Pipelined-ADC设计二——结构指标及非理想因素(Part2)
接上文,本章将两个比较重要的非理想因素,因此各项指标制定。后续会对常见的非理想因素给出常见的解决方法,以及设计所采用的方法。
2.2.7. 比较器失调
在流水线 ADC 中,比较器的主要误差来源就是比较器失调,称为失调误差(Offset Error)。比较器失调通常由工艺偏差和交叉耦合导致的不对称所导致,所以几乎无法避免。失调误差会使得比较器比较电平发生偏移,有可能会导致误码,甚至丢码。泛采用冗余校准技术,这大大降低了对比较器失调误差的要求,但仍需使失调误差在校准允许的范围内,同时也要保证比较器的工作速度。
比较器的输入失调电压通常在几十至几百毫伏之间,因此其对子 ADC 整体输出结果产生的影响是不容小觑的。当前解决比较器输入失调电压过大的方法普遍是在前级加入放大器,虽然加入前置比较器会引入更大的功耗,但是对于流水线 ADC 来说,对于 ADC 的位数要求并不高,通常不会超过 4 位,因此加入前置放大器是一个比较合适的方案,既可以降低比较器的输入失调电压,并且也可以作为隔离消除噪声。
发生比较器阈值电压误差的 1.5bit MDAC 传输曲线如图所示,实线表示理想情况,虚线表示误差下的情况。
图 18 存在比较器阈值电压误差的MDAC传输曲线
数字校正算法的分析,这种算法对于比较器的失调电压提供了更加宽松的设计要求。假设一个比较器失调电压为 Vos,如图所示:
图 19 比较器示意图
以 1.5 位子级为例,第 i 级的参考电平设为-1/4Vref 与+1/4Vref,即 Vr1=-1/4Vref,Vr2=+1/4Vref。实际的比较器在应用中,必然存在失调电压 Vos,这里将比较器的误差用参考电平误差来表示,即 Vr1=-1/4Vref+Vos1,Vr2=+1/4Vref+Vos1,当 Vr,i满足式:
此时该级出现的量化误差即为+1 或-1,输出的余量误差可以表示为-Vref或+Vref。如果 Vr,i不在上述范围,该级将不会产生上述误差。
下面详细推导数字校正算法中如何消除比较器的失调,对于第 i 级,假设输入:
当第 i+1 级为理想比较器时,该级所的到得量化值 Di+1*=2 余量为:
可得出:
综上所述可以得出当流水线采用 1.5 位的子级模块,将比较器的失调电压等效到参考电平的误差,只要该误差值满足一定条件,通过数字校正算法可以进行消除。在电路设计过程中,只要保证比较器失调电压在一定范围内,就不会导致 ADC 量化结果产生误差。
如图所示,如果 |Vos|>1/4*Vref ,该级的余量会超出下一级比较器的量化范围,所以为了不产生量化结果的误差,比较器失调电压必须满足 |Vos|<1/4*Vref 。
图 20 1.5 位子级失调电压示意图
上述推导过程为 1.5 位子级的比较器需要满足的失调电压要求,同理可以推导出本设计采用的 2.5 位子级中对于比较器失调电压的指标要求为:
2.2.8. 放大器误差
由于实际运放的直流增益以及带宽均为有限值。对于一个运放的闭环系统,运放的直流增益决定了该反馈系统的输出精度,带宽则决定了运放的建立时间,输出要在规定时间内完整建立信号。实际的运放不可能做到理想情况,增益和带宽是有限的,则会造成电路中存在误差。运放的性能决定了 MDAC 电路的性能。
在非理想情况下,运算放大器的增益、带宽以及摆幅都是有限的,还会有失调和噪声,在考虑这些非理想因素的情况下,设 A 为运算放大器开环增益,Vos 为运放输出失调电压,Vn为运放输出总噪声,β 为反馈系数,由运算放大器工作原理可得:
上式中划线部分是理想的输出。其中静态误差和动态误差分别为:
静态误差主要由于运放的开环增益 A 有限而引起的,动态误差则是源于有限的运放带宽。对于 MDAC 电路而言,要想输出精度满足设计指标,要求两种误差之和小于系统总误差。
