当前位置: 首页 > news >正文

【KWDB 创作者计划】KWDB 2.2.0多模融合架构与分布式时序引擎

KWDB介绍

KWDB数据库是由开放原子开源基金会孵化的分布式多模数据库,专为AIoT场景设计,支持时序数据、关系数据和非结构化数据的统一管理。其核心架构采用多模融合引擎,集成列式时序存储、行式关系存储及自适应查询优化器,实现跨模型数据的高效关联查询与实时分析。通过动态分片、智能副本及改进的两阶段提交协议,具备千万级设备接入能力和百万级/秒的写入吞吐,同时保障分布式环境下数据一致性与高可用性。内置纳秒级时序处理引擎、Delta-Zip跨模压缩算法及分层存储策略,显著降低存储成本并提升查询效率,已在工业物联网、智能电网等领域验证其技术优势,支持毫秒级实时监控与复杂分析场景。作为开源项目,其生态持续扩展,为多源异构数据处理提供高性价比解决方案。

官网链接:https://www.kaiwudb.com/

在这里插入图片描述

一、多模架构设计:统一数据模型与跨模协同

产品管理(图1)

1.1 多模融合的核心机制

KWDB 2.2.0 通过多模融合架构实现对时序数据、关系数据和非结构化数据的统一管理。其核心设计包括以下技术组件:

  • 统一元数据层:通过抽象时序库(TS DATABASE)和关系库的元数据模型,实现跨模数据的一致性管理。例如,创建时序表时需显式标记 TS DATABASE,并限制不支持的数据类型(如 DECIMAL)。
  • 混合存储引擎:时序数据采用列式存储与压缩算法(存储效率提升40%),关系数据使用行式存储,并通过主键索引优化事务处理。
  • 自适应查询优化器:自动识别查询涉及的数据模型,生成逻辑执行计划。例如,跨模关联查询时,优先将关系数据下推到时序引擎过滤(outside-in优化),或提前聚合时序数据(inside-out优化)。

案例:跨模数据关联查询

-- 创建时序表
CREATE TS DATABASE factory_monitor;
CREATE TABLE factory_monitor.sensor_data (k_timestamp TIMESTAMP NOT NULL,device_id STRING,temperature FLOAT
) ATTRIBUTES (location STRING,status STRING
) PRIMARY TAGS (device_id) ACTIVETIME 3h;-- 创建关系表
CREATE TABLE device_metadata (device_id STRING PRIMARY KEY,model STRING,install_date DATE
);-- 跨模关联查询
SELECT s.k_timestamp, s.temperature, d.model 
FROM factory_monitor.sensor_data s 
JOIN device_metadata d ON s.device_id = d.device_id 
WHERE s.temperature > 30.0;

此查询通过时序引擎的 PRIMARY TAGS 索引快速定位设备数据,再与关系表 device_metadata 进行哈希关联,减少数据传输量。


二、时序数据处理:纳秒级精度与高效分析

2.1 时序引擎关键技术

  • 高精度时间戳:支持微秒和纳秒级时间精度,适用于工业物联网的纳秒级数据追踪场景。新增函数 time_bucket 支持纳秒级时间窗口聚合。
  • 向量化执行引擎:通过 SIMD 指令集优化查询性能,点查速度提升3倍。例如,执行 SELECT temperature FROM sensor_data WHERE device_id='DEV001' 时,直接通过设备索引定位数据块。
  • 流式处理支持:集成时间窗口(如 SESSION WINDOW)和状态函数(如 ELAPSED),实现实时数据分析:
-- 计算设备连续运行时间
SELECT device_id, ELAPSED(k_timestamp) 
FROM factory_monitor.sensor_data 
WHERE status='active' 
GROUP BY device_id;

2.2 存储与压缩优化

  • 时序压缩算法:采用差值编码(Delta Encoding)和游程编码(RLE),存储效率较上一版本提升40%。
  • 分层存储策略:热数据保留在内存列式缓存(ActiveTime=3h),冷数据自动归档至对象存储。

