统计动力学笔记(一)动态系统随机信号在时域中的变换(自留用)

动态系统随机信号在时域中的变换

  • 1. 系统工作质量的表征及若干统计学概念
  • 2. 各态遍历性
  • 3. 相关函数的性质
  • 4. 确定相关函数的实验方法
  • 5. 通过线性动态系统的静定随机信号的特性
  • 6. 系统输出的均方误差计算

1. 系统工作质量的表征及若干统计学概念

设一个动态系统的输入为 u ( t ) u(t) u(t),输出为 x ( t ) x(t) x(t),则动态误差即为 e ( t ) = u ( t ) − x ( t ) e(t) = u(t) - x(t) e(t)=u(t)x(t)。当输入 u ( t ) u(t) u(t)为随机信号时, e ( t ) e(t) e(t)即为随机误差。

通常地,在随机输入信号的作用下,系统的工作质量可以由随机的均方差来表示:
e 2 ‾ ( t ) = lim ⁡ T → ∞ 1 2 T ∫ − T T e 2 ( t ) d t (1) \overline{e^2} (t) = \lim _{T \rightarrow \infty} \frac{1}{2T} \int_{-T} ^T e^2 (t) {\rm d} t \tag{1} e2(t)=Tlim2T1TTe2(t)dt(1)

接下来引入几个统计学基本概念。
(1)概率分布函数 F ( x ) F(x) F(x)。概率分布函数指的是随机变量 X X X不超过某个值 x x x(即 X < x X < x X<x)的概率:
F ( x ) = P ( X < x ) F(x) = P (X < x) F(x)=P(X<x)(2)概率密度分布函数 f ( x ) f(x) f(x)。可以简单粗暴地理解为“随机变量 X X X等于某个值 x x x的概率”,或者从数学上理解为“概率分布函数 F ( x ) F(x) F(x)的导数”即可:
f ( x ) = d F ( x ) d x = lim ⁡ Δ → 0 P ( x ≤ X ≤ x + Δ x ) Δ x = lim ⁡ Δ → 0 F ( x + Δ x ) − F ( x ) Δ x f(x) = \frac{ {\rm d} F(x)}{ {\rm d} x} = \lim_{\Delta \rightarrow 0} \frac{ P \left( x \leq X \leq x + \Delta x\right)}{\Delta x} = \lim_{\Delta \rightarrow 0} \frac{F \left( x + \Delta x \right) - F(x)}{\Delta x} f(x)=dxdF(x)=Δ0limΔxP(xXx+Δx)=Δ0limΔxF(x+Δx)F(x)由此得出
F ( x ) = ∫ ∞ x f ( x ) d x F(x) = \int _\infty ^x f(x) {\rm d} x F(x)=xf(x)dx随机变量 X X X的数学期望:
x ~ = M [ X ] = ∫ − ∞ ∞ x f ( x ) d x \tilde x = M \left[ X \right] = \int _{-\infty} ^\infty x f(x) {\rm d} x x~=M[X]=xf(x)dx随机变量 X X X m m m – 阶矩:
x ~ m = ∫ − ∞ ∞ x m f ( x ) d x \tilde x^m = \int _{-\infty} ^\infty x^m f(x) {\rm d} x x~m=xmf(x)dx随机变量 X X X m m m – 阶中心矩:
M [ ( X − x ~ ) m ] = ∫ − ∞ ∞ ( X − x ~ ) m f ( x ) d x M \left[ \left( X - \tilde x \right)^m \right] = \int _{-\infty} ^\infty \left( X - \tilde x \right)^m f(x) {\rm d} x M[(Xx~)m]=(Xx~)mf(x)dx方差(其实就是二阶中心矩):
M [ ( X − x ~ ) 2 ] = ∫ − ∞ ∞ ( X − x ~ ) 2 f ( x ) d x M \left[ \left( X - \tilde x \right)^2 \right] = \int _{-\infty} ^\infty \left( X - \tilde x \right)^2 f(x) {\rm d} x M[(Xx~)2]=(Xx~)2f(x)dx当考虑时间时,样本的均值可以等同于数学期望:
m x ( t ) = x ~ ( t ) = M [ X ( t ) ] = ∫ − ∞ ∞ x f ( x , t ) d x , D x ( t ) = D [ X ( t ) ] = ∫ − ∞ ∞ [ X ( t ) − m x ( t ) ] 2 f ( x , t ) d x m_x (t) = \tilde x(t) = M \left[ X(t) \right] = \int _{-\infty} ^\infty x f(x, t) {\rm d} x, \\ D_x (t) = D \left[ X(t) \right] = \int _{-\infty} ^\infty \left[ X(t) - m_x (t) \right]^2 f(x, t) {\rm d} x mx(t)=x~(t)=M[X(t)]=xf(x,t)dx,Dx(t)=D[X(t)]=[X(t)mx(t)]2f(x,t)dx而对于不同时刻 t 1 , t 2 t_1, t_2 t1,t2的随机过程来说,同样可以有数学期望:
M [ X ( t 1 ) X ( t 2 ) ] = ∫ − ∞ ∞ ∫ − ∞ ∞ x 1 x 2 f ( x 1 , t 1 , x 2 , t 2 ) d x 1 d x 2 = R ( t 1 , t 2 ) M \left[ X\left( t_1 \right) X\left( t_2 \right) \right] = \int_{-\infty} ^\infty \int_{-\infty} ^\infty x_1 x_2 f \left( x_1, t_1, x_2, t_2 \right) {\rm d} x_1 {\rm d} x_2 = R \left( t_1, t_2 \right) M[X(t1)X(t2)]=x1x2f(x1,t1,x2,t2)dx1dx2=R(t1,t2)称为相关函数。相关函数表征了不同时刻之间随机变量的联系