(1)静态建立误差
对于一个闭环系统,假设运放的直流增益为 A,闭环系统的反馈系数为 β。其传输函数可以表示为:
该闭环系统的误差为:
对于本课题中采样保持电路和 MDAC 中的运放,Aβ 远大于 1。同时,由于电路在满摆幅 VFS 时有最大的误差,且 VFS=1V。所以,由运放有限增益带来的误差近似为:
对于流水线 ADC,为了设计时留有裕量,一般要求误差绝对值小于剩余精度的 1/4LSB,即:
对于流水线不同子级,根据电路结构以及流水线架构,存在不同的 β 值和 N。其中采样保持电路反馈系数 β 为 1/2,在流水线子级的 MDAC 中,反馈系数则为 1/4。由于每一级都会有部分数字码完成转换,所以越靠后的子级,需要达到的精度越低。对于本设计的流水线结构,每级有两位二进制码完成转换,每一级 N 的值减小 2。由此可以计算出每一级所使用的运放所需要的直流增益。
下图为有限增益下 1.5bit MDAC 传输函数曲线,可见实际曲线斜率略小于理想情况。
图 21 运放有限增益误差下的MDAC输出
下图是考虑到运放增益非线性影响下的 1.5bit MDAC 的输出曲线。当运放第 二级的差分输出为 0,即 2 个输出端电平为VCM时,运放开环增益最大;输出越偏离 VCM,开环增益越低。表现为 MDAC 输出曲线越偏离 0,其斜率越低。考虑到为了降 低增益非线性的影响,应该减小第二级输出管的过驱动电压,避免满摆幅输出时第二 级输出管接近线性区引起增益大幅下降。
图 22 运放增益非线性下的MDAC输出
(2)动态建立误差
通常来说 MDAC 的工作过程中离不开对电容的充放电过程,然而电荷的存储和 泄放均需要时间,这也使得电容极板电位不可能产生突变,必然是一个缓慢变化的过程,从变化开始到电平稳定需要一定的建立时间。但流水线 ADC 受到时钟的控制,这就要求其需要在有限的时间周期内完成信号建立,因此该建立时间同时钟周期的相互制约便引入了有限建立误差。
图 23 输出建立不完全下MDAC传输曲线
在流水线 ADC 中,运放的输出信号要在给定的时钟下完成信号建立。运放的有限带宽也会影响到输出信号的建立,这种误差叫做不完全建立误差。当输入为一个大的阶跃信号,输出信号的建立可以分为两个过程,即大信号建立和小信号建立。其中小信号建立与运放的增益带宽有关,大信号建立则与运放的摆率有关。信号的建立过程如图所示:
图 24 运放建立过程示意图
其中 t1、t2 分别为大信号建立时间(和压摆率SR有关)和小信号建立时间(和带宽有关),通常情况下,小信号建立时间更长,这里假设 t1 与 t2 的比为 1:3,运放的总建立时间为 t。为了满足建立精度,输出要在时钟信号的半周期内(t =Ts / 2)完成建立。
a. 大信号建立
在 MDAC 工作过程中,运放首先进入大信号工作状态,建立起静态工作点,然后开始小信号放大。大信号建立的速度主要取决于压摆率(Slew Rate)的大小,一般来说大信号建立时间应小于 T/3,但实际上为了小信号的稳定,大信号建立时间应该越小越好,带宽的大小决定了小信号建立的速度。将 MDAC 中的运放视为一个单极点系统,其压摆率为:
其中 CL是运放总负载电容,Is 是输出电流,由此可见,电流越大、负载电容越小,运放的压摆率越大,其大信号建立时间也更短。
(对于大信号压摆率,根据网上搜罗的,如果采用二级运放的话,压摆率如下,总之就是电流要大,电容要小)
b. 小信号建立
由有限带宽导致的小信号建立误差同样可以由此单极点系统来近似,在只考虑运放带宽非理想因素的情况下,其传输函数为:
