2024数维杯数学建模竞赛A题完整思路代码论文分析

2024数维杯数学建模A题完整代码和成品论文获取↓↓↓↓↓

https://www.yuque.com/u42168770/qv6z0d/bgic2nbxs2h41pvt?singleDoc#

2024数维杯数学建模竞赛A题完整思路代码论文分析如下:

问题分析

对A题4个小问题的分析如下:

第一个小问题的分析:
这一问题要求建立每一类机会信号的数学表达式,并讨论唯一确定飞行器位置所需的最少信号个数。对于TOA、TDOA、DFD、AOA和RSSI这五类机会信号,需要根据它们的物理含义和测量原理,利用相关的测量模型和几何关系,构建出合理的数学表达式。同时,还需要分析每一类信号所蕴含的位置信息,探讨仅利用该类信号无法唯一确定飞行器三维位置的原因,进而讨论利用该类信号与其他类信号的组合,能够唯一确定飞行器位置的最少个数要求。

第二个小问题的分析:
这一问题要求设计飞行器实时位置估计方法,给出无噪声情况下0-10秒的导航定位结果。需要基于第一问题建立的各类机会信号数学模型,设计合适的状态估计算法,如卡尔曼滤波或其他无迹卡尔曼滤波方法等,将各类机会信号进行有效融合,从而获得飞行器在0-10秒内的实时位置估计值序列。算法需要能够很好地处理非线性和非高斯情况,同时保证实时性和计算效率。这种情况下由于假设没有噪声,因此估计的精度较高。

第三个小问题的分析:
在实际应用中,机会信号的测量数据往往会受到各种噪声的影响,因此需要设计合理的机会信号实时筛选方法,剔除偏差较大的噪声数据。可以考虑构建基于统计理论的筛选判据,如利用数据的均值、方差、峰度、偏度等统计量对数据进行分析,确定噪声数据的阈值并将其剔除。也可以结合机会信号本身的物理特性,如TOA信息的单调性等,构建相应的约束条件进行数据检测和筛选。基于噪声数据筛选后的有效机会信号,重新进行实时位置估计并给出0-10秒的导航定位结果。

第四个小问题的分析:
这一问题考虑了更加复杂的机会信号噪声情况,包括随机性偏差和常值飘移两种。需要首先建立合理的评价模型,对接收情况2中的机会信号数据进行分析,判断各类信号的随机偏差程度和常值飘移量,可以考虑均值、方差等统计量的估计,或者构建基于最小二乘等的评价指标。然后针对评估结果,设计更加鲁棒的数据筛选和融合算法,如自适应卡尔曼滤波、粗大数据处理等,从而给出这种情况下0-10秒的最终导航定位结果。可靠的噪声评估和有效的信号处理对最终精度影响显著。

模型的建立与求解

问题一模型的建立与求解

根据您的要求,我将对A题第一个小问题进行更加详细的分析和建模:

一、思路分析
第一个小问题要求建立每一类机会信号的数学表达式,并讨论唯一确定飞行器位置所需的最少信号个数。我们首先需要理解每一类机会信号所包含的信息,以及这些信息与飞行器位置之间的关系。

  1. TOA(Time of Arrival,到达时间)信号包含了信号从发射源发出到到达接收端所经历的传播时间,根据已知的信号传播速度,可以计算出发射源到接收端的距离。

  2. TDOA(Time Difference of Arrival,到达时间差)信号包含了同一信号从两个不同发射源发出后,到达接收端的时间差,根据已知的信号传播速度,可以计算出接收端到两个发射源的距离差。

  3. DFD(Doppler Frequency Difference,多普勒频率差)信号包含了同一信号从两个不同发射源发出后,由于发射源与接收端之间存在相对运动,从而导致接收端接收到的频率会发生变化,这种变化量的差值就是DFD信号所携带的信息。