对于一个随机变量 x x x,其在不同时刻的相关函数 R x ( t 1 , t 2 ) R_x \left( t_1, t_2 \right) Rx(t1,t2)称为 x x x自相关函数。而对于两个不同的随机变量 x , y x,y x,y,在不同时刻的相关函数 R x y ( t 1 , t 2 ) R_{xy} \left( t_1, t_2 \right) Rxy(t1,t2)称为互相关函数。显然,当 t 2 = t 1 + τ t_2 = t_1 + \tau t2=t1+τ时,自相关函数还可以表示为
R ( τ ) = M [ X ( t 1 ) X ( t 1 + τ ) ] = ∫ − ∞ ∞ d x 1 ∫ − ∞ ∞ x 1 x 2 f ( x 1 , x 2 , τ ) d x 2 R (\tau) = M \left[ X\left( t_1 \right) X\left( t_1 + \tau \right) \right] = \int_{-\infty} ^\infty {\rm d} x_1 \int_{-\infty} ^\infty x_1 x_2 f \left( x_1, x_2, \tau \right) {\rm d} x_2 R(τ)=M[X(t1)X(t1+τ)]=dx1x1x2f(x1,x2,τ)dx2

2. 各态遍历性

对于具有各态遍历性的静定过程,以下公式成立:
x ~ = x ˉ , x 1 x 2 ~ = x 1 x 2 ‾ \tilde x = \bar x, \quad \widetilde{x_1 x_2} = \overline{x_1 x_2} x~=xˉ,x1x2 =x1x2同时,由于具有各态遍历性,因而随机变量的平均值不会因采样时间段而改变:
x ˉ = lim ⁡ T → ∞ 1 2 T ∫ − T T x ( t ) d t = lim ⁡ T → ∞ 1 T ∫ 0 T x ( t ) d t \bar x = \lim _{T \rightarrow \infty} \frac{1}{2T} \int_{-T} ^T x (t) {\rm d} t = \lim _{T \rightarrow \infty} \frac{1}{T} \int_{0} ^T x (t) {\rm d} t xˉ=Tlim2T1TTx(t)dt=TlimT10Tx(t)dt因而自相关函数为
R ( τ ) = x 1 x 2 ‾ = lim ⁡ T → ∞ 1 T ∫ 0 T x ( t ) x ( t + τ ) d t R (\tau) = \overline{x_1 x_2} = \lim _{T \rightarrow \infty} \frac{1}{T} \int _0 ^T x(t) x(t + \tau) {\rm d} t R(τ)=x1x2=TlimT10Tx(t)x(t+τ)dt