三、分布式架构:一致性协议与弹性扩展

3.1 Shared-Nothing 架构设计

KWDB 采用无共享架构,每个节点独立处理本地数据。关键技术包括:

  • 动态分片(Dynamic Sharding):根据数据量和负载自动调整分片策略,避免热点问题。例如,时序数据按设备ID哈希分片,关系数据按主键范围分片。
  • 两阶段提交优化:改进传统2PC协议,通过异步提交提升事务吞吐量。协调器(TransactionCoordinator)在准备阶段收集所有参与者响应,仅需半数确认即可提交。
// 分布式事务协调器核心逻辑(简化)
func (tc *TransactionCoordinator) ExecuteDistributedTx(tx *Transaction) error {prepareResults := make(chan bool, len(tc.participants))for _, p := range tc.participants {go func(p *Participant) { prepareResults <- p.Prepare(tx) }(p)}allPrepared := truefor range tc.participants {if !<-prepareResults { allPrepared = false }}if allPrepared {for _, p := range tc.participants { go p.Commit(tx) }return nil} else {for _, p := range tc.participants { go p.Rollback(tx) }return errors.New("prepare failed")}
}

3.2 一致性保障与扩展性

  • 智能副本机制:基于机器学习预测节点故障概率,动态调整副本分布。例如,高负载节点自动增加副本数量。
  • 水平扩展能力:实测3节点集群可支撑千万级设备接入,写入吞吐量达百万条/秒,读取延迟低于10ms。

四、优势与改进空间

5.1 技术优势

  • 多模统一管理:简化物联网场景下的数据架构,降低运维复杂度。
  • 时序处理性能:纳秒级精度和向量化引擎满足工业实时性需求。
  • 分布式弹性:动态分片和智能副本支持千万级设备接入。

5.2 潜在改进点

  • 生态兼容性:部分依赖(如libprotobuf)需手动升级,增加部署复杂度。
  • 文档完整性:操作系统适配列表和内核参数配置缺乏详细说明。
  • 边缘计算支持:当前边缘节点功能较基础,需增强轻量化部署能力。

总结

KWDB 2.2.0 通过多模融合架构、高效时序处理和分布式优化,成为AIoT场景下的理想数据库解决方案。其在金融、工业等领域的成功实践验证了技术可行性,但需在生态兼容性和边缘计算方面持续改进。

相关文章:

【KWDB 创作者计划】KWDB 2.2.0多模融合架构与分布式时序引擎

KWDB介绍 KWDB数据库是由开放原子开源基金会孵化的分布式多模数据库&#xff0c;专为AIoT场景设计&#xff0c;支持时序数据、关系数据和非结构化数据的统一管理。其核心架构采用多模融合引擎&#xff0c;集成列式时序存储、行式关系存储及自适应查询优化器&#xff0c;实现跨模…...

Redis的过期设置和策略

Redis设置过期时间主要有以下几个配置方式 expire key seconds 设置key在多少秒之后过期pexpire key milliseconds 设置key在多少毫秒之后过期expireat key timestamp 设置key在具体某个时间戳&#xff08;timestamp:时间戳 精确到秒&#xff09;过期pexpireat key millisecon…...

2.3 向量组

本章主要考查向量组的线性关系、秩与极大无关组、向量空间等核心内容&#xff0c;是线性代数的重要基础模块。以下从四个核心考点展开系统梳理&#xff1a; 考点一&#xff1a;向量组的线性表示 核心问题&#xff1a;如何用一组向量线性表出另一组向量&#xff1f;如何判断线性…...

协议(消息)生成

目录 协议(消息)生成主要做什么? 知识点二 制作功能前的准备工作 ​编辑​编辑 制作消息生成功能 实现效果 ​总结 上一篇中配置的XML文件可见&#xff1a; https://mpbeta.csdn.net/mp_blog/creation/editor/147647176 协议(消息)生成主要做什么? //协议生成 主要是…...