  4. AOA(Angle of Arrival,到达角度)信号直接给出了发射源相对于接收端的方位角信息,包括水平方向和垂直方向的角度。

  5. RSSI(Received Signal Strength Indicator,接收信号强度指标)信号是根据已知的标称距离下的标称信号强度,结合信号传播过程中的衰减模型,可以反解出发射源到接收端的距离。

我们可以看到,每一类信号都在一定程度上反映了发射源到接收端的距离或方位角信息。因此,要唯一确定飞行器的三维位置,就需要利用不同类型信号所携带的位置信息进行融合。

二、模型建立
基于上述分析,我们可以构建如下数学模型,用于描述每一类机会信号与飞行器位置之间的关系:

  1. TOA模型
    设发射源 i i i 的位置为 ( x i , y i , z i ) (x_i, y_i, z_i) (xi,yi,zi) ,飞行器位置为 ( x , y , z ) (x, y, z) (x,y,z) ,发射时刻为 t 0 t_0 t0 ,接收时刻为 t 1 t_1 t1 ,则TOA可表示为:

TOA i = t 1 − t 0 = ( x − x i ) 2 + ( y − y i ) 2 + ( z − z i ) 2 c \text{TOA}_i = t_1 - t_0 = \frac{\sqrt{(x-x_i)^2 + (y-y_i)^2 + (z-z_i)^2}}{c} TOAi=t1t0=c(xxi)2+(yyi)2+(zzi)2

其中 c c c 为信号的传播速度(光速)。

  1. TDOA模型
    设发射源 i i i 和发射源 j j j 同时发出信号,接收端接收到的时间差为 TDOA i j \text{TDOA}_{ij} TDOAij ,则有:

TDOA i j = ( x − x i ) 2 + ( y − y i ) 2 + ( z − z i ) 2 c − ( x − x j ) 2 + ( y − y j ) 2 + ( z − z j ) 2 c \text{TDOA}_{ij} = \frac{\sqrt{(x-x_i)^2 + (y-y_i)^2 + (z-z_i)^2}}{c} - \frac{\sqrt{(x-x_j)^2 + (y-y_j)^2 + (z-z_j)^2}}{c} TDOAij=c(xxi)2+(yyi)2+(zzi)2 c(xxj)2+(yyj)2+(zzj)2

  1. DFD模型
    设发射源 i i i 相对于接收端的相对速度为 v ⃗ i = ( v i x , v i y , v i z ) \vec{v}_i = (v_{ix}, v_{iy}, v_{iz}) v i=(vix,viy,viz) ,发射源 j j j 相对于接收端的相对速度为 v ⃗ j = ( v j x , v j y , v j z ) \vec{v}_j = (v_{jx}, v_{jy}, v_{jz}) v j=(vjx,vjy,vjz) ,发射频率为 f 0 f_0 f0 ,则DFD可表示为:

DFD i j = f 0 c ( v ⃗ i ⋅ r ⃗ i r i − v ⃗ j ⋅ r ⃗ j r j ) \text{DFD}_{ij} = \frac{f_0}{c}\left(\frac{\vec{v}_i \cdot \vec{r}_i}{r_i} - \frac{\vec{v}_j \cdot \vec{r}_j}{r_j}\right) DFDij=cf0(riv ir irjv jr j)

其中 r ⃗ i = ( x − x i , y − y i , z − z i ) \vec{r}_i = (x-x_i, y-y_i, z-z_i) r i=(xxi,yyi,zzi) , r ⃗ j = ( x − x j , y − y j , z − z j ) \vec{r}_j = (x-x_j, y-y_j, z-z_j) r j=(xxj,yyj,zzj) , r i = ∥ r ⃗ i ∥ r_i = \|\vec{r}_i\| ri=r i , r j = ∥ r ⃗ j ∥ r_j = \|\vec{r}_j\| rj=r j

  1. AOA模型
    设发射源 i i i 与接收端的连线在 x O y xOy xOy 平面的投影与 x x x 轴正向的夹角为 α i \alpha_i αi ,与 z z z 轴负向的夹角为 β i \beta_i βi ,则有:

tan ⁡ α i = y − y i x − x i tan ⁡ β i = z i − z ( x − x i ) 2 + ( y − y i ) 2 \begin{align*} \tan\alpha_i &= \frac{y-y_i}{x-x_i} \\ \tan\beta_i &= \frac{z_i-z}{\sqrt{(x-x_i)^2 + (y-y_i)^2}} \end{align*} tanαitanβi=xxiyyi=(xxi)2+(yyi)2 ziz

