真以及Hello World测试程序

一、实验环境(蓝色粗体字为特别注意内容) 1,环境:Windows 7 Ultimate 32 bit、QuartusII 13.0.1 win32、ModelSim SE 10.1a win32 2,参考文献: ①http://bbs.eeworld.com.cn/thread-530964-1-1.html ②https://www.cnblogs.com/Jezze/archive/2...

pang9998的博客 2万+

Intel QuartusII中DDR2 IP核的使用(1)

QuartusII 中DDR2 IP的调用与仿真环境的搭建项目简介简述DDR2 IP建立的步骤DDR2 IP仿真模型的搭建DDR2 驱动代码DDR2 测试模块代码仿真测试结果总结 项目简介简述 我们学完Xlinx的DDR IP核的使用应该对DDR的操作有了一定的理解。接下来,我们将学习Intel的DDR2的使用,这样里为什么使用DDR2而不是更快的DDR3因为Intel低型号的产品不支持DDR3,...

zhangningning1996的博客 3964

QuartusII软件的入门使用

QuartusII软件的入门使用 前言 这学期选了一个EDA技术,QuartusII成为必然,加上想试试海康威视的数字集成电路设计的实习岗位,所以说啊!学呗!!! 基本操作 安装QuartusII 应课堂要求,我使用的是5.1的版本。不提版本问题,学的是知识。软件安装还是一如既往的推荐软件安装管家。 开始入门操作 推荐使用任何软件时,创建一个专属的工作空间,尤其是工程文件。命名一定要Englis...

weixin_42717998的博客 2253

FPGA NCOip核的使用及仿真(quartusii 13.1+modelsimse 10.5)

FPGA中NCOip核的破解、使用仿真功能,基于quartus13.1。

m0_57319166的博客 7578

QuartusII Modelsim使用教程

我的博客:https://infinite-zh.com/archives/360 QuartusII中Modelsim是一个很好的仿真软件,相较于VWF,它的仿真时间更长、显示更具体、界面更友好,另外Modelsim还可以结合TestBench来进行仿真,省去了自己设置信号的过程。本文将从以下几个方面来介绍Modelsim的使用: 1、Modelsim联合TestBench进行仿真; 2、Modelsim仿真的几个小窍门; 3、Modelsim软件的bug 1、Modelsim联合Test

infinite-zh的博客 8364

基于VHDL的QuartusII和Modelsim联合仿真

前期正常建立Quartus工程这里不再赘述,主要讲在Quartus中调用Modelsim的设置过程 1.编写待测工程程序,并编译通过 2.生成testbench模板。在生成模板前必须先编译第一步中的待测文件,否则会产生错误 点击processing–start–start Test Bench Template Writer,若成功则生成一个testbench文件模板,路径在信息窗口中给出。 ...

Utopia_sy的博客 3030

利用QuartusII的LPM功能实现RAM的定制

我们知道,RAM是用来在程序运行中存放随机变量的数据空间,使用时可以利用QuartusII的LPM功能实现RAM的定制。   软件环境:QuartusII 11.0   操作系统:win7 实现方法一、利用LPM_RAM: 1.首先准备好存储器初始化文件,即.mif文件。   该文件的生成方法见《如何生成mif文件》;   本文预先生成了一个正弦波的数据文件,TEST1.mif,可以在...

1万+

Quartus II 入门案例(VHDL)

本文介绍Quartus II的使用方法,通过VHDL硬件描述语言编程来实现简单的电路功能。

weixin_56646002的博客 1万+

基于QuartusII的verilog数字时钟设计

基于QuautusII的Verilog 数字时钟设计 (1)基本功能 ①显示年、月、日、星期、时、分,秒,是否为闰年(只有校对生效情 况时间可以不连续) ; ②定时与闹铃:到设定的时间(选择周一至周末或具体日期)进行报警; ③校对:可手动调整年、月、日、星期、时、分。 (2)扩展功能 显示本周是一年中的第几周,以及是本学期中的第几周(设置开学日期 为第一周) 。 1.时钟调教及计时模块M,m_S;...

qq_40655250的博客 1万+

FPGA学习——如何利用好quartusII工具

QuartusII简介 QuartusII软件在使用的时候可以有两种方法进行编辑代码或者程序,其分别是原理图、文本编辑器。这两种方法既可以单独进行程序的设计也可以将两者进行混合编程。 QuartusII的原理图和图表模块编辑 点击File,新建一个原理图文件,得到下图 双击鼠标左键,即可弹出如下所示的选着框 QuartusII的内附函数在Libraries的子目录下,分为Primitives、Megafunction、other。 在primitivies中,包含buffer,logic,other,

数字IC入门小白 2886

一文搞定Quartus II安装,FPGA开发不迷路!