3. 相关函数的性质

以下给出相关函数的一些性质:
R x y ( τ ) = R y x ( − τ ) ; R_{xy} (\tau) = R_{yx} (-\tau); Rxy(τ)=Ryx(τ); R y x ( τ ) = lim ⁡ T → ∞ 1 2 T ∫ − T T y ( t ) x ( t + τ ) d t ; R_{yx} (\tau) = \lim _{T \rightarrow \infty} \frac{1}{2T} \int _{-T} ^T y(t) x(t + \tau) {\rm d} t; Ryx(τ)=Tlim2T1TTy(t)x(t+τ)dt; R y x ( − τ ) = lim ⁡ T → ∞ 1 2 T ∫ − T T y ( t ) x ( t − τ ) d t R_{yx} (-\tau) = \lim _{T \rightarrow \infty} \frac{1}{2T} \int _{-T} ^T y(t) x(t - \tau) {\rm d} t Ryx(τ)=Tlim2T1TTy(t)x(tτ)dt而若设 t 1 = t − τ t_1 = t - \tau t1=tτ
R y x ( − τ ) = lim ⁡ T → ∞ 1 2 T ∫ − T T y ( t 1 + τ ) x ( t 1 ) d t = R x y ( τ ) R_{yx} (-\tau) = \lim _{T \rightarrow \infty} \frac{1}{2T} \int _{-T} ^T y(t_1 + \tau) x(t_1) {\rm d} t = R_{xy} (\tau) Ryx(τ)=Tlim2T1TTy(t1+τ)x(t1)dt=Rxy(τ) τ = 0 \tau=0 τ=0时:
R x ( 0 ) = M [ X 2 ( t ) ] = x 2 ‾ = D x R_x (0) = M \left[ X^2 (t) \right] = \overline{x^2} = D_x Rx(0)=M[X2(t)]=x2=Dx τ → ∞ \tau \rightarrow \infty τ时:
R x ( τ → ∞ ) = ( x ~ ) 2 = ( x ˉ ) 2 R_x ( \tau \rightarrow \infty ) = \left( \tilde x \right) ^2 = \left( \bar x \right) ^2 Rx(τ)=(x~)2=(xˉ)2特别地,白噪声的相关函数为:
R x ( τ ) = N 2 δ ( τ ) R_x (\tau) = N^2 \delta (\tau) Rx(τ)=N2δ(τ)

4. 确定相关函数的实验方法

对于静定各态遍历系统,其相关函数:
R x ( τ ) = X ( t ) X ( t + τ ) ‾ = lim ⁡ T → ∞ 1 T ∫ 0 T x ( t ) x ( t + τ ) d t R_x(\tau) = \overline{X(t) X(t + \tau)} = \lim_{T \rightarrow \infty} \frac{1}{T} \int_0 ^T x(t) x(t + \tau) {\rm d} t Rx(τ)=X(t)X(t+τ)=TlimT10Tx(t)x(t+τ)dt其估计值为
R ^ x ( τ ) = 1 T ∫ 0 T x ( t ) x ( t − τ ) d t \hat R_x (\tau) = \frac{1}{T} \int_0 ^T x(t) x(t - \tau) {\rm d} t R^x(τ)=T10Tx(t)x(tτ)dt在实际中,为了使得到的估计值尽量准确,应使实验时间 T T T尽可能长。

