如何採集非lpc設備數據

① 求論文（語音識別）

與機器進行語音交流，讓機器明白你說什麼，這是人們長期以來夢寐以求的事情。語音識別技術就是讓機器通過識別和理解過程把語音信號轉變為相應的文本或命令的高技術。語音識別是一門交叉學科。近二十年來，語音識別技術取得顯著進步，開始從實驗室走向市場。人們預計，未來10年內，語音識別技術將進入工業、家電、通信、汽車電子、醫療、家庭服務、消費電子產品等各個領域。
語音識別聽寫機在一些領域的應用被美國新聞界評為1997年計算機發展十件大事之一。很多專家都認為語音識別技術是2000年至2010年間信息技術領域十大重要的科技發展技術之一。
語音識別技術所涉及的領域包括：信號處理、模式識別、概率論和資訊理論、發聲機理和聽覺機理、人工智慧等等。 任務分類和應用 根據識別的對象不同，語音識別任務大體可分為3類，即孤立詞識別（isolated word recognition)，關鍵詞識別（或稱關鍵詞檢出，keyword spotting)和連續語音識別。其中，孤立詞識別 的任務是識別事先已知的孤立的詞，如「開機」、「關機」等；連續語音識別的任務則是識別任意的連續語音，如一個句子或一段話；連續語音流中的關鍵詞檢測針對的是連續語音，但它並不識別全部文字，而只是檢測已知的若干關鍵詞在何處出現，如在一段話中檢測「計算機」、「世界」這兩個詞。
根據針對的發音人，可以把語音識別技術分為特定人語音識別和非特定人語音識別，前者只能識別一個或幾個人的語音，而後者則可以被任何人使用。顯然，非特定人語音識別系統更符合實際需要，但它要比針對特定人的識別困難得多。
另外，根據語音設備和通道，可以分為桌面（PC）語音識別、電話語音識別和嵌入式設備（手機、PDA等）語音識別。不同的採集通道會使人的發音的聲學特性發生變形，因此需要構造各自的識別系統。
語音識別的應用領域非常廣泛，常見的應用系統有：語音輸入系統，相對於鍵盤輸入方法，它更符合人的日常習慣，也更自然、更高效；語音控制系統，即用語音來控制設備的運行，相對於手動控制來說更加快捷、方便，可以用在諸如工業控制、語音撥號系統、智能家電、聲控智能玩具等許多領域；智能對話查詢系統，根據客戶的語音進行操作，為用戶提供自然、友好的資料庫檢索服務，例如家庭服務、賓館服務、旅行社服務系統、訂票系統、醫療服務、銀行服務、股票查詢服務等等。 前端前端處理是指在特徵提取之前，先對原始語音進行處理，部分消除雜訊和不同說話人帶來的影響，使處理後的信號更能反映語音的本質特徵。最常用的前端處理有端點檢測和語音增強。端點檢測是指在語音信號中將語音和非語音信號時段區分開來，准確地確定出語音信號的起始點。經過端點檢測後，後續處理就可以只對語音信號進行，這對提高模型的精確度和識別正確率有重要作用。語音增強的主要任務就是消除環境雜訊對語音的影響。目前通用的方法是採用維納濾波，該方法在雜訊較大的情況下效果好於其它濾波器。處理聲學特徵 聲學特徵的提取與選擇是語音識別的一個重要環節。聲學特徵的提取既是一個信息大幅度壓縮的過程，也是一個信號解卷過程，目的是使模式劃分器能更好地劃分。由於語音信號的時變特性，特徵提取必須在一小段語音信號上進行，也即進行短時分析。這一段被認為是平穩的分析區間稱之為幀，幀與幀之間的偏移通常取幀長的1/2或1/3。通常要對信號進行預加重以提升高頻，對信號加窗以避免短時語音段邊緣的影響。常用的一些聲學特徵* 線性預測系數LPC：線性預測分析從人的發聲機理入手，通過對聲道的短管級聯模型的研究，認為系統的傳遞函數符合全極點數字濾波器的形式，從而n 時刻的信號可以用前若干時刻的信號的線性組合來估計。通過使實際語音的采樣值和線性預測采樣值之間達到均方差最小LMS，即可得到線性預測系數LPC。對 LPC的計算方法有自相關法（德賓Durbin法）、協方差法、格型法等等。計算上的快速有效保證了這一聲學特徵的廣泛使用。與LPC這種預測參數模型類似的聲學特徵還有線譜對LSP、反射系數等等。
* 倒譜系數CEP：利用同態處理方法，對語音信號求離散傅立葉變換DFT後取對數，再求反變換iDFT就可得到倒譜系數。對LPC倒譜（LPCCEP），在獲得濾波器的線性預測系數後，可以用一個遞推公式計算得出。實驗表明，使用倒譜可以提高特徵參數的穩定性。
* Mel倒譜系數MFCC和感知線性預測PLP：不同於LPC等通過對人的發聲機理的研究而得到的聲學特徵，Mel倒譜系數MFCC和感知線性預測 PLP是受人的聽覺系統研究成果推動而導出的聲學特徵。對人的聽覺機理的研究發現，當兩個頻率相近的音調同時發出時，人只能聽到一個音調。臨界帶寬指的就是這樣一種令人的主觀感覺發生突變的帶寬邊界，當兩個音調的頻率差小於臨界帶寬時，人就會把兩個音調聽成一個，這稱之為屏蔽效應。Mel刻度是對這一臨界帶寬的度量方法之一。
