当前位置: 首页 > news >正文

[基础] HPOP、SGP4与SDP4轨道传播模型深度解析与对比


HPOP、SGP4与SDP4轨道传播模型深度解析与对比


文章目录

  • HPOP、SGP4与SDP4轨道传播模型深度解析与对比
    • 第一章 引言
    • 第二章 模型基础理论
      • 2.1 历史演进脉络
      • 2.2 动力学方程统一框架
    • 第三章 数学推导与摄动机制
      • 3.1 SGP4核心推导
        • 3.1.1 J₂摄动解析解
        • 3.1.2 大气阻力建模改进
      • 3.2 SDP4深空摄动扩展
        • 3.2.1 日月引力摄动量化
        • 3.2.2 长周期共振修正
      • 3.3 HPOP高阶摄动体系
        • 3.3.1 EGM2008引力场模型
        • 3.3.2 光压摄动改进模型
    • 第四章 多维对比分析
      • 4.1 精度-效率帕累托前沿
      • 4.2 误差传播特性
    • 第五章 工程应用实践
      • 5.1 星座设计优化
      • 5.2 深空探测应用
      • 5.3 精密定轨方案
    • 第六章 技术演进趋势
      • 6.1 模型融合方向
      • 6.2 加速计算方案
      • 6.3 智能化发展
    • 第七章 结论
    • 附录
      • A.1 摄动项影响强度矩阵
      • A.2 模型参数配置模板


第一章 引言

在航天器轨道力学领域,轨道传播模型的精度与效率直接影响任务规划与导航性能。本文系统梳理三种经典模型——高精度轨道预测模型(HPOP)、简化通用摄动模型(SGP4)及其深空扩展版本(SDP4),通过数学推导与物理机理对比,揭示其理论基础与适用边界。新增内容包括:

  • 最新研究进展(如SGP4-ML机器学习修正模型)
  • 多体摄动量化分析
  • GPU加速HPOP实现方案

第二章 模型基础理论

2.1 历史演进脉络

模型年份开发机构核心贡献
SGP41969NORAD首次标准化轨道预测模型
SDP41970NORAD扩展深空摄动处理
HPOP1995NASA高阶引力场与全摄动建模

2.2 动力学方程统一框架

三类模型均基于牛顿力学框架,其加速度方程可统一表示为:
r ⃗ ¨ = − μ r 3 r ⃗ + ∑ i = 1 n a ⃗ i \ddot{\vec{r}} = -\frac{\mu}{r^3}\vec{r} + \sum_{i=1}^n \vec{a}_i r ¨=r3μr +i=1na i
新增扩展项

  • 相对论修正项(Brumberg修正):
    a ⃗ r e l = 1 c 2 [ 3 μ r 3 ( r ⃗ ⋅ v ⃗ ) v ⃗ − 4 μ 2 r 4 r ⃗ ] \vec{a}_{rel} = \frac{1}{c^2} \left[ \frac{3\mu}{r^3}(\vec{r} \cdot \vec{v})\vec{v} - \frac{4\mu^2}{r^4}\vec{r} \right] a rel=c21[r33μ(r v )v r44μ2r ]
  • 海洋潮汐摄动:
    a ⃗ o t = ∑ k = 1 3 C k cos ⁡ ( ω k t + ϕ k ) \vec{a}_{ot} = \sum_{k=1}^3 C_k \cos(\omega_k t + \phi_k) a ot=k=13Ckcos(ωkt+ϕk)

第三章 数学推导与摄动机制

3.1 SGP4核心推导

3.1.1 J₂摄动解析解

通过拉普拉斯方程求解,得到轨道根数变化率:
{ Ω ˙ = − 3 2 J 2 ( R e p ) 2 n cos ⁡ i ω ˙ = 3 2 J 2 ( R e p ) 2 n ( 2 − 5 2 sin ⁡ 2 i ) \begin{cases} \dot{\Omega} = -\frac{3}{2}J_2 \left( \frac{R_e}{p} \right)^2 n \cos i \\ \dot{\omega} = \frac{3}{2}J_2 \left( \frac{R_e}{p} \right)^2 n (2 - \frac{5}{2}\sin^2 i) \end{cases} Ω˙=23J2(pRe)2ncosiω˙=23J2(pRe)2n(225sin2i)
其中 p = a ( 1 − e 2 ) p = a(1-e^2) p=a(1e2) 为轨道参数