5. 通过线性动态系统的静定随机信号的特性

设某随机信号 u ( t ) u(t) u(t),其相关函数为 R u ( τ ) R_u (\tau) Ru(τ),则其通过具有脉冲信号 K ( t ) K(t) K(t)的系统后,得到的输出依然是随机信号:
x ( t ) = ∫ − ∞ ∞ K ( λ ) u ( t − λ ) d λ = K ( λ ) ∗ u ( λ ) (2) x(t) = \int_{-\infty} ^\infty K(\lambda) u(t - \lambda) {\rm d} \lambda = K(\lambda) * u( \lambda) \tag{2} x(t)=K(λ)u(tλ)dλ=K(λ)u(λ)(2)即为二者卷积。
对输出 x x x求数学期望:
M [ x ( t ) ] = ∫ − ∞ ∞ K ( λ ) M [ u ( t − λ ) ] d λ M \left[ x(t) \right] = \int _{-\infty} ^\infty K(\lambda) M \left[ u(t - \lambda) \right] {\rm d} \lambda M[x(t)]=K(λ)M[u(tλ)]dλ而在 t + τ t+\tau t+τ时刻:
x ( t + τ ) = ∫ − ∞ ∞ K ( η ) u ( t + τ − η ) d η x(t + \tau) = \int_{-\infty} ^\infty K(\eta) u(t + \tau - \eta) {\rm d} \eta x(t+τ)=K(η)u(t+τη)dη则可以计算 x x x的相关函数:
R x ( τ ) = M [ x ( t ) x ( t + τ ) ] = M [ ∫ − ∞ ∞ K ( λ ) u ( t − λ ) d λ ∫ − ∞ ∞ K ( η ) u ( t + τ − η ) d η ] = ∫ − ∞ ∞ K ( λ ) d λ ∫ − ∞ ∞ M [ u ( t − λ ) u ( t + τ − η ) ] K ( η ) d η \begin{aligned} R_x (\tau) &= M \left[ x(t) x(t + \tau) \right] \\ &= M \left[ \int_{-\infty} ^\infty K(\lambda) u(t - \lambda) {\rm d} \lambda \int_{-\infty} ^\infty K(\eta) u(t + \tau - \eta) {\rm d} \eta \right] \\ &= \int_{-\infty} ^\infty K(\lambda) {\rm d} \lambda \int_{-\infty} ^\infty M \left[ u(t - \lambda) u(t + \tau - \eta) \right] K(\eta) {\rm d} \eta \end{aligned} Rx(τ)=M[x(t)x(t+τ)]=M[K(λ)u(tλ)dλK(η)u(t+τη)dη]=K(λ)dλM[u(tλ)u(t+τη)]K(η)dη t ′ = t − λ t' = t - \lambda t=tλ,则
M [ u ( t ′ ) u ( t ′ + λ + τ − η ) ] = R u ( τ + λ − η ) M \left[ u(t') u(t' + \lambda+ \tau - \eta) \right] = R_u (\tau + \lambda - \eta) M[u(t)u(t+λ+τη)]=Ru(τ+λη)代入上式有
R x ( τ ) = ∫ − ∞ ∞ K ( λ ) d λ ∫ − ∞ ∞ R u ( τ + λ − η ) K ( η ) d η (3) R_x (\tau) = \int_{-\infty} ^\infty K(\lambda) {\rm d} \lambda \int_{-\infty} ^\infty R_u (\tau + \lambda - \eta) K(\eta) {\rm d} \eta \tag{3} Rx(τ)=K(λ)dλRu(τ+λη)K(η)dη(3)另外, x x x u u u的互相关函数为(用到式(2)):
R x u ( τ ) = M [ x ( t ) u ( t − τ ) ] = M { [ ∫ − ∞ ∞ K ( λ ) u ( t − λ ) d λ ] u ( t − τ ) } = ∫ − ∞ ∞ K ( λ ) M [ u ( t − τ ) u ( t − λ ) ] d λ \begin{aligned} R_{xu} (\tau) &= M \left[ x(t) u(t - \tau ) \right] \\ &= M \left\{ \left[ \int_{-\infty} ^\infty K(\lambda) u(t - \lambda) {\rm d} \lambda \right] u(t - \tau) \right\} \\ &= \int_{-\infty} ^\infty K(\lambda) M \left[ u(t - \tau) u(t - \lambda) \right] {\rm d} \lambda \end{aligned} Rxu(τ)=M[x(t)u(tτ)]=M{[K(λ)u(tλ)dλ]u(tτ)}=K(λ)M[u(tτ)u(tλ)]dλ t − τ = t ′ t - \tau = t' tτ=t,则上式为
R x u ( τ ) = ∫ − ∞ ∞ K ( λ ) M [ u ( t ′ ) u ( t ′ + τ − λ ) ] d λ R_{xu} (\tau) = \int_{-\infty} ^\infty K(\lambda) M \left[ u(t') u(t' + \tau - \lambda) \right] {\rm d} \lambda Rxu(τ)=K(λ)M[u(t)u(t+τλ)]dλ又由于 M [ u ( t ′ ) u ( t ′ + τ − λ ) ] = R u ( τ − λ ) M \left[ u(t') u(t' + \tau - \lambda) \right] = R_u (\tau - \lambda) M[u(t)u(t+τλ)]=Ru(τλ),代入上式有
R x u ( τ ) = ∫ − ∞ ∞ K ( λ ) R u ( τ − λ ) d λ (4) R_{xu} (\tau) = \int_{-\infty} ^\infty K(\lambda) R_u (\tau - \lambda) {\rm d} \lambda \tag{4} Rxu(τ)=K(λ)Ru(τλ)dλ(4)在实际情况下,当 λ < 0 \lambda < 0 λ<0 K ( λ ) ≡ 0 K(\lambda) \equiv 0 K(λ)0,故式(3)(4)还可以写为
R x ( τ ) = ∫ 0 ∞ K ( λ ) d λ ∫ 0 ∞ R u ( τ + λ − η ) K ( η ) d η (3) R_x (\tau) = \int_0 ^\infty K(\lambda) {\rm d} \lambda \int_0 ^\infty R_u (\tau + \lambda - \eta) K(\eta) {\rm d} \eta \tag{3} Rx(τ)=0K(λ)dλ0Ru(τ+λη)K(η)dη(3) R x u ( τ ) = ∫ 0 ∞ K ( λ ) R u ( τ − λ ) d λ (4) R_{xu} (\tau) = \int_0 ^\infty K(\lambda) R_u (\tau - \lambda) {\rm d} \lambda \tag{4} Rxu(τ)=0K(λ)Ru(τλ)dλ(4)