  1. RSSI模型
    设发射源 i i i 到接收端的距离为 r i r_i ri ,标称距离为 r 0 r_0 r0 ,标称信号强度为 P 0 P_0 P0 ,信道衰减系数为 γ \gamma γ ,则RSSI可表示为:

RSSI i = P 0 − 10 γ log ⁡ ( r i r 0 ) \text{RSSI}_i = P_0 - 10\gamma\log\left(\frac{r_i}{r_0}\right) RSSIi=P010γlog(r0ri)

其中 r i = ( x − x i ) 2 + ( y − y i ) 2 + ( z − z i ) 2 r_i = \sqrt{(x-x_i)^2 + (y-y_i)^2 + (z-z_i)^2} ri=(xxi)2+(yyi)2+(zzi)2

通过上述模型,我们可以将每一类机会信号所携带的位置信息用数学表达式的形式表示出来,为后续的位置估计算法奠定基础。

三、算法步骤
在建立了每一类机会信号的数学模型之后,我们需要设计合适的算法来融合这些异构信号,从而获得飞行器的三维位置估计值。这里介绍一种常用的无迹卡尔曼滤波(Unscented Kalman Filter, UKF)算法,它可以很好地处理非线性、非高斯的估计问题。算法具体步骤如下:

  1. 状态空间模型
    令飞行器的三维位置为 x = ( x , y , z ) T \boldsymbol{x} = (x, y, z)^T x=(x,y,z)T ,速度为 v = ( v x , v y , v z ) T \boldsymbol{v} = (v_x, v_y, v_z)^T v=(vx,vy,vz)T ,则状态向量可表示为 s = ( x T , v T ) T \boldsymbol{s} = (\boldsymbol{x}^T, \boldsymbol{v}^T)^T s=(xT,vT)T 。系统的过程方程和观测方程分别为:

s k + 1 = f ( s k ) + w k \boldsymbol{s}_{k+1} = f(\boldsymbol{s}_k) + \boldsymbol{w}_k sk+1=f(sk)+wk
z k = h ( s k ) + v k \boldsymbol{z}_k = h(\boldsymbol{s}_k) + \boldsymbol{v}_k zk=h(sk)+vk

其中 f ( ⋅ ) f(\cdot) f() 是过程方程,描述了状态向量 s \boldsymbol{s} s 的动态演化; h ( ⋅ ) h(\cdot) h() 是观测方程,描述了状态向量 s \boldsymbol{s} s 与观测量 z \boldsymbol{z} z (即各类机会信号)之间的关系; w k \boldsymbol{w}_k wk v k \boldsymbol{v}_k vk 分别为过程噪声和观测噪声。

  1. 初始化
    设置初始状态估计值 s ^ 0 \hat{\boldsymbol{s}}_0 s^0 及其协方差矩阵 P 0 \boldsymbol{P}_0 P0

  2. 计算Sigma点
    对于 k k k 时刻,根据当前状态估计值 s ^ k − 1 \hat{\boldsymbol{s}}_{k-1} s^k1 及其协方差 P k − 1 \boldsymbol{P}_{k-1} Pk1 ,计算一组Sigma点 χ i ( i = 0 , 1 , … , 2 n ) \chi_i(i=0,1,\ldots,2n) χi(i=0,1,,2n) ,用于描述状态分布的均值和协方差。计算方式为:

χ 0 = s ^ k − 1 \chi_0 = \hat{\boldsymbol{s}}_{k-1} χ0=s^k1
χ i = s ^ k − 1 + ( ( n + λ ) P k − 1 ) i , i = 1 , … , n \chi_i = \hat{\boldsymbol{s}}_{k-1} + (\sqrt{(n+\lambda)\boldsymbol{P}_{k-1}})_i,\quad i=1,\ldots,n χi=s^k1+((n+λ)Pk1 )i,i=1,,n
χ i = s ^ k − 1 − ( ( n + λ ) P k − 1 ) i − n , i = n + 1 , … , 2 n \chi_i = \hat{\boldsymbol{s}}_{k-1} - (\sqrt{(n+\lambda)\boldsymbol{P}_{k-1}})_{i-n},\quad i=n+1,\ldots,2n χi=s^k1((n+λ)Pk1 )in,i=n+1,,2n

