深入理解特征值与稳定性密码:以弹簧 - 质量 - 阻尼典型二阶系统为例
从看特征值决定稳定性的原因
摘要
本文以弹簧 - 质量 - 阻尼系统这一典型二阶系统为研究对象,深入剖析特征值决定系统稳定性的内在原因。通过详细的数学推导和直观的物理意义阐释,全面揭示了特征值与系统稳定性之间的紧密关联,为理解和分析各类控制系统的稳定性提供了重要的理论依据和实践指导。
一、引言
在众多科学与工程领域中,系统稳定性的研究始终占据着关键地位。无论是机械系统、电气系统还是生物系统,确保其稳定性是维持正常运行和实现预期功能的基础。特征值作为分析线性系统稳定性的核心工具,能够精确地反映系统的固有特性。通过深入研究特征值,我们不仅可以准确预测系统在不同初始条件下的动态响应,还能为系统的优化设计和有效控制提供坚实的理论支撑。本文将聚焦于弹簧 - 质量 - 阻尼系统,以此为切入点,深入探讨特征值决定稳定性的本质原因。
二、特征值与稳定性的基本概念
2.1 特征值的定义
对于线性系统,其状态方程一般可表示为 x ˙ = A x \dot{x}=Ax x˙=Ax,其中 x x x是状态向量, A A A是系统矩阵。特征值 λ \lambda λ是满足方程 d e t ( A − λ I ) = 0 det(A - \lambda I)=0 det(A−λI)=0的解, I I I为单位矩阵。每个特征值 λ \lambda λ都对应一个特征向量 v v v,满足 A v = λ v Av=\lambda v Av=λv特征值和特征向量共同刻画了系统矩阵 A A A的固有属性,决定了系统的动态行为。
2.2 稳定性的定义
在控制系统中,稳定性主要考察系统在受到初始扰动后的响应情况。若对于任意微小的初始扰动,系统状态最终都能回归到平衡状态,该系统即为渐近稳定;若系统在初始扰动后,状态既不发散也不收敛至平衡状态,而是在一定范围内振荡或保持不变,则处于临界稳定状态;若系统在初始扰动后,状态随时间不断增长且趋于无穷大,那么系统是不稳定的。
三、弹簧 - 质量 - 阻尼系统的物理模型
3.1 物理模型建立
弹簧 - 质量 - 阻尼系统由质量块、弹簧和阻尼器组成。质量块质量为 m m m,弹簧弹性系数为 k s k_s ks,阻尼器阻尼系数为 c c c。依据牛顿第二定律,质量块所受合力等于其质量与加速度的乘积。质量块受到弹簧的弹力 F s p r i n g = − k s x F_{spring}=-k_sx Fspring=−ksx( x x x为质量块相对于平衡位置的位移,负号表示弹力方向与位移方向相反)和阻尼力 F d a m p i n g = − c x ˙ F_{damping}=-c\dot{x} Fdamping=−cx˙( x ˙ \dot{x} x˙为速度,负号表示阻尼力方向与速度方向相反)。因此,系统的运动方程为: m x ¨ + c x ˙ + k s x = 0 m\ddot{x}+c\dot{x}+k_sx = 0 mx¨+cx˙+ksx=0
为转化为状态空间形式,令 x 1 = x x_1 = x x1=x, x 2 = x ˙ x_2=\dot{x} x2=x˙,则有: { x 1 ˙ = x 2 x 2 ˙ = − k s m x 1 − c m x 2 \begin{cases} \dot{x_1}=x_2 \\ \dot{x_2}=-\frac{k_s}{m}x_1-\frac{c}{m}x_2 \end{cases} {x1˙=x2x2˙=−mksx1−mcx2
写成矩阵形式为: [ x 1 ˙ x 2 ˙ ] = [ 0 1 − k s m − c m ] [ x 1 x 2 ] \begin{bmatrix} \dot{x_1} \\ \dot{x_2} \end{bmatrix}=\begin{bmatrix} 0 & 1 \\ -\frac{k_s}{m} & -\frac{c}{m} \end{bmatrix}\begin{bmatrix} x_1 \\ x_2 \end{bmatrix} [x1˙x2˙]=[0−mks1−mc][x1x2]