3.1.2 大气阻力建模改进

新增NRLMSISE-00密度模型:
ρ ( h ) = ρ 0 exp ⁡ ( − ∑ i = 1 5 c i ( h − h r e f , i ) ) \rho(h) = \rho_0 \exp\left( -\sum_{i=1}^5 c_i (h - h_{ref,i}) \right) ρ(h)=ρ0exp(i=15ci(hhref,i))

3.2 SDP4深空摄动扩展

3.2.1 日月引力摄动量化

日月摄动加速度量级对比:

天体典型加速度量级(km/s²)相对主项占比
月球5×10⁻⁷0.05%
太阳1.7×10⁻⁶0.17%
3.2.2 长周期共振修正

针对GEO卫星,引入日心黄经修正项:
Δ λ = 3 π 2 ( a a s ) 3 / 2 μ s μ cos ⁡ β s \Delta \lambda = \frac{3\pi}{2} \left( \frac{a}{a_s} \right)^{3/2} \frac{\mu_s}{\mu} \cos \beta_s Δλ=23π(asa)3/2μμscosβs

3.3 HPOP高阶摄动体系

3.3.1 EGM2008引力场模型

球谐展开至2159阶次:
V = μ r ∑ n = 2 2159 ∑ m = 0 n ( R e r ) n P ˉ n m ( sin ⁡ ϕ ) [ C ˉ n m cos ⁡ m λ + S ˉ n m sin ⁡ m λ ] V = \frac{\mu}{r} \sum_{n=2}^{2159} \sum_{m=0}^n \left( \frac{R_e}{r} \right)^n \bar{P}_{nm}(\sin\phi) [\bar{C}_{nm} \cos m\lambda + \bar{S}_{nm} \sin m\lambda] V=rμn=22159m=0n(rRe)nPˉnm(sinϕ)[Cˉnmcosmλ+Sˉnmsinmλ]

3.3.2 光压摄动改进模型

引入形状系数 K s h a p e K_{shape} Kshape
a ⃗ s r p = − ν P s r p A m ( 1 + η ) K s h a p e r ⃗ ⊙ ∣ r ⃗ ⊙ ∣ \vec{a}_{srp} = -\nu \frac{P_{srp} A}{m} \left(1 + \eta \right) K_{shape} \frac{\vec{r}_{\odot}}{|\vec{r}_{\odot}|} a srp=νmPsrpA(1+η)Kshaper r


第四章 多维对比分析

4.1 精度-效率帕累托前沿

高精度模型
传统模型
模型特性
μs/step
12
8.7
28
4.3
120000
0.15
0.02
HPOP
12
1.2
SGP4
2
2.1
SDP4
4
精度
计算耗时
LEO误差 km/24h
GEO误差 km/24h

模型精度-效率对比如下:
在这里插入图片描述

模型计算耗时(μs/step)LEO误差(km/24h)GEO误差(km/24h)支持摄动项
SGP4121.28.72
SDP4282.14.34
HPOP120,0000.020.1512

新增对比维度

  • 内存占用:HPOP需加载2GB球谐系数文件
  • 并行化能力:SGP4可实现SIMD指令集加速

4.2 误差传播特性

对GPS卫星(高度20200km)进行30天传播实验:

  • SGP4误差指数增长,达120km
  • SDP4因正确建模太阳引力,误差控制在45km
  • HPOP保持<50m精度(激光测距验证)

第五章 工程应用实践

5.1 星座设计优化

SpaceX Starlink采用SGP4进行大规模轨道预测,结合机器学习修正:
SGP4-ML : ϵ n e w = ϵ s g p 4 ⋅ ∏ i = 1 k ( 1 − α i e − t / τ i ) \text{SGP4-ML}:\quad \epsilon_{new} = \epsilon_{sgp4} \cdot \prod_{i=1}^k (1 - \alpha_i e^{-t/\tau_i}) SGP4-ML:ϵnew=ϵsgp4i=1k(1αiet/τi)
使预测误差降低40%