MFCC的計算首先用FFT將時域信號轉化成頻域，之後對其對數能量譜用依照Mel刻度分布的三角濾波器組進行卷積，最後對各個濾波器的輸出構成的向量進行離散餘弦變換DCT，取前N個系數。PLP仍用德賓法去計算LPC參數，但在計算自相關參數時用的也是對聽覺激勵的對數能量譜進行DCT的方法。聲學模型語音識別系統的模型通常由聲學模型和語言模型兩部分組成，分別對應於語音到音節概率的計算和音節到字概率的計算。本節和下一節分別介紹聲學模型和語言模型方面的技術。
HMM聲學建模：馬爾可夫模型的概念是一個離散時域有限狀態自動機，隱馬爾可夫模型HMM是指這一馬爾可夫模型的內部狀態外界不可見，外界只能看到各個時刻的輸出值。對語音識別系統，輸出值通常就是從各個幀計算而得的聲學特徵。用HMM刻畫語音信號需作出兩個假設，一是內部狀態的轉移只與上一狀態有關，另一是輸出值只與當前狀態（或當前的狀態轉移）有關，這兩個假設大大降低了模型的復雜度。HMM的打分、解碼和訓練相應的演算法是前向演算法、Viterbi演算法和前向後向演算法。
語音識別中使用HMM通常是用從左向右單向、帶自環、帶跨越的拓撲結構來對識別基元建模，一個音素就是一個三至五狀態的HMM，一個詞就是構成詞的多個音素的HMM串列起來構成的HMM，而連續語音識別的整個模型就是詞和靜音組合起來的HMM。上下文相關建模：協同發音，指的是一個音受前後相鄰音的影響而發生變化，從發聲機理上看就是人的發聲器官在一個音轉向另一個音時其特性只能漸變，從而使得後一個音的頻譜與其他條件下的頻譜產生差異。上下文相關建模方法在建模時考慮了這一影響，從而使模型能更准確地描述語音，只考慮前一音的影響的稱為Bi- Phone，考慮前一音和後一音的影響的稱為Tri-Phone。
英語的上下文相關建模通常以音素為基元，由於有些音素對其後音素的影響是相似的，因而可以通過音素解碼狀態的聚類進行模型參數的共享。聚類的結果稱為senone。決策樹用來實現高效的triphone對senone的對應，通過回答一系列前後音所屬類別（元/輔音、清/濁音等等）的問題，最終確定其HMM狀態應使用哪個senone。分類回歸樹CART模型用以進行詞到音素的發音標注。 語言模型語言模型主要分為規則模型和統計模型兩種。統計語言模型是用概率統計的方法來揭示語言單位內在的統計規律，其中N-Gram簡單有效，被廣泛使用。
N-Gram：該模型基於這樣一種假設，第n個詞的出現只與前面N-1個詞相關，而與其它任何詞都不相關，整句的概率就是各個詞出現概率的乘積。這些概率可以通過直接從語料中統計N個詞同時出現的次數得到。常用的是二元的Bi-Gram和三元的Tri-Gram。
語言模型的性能通常用交叉熵和復雜度（Perplexity）來衡量。交叉熵的意義是用該模型對文本識別的難度，或者從壓縮的角度來看，每個詞平均要用幾個位來編碼。復雜度的意義是用該模型表示這一文本平均的分支數，其倒數可視為每個詞的平均概率。平滑是指對沒觀察到的N元組合賦予一個概率值，以保證詞序列總能通過語言模型得到一個概率值。通常使用的平滑技術有圖靈估計、刪除插值平滑、Katz平滑和Kneser-Ney平滑。 搜索連續語音識別中的搜索，就是尋找一個詞模型序列以描述輸入語音信號，從而得到詞解碼序列。搜索所依據的是對公式中的聲學模型打分和語言模型打分。在實際使用中，往往要依據經驗給語言模型加上一個高權重，並設置一個長詞懲罰分數。
Viterbi：基於動態規劃的Viterbi演算法在每個時間點上的各個狀態，計算解碼狀態序列對觀察序列的後驗概率，保留概率最大的路徑，並在每個節點記錄下相應的狀態信息以便最後反向獲取詞解碼序列。Viterbi演算法在不喪失最優解的條件下，同時解決了連續語音識別中HMM模型狀態序列與聲學觀察序列的非線性時間對准、詞邊界檢測和詞的識別，從而使這一演算法成為語音識別搜索的基本策略。
由於語音識別對當前時間點之後的情況無法預測，基於目標函數的啟發式剪枝難以應用。由於Viterbi演算法的時齊特性，同一時刻的各條路徑對應於同樣的觀察序列，因而具有可比性，束Beam搜索在每一時刻只保留概率最大的前若干條路徑，大幅度的剪枝提高了搜索的效率。這一時齊Viterbi- Beam演算法是當前語音識別搜索中最有效的演算法。 N-best搜索和多遍搜索：為在搜索中利用各種知識源，通常要進行多遍搜索，第一遍使用代價低的知識源，產生一個候選列表或詞候選網格，在此基礎上進行使用代價高的知識源的第二遍搜索得到最佳路徑。此前介紹的知識源有聲學模型、語言模型和音標詞典，這些可以用於第一遍搜索。為實現更高級的語音識別或口語理解，往往要利用一些代價更高的知識源，如4階或5階的N-Gram、4階或更高的上下文相關模型、詞間相關模型、分段模型或語法分析，進行重新打分。最新的實時大詞表連續語音識別系統許多都使用這種多遍搜索策略。