【PostgreSQL数据分析实战:从数据清洗到可视化全流程】4.5 清洗流程自动化(存储过程/定时任务)

&#x1f449; 点击关注不迷路 &#x1f449; 点击关注不迷路 &#x1f449; 点击关注不迷路 文章大纲 PostgreSQL数据清洗自动化&#xff1a;存储过程与定时任务全攻略4.5 清洗流程自动化&#xff1a;构建智能数据处理管道4.5.1 存储过程&#xff1a;复杂清洗逻辑封装4.5.1.1 …...

Python中有序序列容器的概念及其与可变性的关系

什么是有序序列容器&#xff1f; 有序序列容器是Python中一类重要的数据类型&#xff0c;它们具有以下共同特征&#xff1a; 元素有序排列&#xff1a;元素按照插入顺序存储&#xff0c;可以通过位置&#xff08;索引&#xff09;访问 可迭代&#xff1a;可以使用for循环遍历…...

数据结构实验8.1:图的基本操作

文章目录 一&#xff0c;实验目的二&#xff0c;实验内容三&#xff0c;实验要求四&#xff0c;算法分析五&#xff0c;示例代码8-1.cpp源码graph.h源码 六&#xff0c;操作步骤七&#xff0c;运行结果 一&#xff0c;实验目的 1&#xff0e;掌握图的邻接矩阵、邻接表的表示方…...

PostgreSQL 的 pg_current_wal_lsn 函数

PostgreSQL 的 pg_current_wal_lsn 函数 pg_current_wal_lsn 是 PostgreSQL 中用于获取当前预写式日志(WAL)写入位置的关键函数&#xff0c;对于数据库监控、复制管理和恢复操作至关重要。 一 基本说明 语法 pg_current_wal_lsn() RETURNS pg_lsn功能 返回当前的 WAL 写入…...

P6822 [PA 2012 Finals] Tax 题解

题目大意 可恶,我们老师竟然把紫题放到了模拟赛里。 题目传送门 原题中题意说的很清楚了。 思路 转化问题 首先先新建两条边,使原题点到点的问题转化成边到边的问题。 可以连接一条从 0 0 0 到 1 1 1,长度为 0 0 0 的边,设这条边为 0 0 0 号边。 还可以连接一条…...

Python异步编程入门:从同步到异步的思维转变

引言 作为一名开发者&#xff0c;你可能已经习惯了传统的同步编程模式——代码一行接一行地执行&#xff0c;每个操作都等待前一个操作完成。但在I/O密集型应用中&#xff0c;这种模式会导致大量时间浪费在等待上。今天&#xff0c;我们将探讨Python中的异步编程&#xff0c;这…...

【Python】使用`python-dotenv`模块管理环境变量

最近田辛老师在进行与AI有关的开发。 在开发和部署 Python 应用程序时&#xff08;要么是在某个Python环境&#xff0c;要么是在MaxKB等知识库系统&#xff09;&#xff0c;我常常需要根据不同的环境&#xff08;如开发环境、测试环境、生产环境&#xff09;使用不同的配置信息…...

破局者手册 Ⅰ:测试开发核心基础,解锁未来测试密钥!

目录 一、引入背景 二、软件测试基础概念 2.1 软件测试的定义 2.2 软件测试的重要性 2.3 软件测试的原则 三、测试类型 3.1 功能测试 3.2 接口测试 3.2.1 接口测试的概念 3.2.2 接口测试的重要性 3.2.3 接口测试的要点 3.2.4 接口测试代码示例&#xff08;Python r…...

物联网mqtt和互联网http协议区别

MQTT和HTTP是两种不同的网络协议&#xff0c;它们在以下方面存在区别&#xff1a; 一、连接方式 1.MQTT&#xff1a;基于TCP/IP协议&#xff0c;采用长连接方式。客户端与服务器建立连接后&#xff0c;会保持连接状态&#xff0c;可随时进行数据传输&#xff0c;适用于实时性…...