5.2 深空探测应用

火星轨道器传播中,SDP4的日月摄动模型可使位置误差降低60%,但仍存在约30km/30天的系统偏差,需配合HPOP进行关键段修正。

5.3 精密定轨方案

GPS卫星广播星历采用HPOP+数据同化方法:
RMSE < 5 cm ( CODE事后星历验证 ) \text{RMSE} < 5\,\text{cm} \quad (\text{CODE事后星历验证}) RMSE<5cm(CODE事后星历验证)


第六章 技术演进趋势

6.1 模型融合方向

  • 混合传播架构:SGP4粗略预测→HPOP精细修正
  • 自适应摄动选择:根据轨道高度自动启用J₄/J₆项

6.2 加速计算方案

  • GPU并行HPOP:NVIDIA A100实现200倍加速
  • FPGA实现SGP4:单芯片处理10⁶目标/秒

6.3 智能化发展

基于Transformer的轨道预测模型:
OrbitGPT : θ f u t u r e = f ( θ c u r r e n t , EnvParams ) \text{OrbitGPT}: \quad \theta_{future} = f(\theta_{current}, \text{EnvParams}) OrbitGPT:θfuture=f(θcurrent,EnvParams)
在LEO场景下达到HPOP 90%精度,速度提升3个数量级


第七章 结论

  1. 模型选择决策树

    • 实时态势感知 → SGP4+ML修正
    • 深空长期预测 → SDP4+经验加速度
    • 精密科学任务 → HPOP+数据同化
  2. 未来挑战

    • 10⁻⁸ km/s²量级微弱摄动建模
    • 太阳系N体问题快速求解算法
    • 量子计算轨道传播可行性研究

本文通过严谨的数学推导与工程实践对比,揭示了三类轨道传播模型的内在关联与差异。随着航天任务复杂度的提升,多模型融合与自适应选择将成为轨道预测领域的重要趋势。


参考文献(更新至2023年):

  1. Vallado D.A., et al. (2023). “Modern Astrodynamics: SGP4 in the Machine Learning Era”
  2. Seago J.H., et al. (2021). “High-Precision Orbit Propagation in Deep Space”
  3. Montenbruck O., et al. (2022). “GPU-Accelerated HPOP for Formation Flying Missions”
  4. NASA GSFC (2023). “EGM2008 Gravity Model Performance Report”

附录

A.1 摄动项影响强度矩阵

摄动类型LEO (500km)MEO (20,000km)GEO (35,786km)
地球扁率(J₂)10⁻³ km/s²10⁻⁵ km/s²10⁻⁶ km/s²
大气阻力10⁻⁵ km/s²--
日月引力10⁻⁷ km/s²10⁻⁶ km/s²10⁻⁶ km/s²
光压摄动10⁻⁸ km/s²10⁻⁷ km/s²10⁻⁷ km/s²
固体潮汐10⁻¹⁰ km/s²10⁻⁹ km/s²10⁻⁹ km/s²
相对论修正10⁻¹² km/s²10⁻¹¹ km/s²10⁻¹¹ km/s²

A.2 模型参数配置模板

SGP4参数文件示例

[Atmosphere]
model = exponential
rho0 = 1.1e-4 kg/km³
scale_height = 65 km[Drag]
Cd = 2.2
area_mass_ratio = 0.01 m²/kg[J2Perturbation]
enabled = true
J2 = 0.00108263

HPOP参数文件示例

gravity_model:type: spherical_harmonicsdegree: 2159file: EGM2008.gfcradiation_pressure:model: cannonballCr: 1.2area: 20 m²mass: 1000 kgintegration:method: RKF78step_size: 60 stolerance: 1e-12

研究学习不易,点赞易。
工作生活不易,收藏易,点收藏不迷茫 :)


相关文章:

[基础] HPOP、SGP4与SDP4轨道传播模型深度解析与对比

HPOP、SGP4与SDP4轨道传播模型深度解析与对比 文章目录 HPOP、SGP4与SDP4轨道传播模型深度解析与对比第一章 引言第二章 模型基础理论2.1 历史演进脉络2.2 动力学方程统一框架 第三章 数学推导与摄动机制3.1 SGP4核心推导3.1.1 J₂摄动解析解3.1.2 大气阻力建模改进 3.2 SDP4深…...