其中 n n n 为状态向量的维数, λ \lambda λ 为一个缩放参数,用于调节Sigma点的分布范围。

  1. 时间更新
    将上一步得到的Sigma点通过过程方程 f ( ⋅ ) f(\cdot) f() 进行传播,得到一组加权Sigma点:

χ i , k ∣ k − 1 = f ( χ i , k − 1 ) , i = 0 , 1 , … , 2 n \chi_{i,k|k-1} = f(\chi_{i,k-1}),\quad i=0,1,\ldots,2n χi,kk1=f(χi,k1),i=0,1,,2n

然后计算一步预测状态 s ^ k ∣ k − 1 \hat{\boldsymbol{s}}_{k|k-1} s^kk1 和预测协方差 P k ∣ k − 1 \boldsymbol{P}_{k|k-1} Pkk1 :

s ^ k ∣ k − 1 = ∑ i = 0 2 n W i ( m ) χ i , k ∣ k − 1 \hat{\boldsymbol{s}}_{k|k-1} = \sum_{i=0}^{2n}W_i^{(m)}\chi_{i,k|k-1} s^kk1=i=02nWi(m)χi,kk1
P k ∣ k − 1 = ∑ i = 0 2 n W i ( c ) [ χ i , k ∣ k − 1 − s ^ k ∣ k − 1 ] [ χ i , k ∣ k − 1 − s ^ k ∣ k − 1 ] T + Q k \boldsymbol{P}_{k|k-1} = \sum_{i=0}^{2n}W_i^{(c)}[\chi_{i,k|k-1}-\hat{\boldsymbol{s}}_{k|k-1}][\chi_{i,k|k-1}-\hat{\boldsymbol{s}}_{k|k-1}]^T + \boldsymbol{Q}_k Pkk1=i=02nWi(c)[χi,kk1s^kk1][χi,kk1s^kk1]T+Qk

其中 W i ( m ) W_i^{(m)} Wi(m) W i ( c ) W_i^{(c)} Wi(c) 为相应的加权系数, Q k \boldsymbol{Q}_k Qk 为过程噪声协方差矩阵。

  1. 观测更新
    将预测Sigma点代入观测方程 h ( ⋅ ) h(\cdot) h() ,得到预测观测值:

γ i , k ∣ k − 1 = h ( χ i , k ∣ k − 1 ) , i = 0 , 1 , … , 2 n \gamma_{i,k|k-1} = h(\chi_{i,k|k-1}),\quad i=0,1,\ldots,2n γi,kk1=h(χi,kk1),i=0,1,,2n

进而计算预测观测均值 z ^ k ∣ k − 1 \hat{\boldsymbol{z}}_{k|k-1} z^kk1 和协方差 P z , k ∣ k − 1 \boldsymbol{P}_{\boldsymbol{z},k|k-1} Pz,kk1 :

z ^ k ∣ k − 1 = ∑ i = 0 2 n W i ( m ) γ i , k ∣ k − 1 \hat{\boldsymbol{z}}_{k|k-1} = \sum_{i=0}^{2n}W_i^{(m)}\gamma_{i,k|k-1} z^kk1=i=02nWi(m)γi,kk1
P z , k ∣ k − 1 = ∑ i = 0 2 n W i ( c ) [ γ i , k ∣ k − 1 − z ^ k ∣ k − 1 ] [ γ i , k ∣ k − 1 − z ^ k ∣ k − 1 ] T + R k \boldsymbol{P}_{\boldsymbol{z},k|k-1} = \sum_{i=0}^{2n}W_i^{(c)}[\gamma_{i,k|k-1} - \hat{\boldsymbol{z}}_{k|k-1}][\gamma_{i,k|k-1} - \hat{\boldsymbol{z}}_{k|k-1}]^T + \boldsymbol{R}_k Pz,kk1=i=02nWi(c)[γi,kk1z^kk1][γi,kk1z^kk1]T+Rk