其中 Vout,id 是理想输出,ts 为小信号建立时间,一般要求 ts 小于时钟周期的一半,但实际上,为了后级流水级能够较好的采样到准确的输出信号,ts 越小越好,通常取 ts<1/3T,τ 是建立时间常数,它是运放闭环单位增益带宽 βωu 的倒数,ωu 是运放开环带宽。
则系统的建立误差可以表示为:
ω-3dB为系统的-3dB 带宽,fu 为运放单位增益带宽。为了满足 ADC 精度要求以及留出设计裕量,小信号建立误差要求小于 1/4LSB,假设小信号建立完成需要的时间为 tset,则有:
VFS为 1V,N 为该子级需要达到的精度。由此可以得出,时常数 τ 应该满足式:
进而推导出运放的单位增益带宽应该满足:
(注意这里的VFS为1V,若范围有变的话,带宽要求是不一样的)
从上述分析中可以看出,运放小信号建立的过程中,输出信号之中多了一个指数项,运放闭环单位增益带宽越大,达到相应精度所需的时间越少,建立误差越小,但带宽越大也会带来更多的功耗和噪声,需要依据实际需求进行折中。
还需要注意的是,这个单位增益带宽是以假设运放是单级点系统计算得出的,实际运放由于次级点,第三极点等影响,单位增益带宽会变低,而运放工作时始终是闭环状态,因此只用保证运放的闭环带宽达到要求,对单位增益带宽的设计可放松要求,以减小设计难度以及运放的功耗。
====未完待续====
2.3. 指标初定
2.3.1. 采样电容大小
(1)考虑电容失配
前文说到,为满足 ADC 转换精度要求,由电容失配造成的误差一般要小于 1/2LSB,式中中 k 为工艺参数,WL 为电容的面积。由此可以计算出最小的电容面积,从而确定电容值。
根据TSMC180工艺文件,MIM电容失配的曲线如下图所示,得出上式中k=2.51。按照工艺文件,达到12位精度需要大约50pF的电容,这是不可能实现的。因此采样电容的选择主要由热噪声来决定,对于电容失配通过版图优化。也可以做失配校准。
图 25 PDK MIM电容失配
(2)考虑热噪声
根据上文,本设计流水线ADC的总的噪声功率为6.67*KT/C,则采样电容需要满足,总的噪声小于量化噪声:
采样电容 C 的取值至少为 5.5pF。由此可以初步确定各级的采样电容的值,后级每级电容值以倍数关系缩减,要注意的是,实际电路中,当电容值缩减到与运放输入端寄生电容相当时,由于寄生电容的影响不可忽略,所以电容值将不再缩减。同时,实际电路中更大的缩减倍数数意味着后级电路的功耗降低,但是噪声的贡献更大,对于给定的总噪声,前级的噪声需要更低,电容值就需要更大,功耗也随之上升。所以缩减的比例系数可以看作是在噪声与功耗之间的折衷设计,该系数的值需要通过仿真仔细模拟,使电路总噪声在满足量化噪声要求的情况下保持较低的功耗。
2.3.2. 放大器指标
本设计12位50Mhz的Pipelined,放大器工作时间只有1/2*Ts(10ns),这其中要给Sub-ADC和非交叠时钟预留部分时间,实际工作周期假设只有7~8 ns(按8ns算),其中放大器的工作时间,1/3的时间用于大信号建立(SR),2/3的时间用于小信号建立(BW)。根据公式:
静态建立:
动态建立:
根据公式,计算出各级放大器指标如下表。其中,采样频率为50Mhz,放大器工作时间为10ns,考虑到Sub-ADC延迟以及非交叠时钟时间,假设放大器实际工作时间为8ns,其中3/4用来大信号建立,3/4用来小信号建立。
表 1 各级放大器指标初定
子级 | 反馈系数 | 输出精度 | 设计精度 | 开环增益 | 0dB带宽 | 12dB带宽 | 压摆率 | 采样电容 | 等效负载 |
SHA | 1/2 | 12bit | 14bit | 90dB | 550Mhz | \ | 500V/us | 4or5pF | 8pF |
MDAC1 | 1/4 | 10bit | 12bit | 85dB | 900Mhz | 225Mhz | \ | 4pF | 4pF |