这里系统矩阵 A = [ 0 1 − k s m − c m ] A=\begin{bmatrix} 0 & 1 \\ -\frac{k_s}{m} & -\frac{c}{m} \end{bmatrix} A=[0−mks1−mc]
3.2 模型的参数分析
在该模型中,质量 m m m、弹簧弹性系数 k s k_s ks和阻尼系数 c c c是关键参数。质量 m m m体现了物体的惯性,质量越大,物体抵抗运动状态改变的能力越强;弹簧弹性系数 k s k_s ks决定了弹簧的刚度, k s k_s ks越大,弹簧对质量块位移的抵抗作用越强;阻尼系数 c c c反映了阻尼器对系统运动的阻碍程度, c c c越大,阻尼力越大。这些参数共同影响着系统的动态特性,而它们对系统稳定性的影响则通过特征值得以体现。
四、特征值决定稳定性的数学分析
4.1 特征值计算
根据特征值的定义,由 d e t ( A − λ I ) = 0 det(A - \lambda I)=0 det(A−λI)=0可得: ∣ − λ 1 − k s m − c m − λ ∣ = 0 \begin{vmatrix} -\lambda & 1 \\ -\frac{k_s}{m} & -\frac{c}{m}-\lambda \end{vmatrix}=0 −λ−mks1−mc−λ =0
即 λ 2 + c m λ + k s m = 0 \lambda^2+\frac{c}{m}\lambda+\frac{k_s}{m}=0 λ2+mcλ+mks=0
使用求根公式 λ = − c m ± ( c m ) 2 − 4 k s m 2 \lambda=\frac{-\frac{c}{m}\pm\sqrt{(\frac{c}{m})^2 - 4\frac{k_s}{m}}}{2} λ=2−mc±(mc)2−4mks得到两个特征值 λ 1 \lambda_1 λ1和 λ 2 \lambda_2 λ2 。
4.2 特征值与稳定性分析
-
当 ( c m ) 2 − 4 k s m > 0 (\frac{c}{m})^2 - 4\frac{k_s}{m}>0 (mc)2−4mks>0时:两个特征值均为实数。设 λ 1 = α 1 \lambda_1=\alpha_1 λ1=α1, λ 2 = α 2 \lambda_2=\alpha_2 λ2=α2( α 1 < α 2 \alpha_1\lt\alpha_2 α1<α2 )。系统的解为 x ( t ) = C 1 e α 1 t + C 2 e α 2 t x(t)=C_1e^{\alpha_1t}+C_2e^{\alpha_2t} x(t)=C1eα1t+C2eα2t这里 C 1 C_1 C1 和 C 2 C_2 C2 是由系统的初始条件决定的常数,因为 m > 0 m\gt0 m>0, k s > 0 k_s\gt0 ks>0, c > 0 c\gt0 c>0,所以 α 1 < 0 \alpha_1\lt0 α1<0, α 2 < 0 \alpha_2\lt0 α2<0,随着时间 t t t的增加, e α 1 t e^{\alpha_1t} eα1t和 e α 2 t e^{\alpha_2t} eα2t都趋近于零,系统状态收敛到平衡状态(位移和速度都为零),系统是渐近稳定的。这对应于过阻尼的情况,阻尼较大,质量块缓慢回到平衡位置且不会振荡。
