Modelsim仿真软件的,安装/破解/使用教程大全

仿真前言        

作为一名FPGA工程师,在做FPGA开发时,使用仿真一定是最重要的,有些人喜欢写完代码直接上板子调试,根本不会做一点点仿真;如果是简单的逻辑代码,有十足的把握,那就不用仿真,可以直接上板子调试,但是,如果您是在做工程的开发,很多代码都是第一次编写调试,那么,代码的仿真是一定要做的,你要问我为啥,我个人觉得,每次把自己写完的代码,放到modelsim上面仿真看一下波形,就像考试的时候,拿着参考答案在做题一样的感觉,各个波形的变化你都会看的一清二楚,但是如果你用在线逻辑分析仪看RTL的仿真,那真的是太耗费时间;

        我知道这个时候就会有人说了,Modelsima仿真有啥用呀,和下板子调试完全是两个概念,包括信号延迟,信号质量,眼图等都不一样,说的也对,但是实际情况是,这些人眼高手低,觉得仿真这种操作太麻烦;仿真虽然不能完全模拟真实的硬件信号,硬件延迟也没法准确仿真,但是他能让你在开发的时候,规避掉95%的因为代码引起的错误,这会让你在调试阶段节省很多时间;然后剩下的调试你必须 要在硬件调试时才会发现并且解决;

       在调试阶段,FPGA为了避免和硬件PCB,上位机之间的问题错误在哪里一直浪费时间扯皮,做好仿真是非常必要的,这可以让你相信你的代码没问题,从而快速定位问题;

        接下来,就让我们把仿真工具好好的用起来,最大时间的节省你的开发时间和提高的技术能力;

Modelsim下载链接:

个人觉得Modelsim版本里面,最好用的版本就是20.4 SE版本,推荐这个:

通过网盘分享的文件:modelsim20.4SE_64 包含破解软件
链接: https://pan.baidu.com/s/1hOfxWLfkm8AH-QC8KSO6og?pwd=1234 提取码: 1234

Modelsim介绍:

        ModelSim 是西门子 EDA(原 Mentor Graphics)旗下的专业 HDL 仿真工具,核心优势是单内核支持 VHDL/Verilog/SystemVerilog 混合仿真,广泛用于 FPGA/ASIC 的 RTL 与门级验证,兼顾高性能与强调试能力。其原开发商 Model Technology 被 Mentor 收购,2016 年 Mentor 并入西门子数字化工业软件,成为西门子 EDA 部门。

  • 用途:数字电路设计的功能仿真、时序仿真、覆盖率分析与调试,覆盖单元 / 行为 / 系统级验证,适配 FPGA 与 ASIC 全流程。
  • 核心能力:
    • 单内核混合仿真:原生支持 VHDL、Verilog、SystemVerilog 混合设计,无需语言转换。
    • 高性能编译:直接优化编译 + Tcl/Tk 脚本化,速度快、跨平台(Windows/Linux/Unix),代码与平台无关,便于 IP 核保护。
    • 强调试工具:波形查看、断点调试、信号追踪、覆盖率分析(代码 / 功能 / 分支)、断言验证(PSL/SVA)。
    • 生态兼容:无缝对接 Xilinx Vivado、Intel Quartus Prime 等 FPGA 工具,也可独立运行。

下载安装教程

1.首先,你需要把Modelism这个软件通过百度网盘下载下来:

2.下载完成之后,双击exe文件,运行安装程序

3.弹出这个界面,点击下一步

4.自定义软件安装目录,最好选择全英文的路径

5.点击同意

6.安装中,您耐心等待哦

7.弹出这个界面,选择“是”

8.这里提示的是:提示是否将 Modelsim 可执行文件放入 Path 变量,选择“是”时可以从 DOS 提示符执行 Modelsim, 这里我们选择“是”

9.弹出这个界面时,选择否

10.到这里,您安装完成了!

11.这个时候,如果你去双击你桌面的modelsim图标,会显示报错,所以你不用双击,先破解完成,然后再准备双击使用

破解之路,刚刚开始:

破解仅供参考学习哦!!!!

1.打开这个文件夹,复制前四个文件夹

2.然后,粘贴到你刚刚安装的win64文件夹中替换文件

3.找到patch64_dll.bat属性取消勾选只读

4.找到你电脑的MCA地址,一会会用到哦!