6. 系统输出的均方误差计算

前文提到,当 τ = 0 \tau=0 τ=0时:
R x ( 0 ) = M [ X 2 ( t ) ] = x 2 ‾ = D x R_x (0) = M \left[ X^2 (t) \right] = \overline{x^2} = D_x Rx(0)=M[X2(t)]=x2=Dx即为系统的方差。上式即(用到式(4)):
R x ( 0 ) = R x ( τ ) ∣ τ = 0 = ∫ 0 ∞ K ( λ ) d λ ∫ 0 ∞ R u ( τ + λ − η ) K ( η ) d η ∣ τ = 0 = ∫ 0 ∞ K ( λ ) d λ ∫ 0 ∞ R u ( λ − η ) K ( η ) d η ⏟ R x u ( λ ) = ∫ 0 ∞ K ( λ ) R x u ( λ ) d λ (5) \begin{aligned} R_x (0) &= R_x (\tau) \big\rvert _{\tau = 0} = \int_0 ^\infty K(\lambda) {\rm d} \lambda \int_0 ^\infty R_u (\tau + \lambda - \eta) K(\eta) {\rm d} \eta \Big\rvert _{\tau = 0} \\ &= \int_0 ^\infty K(\lambda) {\rm d} \lambda \underbrace{\int_0 ^\infty R_u ( \lambda - \eta) K(\eta) {\rm d} \eta}_{R_{xu} (\lambda)} \\ &= \int_0 ^\infty K(\lambda) R_{xu} (\lambda) {\rm d} \lambda \tag{5} \end{aligned} Rx(0)=Rx(τ) τ=0=0K(λ)dλ0Ru(τ+λη)K(η)dη τ=0=0K(λ)dλRxu(λ) 0Ru(λη)K(η)dη=0K(λ)Rxu(λ)dλ(5)因此
D x = x 2 ‾ = ∫ 0 ∞ K ( λ ) R x u ( λ ) d λ (6) D_x = \overline{x^2} = \int_0 ^\infty K(\lambda) R_{xu} (\lambda) {\rm d} \lambda \tag{6} Dx=x2=0K(λ)Rxu(λ)dλ(6)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/50452.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