其中 R k \boldsymbol{R}_k Rk 为观测噪声协方差矩阵。

计算状态与观测量之间的交叉协方差:

P x z , k ∣ k − 1 = ∑ i = 0 2 n W i ( c ) [ χ i , k ∣ k − 1 − s ^ k ∣ k − 1 ] [ γ i , k ∣ k − 1 − z ^ k ∣ k − 1 ] T \boldsymbol{P}_{\boldsymbol{x}\boldsymbol{z},k|k-1} = \sum_{i=0}^{2n}W_i^{(c)}[\chi_{i,k|k-1}-\hat{\boldsymbol{s}}_{k|k-1}][\gamma_{i,k|k-1}-\hat{\boldsymbol{z}}_{k|k-1}]^T Pxz,kk1=i=02nWi(c)[χi,kk1s^kk1][γi,kk1z^kk1]T

根据上述统计量,计算卡尔曼增益:

K k = P x z , k ∣ k − 1 P z , k ∣ k − 1 − 1 \boldsymbol{K}_k = \boldsymbol{P}_{\boldsymbol{x}\boldsymbol{z},k|k-1}\boldsymbol{P}_{\boldsymbol{z},k|k-1}^{-1} Kk=Pxz,kk1Pz,kk11

最后,利用实际观测量 z k \boldsymbol{z}_k zk 以及增益 K k \boldsymbol{K}_k Kk ,更新状态估计值与协方差:

s ^ k = s ^ k ∣ k − 1 + K k ( z k − z ^ k ∣ k − 1 ) \hat{\boldsymbol{s}}_k = \hat{\boldsymbol{s}}_{k|k-1} + \boldsymbol{K}_k(\boldsymbol{z}_k - \hat{\boldsymbol{z}}_{k|k-1}) s^k=s^kk1+Kk(zkz^kk1)
P k = P k ∣ k − 1 − K k P z , k ∣ k − 1 K k T \boldsymbol{P}_k = \boldsymbol{P}_{k|k-1} - \boldsymbol{K}_k\boldsymbol{P}_{\boldsymbol{z},k|k-1}\boldsymbol{K}_k^T Pk=Pkk1KkPz,kk1KkT

  1. 迭代
    k k k 替换为 k + 1 k+1 k+1 ,重复上述4)-5)步,直至滤波结束。

通过UKF算法,我们可以融合各类机会信号,获得飞行器的最优状态估计值,包括三维位置和速度信息。算法的关键在于利用一组确定性采样点(Sigma点)对非线性系统进行局部线性化处理,避免了对系统进行显式求解的需求,从而能够很好地应对非线性、非高斯情况。在实现过程中,需要根据具体情况对初始状态、噪声统计量等参数进行合理设置。

四、最少信号个数讨论
最后,我们讨论一下利用每一类机会信号单独情况下,确定飞行器三维位置所需的最少信号个数。

  1. TOA
    根据TOA模型,每个TOA观测量仅提供了发射源到接收端的距离信息,因此单个TOA观测无法确定接收端的准确位置,最少需要4个TOA观测(对应4个不共面的发射源),才能利用多球面交点的方式解出接收端的三维坐标。

  2. TDOA
    TDOA观测给出的是接收端到两个发射源距离差的信息,单个TDOA观测无法确定接收端的位置,需要至少5个TDOA观测(对应5对不共面的发射源组合)才能解出接收端坐标。

  3. DFD
    DFD观测反映了由于发射源与接收端之间的相对运动导致的多普勒频移差异,包括了发射源速度、接收端速度以及发射源到接收端的相对位置等多个未知量。单个DFD观测无法解出接收端的位置和速度,需要至少6个DFD观测(对应6对不共面的发射源组合)才能解出接收端的三维位置和三维速度。