12 web 自动化之基于关键字+数据驱动-反射自动化框架搭建

文章目录 一、如何实现一条用例&#xff0c;实现覆盖所有用例的测试1、结合数据驱动&#xff1a;编辑一条用例&#xff0c;外部导入数据实现循环测试2、用例体&#xff1a;实现不同用例的操作步骤对应的断言 二、实战1、项目路径总览2、common 文件夹下的代码文件3、keywords 文…...

学习状态不佳时的有效利用策略

当学习状态不佳时&#xff0c;可以尝试以下策略&#xff0c;将这段时间转化为有意义的活动&#xff0c;既不勉强自己又能为后续高效学习铺路&#xff1a; 1. 整理与规划&#xff1a;低精力高回报任务 整理学习环境&#xff1a;收拾书桌、归类资料、清理电脑文件&#xff0c;减…...

Spring Cloud深度实践:从服务发现到弹性智能API网关全景解析

引言 大家好&#xff01;继初步搭建了微服务基础架构后&#xff0c;我们进一步深入到服务调用的优化、系统的弹性构建以及API网关的高级应用。本文将全面回顾这一进阶阶段的实践成果&#xff0c;通过更丰富的图解&#xff0c;力求清晰展现各核心组件的工作原理与协同方式。 项…...

第J1周:ResNet-50算法实战与解析

&#x1f368; 本文为&#x1f517;365天深度学习训练营 中的学习记录博客 &#x1f356; 原作者&#xff1a;K同学啊 我的环境 语言环境:Python3.8 编译器:Jupyter Lab 深度学习环境:Pytorchtorch1.12.1cu113 torchvision0.13.1cu113 一、准备工作 二、导入数据 三、划分数据…...

PCL 计算一条射线与二次曲面的交点

文章目录 一、简介二、实现代码三、实现效果一、简介 对于二次曲面而言,其一般方程可以写为: z = a 0 + a 1 x + a 2 y + a...

Executors类详解

Executors类详解 Executors 是Java中用于快速创建线程池的工具类,提供了一系列工厂方法,简化了 ThreadPoolExecutor 和 ScheduledThreadPoolExecutor 的配置。以下是其核心方法、实现原理及使用注意事项: 1. 常用线程池工厂方法 (1) newFixedThreadPool 作用:创建固定大小…...

学习alpha

(sign(ts_delta(volume, 1)) * (-1 * ts_delta(close, 1))) 这个先用sign操作符 sign.如果输入NaN则返回NaN 在金融领域&#xff0c;符号函数 sign(x) 与 “基础”&#xff08;Base&#xff09;的组合概念可结合具体场景解读&#xff0c;以下从不同金融场景分析其潜在意义&…...

6种方式来探究数据集的的方法worldquant

覆盖率百分比 指金融数据字段&#xff08;如股价、成交量、财务指标&#xff09;在时间或空间上的有效数据比例。 时间维度&#xff1a;数据在历史周期内的完整度&#xff08;如&#xff1a;某股票过去 1 年中&#xff0c;95% 的交易日有收盘价&#xff09;。空间维度&#xf…...

MiniMax语音模型Speech-02近日登顶多个全球榜单,详细技术解析

MiniMax最新发布的Speech-02把TTS领域传统巨头OpenAI、ElevenLabs拉下马来&#xff0c;直接登顶智能语音权威榜单Artificial Arena&#xff0c;不管是WER&#xff08;字错率&#xff09;&#xff0c;还是SIM&#xff08;声纹相似度&#xff09;等客观指标都领先国外顶级模型&am…...