appium2.0+ 单点触控和多点触控新的解决方案

在 appium2.0 之前&#xff0c;在移动端设备上的触屏操作&#xff0c;单手指触屏和多手指触屏分别是由 TouchAction 类&#xff0c;Multiaction 类实现的。 在 appium2.0 之后&#xff0c;这 2 个方法将会被舍弃。 "[Deprecated] TouchAction action is deprecated. Ple…

dart Offstag

作为子组件&#xff0c;不输出&#xff0c;不占空间&#xff0c;不参与点击测试 Offstage children are still active: they can receive focus and have keyboard input directed to them. bool offstage属性决定显示与否。 import package:flutter/material.dart;/// Flut…

使用swoole实现实时消息推送给客户端

一. 测试服务端 //测试服务端public function testServer(){$server new Server(192.168.0.144, 9501, SWOOLE_BASE, SWOOLE_SOCK_TCP);$server->on(request, function ($request, $response) {$response->header(Content-Type, text/plain);$response->end("He…

Python快速入门体验

Python快速入门体验 一、环境信息1.1 硬件信息1.2 软件信息 二、Conda安装2.1 Conda介绍2.1.1 Conda简介2.1.2 Conda、Anaconda及Miniconda及的关系 2.2 Conda安装包下载2.2.1 Miniconda下载2.2.2 Anconda下载 2.3 Conda安装2.3.1 Miniconda安装2.3.2 Anconda安装 2.4 Conda初始…

2023MyBatis 八股文——面试题

MyBatis简介 1. MyBatis是什么&#xff1f; MyBatis 是一款优秀的持久层框架&#xff0c;一个半 ORM&#xff08;对象关系映射&#xff09;框架&#xff0c;它支持定制化 SQL、存储过程以及高级映射。MyBatis 避免了几乎所有的 JDBC 代码和手动设置参数以及 获取结果集。MyBa…

【排序】插入排序 希尔排序(改进)

文章目录 插入排序时间复杂度空间复杂度 代码希尔排序时间复杂度空间复杂度 代码 以从小到大排序为例进行说明。 插入排序 插入排序就是从前向后&#xff08;i1开始&#xff09;进行选择&#xff0c;如果找到在i之前&#xff08;分配一个j下标进行寻找&#xff09;有比array[i…

多环境开发

多环境 1、多环境开发&#xff08;YAML版&#xff09; 小结&#xff1a; 多环境开发需要设置若干种常用环境&#xff0c;例如开发、生产、测试环境yaml格式中设置多环境使用—区分环境设置边界每种环境的区别在于加载的配置属性不同启用某种环境时需要指定启动时使用该环境 …

linux————LVS集群

目录 一、集群概述 一、负载均衡技术类型 二、负载均衡实现方式 二、LVS结构 一、三层结构 二、架构对象 三、LVS工作模式 四、负载均衡算法 一、静态负载均衡 二、动态负载 五、ipvsadm命令详解 六、LVS配置 一、基础配置 二、实现NAT模型搭建 配置IP地址 安装…

redis高级----------主从复制

redis的四种模式&#xff1a;单例模式&#xff1b;主从模式&#xff1b;哨兵模式&#xff0c;集群模式 一、主从模式 单例模式虽然操作简单&#xff0c;但是不具备高可用 缺点&#xff1a; 单点的宕机引来的服务的灾难、数据丢失单点服务器内存瓶颈&#xff0c;无法无限纵向扩…

NO.08 MyBatis创建逆向工程

目录 1、前言 2、添加依赖和插件 3、创建MyBatis的核心配置文件 4、创建逆向工程的配置文件 5、执行MBG插件的generate目标 1、前言 工程的创建有正向工程和逆向工程之分。正向工程&#xff1a;先创建Java实体类&#xff0c;由框架负责根据实体类生成数据库表&#xff0c;如…