从物理意义上看, e α 1 t e^{\alpha_1t} eα1t和 e α 2 t e^{\alpha_2t} eα2t是两个随时间变化的指数项 ,由于 α 1 < 0 \alpha_1\lt0 α1<0, α 2 < 0 \alpha_2\lt0 α2<0,随着时间 t t t 的增加,这两项的值都会趋近于零。这意味着质量块的位移 会逐渐减小,最终趋近于零,即系统状态收敛到平衡状态(位移和速度都为零)。在这种过阻尼的情况下,阻尼较大,它对质量块的运动起到了较强的阻碍作用,使得质量块缓慢地回到平衡位置,并且不会产生振荡,因为指数衰减项主导了系统的动态过程,没有给振荡留下空间。
-
当 ( c m ) 2 − 4 k s m = 0 (\frac{c}{m})^2 - 4\frac{k_s}{m}=0 (mc)2−4mks=0时:两个特征值相等, λ 1 = λ 2 = − c 2 m \lambda_1=\lambda_2=-\frac{c}{2m} λ1=λ2=−2mc。系统的解为 x ( t ) = ( C 1 + C 2 t ) e − c 2 m t x(t)=(C_1 + C_2t)e^{-\frac{c}{2m}t} x(t)=(C1+C2t)e−2mct虽然有一个 t t t的一次项,但由于指数项 e − c 2 m t e^{-\frac{c}{2m}t} e−2mct的衰减作用,当 t t t足够大时, x ( t ) x(t) x(t)仍趋近于零,系统是渐近稳定的,这是临界阻尼的情况,质量块能最快地回到平衡位置且不发生振荡。
-
当 ( c m ) 2 − 4 k s m < 0 (\frac{c}{m})^2 - 4\frac{k_s}{m}<0 (mc)2−4mks<0时:特征值为复数,设 λ 1 , 2 = − c 2 m ± j ω \lambda_{1,2}=-\frac{c}{2m}\pm j\omega λ1,2=−2mc±jω( ω \omega ω为振荡频率)。系统的解为 x ( t ) = e − c 2 m t ( C 1 cos ( ω t ) + C 2 sin ( ω t ) ) x(t)=e^{-\frac{c}{2m}t}(C_1\cos(\omega t)+C_2\sin(\omega t)) x(t)=e−2mct(C1cos(ωt)+C2sin(ωt))因为指数项 e − c 2 m t e^{-\frac{c}{2m}t} e−2mct的系数 − c 2 m < 0 -\frac{c}{2m}\lt0 −2mc<0,随着时间 t t t的增加,整个解的幅值会逐渐减小,系统是渐近稳定的,这对应于欠阻尼的情况,质量块会围绕平衡位置振荡,且振荡幅度逐渐减小。
-
若假设c<0(不符合实际物理情况):在特征值公式中, ( c m ) 2 − 4 k s m (\frac{c}{m})^2 - 4\frac{k_s}{m} (mc)2−4mks的结果可能会使特征值出现正实部。例如,当 c c c为负且绝对值足够大时,求根公式中的 − c m ± ( c m ) 2 − 4 k s m 2 \frac{-\frac{c}{m}\pm\sqrt{(\frac{c}{m})^2 - 4\frac{k_s}{m}}}{2} 2−mc±(mc)2−4mks会有一个值为正。此时系统的解中会有一项随着时间 t t t的增加而无限增长,系统是不稳定的。这从反面说明了只有符合物理实际的参数取值,使得特征值满足一定条件,才能保证系统的稳定性。
五、特征值决定稳定性的物理意义
5.1 能量耗散与稳定性
在弹簧 - 质量 - 阻尼系统中,阻尼力起到了能量耗散的作用。当特征值实部为负时,系统处于渐近稳定状态。在欠阻尼和临界阻尼情况下,阻尼力将系统的机械能逐渐转化为热能等其他形式的能量,使得质量块的运动逐渐衰减,最终回到平衡位置。在过阻尼情况下,虽然没有振荡,但阻尼力同样持续消耗能量,使质量块缓慢停止运动,确保系统稳定。
5.2 无阻尼状态下的系统特性