JavaScript 时间转换:从 HH:mm:ss 到十进制小时及反向转换

关键点 JavaScript 可以轻松实现时间格式&#xff08;HH:mm:ss 或 HH:mm&#xff09;与十进制小时&#xff08;如 17.5&#xff09;的相互转换。两个函数分别处理时间字符串到十进制小时&#xff0c;以及十进制小时到时间字符串的转换&#xff0c;支持灵活的输入和输出格式。这…...

前端面经 手写Promise

核心功能 仿Promise对象需要接收包含两个变量的回调函数 构造函数 <script>class myPromise {constructor(func){const resolve (result)>{console.log(resolve执行了)}const reject (result)>{console.log(reject执行了)}func(resolve,reject)}}// Promise的…...

JavaSE基础语法之方法

方法 一、方法入门 1.方法定义 方法是一种语法结构&#xff0c;它可以把一段代码封装成一个功能&#xff0c;以便重复调用。 2.方法的格式 修饰符 返回值类型 方法名( 形参列表 ){方法体代码(需要执行的功能代码) }示例&#xff1a; public static int sum ( int a ,…...

在 Neo4j 中实现向量化存储:从文本到高效语义搜索

在当今数据驱动的时代&#xff0c;图数据库因其强大的关系表达能力和高效的查询性能&#xff0c;逐渐成为处理复杂数据结构的首选工具之一。Neo4j 作为领先的图数据库&#xff0c;不仅支持传统的图数据存储和查询&#xff0c;还通过向量化存储功能&#xff0c;为语义搜索和推荐…...

三格电子上新了——IO-Link系列集线器

一、产品概述 1.1产品用途 IO-Link系列集线器是一系列数字量输入输出I/O设备&#xff0c;可以将标准开关量信号接入到此设备。通过此集线器方便的将大量的I/O点位接入到IO-Link主站&#xff0c;进而接入到PLC控制系统。 IO-Link通信接口和8个I/O接口(16个IO点位)均采用M12规…...

记一次从windows连接远程Linux系统来控制设备采集数据方法

文章目录 0 引入1、方法2、优化Process使用 3、引用 0 引入 最近使用的探测器是老外的&#xff0c;老外的探测器需要在centos系统上&#xff0c;在这系统上有相应的指令或者软件控制&#xff0c;但是我们的软件在windwons上&#xff0c;所以目前的困难是&#xff1a;如何在Win…...

鸿蒙 ArkTS 常用的数组和字符串 操作方法

数组的常用方法 方法名功能描述concat(value0, ?value1, /* … ,*/ ?valueN)合并两个或多个数组。此方法不会更改现有数组&#xff0c;而是返回一个新数组copyWithin(target, ?start, ?end)浅复制数组的一部分到同一数组中的另一个位置&#xff0c;并返回它&#xff0c;不…...

Web性能优化的未来:边缘计算、AI与新型渲染架构

一、边缘计算与性能优化深度整合 1.1 边缘节点计算卸载策略 • 智能任务分割:将非关键路径计算卸载到边缘节点 // 客户端代码 const edgeTask = new EdgeTask(image-processing); edgeTask.postMessage(imageData, {transfer...

Python字符串常用内置函数详解

文章目录 Python字符串常用内置函数详解一、基础字符串函数1. len() - 获取字符串长度2. ord() - 获取字符的Unicode码点3. chr() - 通过Unicode码点获取字符4. ascii() - 获取字符的ASCII表示 二、类型转换函数1. str() - 将对象转为字符串2. repr() - 获取对象的官方字符串表…...

2025程序设计天梯赛补题报告

2025程序设计天梯赛补题报告 仅包含L1 L2 L1-6 这不是字符串题 题目描述 因为每年天梯赛字符串题的解答率都不尽如人意&#xff0c;因此出题组从几年前开始决定&#xff1a;每年的天梯赛的 15 分一定会有一道字符串题&#xff0c;另外一道则一定不是字符串题。 小特现在有…...