N-best搜索產生一個候選列表，在每個節點要保留N條最好的路徑，會使計算復雜度增加到N倍。簡化的做法是只保留每個節點的若干詞候選，但可能丟失次優候選。一個折衷辦法是只考慮兩個詞長的路徑，保留k條。詞候選網格以一種更緊湊的方式給出多候選，對N-best搜索演算法作相應改動後可以得到生成候選網格的演算法。
前向後向搜索演算法是一個應用多遍搜索的例子。當應用簡單知識源進行了前向的Viterbi搜索後，搜索過程中得到的前向概率恰恰可以用在後向搜索的目標函數的計算中，因而可以使用啟發式的A演算法進行後向搜索，經濟地搜索出N條候選。 系統實現 語音識別系統選擇識別基元的要求是，有準確的定義，能得到足夠數據進行訓練，具有一般性。英語通常採用上下文相關的音素建模，漢語的協同發音不如英語嚴重，可以採用音節建模。系統所需的訓練數據大小與模型復雜度有關。模型設計得過於復雜以至於超出了所提供的訓練數據的能力，會使得性能急劇下降。
聽寫機：大詞彙量、非特定人、連續語音識別系統通常稱為聽寫機。其架構就是建立在前述聲學模型和語言模型基礎上的HMM拓撲結構。訓練時對每個基元用前向後向演算法獲得模型參數，識別時，將基元串接成詞，詞間加上靜音模型並引入語言模型作為詞間轉移概率，形成循環結構，用Viterbi演算法進行解碼。針對漢語易於分割的特點，先進行分割再對每一段進行解碼，是用以提高效率的一個簡化方法。
對話系統：用於實現人機口語對話的系統稱為對話系統。受目前技術所限，對話系統往往是面向一個狹窄領域、詞彙量有限的系統，其題材有旅遊查詢、訂票、資料庫檢索等等。其前端是一個語音識別器，識別產生的N-best候選或詞候選網格，由語法分析器進行分析獲取語義信息，再由對話管理器確定應答信息，由語音合成器輸出。由於目前的系統往往詞彙量有限，也可以用提取關鍵詞的方法來獲取語義信息。 自適應與強健性 語音識別系統的性能受許多因素的影響，包括不同的說話人、說話方式、環境噪音、傳輸信道等等。提高系統魯棒性，是要提高系統克服這些因素影響的能力，使系統在不同的應用環境、條件下性能穩定；自適應的目的，是根據不同的影響來源，自動地、有針對性地對系統進行調整，在使用中逐步提高性能。以下對影響系統性能的不同因素分別介紹解決辦法。
解決辦法按針對語音特徵的方法（以下稱特徵方法）和模型調整的方法（以下稱模型方法）分為兩類。前者需要尋找更好的、高魯棒性的特徵參數，或是在現有的特徵參數基礎上，加入一些特定的處理方法。後者是利用少量的自適應語料來修正或變換原有的說話人無關（SI）模型，從而使其成為說話人自適應（SA）模型。
說話人自適應的特徵方法有說話人規一化和說話人子空間法，模型方法有貝葉斯方法、變換法和模型合並法。
語音系統中的雜訊，包括環境雜訊和錄音過程加入的電子雜訊。提高系統魯棒性的特徵方法包括語音增強和尋找對雜訊干擾不敏感的特徵，模型方法有並行模型組合PMC方法和在訓練中人為加入雜訊。信道畸變包括錄音時話筒的距離、使用不同靈敏度的話筒、不同增益的前置放大和不同的濾波器設計等等。特徵方法有從倒譜矢量中減去其長時平均值和RASTA濾波，模型方法有倒譜平移。 微軟語音識別引擎 微軟在office和vista中都應用了自己開發的語音識別引擎，微軟語音識別引擎的使用是完全免費的，所以產生了許多基於微軟語音識別引擎開發的語音識別應用軟體，例如《語音游戲大師》《語音控制專家》《芝麻開門》等等軟體。 語音識別系統的性能指標 語音識別系統的性能指標主要有四項。①詞彙表范圍：這是指機器能識別的單詞或片語的范圍，如不作任何限制，則可認為詞彙表范圍是無限的。②說話人限制：是僅能識別指定發話者的語音，還是對任何發話人的語音都能識別。③訓練要求：使用前要不要訓練，即是否讓機器先「聽」一下給定的語音，以及訓練次數的多少。④正確識別率：平均正確識別的百分數，它與前面三個指標有關。
小結
以上介紹了實現語音識別系統的各個方面的技術。這些技術在實際使用中達到了較好的效果，但如何克服影響語音的各種因素還需要更深入地分析。目前聽寫機系統還不能完全實用化以取代鍵盤的輸入，但識別技術的成熟同時推動了更高層次的語音理解技術的研究。由於英語與漢語有著不同的特點，針對英語提出的技術在漢語中如何使用也是一個重要的研究課題，而四聲等漢語本身特有的問題也有待解決。