MDAC2 | 1/4 | 8bit | 10bit | 72dB | 750Mhz | 200Mhz | \ | 2pF | 2pF |
MDAC3 | 1/4 | 6bit | 8bit | 60dB | 600Mhz | 150Mhz | \ | 1pF | 2pF |
MDAC4 | 1/4 | 4bit | 6bit | 50dB | 450Mhz | 150Mhz | \ | 1pF | 2pF |
MDAC5 | 1/4 | 2bit | 4bit | 36dB | 300Mhz | 75Mhz | \ | 1pF | 2pF |
实际设计过程中,最起码需要满足上表指标,并留有余量。其中为了简化设计,对于SHA以及每级MDAC的放大器,不用每一级都单独设计,根据需要可以进行复用。
2.3.3. 比较器指标
应用于流水线ADC中的比较器,由于存在流水线级间冗余,根据数字校正算法,对于失调的要求大大放宽,对于噪声的要求也没有那么严苛,但是对于传输延迟和功耗提出了一定的要求。
表 2 比较器指标初定
设计参数 | 要求 |
差分输入摆幅 | 2Vpp |
失调电压3σ | < 62.5mV |
传输延时 | < 1ns |
等效输入噪声 | < 2mV |
误码率 | < 10e-14 |
====未完待续====
至此,影响流水线ADC(Pipelined ADC)性能的各种主要的非理想因素带来的影响介绍完毕,初步制定了个流水线子级模块的指标。
下一步会分模块介绍。会介绍各个模块常用的结构以及工作原理。并给出本设计各个模块所采用的电路结构。
接着会在Cadence中进行电路搭建和仿真。(工作量限制,只会考虑 Typical case,不会进行PVT仿真以及MC仿真)
有能力的话,会进行版图的学习,对部分版图进行绘制,做做DRC和LVS。不过能力有限,不会进行后仿。
会整理一份完整的报告教程,包括各种介绍,原理及仿真等,博客就是摘自撰写的报告内容。电路设计和报告到时候都会放出来。
尽量也出一份MATLAB建模。
研究方向为:Pipeline-SAR ADC with NoiseShaping,有同方向大佬可以交流一下。
相关文章:
Pipelined-ADC设计二——结构指标及非理想因素(Part2)
接上文,本章将两个比较重要的非理想因素,因此各项指标制定。后续会对常见的非理想因素给出常见的解决方法,以及设计所采用的方法。 2.2.7. 比较器失调 在流水线 ADC 中,比较器的主要误差来源就是比较器失调,称为失调误…...
Ubuntu 常用命令之 clear 命令用法介绍
📑Linux/Ubuntu 常用命令归类整理 clear命令在Ubuntu系统下用于清除终端屏幕的内容。这个命令没有任何参数,它的主要作用就是清理终端屏幕上的所有信息,使得屏幕看起来像是新打开的一样。 使用clear命令非常简单,只需要在终端中…...
【JAVA面试题】什么是对象锁?什么是类锁?
🍎 个人博客 :个 人 主 页 🏆个人专栏:多线程JAVA ⛳️ 功 不 唐 捐 ,玉 汝 于 成 目录 前言 回答 对象锁(Object Lock): 类锁(Class Lock)࿱…...
飞天使-k8s知识点5-kubernetes基础名词扫盲
文章目录 deploymentspodNodeserviceskubectl 实现应用伸缩kubectl 实现滚动更新kubernetes架构 deployments 中文文档 http://docs.kubernetes.org.cn/251.htmldeployment是用来创建和更新应用的,master 会负责将创建好的应用实例调度到集群中的各个节点 应用实例…...