Windows上安装Hugo的环境

Hugo是一个使用Go编写的静态站点生成器&#xff0c;即网站构建工具。 静态的意思是指在内容在网站上呈现之前需要全部编译成HTML文件。而动态的站点生成器是请求哪个页面就编译生成哪个HTML页面。 在Windows上可以选用包管理器Chocolatey、Scoop、Winget来安装Hugo。 这里我…

大数据(四):Pandas的基础应用详解

专栏介绍 结合自身经验和内部资料总结的Python教程&#xff0c;每天3-5章&#xff0c;最短1个月就能全方位的完成Python的学习并进行实战开发&#xff0c;学完了定能成为大佬&#xff01;加油吧&#xff01;卷起来&#xff01; 全部文章请访问专栏&#xff1a;《Python全栈教…

Rancher证书更新

一、环境 主机名 IP地址 操作系统 rancher版本 K8s-Master 192.168.10.236 Centos 7 2.5.9 二、更新证书 1、查看当前证书到期时间 2、进行证书轮换 [rootK8s-Master ~]# docker ps |grep rancher/rancher d581da2b7c4e rancher/rancher:v2.5.9 …

CGAL 点云分类

文章目录 一、简介二、实现代码三、实现效果参考资料一、简介 点云分类一直是点云数据应用的永恒课题,它包含很多,如地面点分类、建筑物分类、植被分类等。CGAL中也为我们提供了一种点云分类的方式,其具体的计算过程如下所述: 首先,使用点云中所携带的一些几何特征来对数据…

小梦C嘎嘎——启航篇】C++STL 中 list日常使用的接口介绍

小梦C嘎嘎——启航篇】CSTL 中 list日常使用的接口介绍&#x1f60e; 前言&#x1f64c;什么是list&#xff1f;常用的函数接口无参的构造函数接口拷贝构造接口赋值运算符重载 总结撒花&#x1f49e; &#x1f60e;博客昵称&#xff1a;博客小梦 &#x1f60a;最喜欢的座右铭&a…

【OpenCV实战】2.OpenCV基本数据类型实战

OpenCV基本数据类型实战 〇、实战内容1 OpenCV helloworld1.1 文件结构类型1.2 CMakeList.txt1.3 Helloworld 2. Image的基本操作3. OpenCV 基本数据类型4. 读取图片的像素 & 遍历图片4.1 获取制定像素4.2 遍历图片 5. 图片反色5.1 方法1 &#xff1a;遍历5.2 方法2 &#…

云服务器(Centos7系统)配置JAVA+mysql+tomcat 环境

文章主要内容来源云服务器&#xff08;Centos7系统&#xff09;部署javaweb项目&#xff08;二&#xff09;配置JAVAmysqltomcat 环境_man_zuo的博客-CSDN博客 模仿途中遇到的问题 连接无效 有时连接无法下载&#xff0c;可能是过期了&#xff0c;将其更换为官网给的下载连接即…

WiFi天线和NB-IoT天线不通用

表面看起来完全一样。但是把WiFi天线插到NB-IoT设备后&#xff0c;信号弱了很多。还导致设备反复重启

代码随想录算法训练营之JAVA|第三十三天|738. 单调递增的数字

今天是第33天刷leetcode&#xff0c;立个flag&#xff0c;打卡60天&#xff0c;如果做不到&#xff0c;完成一件评论区点赞最高的挑战。 算法挑战链接 738. 单调递增的数字https://leetcode.cn/problems/monotone-increasing-digits/ 第一想法 题目理解&#xff1a;找到一个…

【Unity细节】Unity制作汽车时,为什么汽车会被弹飞?为什么汽车会一直抖动?

&#x1f468;‍&#x1f4bb;个人主页&#xff1a;元宇宙-秩沅 hallo 欢迎 点赞&#x1f44d; 收藏⭐ 留言&#x1f4dd; 加关注✅! 本文由 秩沅 原创 &#x1f636;‍&#x1f32b;️收录于专栏&#xff1a;unity细节和bug &#x1f636;‍&#x1f32b;️优质专栏 ⭐【…