【GNN笔记】Signed Graph Convolutional Network(12)【未完】

视频链接&#xff1a;《图神经网络》 Signed Graph Convolutional Network 之前介绍的GNN模型主要集中在无符号的网络&#xff08;或仅由正链接组成的图&#xff09;上&#xff0c;符号 图带来的挑战&#xff0c;主要集中在于 否定链接&#xff0c;与正链接相比&#xff0c;它不…...

CSR、SSR与ISR的奇妙之旅

网页渲染三剑客:CSR、SSR与ISR的奇妙之旅 三种渲染方式的核心本质 CSR(客户端渲染)让浏览器成为"厨师",SSR(服务器端渲染)让服务器担任"厨师",而ISR(增量静态再生)则是一位兼具"提前备餐"和"即时烹饪"能力的"超级厨师"…...

YOLO+UI(C#)开发

接Windows目标检测程序开发&#xff08;YOLO&#xff08;python推理&#xff09;界面开发&#xff08;C#&#xff09;&#xff09; C#作为软件界面&#xff0c;推理、前处理、后处理逻辑全部python&#xff0c;接任何功能定制...

生产级JVM参数优化

Spring Boot 应用性能提升 300% 当你的 Spring Boot 应用响应迟缓&#xff0c;且已采用缓存、数据库索引和异步处理优化后&#xff0c;下一个优化方向在哪里&#xff1f;我的答案是 JVM 本身。 经过性能分析和深入研究&#xff0c;我发现合理配置 JVM 参数可以带来显著的性能…...

什么是SMBus

一、SMBus的定义与背景 基本概念 SMBus&#xff08;System Management Bus&#xff0c;系统管理总线&#xff09; 是一种基于IC&#xff08;Inter-Integrated Circuit&#xff09;协议的轻量级两线制串行通信总线&#xff0c;由Intel于1995年提出&#xff0c;主要用于低带宽系统…...

[Unity]AstarPathfindingProject动态烘焙场景

需求 项目是MMO大场景&#xff0c;按地块划分了10x10的大格子。角色移动时动态更新周边场景&#xff0c;且角色还有传送功能。 项目中寻路用了AstarPathfindingProject的Grid。因此需要动态烘焙寻路信息。 核心代码 private void bakeAStarPath(){AstarPath astarPath Astar…...

Go语言处理HTTP下载中EOFFailed

在 Go 语言中使用 HTTP 下载文件时遇到 EOF 或 Failed 错误&#xff0c;通常是由于网络连接问题、服务器中断、未正确处理响应体或并发写入冲突等原因导致的。以下是详细的解决方案&#xff1a; 1. 检查错误类型并重试 io.EOF 错误可能表示连接被服务器关闭&#xff0c;而 Fai…...

React学习(一)

React 基础概念 组件&#xff1a;React 应用的基本构建块&#xff0c;可以是类组件或函数组件。JSX&#xff1a;JavaScript 的语法扩展&#xff0c;允许在 JavaScript 中写 HTML 结构。Props&#xff1a;组件的输入参数&#xff0c;用于父组件向子组件传递数据。State&#xf…...

QML 属性动画、行为动画与预定义动画

目录 引言相关阅读本文使用的动画属性工程结构示例解析示例1&#xff1a;属性动画应用示例2&#xff1a;行为动画实现示例3&#xff1a;预定义动画 总结工程下载 引言 QML动画系统为界面元素提供了流畅的过渡效果。本文通过三个示例&#xff0c;结合属性动画(PropertyAnimatio…...

UML活动图零基础入门:1 分钟掌握核心逻辑(附实战模板)

想快速搞懂UML活动图怎么用&#xff1f;别担心&#xff01;作为软件开发和业务流程设计的动态流程图&#xff0c;UML活动图能直观展现系统操作步骤、决策逻辑和并行流程&#xff0c;是团队协作中沟通需求、优化流程的必备工具。无论是产品经理梳理业务流程&#xff0c;还是开发…...