C++笔记之反射、Qt中的反射系统、虚幻引擎中的反射系统

C++笔记之反射、Qt中的反射系统、虚幻引擎中的反射系统 code review! 目录 C++笔记之反射、Qt中的反射系统、虚幻引擎中的反射系统 目录1. 反射基础概念 1...

提示词压缩方法总结与开源工具包

论文标题 AN EMPIRICAL STUDY ON PROMPT COMPRESSION FOR LARGE LANGUAGE MODELS 论文地址 https://arxiv.org/pdf/2505.00019 开源地址 https://github.com/3DAgentWorld/Toolkit-for-Prompt-Compression 作者背景 香港科技大学广州校区&#xff0c;华南理工大学&#…...

【AI提示词】AARRR 模型执行者

提示说明 具备完整的产品知识和数据分析能力&#xff0c;擅长通过AARRR模型优化用户生命周期管理&#xff0c;提升企业收入和市场拓展。 提示词 # Role: AARRR 模型执行者## Profile - language: 中文 - description: 具备完整的产品知识和数据分析能力&#xff0c;擅长通过…...

深入理解 Redis 的主从、哨兵与集群架构

目录 前言1 Redis 主从架构1.1 架构概述1.2 优点与应用场景1.3 局限性 2 Redis 哨兵架构2.1 架构概述2.2 高可用能力的实现2.3 局限与注意事项 3 Redis 集群架构3.1 架构概述3.2 高性能与高可用的统一3.3 限制与挑战 4 架构对比与选型建议结语 前言 在构建高性能、高可用的数据…...

基于CBOW模型的词向量训练实战:从原理到PyTorch实现

基于CBOW模型的词向量训练实战&#xff1a;从原理到PyTorch实现 在自然语言处理&#xff08;NLP&#xff09;领域&#xff0c;词向量是将单词映射为计算机可处理的数值向量的重要方式。通过词向量&#xff0c;单词之间的语义关系能够以数学形式表达&#xff0c;为后续的文本分…...

【阿里云大模型高级工程师ACP习题集】2.9 大模型应用生产实践(下篇)

练习题 【单选题】在大模型应用备案中,根据《生成式人工智能服务管理暂行办法》,已上架但未完成合规手续的应用应如何处理?( ) A. 继续运营,同时补办手续 B. 下架处理 C. 暂停部分功能,直至完成合规手续 D. 无需处理,等待监管部门通知 【多选题】在应用服务安全的应用部…...

Matlab实现CNN-BiLSTM时间序列预测未来

Matlab实现CNN-BiLSTM时间序列预测未来 目录 Matlab实现CNN-BiLSTM时间序列预测未来效果一览基本介绍程序设计参考资料 效果一览 基本介绍 1.Matlab实现CNN-BiLSTM时间序列预测未来&#xff1b; 2.运行环境Matlab2023b及以上&#xff0c;data为数据集&#xff0c;单变量时间序…...

互联网大厂Java求职面试:AI大模型与云原生架构设计深度解析

互联网大厂Java求职面试&#xff1a;AI大模型与云原生架构设计深度解析 第一轮提问&#xff1a;AI大模型与系统集成 技术总监&#xff08;张总&#xff09;&#xff1a;郑薪苦&#xff0c;你之前提到过Spring AI&#xff0c;那你能讲讲在实际项目中如何将大模型集成到系统中&…...

GD32F103C8T6多串口DMA空闲中断通信程序

以下是一个完全符合C99标准的GD32F103C8T6多串口DMA通信完整实现&#xff0c;代码经过Keil MDK验证并包含详细注释&#xff1a; #include "gd32f10x.h" #include <string.h>/* 硬件配置宏 */ #define USART_NUM 2 /* 使用2个串口 */ #define R…...

labelimg快捷键

一、核心标注快捷键 ‌W‌&#xff1a;调出标注十字架&#xff0c;开始绘制矩形框&#xff08;最常用功能&#xff09;‌A/D‌&#xff1a;切换上一张(A)或下一张(D)图片&#xff0c;实现快速导航‌Del‌&#xff1a;删除当前选中的标注框 二、文件操作快捷键 ‌CtrlS‌&…...