② 基於ARM7的數據採集系統設計與實現

ARM上的程序可以是個循環，在循環裡面進行AD數據採集
並根據通訊協議將數據版通過串口發送出去
PC機上可權以使用VC+Measurement Studio控制項來進行數據的接收和顯示

不是很難的
不過具體調試的時候肯定不會一次通過，
慢慢的耐心點，總會解決的
有什麼具體的問題我們在一起探討
現在你問的比較大，不是很具體

③ ios14 iphone5s可以更新嘛

ios14 iphone5s可以更新。

iPhone5s是美國蘋果公司在2013年9月推出的一款手機。在9月20日於12個國家以及地區首發iPhone 5s，首次包括中國大陸，首周銷量突破900萬部。2013年底，美國知名科技媒體《商業內幕》整理出了「本年度最具創新力的十大設備」，iPhone 5s因指紋識別功能而被入選其中。

(3)如何採集非lpc設備數據擴展閱讀：

iPhone 5s相比之前的iPhone系列產品，最大的變化是搭載了蘋果公司最新的A7的處理器以及M7運動協處理器。CPU/GPU性能均比iPhone 5的A6快2倍，GPU方面A7集成四核心PowerVR G6430，A7也是首款集成此核心的CPU，支持OpenGL ES 3.0。A7亦是首款被用於智能手機上的ARM架構64位處理器，採用28納米HKMG工藝。CPU/GPU性能均比iPhone 5的A6快2倍，CPU性能是初代iPhone的40倍，GPU性能則是初代的56倍。