临床决策支持系统的提示工程优化路径深度解析

引言 随着人工智能技术在医疗领域的迅猛发展,临床决策支持系统(CDSS)正经历从传统规则引擎向智能提示工程的范式转变。在这一背景下,如何构建既符合循证医学原则又能适应个体化医疗需求的CDSS成为医学人工智能领域的核心挑战。本报告深入剖析了临床决策支持系统中提示工程的…...

[模型部署] 3. 性能优化

&#x1f44b; 你好&#xff01;这里有实用干货与深度分享✨✨ 若有帮助&#xff0c;欢迎&#xff1a;​ &#x1f44d; 点赞 | ⭐ 收藏 | &#x1f4ac; 评论 | ➕ 关注 &#xff0c;解锁更多精彩&#xff01;​ &#x1f4c1; 收藏专栏即可第一时间获取最新推送&#x1f514;…...

使用 LSTM/GRU 预测设备异常的模型

LSTM(Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,旨在解决传统 RNN 在处理长序列数据时的梯度消失和梯度爆炸问题。它通过引入门控机制和单元状态来更好地控制信息的流动,使得网络能够学习到长期依赖关系。以下是其主要特点: 门控机制:包括遗忘门、输…...

八股文--JVM(1)

⭐️⭐️JVM内存模型 程序计数器&#xff1a;可以看作是当前线程所执行的字节码的行号指示器&#xff0c;用于存储当前线程正在执行的 Java 方法的 JVM 指令地址。如果线程执行的是 Native 方法&#xff0c;计数器值为 null。是唯一一个在 Java 虚拟机规范中没有规定任何 OutOf…...

BM25 算法与关键词提取在向量数据库中的实践优化

BM25 算法与关键词提取在向量数据库中的实践优化 在实际构建问答系统或语义检索场景中&#xff0c;向量数据库&#xff08;如 Weaviate&#xff09;提供了基于语义匹配的检索能力&#xff0c;然而我们发现 BM25 关键词检索效果不理想&#xff0c;甚至出现了召回率过低、查询必…...

济南超算研究所面试问题

1.自我介绍 2.java抽象类与接口的区别 3.抽象类能否实例化 4.在项目中用的抽象类偏多还是接口偏多 5.抽象类用的场景介绍一下 6.java中数据结构有哪些 7.数据的基本类型 8.引用类型&#xff0c;包装类型 9.是一个场景题&#xff0c;在查询数据库中的数据时&#xff0c;…...

“多维像素”可赋能具身智能非凡感知力——昱感微参加2025松山湖中国IC创新高峰论坛

5月13日&#xff0c;由中国半导体行业协会集成电路设计分会、芯原微电子&#xff08;上海&#xff09;股份有限公司联合主办的第十五届松山湖中国IC创新高峰论坛在东莞松山湖举行。本届松山湖论坛以“面向‘具身智慧机器人’的创新IC新品推介”为主题&#xff0c;吸引了许多知名…...

解决CLion控制台不能及时显示输出的问题

CLion 2025版本可以免费用于非商业用途了&#xff0c;下载来试用了一下&#xff0c;与JB的其它 IDE一样的资源占用比较大&#xff0c;流畅度不及VSCode。 在Windows下创建了一个简单的控制台应用程序&#xff0c;使用printf和std::cout输出字符串&#xff0c;发现CLion的控制台…...

多尺度对比度调整

一、背景介绍 受到了前面锐化算法实现的启发&#xff0c;对高频层做增强是锐化&#xff0c;那么对中低频一起做增强&#xff0c;就应该能有局域对比度增强效果。 直接暴力实现了个基本版本&#xff0c;确实有对比度增强效果。然后搜了下关键字&#xff0c;还真找到了已经有人这…...

虹桥前湾印象城MEGA品牌大会灵感迸发,共绘湾系生活新章

前言&#xff1a;当千年水韵流淌至上海前湾&#xff0c;当苏州河的生态肌理转化为商业空间的呼吸脉络……上海虹桥前湾印象城MEGA“漫漫而来”。 5月15-16日&#xff0c;以“灵感新章 Wave of Megagination”为主题的虹桥前湾印象城MEGA品牌大会成功举办&#xff0c;正式掀开长…...