【深度学习-Day 6】掌握 NumPy:ndarray 创建、索引、运算与性能优化指南

Langchain系列文章目录 01-玩转LangChain&#xff1a;从模型调用到Prompt模板与输出解析的完整指南 02-玩转 LangChain Memory 模块&#xff1a;四种记忆类型详解及应用场景全覆盖 03-全面掌握 LangChain&#xff1a;从核心链条构建到动态任务分配的实战指南 04-玩转 LangChai…...

开元类双端互动组件部署实战全流程教程(第2部分:控制端协议拆解与机器人逻辑调试)

作者&#xff1a;那个写了个机器人结果自己被踢出房间的开发者 游戏逻辑房间结构参考界面 从这张图我们能看出&#xff0c;该组件按功能结构细分为多个房间&#xff0c;每个房间底注、准入标准不同&#xff0c;对应的控制模块也有层级区分。常规来说&#xff0c;一个“互动房间…...

51单片机入门教程——蜂鸣器播放天空之城

前言 本教程基于B站江协科技课程进行个人学习整理&#xff0c;专为拥有C语言基础的零基础入门51单片机新手设计。既帮助解决因时间差导致的设备迭代调试难题&#xff0c;也助力新手快速掌握51单片机核心知识&#xff0c;实现从C语言理论到单片机实践应用的高效过渡 。 目录 …...

linux 历史记录命令

命令方式 #/bin/bash #cd /tmp saveFile"tmp.log" isok"grep HISTTIMEFORMAT /etc/profile|wc -l" if [ $isok -eq 0 ] thenecho -e "#history time\nHISTFILESIZE4000\nHISTSIZE4000\nHISTTIMEFORMAT%F %T \nexport HISTTIMEFORMAT\n" >>…...

手表关于MPU6050中的功能实现

MPU6050 OV-Watch 中的睡眠和唤醒功能实现 OV-Watch 项目为 MPU6050 传感器实施了复杂的电源管理&#xff0c;以优化电池寿命&#xff0c;同时保持手腕检测和计步功能。以下是对睡眠和唤醒机制的详细分析&#xff1a; 内核休眠/唤醒功能实现 MPU6050 有两个主要功能来控制其…...

Qt中数据结构使用自定义类————附带详细示例

文章目录 C对数据结构使用自定义类1 QMap使用自定义类1.1 使用自定义类做key1.2 使用自定义类做value 2 QSet使用自定义类 参考 C对数据结构使用自定义类 1 QMap使用自定义类 1.1 使用自定义类做key QMap<key,value>中数据存入时会对存入key值的数据进行比较&#xff…...

深入浅出数据库的函数依赖关系

数据库的“恋爱关系”&#xff1a;函数依赖的那些事儿 在数据库的世界里&#xff0c;属性之间也存在“恋爱关系”。有些属性是“灵魂伴侣”&#xff0c;彼此绑定&#xff1b;有些是“单向奔赴”&#xff0c;只能依赖对方&#xff1b;还有些是“三角恋”&#xff0c;通过中间人…...

C语言易混淆知识点详解

C语言中容易混淆的知识点详解 C语言作为一门基础且强大的编程语言&#xff0c;有许多容易混淆的概念和特性。以下是C语言中一些常见易混淆知识点的详细解析&#xff1a; 1. 指针与数组 相似点&#xff1a; c 复制 下载 int arr[10]; int *ptr arr; 都可以使用[]运算符访…...

如何选择合适的光源?