5.记事本打开patch64_dll.bat,修改第四行,添加物理地址记得去掉短横 “-”

6.点击确定

7.双击patch64_dll.bat后生成LICENSE.TXT

8.文件另存到modelsim安装路径下

9 设置环境变量

10.双击Path,添加一条win64文件夹的路径,就在安装目录下

10.再添加一条环境变量
变量名为MGLS_LICENSE_FILE或者LM_LICENSE_FILE,具体可以直接现在打开modelsim,会有一段红色警告会提醒你,上面有变量名注意看
变量值就是安装路径下的LICENSE.TXT文件

11.到这里就安装,破解完成了,终于可以正常使用了
注意:MAC地址修改了就需要重新生成LICENSE.TXT(正常来说MAC地址是唯一的,如果你开启了随机MAC地址[通常是用于防止被别人锁定],那么MAC地址就会在重新连接WIFI时变化)

Read more

基于FPGA的CLAHE自适应限制对比度直方图均衡算法硬件verilog实现

基于FPGA的CLAHE自适应限制对比度直方图均衡算法硬件verilog实现

基于FPGA的CLAHE自适应限制对比度直方图均衡算法硬件verilog实现 摘要:本文详细阐述了基于 FPGA 的 CLAHE(自适应限制对比度直方图均衡)算法的硬件verilog实现方案。CLAHE是一种强大的图像增强算法,广泛应用于医学影像、红外成像、低照度增强等领域。本文将从算法原理出发,深入讲解各模块的RTL架构设计,包括坐标计数器、直方图统计、CDF计算、双线性插值映射以及乒乓RAM管理等核心模块的实现细节。 项目开源地址:https://github.com/Passionate0424/CLAHE_verilog 开源不易,辛苦各位看官点点star!! 一、CLAHE算法基本原理 1.1 算法背景 CLAHE(Contrast Limited Adaptive Histogram Equalization,对比度受限的自适应直方图均衡)是对传统自适应直方图均衡(AHE)的改进。AHE通过将图像划分为多个子区域(称为 “Tiles”),对每个Tile独立进行直方图均衡化,从而适应图像的局部特性。然而,AHE在噪声较大的平坦区域(如天空、

Flutter 组件 upnp_client 的鸿蒙适配实战 - 实现跨设备服务发现、智能家居自动关联与多媒体投屏协议控制

Flutter 组件 upnp_client 的鸿蒙适配实战 - 实现跨设备服务发现、智能家居自动关联与多媒体投屏协议控制

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 upnp_client 的鸿蒙适配实战 - 实现跨设备服务发现、智能家居自动关联与多媒体投屏协议控制 前言 在“万物互联”的愿景下,鸿蒙系统(OpenHarmony)最核心的武器就是跨设备协同能力。然而,如何让你的 Flutter 应用在复杂的家庭或办公内网中,自动发现并操控那些非鸿蒙生态但同样广泛分布的设备(如:DLNA 智能电视、家用路由器、网络打印机、甚至是 NAS 存储)? UPnP(Universal Plug and Play)协议此时扮演了全局搜索的关键角色。作为一套基于 SSDP 和 HTTP 处理发现与控制的老牌协议,它依然是局域网互联互通的“基础设施”。 upnp_client 为 Flutter

【保姆级教程】从零入手:Python + Neo4j 构建你的第一个知识图谱

【保姆级教程】从零入手:Python + Neo4j 构建你的第一个知识图谱

摘要: 大数据时代,数据之间的关系往往比数据本身更有价值。传统的 SQL 数据库在处理复杂关系(如社交网络、推荐系统、风控分析)时显得力不从心,而 知识图谱 和 图数据库 Neo4j 正是为此而生。本文将带你从 0 基础出发,理解知识图谱核心概念,安装 Neo4j 环境,并手把手教你用 Python 代码构建一个生动的人物关系图谱。拒绝枯燥理论,全是实战干货! 一、 什么是知识图谱与 Neo4j? 在动手写代码之前,我们先用大白话把两个核心概念捋清楚。 1. 什么是知识图谱 (Knowledge Graph)? 不要被高大上的名字吓到。知识图谱本质上就是把世界上的事物(节点)和它们之间的联系(关系)画成一张巨大的网。 * Excel 思维: 罗列数据。例如:张三,25岁;李四,

Ψ0——人形全身VLA:先用800h人类自视角视频数据和30h的真实机器人交互数据预训练VLM,再后训练MM-DiT,最后用AMO做下肢RL跟踪

Ψ0——人形全身VLA:先用800h人类自视角视频数据和30h的真实机器人交互数据预训练VLM,再后训练MM-DiT,最后用AMO做下肢RL跟踪

前言 今26年3.11,一投资人微信上跟我说,“ 周老师好!最近在搞什么模型?今天USC大学发布的这个模型,请您评估看看?” 我当时回复她道,“这个我这个星期,抽时间解读一下,到时候再说一下我的看法哦” 对于本文要解读的Ψ0 1. 首先,作者在大规模第一视角人类视频(约800 小时的人类视频数据),和30 小时的真实世界机器人数据上对一个 VLM 主干进行自回归预训练,以获得具有良好泛化能力的视觉-动作表征 2. 随后,再在高质量的人形机器人数据上后训练一个基于流(flow-based)的动作专家,用于学习精确的机器人关节控制 个人认为,该工作在理念创新上 确实 挺不错的 1. 以规模不大的“人类第一视角数据和真实机器人交互数据”预训练vlm 再后训练、微调 避免一味 堆数据,毕竟 数据 很难是个头 2. 全身摇操系统 看起来 也组合的不错 更重要的是,虽然目前市面上loco-mani方向的工作已经不少了