当阻尼系数 c = 0 c = 0 c=0时,系统变为无阻尼的弹簧 - 质量系统。此时特征值为纯虚数,系统的解为等幅振荡形式,即 x ( t ) = C 1 cos ( ω 0 t ) + C 2 sin ( ω 0 t ) x(t)=C_1\cos(\omega_0t)+C_2\sin(\omega_0t) x(t)=C1cos(ω0t)+C2sin(ω0t)其中 ω 0 = k s m \omega_0=\sqrt{\frac{k_s}{m}} ω0=mks系统处于临界稳定状态,因为系统的能量在动能和弹性势能之间不断转换,没有能量耗散,所以质量块会一直围绕平衡位置做等幅振荡。
5.3 违背物理规律的不稳定情况
若假设阻尼系数 c < 0 c\lt0 c<0,这在物理上意味着阻尼器不仅不消耗能量,反而为系统提供能量,这与实际物理规律相悖。从特征值角度看,这种情况下可能出现正实部的特征值,导致系统的解中存在随时间无限增长的项,系统变得不稳定。这进一步强调了特征值与物理实际的紧密联系,只有符合物理规律的参数取值和特征值分布,才能保证系统的稳定运行。
六、结论
通过对弹簧 - 质量 - 阻尼系统的深入分析,我们从数学和物理两个层面透彻理解了特征值决定稳定性的原因。特征值的实部和虚部共同决定了系统的动态响应和稳定性。负实部特征值对应系统的渐近稳定,体现了系统中能量耗散机制对稳定性的保障作用;纯虚数特征值对应临界稳定,反映了无能量耗散时系统的等幅振荡特性;而正实部特征值(在不符合物理实际参数取值时出现)则导致系统不稳定,凸显了特征值与物理规律的一致性。
在实际工程和科学研究中,准确分析系统的特征值是判断系统稳定性的关键。通过合理调整系统参数,如弹簧 - 质量 - 阻尼系统中的质量 m m m、弹簧弹性系数 k s k_s ks和阻尼系数 c c c,使特征值分布在合适的区域,能够有效优化系统性能,确保系统稳定可靠运行。
相关文章:
深入理解特征值与稳定性密码:以弹簧 - 质量 - 阻尼典型二阶系统为例
从看特征值决定稳定性的原因 摘要 本文以弹簧 - 质量 - 阻尼系统这一典型二阶系统为研究对象,深入剖析特征值决定系统稳定性的内在原因。通过详细的数学推导和直观的物理意义阐释,全面揭示了特征值与系统稳定性之间的紧密关联,为理解和分析…...
python pandas 读取合并单元格并保留合并信息
读取合并单元格并保留合并信息 当我们只是使用 pandas 的 read_excel 方法读取 Excel 文件时,我们可能会遇到一个很棘手的问题:合并单元格的信息将会丢失,从而导致我们的数据出现重复或缺失的情况。 在本篇文章中将介绍使用 pandas 正确地读…...
Go-Gin Web 框架完整教程
1. 环境准备 1.1 Go 环境安装 Go 语言(或称 Golang)是一个开源的编程语言,由 Google 开发。在开始使用 Gin 框架之前,我们需要先安装 Go 环境。 安装步骤: 访问 Go 官网下载页面:https://golang.org/dl…...
机器学习专业毕设选题推荐合集 人工智能
目录 前言 毕设选题 开题指导建议 更多精选选题 选题帮助 最后 前言 大家好,这里是海浪学长毕设专题! 大四是整个大学期间最忙碌的时光,一边要忙着准备考研、考公、考教资或者实习为毕业后面临的升学就业做准备,一边要为毕业设计耗费大量精力。学长给大家整理…...
Java程序员 面试如何介绍项目经验?
项目经历是面试过程中重点问的,但是很多人在回答的时候往往会有问题: 重点是介绍项目,而忽略了个人的经历。 经历是你做了什么、你怎么做的、做完后的结果。例如:项目中的哪些部分是你做的?你是不是核心人员…...
YONBIP后端环境搭建-IDEA
1、IDEA环境搭建 1.1、插件安装 打开设置窗口,添加自定义插件存储库路径。 https://nccdev.yonyou.com/ide/idea/latest/updatePlugin.xml 在 Marketplace 中搜索 YonBuilder Premium开发者工具 ,点击安装。 1.2、Home配置 点击Home配置按钮…...