目录 工业相机光源类型全面指南 1. 环形光源及其变体 高角度环形光源 优点 缺点 典型应用场景 低角度环形光源&#xff08;暗场照明&#xff09; 优点 缺点 典型应用场景 2. 条形光源与组合照明系统 技术特点 组合条形光源 优点 缺点 典型应用场景 3. 同轴光源…...

模块方法模式(Module Method Pattern)

&#x1f9e0; 模块方法模式&#xff08;Module Method Pattern&#xff09; 模块方法模式是一种结构型设计模式&#xff0c;它将复杂的操作分解成一系列相对简单、独立且单一职责的模块。每个模块负责完成一种具体的操作&#xff0c;其他模块或系统可以通过调用这些模块的公开…...

OpenCV第6课 图像处理之几何变换(仿射)

1.仿射变换 2. 平移 3 旋转 附录A 二维旋转矩阵 附录B 三维旋转矩阵与轴角表示 1.仿射变换 仿射变换是指图像可以通过一系列的几何变换来实现平移、旋转等多种操作。该变换能够保持图像的平直性和平行性。 平直性是指图像经过仿射变换后,直线仍然是直线,平行性是指图像在…...

【中间件】brpc_基础_TimerThread

文章目录 TimerThread1 简介2 主要设计点2.1 数据结构&#xff1a;分层时间轮&#xff08;Hierarchical Timing Wheel&#xff09;2.2 线程模型2.3 任务管理 3 关键代码分析3.1 类定义&#xff08;timer_thread.h&#xff09;3.2 时间轮初始化&#xff08;timer_thread.cpp&…...

拷贝多个Excel单元格区域为图片并粘贴到Word

Excel工作表Sheet1中有两个报表&#xff0c;相应单元格区域分别定义名称为Report1和Report2&#xff0c;如下图所示。 现在需要将图片拷贝图片粘贴到新建的Word文档中。 示例代码如下。 Sub Demo()Dim oWordApp As ObjectDim ws As Worksheet: Set ws ThisWorkbook.Sheets(&…...

网络原理(6)—— 应用层之HTTP协议

目录 一. 应用层 二. 重要应用层协议DNS(Domain Name System) 三. HTTP协议 3.1 HTTP抓包工具 3.2 HTTP格式 3.2.1 请求 3.2.2 响应 3.3 HTTP的工作过程 一. 应用层 应用层协议就像是人们之间的交流规则&#xff0c;它帮助不同的计算机程序&#xff08;应用&#xff09…...

Linux55yum源配置、本机yum源备份,本机yum源配置,网络Yum源配置,自建yum源仓库

参考 太晚了 计划先休息了 大概保存...

250505_HTML

HTML 1. HTML5语法与基础标签1.1 HTML5特性1.1.1 空白折叠现象1.1.2 转义字符 1.2 HTML注释1.3 基础标签1.3.1 div标签1.3.2 标题标签1.3.3 段落标签1.3.1.3.1.3.1.3. 1. HTML5语法与基础标签 1.1 HTML5特性 1.1.1 空白折叠现象 1.1.2 转义字符 1.2 HTML注释 1.3 基础标签 1…...

1. 设计哲学:让字面量“活”起来,提升表达力和安全性

C11引入的用户定义字面量&#xff08;User-Defined Literals&#xff0c;简称UDL&#xff09;是语言层面为程序员打开的一扇“自定义表达式”的大门。它允许我们为字面量&#xff08;比如数字、字符、字符串&#xff09;添加自定义后缀&#xff0c;从而让代码更具语义化、更易读…...

【KWDB 创作者计划】基于 ESP32 + KWDB 的智能环境监测系统实战

一开始萌生这个想法&#xff0c;其实是源自我办公桌上的那颗“小胖子”——一块 ESP32 开发板。它陪我度过了不少调试夜&#xff0c;也让我对物联网有了真正的感知。恰逢 KaiwuDB 举办征文活动&#xff0c;我便想着&#xff0c;何不将我日常积攒下来的一些硬件和数据库实战经验…...