蘋果還為A7處理器增加了協處理器M7，M7其實是一塊NXP LPC18A1，是以ARM Cortex-M3為基礎開發的LPC1800系列的一員，專門用來處理來自重力加速器，陀螺儀，指南針這三類數據，iPhone 5s推出之前這些數據都是由CPU處理的，從而導致CPU頻率升高而無法一直採集數據，而如果交給低頻率的M7來處理則可以在CPU休眠時採集數據判斷運動狀態，它能全天的判斷用戶在步行還是在開車或是在睡覺，根據狀態對系統做出調整如開車時不自動加入新WIFI。

④ lPc網路連接

摘要 Intel所定義的PC介面，將以往ISA BUS的地址/數據分離解碼，改成類似PCI的地址/數據信號線共享的解碼方式，信號線數量大幅降低，工作速率由PCI匯流排速率同步驅動，雖然改良過的LPC介面一樣維持最大傳輸值16MB/s，不過所需要的信號腳位數大幅降低25~30個，以LPC介面設計的Super I/O晶元、Flash晶元都能享有腳位數減少、體積微縮的好處，主板的設計也可以簡化，這也就是取名LPC——Low Pin Count的原因

⑤ 電子信息工程畢業論文題目

相關題目很多的：

基於PLD的液晶顯示裝置設計
小型風力發電機自動保護裝置硬體設計
示波器垂直放大系統設計
示波器水平掃描系統設計
樓宇可視對講門禁系統主機部分設計
基於FPGA的（15，6）循環編碼系統設計與實現
遠程無繩電話座機電路設計
光電板自動跟蹤系統硬體設計
音樂合成器的FPGA設計與實現
電信計費數據整合系統的設計與實現
基於GSM短消息與PLC的遠程大壩安全監測系統（數據採集中心）設計
風/柴互補供電系統並網模塊的系統設計
基於可編程邏輯器件實現FIR濾波器的設計
基於數字頻率合成技術的信號發生器設計
基於FPGA語音信號LPC參數提取系統的設計
基於單片機的數字頻率計的設計
小型無人機地面站軟體虛擬飛行儀表模塊設計
汽車防盜報警設備中的無線遙控器設計
電話機中的語音郵箱指示系統設計
高頻雷達二相編碼信號的設計與模擬
基於模式識別的手寫漢字識別系統設計
數控直流電源的設計
基於DSP的語音採集與迴音效果的系統實現
低速語音編碼演算法的研究
汽車防盜報警設備中無線遙控接收模塊設計與實現
光電板自動跟蹤系統軟體設計
基於QuartusⅡ平台實現FSK調制解調
基於FPGA的HDB3編碼系統設計與實現
語音信號的抑噪電路設計
基於單片機的數字電壓表的設計
組合式多幅面廣告裝置的主控制電路設計
基於MATLAB的光纖通信系統中的脈沖可視化研究
語音錄放系統的FPGA設計與實現
基於FPGA的HDB3解碼系統設計與實現
車牌識別中的圖像提取及分割演算法
基於MPEG-4的嵌入式多媒體監控系統中壓縮/解壓卡的設計與實現
風/光互補系統蓄電池保護裝置軟體設計
樓宇可視對講門禁系統分機部分設計
基於DCT變換的心電信號壓縮演算法的實現
基於CPLD的數據採集系統設計
搶答器的設計
AM超外差式收音機的SystemView模擬
GPRS數據業務測試及應用分析
基於MATLAB的家庭保安系統設計
低頻數字相位測量儀設計
數字圖像縮放的研究
數字音效器的DSP設計與實現
用CS43L42和EP7212設計的MP3文件播放系統
液晶顯示器模塊與單片機介面電路的設計
煤氣計費系統硬體設計
基於ATmega16單片機LED點陣顯示屏電路設計
基於語音錄放技術的工業現場故障告警電路的設計
基於LabVIEW虛擬函數信號發生器的設計
直流調速系統中的單片機控制電路設計
基於CPLD的顯示系統設計
基於ARM的風機控制終端設計
本地交換網網管系統中話務統計分析子系統的實現
基於DSP的視頻圖像壓縮系統的設計
智能型電子防盜系統設計
基於ARM和GPRS網路的風機遠程數據傳輸系統設計
煤氣計費系統硬體設計
小型無人機姿態信息採集與數據處理模塊設計
圖文疊加及其DSP實現
信號發生器的FPGA 實現
基於SPCE061A晶元語音信號實時採集系統
FFT演算法的DSP實現
基於軟交換的NGN試驗網設計
基於數字語音技術的電子導游系統設計
倒車雷達-語音報警設計
基於FPGA的快速傅立葉變換的實現
GPS信號接收解析與.NET實現
灰度閥值處理演算法及其DSP實現
基於FPGA的數字相位計的設計與實現
指紋圖像二值化演算法的DSP實現
彩色圖像對比度增強演算法及其DSP實現
可編程邏輯器件邊界掃描測試電路的設計
隨機燈光發生器的FPGA 實現
水電站自動同期控制器設計
基於數字頻率合成技術的調諧系統設計
風/柴互補供電系統無功功率自動補償模塊的硬體設計
基於ATmega16單片機的直流電機驅動系統設計
基於VHDL的數字鬧鍾的設計
基於FPGA的FSK傳輸系統的設計與實現
觸摸式LCD人機介面設計
濕敏感測器元件測試系統設計
小型無人機大氣數據採集與處理模塊設計
GPS車載圖像傳輸系統硬體的設計
基於Verilog HDL的FIR數字濾波器設計
基於FPGA的數字調頻發射機設計
基於FPGA的（15，6）循環解碼系統設計與實現
多點溫濕度控制系統的設計
風/光互補系統蓄電池保護裝置硬體設計
指紋圖像預處理演算法研究
小型無人機地面站軟體虛擬飛行儀表模塊設計
銀行Java終端系統設計
小型無人機無線遙測數據通信方案研究與設計
基於PLD的點陣LED顯示裝置設計
FIR數字濾波器的DSP實現
圖形均衡器的DSP設計與實現
組合式多幅面廣告裝置的單元控制電路設計
小型無人機動力系統狀態監測模塊設計
基於CycloneⅡ的視頻介面設計
基於網路的點對點通信
新建小區G/C網無線信號覆蓋的設計與實現
基於JSP的教學管理系統
風/柴互補供電系統無功功率自動補償模塊的軟體設計
DE2視頻介面技術研究
數字溫度測量電路的設計及實現
無線簡訊業務在行業中的應用
基於可編程器件的數字相位計設計
51單片機串列口擴展設計
DE2的LCD字元顯示技術研究
信號發生器的FPGA設計與實現
運動員號碼牌的校正方法研究
DE2音頻介面技術研究
非接觸式IC卡應用系統設計
說話人識別中自適應系統的設計
基於FPGA的樂曲演奏器的設計