【视觉实践】使用Mediapipe进行目标检测:杯子检测和椅子检测实践
目录 1 Mediapipe 2 Solutions 3 安装mediapipe 4 实践 1 Mediapipe Mediapipe是google的一个开源项目,可以提供开源的、跨平台的常用机器学习(machine learning,ML)方案。MediaPipe是一个用于构建机器学习管道</...
C++之深拷贝进阶
目录 拷贝构造函数的深拷贝进阶版本 赋值运算符重载的深拷贝进阶 总结 上期我们学习了C中深拷贝的传统版本,今天我们将学习更为高效的版本。 拷贝构造函数的深拷贝进阶版本 传统版本代码如下: string(string& s):_str(new char[strlen(s._str)…...
导行电磁波从纵向场分量求其他方向分量的矩阵表示
导行电磁波从纵向场分量求解其他方向分量的矩阵表示 导行电磁波传播的特点 电磁波在均匀、线性、各向同性的空间中沿着 z z z轴传播,可用分离变量法将时间轴、 z z z轴与 x , y x,y x,y轴分离,电磁波的形式可表示为: E ⃗ E ⃗ ( x , y )…...
融资项目——swagger2的注解
1. ApiModel与ApiModelProperty(在实体类中使用) 如上图,ApiModel加在实体类上方,用于整体描述实体类。ApiModelProperty(value"xxx",example"xxx")放于每个属性上方,用于对属性进行描述。swagger2网页上的效果如下图&am…...
【性能优化】MySql数据库查询优化方案
阅读本文你的收获 了解系统运行效率提升的整体解决思路和方向学会MySQl中进行数据库查询优化的步骤学会看慢查询、执行计划、进行性能分析、调优 一、问题:如果你的系统运行很慢,你有什么解决方案? 关于这个问题,我们通常首先…...
Chrome浏览器http自动跳https问题
现象: Chrome浏览器访问http页面时有时会自动跳转https,导致一些问题。比如: 开发阶段访问dev环境网址跳https,后端还是http,导致接口跨域。 复现: 先访问http网址,再改成https访问…...
【C++进阶02】多态
一、多态的概念及定义 1.1 多态的概念 多态简单来说就是多种形态 同一个行为,不同对象去完成时 会产生出不同的状态 多态分为静态多态和动态多态 静态多态指的是编译时 在程序编译期间确定了程序的行为 比如:函数重载 动态多态指的是运行时 在程序运行…...
PHP开发日志——循环和条件语句嵌套不同,效率不同(循环内加入条件语句,条件语句判断后加入循环,array_map函数中加入条件语句)
十多年前开发框架时,为了效率不断试过各种代码写法,今天又遇到了,想想php8时代会不会有所变化,结果其实也还是和当年一样,但当年没写博客,但现在可以把数据记录下来了。 PHP_loop_ireflies_dark_forest 项目…...
【Seata源码学习 】 扫描@GlobalTransaction注解 篇一
1. SeataAutoConfiguration 自动配置类的加载 基于SpringBoot的starter机制,在应用上下文启动时,会加载SeataAutoConfiguration自动配置类 # Auto Configure org.springframework.boot.autoconfigure.EnableAutoConfigurationio.seata.spring.boot.aut…...
DBA-MySql面试问题及答案-上
文章目录 1.什么是数据库?2.如何查看某个操作的语法?3.MySql的存储引擎有哪些?4.常用的2种存储引擎?6.可以针对表设置引擎吗?如何设置?6.选择合适的存储引擎?7.选择合适的数据类型8.char & varchar9.Mysql字符集10.如何选择…...