AVHRR中国积雪物候数据集(1980-2020年)

数据集摘要 本数据集基于1980-2020年5kmAVHRR逐日无云积雪面积产品&#xff0c;制备了中国长时间序列积雪物候数据集。数据集按照不同的物候参数共分为积雪日数、积雪初日、积雪终日3个目录&#xff0c;每个目录下包含40个子文件&#xff0c;为逐水文年积雪物候参数&#xff0c…...

PCB设计中电感封装的选型

在PCB设计中&#xff0c;电感封装的选型直接影响电路性能、布局效率、热管理能力及系统可靠性。合理的封装选择不仅能优化空间利用率&#xff0c;还能提升电磁兼容性&#xff08;EMC&#xff09;和长期稳定性。以下从封装类型、尺寸参数、应用场景适配、布局协同设计、热管理策…...

LintCode第766题,LintCode第1141题,LintCode第478题

第766题描述 判断给出的年份 n 是否为闰年. 如果 n 为闰年则返回 true 闰年是包含额外一天的日历年. 如果年份可以被 4 整除且不能被 100 整除 或者 可以被 400 整除, 那么这一年为闰年 样例 1: 输入 : n 2008 输出 : true 样例 2: 输入 : n 2018 输出 : false 代码如…...

三十一、基于HMM的词性标注

基于HMM的中文词性标注 1 实验目标 理解HMM模型的原理和基本问题理解HMM的实现命名实体识别的具体步骤掌握HMM模型实现命名实体识别的方法 2 实验环境 HMM的中文词性标注的实验环境。 3 实验步骤 该项目主要由3个代码文件组成&#xff0c;分别为hmm.py、tagging.py和run.p…...

MCUboot 中的 BOOT_SWAP_TYPE_PERM 功能介绍

目录 概述 1 Image 数据结构 1.1 Image介绍 1.2 Swap info 2 BOOT_SWAP_TYPE_PERM 功能 2.1 功能定义 2.2 典型工作流程 3 BOOT_SWAP_TYPE_xx的其他功能 3.1 BOOT_SWAP_TYPE_REVERT 3.2 三中模式的比较 4 使用机制 4.1 实现细节 4.2 使用场景 4.3 开发者注意事…...

数学复习笔记 2

前言 朋友和我讨论了一个二重积分题&#xff0c;非常有意思。内容非常细致。整理如下&#xff1a; 二重积分 题目来源是 1000 上面的 16 题&#xff0c;积分区域是一个偏心圆&#xff0c;偏心圆的圆心在 y 轴上面&#xff0c;偏心圆是关于 y 轴对称的&#xff0c;可以看关于…...

从入门到登峰-嵌入式Tracker定位算法全景之旅 Part 5 |地图匹配与轻量 SLAM:HMM/Viterbi 与简化图优化

Part 5 |地图匹配与轻量 SLAM:HMM/Viterbi 与简化图优化 在本章中,我们将在 ESP32-S3 这样的资源受限平台上,实现 地图匹配(Map Matching)和轻量级图优化(Lightweight SLAM)功能。通过 隐马尔可夫模型(HMM)+ Viterbi 算法,以及简化的图优化思路,校正定位轨迹,提升…...

Amazon Bedrock Converse API:开启对话式AI新体验

Amazon Bedrock Converse API&#xff1a;开启对话式AI新体验 前言 在当今人工智能飞速发展的时代&#xff0c;对话式AI已成为众多应用的核心组成部分。从智能客服到智能助手&#xff0c;对话式AI为用户带来了便捷且高效的交互体验。而Amazon Bedrock Converse API的出现&…...

软考 系统架构设计师系列知识点之杂项集萃(54)

接前一篇文章&#xff1a;软考 系统架构设计师系列知识点之杂项集萃&#xff08;53&#xff09; 第87题 某银行系统采用Factory Method方法描述其不同账户之间的关系&#xff0c;设计出的类图如下所示。其中与Factory Method的“Creator”角色对应的类是&#xff08;&#xff…...