  4. AOA
    AOA观测直接给出了发射源相对于接收端的方位角信息,包括水平角和垂直角。单个AOA观测无法唯一确定接收端的位置,需要至少3个AOA观测(对应3个不共线的发射源)才能利用交会法解出接收端的三维坐标。

  5. RSSI
    RSSI观测反映了接收信号的功率强度,可以根据已知的传播损耗模型求解出发射源到接收端的距离。类似于TOA情况,单个RSSI观测无法确定接收端的精确位置,最少需要4个RSSI观测(对应4个不共面的发射源)才能解出三维坐标。

    综上所述,若只利用单一类型的机会信号,要唯一确定飞行器的三维位置,所需的最少观测个数分别为:TOA需4个,TDOA需5个,DFD需6个,AOA需3个,RSSI需4个。在实际应用中,我们通常会融合多种类型的机会信号,从而提高位置估计的可观测性和鲁棒性。不同信号类型的组合能够降低所需的观测个数,例如同时利用TOA和AOA,只需4个组合观测即可解出三维位置和三维速度。

2024数维杯数学建模A题完整代码和成品论文获取↓↓↓↓↓

https://www.yuque.com/u42168770/qv6z0d/bgic2nbxs2h41pvt?singleDoc#

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/pingmian/9368.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

知识付费 管理系统,专业技术课程讲解视频怎么制作?制作事项有几条?

现在的网络课程,分为专业和非专业的两种,专业的就是要提供硬性技术的,如果是值了的老师,要制作专业技术课程讲解视频,那需要怎么制作?因为,专业课程的要求更为的严苛,所以,老师们也…

python数据分析常用基础语法

Python语言基础——语法基础 前言一、变量的介绍与使用变量的介绍变量命名规则变量的使用拓展 二、标识符标识符命名命名规则注意事项 三、数据类型数据类型的介绍数据类型的查看示例 四、输入与输出输入和输出的介绍format格式化输出占位符 五、代码缩进与注释代码缩进 前言 …

vue3 JSX的使用与警告【JSX 元素隐式具有类型 “any“,因为不存在接口 “JSX.IntrinsicElements“】解决办法

一、安装 pnpm i vitejs/plugin-vue-jsx -D 二、配置 1、tsconfig.json "compilerOptions":{"jsx":"preserve" } 2、vite.config.ts import VueJsx from "vitejs/plugin-vue-jsx"...plugin:[vue(),VueJsx() ] 三、简单使用案例…

【TypeScript函数简介以及使用方法】

TypeScript 是一种 JavaScript 的超集,添加了静态类型系统和其他 ES6(以及更多)功能。在 TypeScript 中,函数是非常重要的构建块,它们允许你组织代码并执行特定的任务。 TypeScript 函数简介 在 TypeScript 中&#…

【论文速读】| LLM4FUZZ:利用大语言模型指导智能合约的模糊测试

本次分享论文:LLM4FUZZ: Guided Fuzzing of Smart Contracts with Large Language Models 基本信息 原文作者:Chaofan Shou, Jing Liu, Doudou Lu, Koushik Sen 作者单位:加州大学伯克利分校,加州大学欧文分校,Fuzz…

计算机网络-DHCPv6配置

DHCPv6实验配置 一、DHCPv6有状态配置 拓扑图: 请求报文 回复报文中的信息 配置: # 全局启用ipv6 ipv6 # 启用DHCP dhcp enable# 创建dhcpv6的地址池 dhcpv6 pool pool1address prefix 2001::/64excluded-address 2001::10dns-server 2001:4860:4860::8…

【新版系统架构】知识点背诵默写本

前言 系统架构考试在即,想要考试的人肯定感受到了沉甸甸的压力和紧迫感,脑海中不断闪过知识点的画面,却让人有些头昏脑胀,发现很难完全记住,这个考试很难,知识点很多。这次我在准备考试的同时,…

【全开源】Java同城预约月嫂服务上门服务本地服务源码APP+小程序+公众号+H 5

智能匹配与推荐:源码运用先进的算法和定位技术,根据用户的需求和地理位置,智能匹配并推荐附近的合适月嫂。这种匹配不仅基于地理位置,还考虑了月嫂的技能、经验、评价等因素,确保服务的质量和可靠性。 在线预约与支付…