Java 微服务实用指南(一)
Java 微服务:基础 要真正理解 Java 微服务,就必须从最基本的东西开始:为人诟病的 Java 大型单体应用是什么,它的优点和缺点是什么。 什么是 Java 大型单体应用? 假设你正在为一家银行或一家金融科技初创公司工作。你为…...
Windows图形界面(GUI)-QT-C/C++ - QT Frame
公开视频 -> 链接点击跳转公开课程博客首页 -> 链接点击跳转博客主页 目录 一、概述 二、使用场景 1. 分隔内容区域 2. 装饰性边框 3. 自定义控件容器 三、常见样式 1. 框架形状(Shape) 2. 框架阴影(Shadow)…...
优选算法合集————双指针(专题二)
好久都没给大家带来算法专题啦,今天给大家带来滑动窗口专题的训练 题目一:长度最小的子数组 题目描述: 给定一个含有 n 个正整数的数组和一个正整数 target 。 找出该数组中满足其和 ≥ target 的长度最小的 连续子数组 [numsl, numsl1, …...
WebSocket协议里客户端发送给服务器的数据会用4字节的掩码循环异或的分析
首先,我需要回顾WebSocket协议中对掩码处理的具体要求。根据RFC 6455,客户端发送到服务器的帧必须使用掩码,而服务器发送的帧不需要掩码。掩码是4字节的,应用于有效载荷数据,每个字节依次与掩码的对应字节异或…...
【字节青训营-9】:初探字节微服务框架 Hertz 基础使用及进阶(下)
本文目录 一、Hertz中间件Recovery二、Hertz中间件跨资源共享三、Hertz 响应四、Hertz请求五、Hertz中间件Session 一、Hertz中间件Recovery Recovery中间件是Hertz框架预置的中间件,使用server.Default()可以默认注册该中间件,为Hertz框架提供panic回复…...
新版AndroidStudio 修改 jdk版本
一、问题 之前,在安卓项目中配置JDK和Gradle的过程非常直观,只需要进入Android Studio的File菜单中的Project Structure即可进行设置,十分方便。 如下图可以在这修改JDK: 但是升级AndroidStudio之后,比如我升级到了Android Stu…...
cocos spine执行动画报错Cannot read properties of null (reading ‘data‘)
cocos v3.8.3 当想this.spine.setAnimation(0, "action1", false);播放spine动画时报错↓ 解决方法一: 在setAnimation之前调用this.spine.__preload() 解决方法二: 不要让spine或其父节点通过active显隐...
笔记:新能源汽车零部件功率级测试怎么进行?
摘要:本文旨在梳理主机厂对新能源汽车核心零部件功率级测试需求,通过试验室的主流设备仪器集成,快速实现试验方案搭建,并体现测试测量方案的时效性、便捷性优势。目标是通过提升实现设备的有效集成能力、实现多设备测试过程的有效协同、流程化测试,可快速采集、分析当前数…...
【starrocks学习】之将starrocks表同步到hive
目录 方法 1:通过HDFS导出数据 1. 将StarRocks表数据导出到HDFS 2. 在Hive中创建外部表 3. 验证数据 方法 2:使用Apache Spark同步 1. 添加StarRocks和Hive的依赖 2. 使用Spark读取StarRocks数据并写入Hive 3. 验证数据 方法 3:通过…...
Linux提权--SUDO提权
sudo 是 Linux 中常用的特权管理工具,允许普通用户以其他用户(通常是 root 用户)的身份运行命令。如果配置不当,攻击者可能通过滥用 sudo 权限来提升自己的权限。 一.常见的 sudo 提权方法: 误配置的 sudo 权限&…...