通过上述详细步骤,相信你已成功安装 Quartus II 并完成许可配置。安装过程中,务必牢记系统要求,提前关闭杀毒软件和防火墙,仔细选择安装路径和组件。在许可配置环节,准确放置许可证文件并正确设置,若选择试用模式,也能在一定时间内体验软件功能。安装过程中遇到问题在所难免,如安装错误、无法启动软件或找不到设备驱动等。但只要按照文中提供的解决方法,仔细排查问题根源,就能逐一解决。例如,安装错误时检查系统要求和文件完整性,无法启动软件时重新安装或检查环境变量,找不到设备驱动时重新安装驱动并检查连接。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 3355

对极几何 —两相机相对位置关系与相机姿态估计方法(基础矩阵,本征矩阵,单应矩阵梳理)附c++源码

对极几何 —两相机相对位置关系与相机姿态估计方法(基础矩阵,本质矩阵,单应矩阵梳理)附c++源码对极几何是什么,它有什么用(整体流程理解)对极约束(描述两相机关系)基础矩阵特性与求解方法本质矩阵特性与求解方法相机姿态恢复方法怎么又冒出了个单应矩阵H? 对极几何是什么,它有什么用(整体流程理解) 如图,当空间上有一个点分别在相机1和相机2上进行成像,这两个点存在什么变换关系呢?再扩展一下,真实世界下的场景分别用两个相机进行拍摄,获得两张照片,两张照片有什么变换关系呢?那么对极几何就是用来描述这种变换关系的。

qq_37764141的博客 5108

游戏开发实战:用UE4 Marschner模型打造次世代头发渲染(附Shader代码解析)

本文详细解析了如何在UE4中使用Marschner模型实现次世代头发渲染,包括Shader代码逐行解读与参数调优。通过对比传统Kajiya-Kay模型,展示了Marschner模型在物理精确性和视觉效果上的优势,并提供了性能优化与实战技巧,帮助技术美术师提升游戏角色渲染品质。

weixin_28223453的博客 243

PC 端微信页面拆分及 JavaFx 使用

一、前言 对于一个知识点的学习过程来说,往往使用自己熟悉的工具或方式才更易于上手。因为所有同类型的知识点在抛出复杂的流程拨云见日后,所能得到的几乎都是同样的设计思想和实现理论。 在 Java 语言桌面版开发中,直至目前共提供了三套 UI 开发方式;Awt、Swing、JavaFx,以及一些扩展组件 SWT 等。在这三套 UI 组件中,JavaFx 是最新也是最为好用的,因为他提供了丰富的功能,以及...

bugstack虫洞栈 3619

2025年全国青少年信息素养大赛复赛真题(算法创意实践挑战赛C++初中组试卷1:带解析)(7月6日试卷)

2025年全国青少年信息素养大赛复赛真题(算法创意实践挑战赛C++初中组试卷1:带解析)(7月6日试卷)

王老师青少年编程 1972

YOLOv8交通监控全方案:精准车辆计数+违章(闯红灯/压线)识别,拿来就落地!

作为深耕计算机视觉落地的开发者,我见过太多交通监控的“伪智能”——传统系统要么车辆计数不准(漏计/重复计数),要么违章识别滞后(靠人工回看录像),甚至连“闯红灯、压线”这类常见违章都无法实时判定,完全满足不了实际交通管理需求。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 652

发那科机器人通信库使用指南与踩坑记录

GitHubNuGet(如本文基于该库,在 C# / .NET 下通过 TCP 与 FANUC 机器人控制器通信,实现读当前位姿、PR 寄存器、以及 DI/DO/GI/GO 等 IO 的读写。GitHubNuGet(如本文基于该库,在 C# / .NET 下通过 TCP 与 FANUC 机器人控制器通信,实现读当前位姿、PR 寄存器、以及 DI/DO/GI/GO 等 IO 的读写。

songhuangong123的博客 330

全覆盖路径规划开源项目Clean-robot-turtlebot3关键函数解析(上)

本系列文章主要介绍全覆盖路径规划开源项目Clean-robot-turtlebot3的相关内容,包含如下四篇文章,分别介绍了开源项目Clean-robot-turtlebot3流程的概括总结、ROS坐标系常用坐标及其变换、Clean-robot-turtlebot3关键函数解析等内容。

慕羽★的博客 2781

100天精通Python(可视化篇)——第98天:Pyecharts绘制多种炫酷日历图参数说明+代码实战

一、日历图介绍 二、基础配置 1. 配置项类 2. 添加函数 3. 日期标签配置 4. 坐标系配置 三、日历图实战 1. 基础日历图 2. 日历热图

努力让自己发光,对的人才能迎着光而来 2万+

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'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('DeepLearnToolbox'));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('state',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'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',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 = 'sigm';%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, 'Too big error');```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('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';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)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';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, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% 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'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 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, 'Too big error');```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('state',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, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',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, 'Too big error');%% ex3 neural net with dropoutrand('state',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, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % 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, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % 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, 'Too big error');%% 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('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % 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, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

vb 6.0并口开发操作实例

vb6并口开发,简体中文,试例内有inpout32.dll动态链接库

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

上一篇: AD9833学习使用及程序代码
下一篇: Quartus+ModelSim——手动仿真
X DAY TOY
博客等级 码龄6年 52粉丝 24原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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