基于Java+SpringBoot+Vue前后端分离教学资源共享平台系统

基于JavaSpringBootVue前后端分离教学资源共享平台系统 🍅 作者主页 网顺技术团队 🍅 欢迎点赞 👍 收藏 ⭐留言 📝 🍅 文末获取源码联系方式 📝 🍅 查看下方微信号获取联系方式 承接各种定制系统…

Meta最新成果:前所未有的加速Emu推理 | Imagine Flash:新型蒸馏框架发布

文章地址:https://arxiv.org/pdf/2405.05224 扩散模型是一个强大的生成框架,但推理过程非常昂贵。现有的加速方法通常会在极低步骤情况下牺牲图像质量,或者在复杂条件下失败。这项工作提出了一个新颖的蒸馏框架,旨在通过仅使用一…

系统思考—愿景领导

“如果你总是低着头,那么你永远无法看见彩虹。”这句话不仅是对个人的提醒,也极其适用于每一位企业创始人。每位创始人背后不仅有一个梦想,还有一段充满爱的故事。 在作为策略顾问的角色中,我深知聆听的重要性——需要全神贯注地…

链表第4/9题--翻转链表--双指针法

LeetCode206:给你单链表的头节点 head ,请你反转链表,并返回反转后的链表。 示例 1: 输入:head [1,2,3,4,5] 输出:[5,4,3,2,1]示例 2: 输入:head [1,2] 输出:[2,1]示例…

防火墙技术基础篇:解析防火墙应用层代理概念及功能

防火墙技术基础篇:解析防火墙应用层代理概念及功能 1 应用层代理的概念 应用层代理(Application Proxy):防火墙应用层代理是网络安全领域中的一种重要技术,工作在OSI模型的第七层,即应用层。它通过代理服…

汽车EDI:安通林Antolin EDI 项目案例

安通林(Antolin)是一家全球性的汽车零部件制造商,专注于汽车内饰系统和零部件的生产,致力于创新和采用先进的技术。近年来 安通林Antolin 推动其供应商部署EDI系统,使得双方能够通过EDI传输业务单据,极大提…

和府捞面三年累亏7亿,李学林万店计划受阻

大面积裁员、使用预制料理包,曾经的网红高端面馆连锁品牌和府捞面深陷风波。 2012年,和府捞面以一碗“书房里的养生面”打开市场,其创始人李学林在面馆赛道另辟蹊径,门店设计引入了“书房”概念,走“高端”路线&#…

代码随想录训练营Day35(贪心之区间合并问题):Leetcode435、763、56

Leetcode435: 题目描述: 给定一个区间的集合 intervals ,其中 intervals[i] [starti, endi] 。返回 需要移除区间的最小数量,使剩余区间互不重叠 。 示例 1: 输入: intervals [[1,2],[2,3],[3,4],[1,3]] 输出: 1 解释: 移除 [1,3] 后&am…

zabbix基础

监控系统基本介绍: 企业级应用中,服务器数量众多,一般情况下需要维护人员进行长时间对服务器体系、计算机或其他网络设备(包括硬件和软件)进行长时间进行性能跟踪,保证正常稳定安全的运行,于是…

安全多方计算简介

安全多方计算 安全多方计算(SecureMulti-partComputation,MPC)是80年代提出的一个概念,它已成为隐私计算的核心技术之一。在密码学和区块链技术应用中占据重要地位。 MPC数学定义: 假设存在n个参与方 P 1 , P 2 , … , P n P_1,…

python实现英文短文自动分词写入文本文件

欢迎关注我👆,收藏下次不迷路┗|`O′|┛ 嗷~~ 目录 一.前言 二.代码 三.使用 四.分析 一.前言 英文短文自动分词(Automatic Word Segmentation)在自然语言处理和文本分析中有着广泛的应用。

详解typora配置亚马逊云科技Amazon S3图床

欢迎免费试用亚马逊云科技产品:https://mic.anruicloud.com/url/1333 当前有很多不同的博客社区,不同的博客社区使用的编辑器也不尽相同,大概可以分为两种,一种是markdown格式,另外一种是富文本格式。例如华为云开发者…