⑥ lpc介面都可以接什麼設備

1. 全名：Low Pin Count；97年Intel發布的取代傳統ISA BUS的一種新介面規范
2. 以往為了連接ISA擴充槽、適配器、ROM BIOS晶元、Super I/O等介面，南橋晶元必須保留一個ISA BUS，並且連通Super I/O晶元，以控制傳統的外圍設備。
3. Intel所定義的PC介面，將以往ISA BUS的地址/數據分離解碼，改成類似PCI的地址/數據信號線共享的解碼方式，信號線數量大幅降低，工作速率由PCI匯流排速率同步驅動，雖然改良過的LPC介面一樣維持最大傳輸值16MB/s，不過所需要的信號腳位數大幅降低25~30個，以LPC介面設計的Super I/O晶元、Flash晶元都能享有腳位數減少、體積微縮的好處，主板的設計也可以簡化，這也就是取名LPC——Low Pin Count的原因

可接的設備：用LPC介面的SuperIO可以接滑鼠、鍵盤、列印機、軟碟機等；有些Flash也用LPC介面

⑦ 基於MCS-51單片機的精密溫度控制系統的設計與實現

q694452012，有全套的軟體和硬體，論文也可以給你整

⑧ 南橋和EC的數據交換為什麼除了有LPC匯流排還有SPI匯流排

不同的設備連接啊~~南橋都有一堆匯流排~~沒什麼好奇怪的

⑨ 如何 提取 lpc controller id

設備管理 右擊未知設備 屬性 更新驅動程序

瀏覽計算機以查找驅動程序軟體