网络爬虫之Ajax动态数据采集
动态数据采集 规则 有时候我们在用 requests 抓取页面的时候,得到的结果可能和在浏览器中看到的不一样,在浏览器中可以看到正常显示的页面教据,但是使用 requests 得到的结果并没有,这是因为requests 获取的都是原始的 HTML 文档…...
c语言的初始学习(练习)
##初学c语言---MOOC浙江大学翁恺先生学习c语言 那么我们先看看这个题目吧,这是初始语法的应用。 记住,我们的程序是按步骤执行的,并不是在不同的两行同时进行。 程序设计:1.了解题目的需要,几个变量需要用到&#x…...
研究论文 2022-Oncoimmunology:AI+癌RNA-seq数据 识别细胞景观
Wang, Xin, et al. "Deep learning using bulk RNA-seq data expands cell landscape identification in tumor microenvironment." Oncoimmunology 11.1 (2022): 2043662. https://www.tandfonline.com/doi/full/10.1080/2162402X.2022.2043662 被引次数࿱…...
ChatGPT4与ArcGIS Pro3助力AI 地理空间分析和可视化及助力科研论文写作
在地学领域,ArcGIS几乎成为了每位科研工作者作图、数据分析的必备工具,而ArcGIS Pro3除了良好地继承了ArcMap强大的数据管理、制图、空间分析等能力,还具有二三维融合、大数据、矢量切片制作及发布、任务工作流、时空立方体等特色功能&#x…...
okhttp系列-一些上限值
1.正在执行的任务数量最大值是64 异步请求放入readyAsyncCalls后,遍历readyAsyncCalls取出任务去执行的时候,如果发现runningAsyncCalls的数量大于等于64,就不从readyAsyncCalls取出任务执行。 public final class Dispatcher {private int …...
C++面向对象(OOP)编程-STL详解(vector)
本文主要介绍STL六大组件,并主要介绍一些容器的使用。 目录 1 泛型编程 2 CSTL 3 STL 六大组件 4 容器 4.1 顺序性容器 4.1.1 顺序性容器的使用场景 4.2 关联式容器 4.2.1 关联式容器的使用场景 4.3 容器适配器 4.3.1 容器适配器的使用场景 5 具体容器的…...
postman几种常见的请求方式
1、get请求直接拼URL形式 对于http接口,有get和post两种请求方式,当接口说明中未明确post中入参必须是json串时,均可用url方式请求 参数既可以写到URL中,也可写到参数列表中,都一样,请求时候都是拼URL 2&am…...
openai最新探索:超级对齐是否可行?
前言 今天来介绍一篇openai最新的paper:弱到强的对齐。 openai专门成立了一个团队来做大模型的超级对齐即superhuman model,之前chatgpt取得成功依赖RLHF即依赖人类反馈,但是作者期望的superhuman model将会是一个能够处理各种复杂问题的强…...
本地websocket服务端结合cpolar内网穿透实现公网访问
文章目录 1. Java 服务端demo环境2. 在pom文件引入第三包封装的netty框架maven坐标3. 创建服务端,以接口模式调用,方便外部调用4. 启动服务,出现以下信息表示启动成功,暴露端口默认99995. 创建隧道映射内网端口6. 查看状态->在线隧道,复制所创建隧道的公网地址加端口号7. 以…...
关于“Python”的核心知识点整理大全37
目录 13.6.2 响应外星人和飞船碰撞 game_stats.py settings.py alien_invasion.py game_functions.py ship.py 注意 13.6.3 有外星人到达屏幕底端 game_functions.py 13.6.4 游戏结束 game_stats.py game_functions.py 13.7 确定应运行游戏的哪些部分 alien_inva…...
Vivado中的FFT IP核使用(含代码)
本文介绍了Vidado中FFT IP核的使用,具体内容为:调用IP核>>配置界面介绍>>IP核端口介绍>>MATLAB生成测试数据>>测试verilogHDL>>TestBench仿真>>结果验证>>FFT运算。 1、调用IP核 该IP核对应手册pg109_xfft.pd…...