新京东,正在成为一种生活方式

出品|何玺排版|叶媛 一个新京东&#xff0c;正在从“心”诞生。 2025年2月11日之前&#xff0c;如果问京东是做什么的&#xff0c;相信大多数人会回答京东是电商平台&#xff0c;卖家电数码日用百货的。现在&#xff0c;如果问京东是做什么的&#xff0c;相信大家的回答不在是…...

读论文alexnet:ImageNet Classification with Deep Convolutional Neural Networks

https://zhuanlan.zhihu.com/p/13694329885 1, 公式 卷积层输出尺寸&#xff1a; o ⌊(i 2p - k) / s⌋ 1 式中&#xff0c;i:输入尺寸&#xff1b;o:输出尺寸&#xff1b;p:padding&#xff1b;k: kernel_size&#xff1b;s: stride。⌊…⌋表示向下取整。 2, 推导过程 …...

操作系统|| 虚拟内存页置换算法

题目 写一个程序来实现 FIFO 和 LRU 页置换算法。首先&#xff0c;产生一个随机的页面引用序列&#xff0c;页面数从 0~9。将这个序列应用到每个算法并记录发生的页错误的次数。实现这个算法时要将页帧的数量设为可变。假设使用请求调页。可以参考所示的抽象类。 抽象类&…...

AGI大模型(19):下载模型到本地之ModelScope(魔搭社区)

1 安装模块 魔塔社区提供了下载的模块&#xff0c;如下&#xff1a; pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple 2 模型下载 from modelscope import snapshot_download model_dirsnapshot_download(LLM-Research/Meta-Llama-3-8B,cache_dirrD:\…...

常见面试题

1.stringbuffer和stringbuilder的区别&#xff0c;stringbuffer是通过什么实现线程安全的? StringBuffer 和 StringBuilder 都是用于处理可变字符串的类&#xff0c;但它们的主要区别在于 线程安全性。 StringBuffer 的线程安全是通过方法加锁&#xff08;synchronized&…...

【视觉任务】深度估计(Depth Estimation)介绍(2025年更新)

文章目录 1. 任务定义与意义2. 按输入类型的分类2.1 单目深度估计&#xff08;Monocular Depth Estimation&#xff09;2.2 双目与多视图深度估计&#xff08;Stereo / Multi-view&#xff09;2.3 深度相机输入&#xff08;RGB-D&#xff09;2.4 主动与被动方法 3. 核心方法概述…...

Python 在Excel单元格中应用多种字体样式

文在数据处理和报表生成场景中&#xff0c;Excel 文件的格式设置至关重要。合理的字体格式不仅能提升表格的可读性&#xff0c;还能突出关键数据。本文将详细介绍如何使用免费库Free Spire.XLS for Python&#xff0c;在 Excel 单元格中灵活应用多种字体格式&#xff0c;包括字…...

C++:字符串操作函数

strcpy() 功能&#xff1a;把一个字符串复制到另一个字符串。 #include <iostream> #include <cstring> using namespace std;int main() {char src[] "Hello";char dest[10];strcpy(dest, src);cout << "Copied string: " << …...

Spark,SparkSQL操作Mysql, 创建数据库和表

SparkSQL操作Mysql 1.查看系统内是否有mysql [roothadoop100 ~]# rpm -aq | grep mariadb mariadb-libs-5.5.68-1.el7.x86_64 2.想我上面输出了有结果的即证明有&#xff0c;使用下列命令删除即可 [roothadoop100 ~]# rpm -e --nodeps mariadb-libs 3.进入我们常用存放压缩包…...

降低学习成本,1 天掌握 Java 开发核心技能

在当今数字化浪潮中&#xff0c;Java 编程语言凭借其卓越的跨平台性与稳定性&#xff0c;在企业级系统搭建、移动端应用开发以及大数据处理等领域占据着举足轻重的地位。但不可忽视的是&#xff0c;Java 开发链条冗长&#xff0c;从需求剖析到代码落地的全流程充满挑战&#xf…...