创新驱动,边缘计算领袖:亚马逊云科技海外服务器服务再进化
2022年亚马逊云科技re:Invent盛会于近日在拉斯维加斯成功召开,吸引了众多业界精英和创新者。亚马逊云科技边缘服务副总裁Jan Hofmeyr在演讲中分享了关于亚马逊云科技海外服务器边缘计算的最新发展和创新成果,引发与会者热烈关注。 re:Invent的核心主题是…...
什么是“人机协同”机器学习?
“人机协同”(HITL)是人工智能的一个分支,它同时利用人类智能和机器智能来创建机器学习模型。在传统的“人机协同”方法中,人们会参与一个良性循环,在其中训练、调整和测试特定算法。通常,它的工作方式如下…...
数学建模笔记-拟合算法
内容:拟合算法 一.概念: 拟合的结果就是找到一个确定的曲线 二.最小二乘法: 1. 2.最小二乘法的二表示的是平方的那个2 3.求解最小二乘法: 三.评价拟合的好坏 1.总体评分和SST: 2.误差平方和SSE: 3.回…...
非线性约束的优化问题_序列二次规划算法代码
1. 理论部分 2. 序列二次规划算法代码及解析 3.完整代码 1.理论部分 a.约束优化问题的极值条件 库恩塔克条件(Kuhn-Tucker conditions,KT条件)是确定某点为极值点的必要条件。如果所讨论的规划是凸规划,那么库恩-塔克条件也是充分条件。 ÿ…...
【数据结构之顺序表】
数据结构学习笔记---002 数据结构之顺序表1、介绍线性表1.1、什么是线性表? 2、什么是顺序表?2.1、概念及结构2.2、顺序表的分类 3、顺序表接口的实现3.1、顺序表动态存储结构的Seqlist.h3.1.1、定义顺序表的动态存储结构3.1.2、声明顺序表各个接口的函数 3.2、顺序表动态存储…...
如何制作互联网网站/深圳市企业网站seo营销工具
《第二讲需求分析.ppt》由会员分享,可在线阅读,更多相关《第二讲需求分析.ppt(34页珍藏版)》请在人人文库网上搜索。1、教学设计基本模式,ADDIE模式 Analysis分析 Design设计 Development开发 Implementation实施 Evaluation评价,Analysis(分析) 教学目标…...
做宠物食品的网站/谷歌搜图
本文介绍利用ObjectAnimator简单地实现ArcMenu,直接使用本文的ArcMenu类即可快捷地实现菜单功能。最终使用效果:先看下最终的使用效果:private int[] imageRes {R.id.img_menu, R.id.img_menu1, R.id.img_menu2, R.id.img_menu3,R.id.img_me…...
嘉兴快速建站模板/网络推广渠道和方法
网站遭遇DOS攻击 一个、事件背景 长假对于IT人员来说是个短暂的休整时期,可IT系统却一时也不能停。越是节假日,越可能出大问题,以下要讲述的就是一起遭受DOS攻击的案例。 春节长假刚过完,小李公司的Webse…...
南京哪家网站做的好/如何推广一个产品
能看懂博主我此博文,相信你已经有了一定基础了。 对于本地模式、伪分布模式和全分布模式的概念,这里,我不多赘述。太多资料和博客,随便在网上一搜就好。 比如《hadoop实战 第二版》陆嘉恒老师等。 我这里呢,是再次挖掘…...
日照市五莲县网站建设/网站建设网络营销
昨天碰到同事问了一个问题,impor导入外部样式与link链入外部样式的优先级是怎样的,为什么实验的结果是按照样式表导入后的位置来决定优先级。今天就这个问题具体总结如下: 先解释一下网页添加css样式的方法,一共有四种,…...
自己如何做电影网站/网站seo诊断报告
UBuntu维护手册(V1.0)[]常用指令1.FTP服务器重启Root用户/etc/init.d/vsftpd/ restart 服务先关闭后开启start 服务开启stop 服务关闭2.远程连接服务SSH 当我们使用PUTTY工具连接失败时用到Root用户/etc/init.d/ssh start 启动服务stop 停止服务3&#x…...