【AIGC提示词系统】基于 DeepSeek R1 + Claude 的新年运势占卜系统设计与实现
提示词在最下方 DeepSeek R1调试了整体的提示词,使用Claude进行渲染 引言 在人工智能与传统文化交融的今天,如何让 AI 充分理解并传递东方玄学文化的精髓,成为一个极具挑战性的课题。本文将详细介绍一个基于 Claude 的新年运势占卜系统的设计…...
11. Global Object 全局对象的使用
Global Object 全局对象 1 引言2 制作全局对象3 调用全局对象4 扩展使用1 引言 全局对象适用于大量重复的对象,比如阀门,电机等,如果这些设备的基本逻辑与状态都是一样的,那么就可以使用全局对象的方法来做HMI,省时省力。并且在后期修改的时候只需要修改全局对象即可。 …...
Java synchronized锁升级
偏向锁、轻量级锁和重量级锁是Java中synchronized关键字的三种锁状态,用于优化多线程环境下的性能。以下是它们的简要说明: 1. 偏向锁(Biased Locking) 目的:减少无竞争时的锁开销。适用场景:只有一个线程…...
【Hadoop】Hadoop的HDFS
这里写目录标题 HDFS概述HDFS产出背景及定义HDFS产生背景HDFS定义 HDFS优缺点HDFS优点HDFS缺点 HDFS组成架构HDFS文件块大小 HDFS的Shell操作常用命令实操准备工作上传下载HDFS直接操作 HDFS的API操作客户端环境准备HDFS的API案例实操HDFS文件上传HDFS文件下载HDFS文件更名和移…...
JAVA异步的TCP 通讯-客户端
一、客户端代码示例 import java.io.IOException; import java.net.InetSocketAddress; import java.nio.ByteBuffer; import java.nio.channels.AsynchronousSocketChannel; import java.nio.channels.CompletionHandler; import java.util.concurrent.ExecutorService; impo…...
4.回归与聚类算法 4.1线性回归
4.1.1 线性回归的原理 1 线性回归应用场景: 房价预测 销售额度预测 金融:贷款额度预测,利用线性回归以及系数分析因子 2 什么是线性回归 1) 定义:利用回归方程(函数)对一个或者多个自变量…...
联想拯救者开机进入bios
如果你的联想拯救者(Lenovo Legion)笔记本电脑开机后直接进入 BIOS 设置界面,可能是以下原因之一导致的。以下是解决方法: 1. 检查启动顺序 进入 BIOS 后,找到 Boot(启动)选项卡。检查启动顺序…...
【贪心算法篇】:“贪心”之旅--算法练习题中的智慧与策略(四)
✨感谢您阅读本篇文章,文章内容是个人学习笔记的整理,如果哪里有误的话还请您指正噢✨ ✨ 个人主页:余辉zmh–CSDN博客 ✨ 文章所属专栏:贪心算法篇–CSDN博客 文章目录 前言例题1.合并区间2.无重叠的区间3.用最少数量的箭引爆气球…...
Junit5使用教程(3)
第三部分:JUnit 5 进阶 3. 动态测试 一、动态测试是什么? 动态测试(Dynamic Test)允许在运行时生成测试用例,而不是在编译时通过 Test 静态定义。它通过 TestFactory 注解标记的方法动态生成一组测试用例࿰…...
WPS中解除工作表密码保护(忘记密码)
1.下载vba插件 项目首页 - WPS中如何启用宏附wps.vba.exe下载说明分享:WPS中如何启用宏:附wps.vba.exe下载说明本文将详细介绍如何在WPS中启用宏功能,并提供wps.vba.exe文件的下载说明 - GitCode 并按照步骤安装 2.wps中点击搜索,输入开发…...
通向AGI之路:人工通用智能的技术演进与人类未来
文章目录 引言:当机器开始思考一、AGI的本质定义与技术演进1.1 从专用到通用:智能形态的范式转移1.2 AGI发展路线图二、突破AGI的五大技术路径2.1 神经符号整合(Neuro-Symbolic AI)2.2 世界模型架构(World Models)2.3 具身认知理论(Embodied Cognition)三、AGI安全:价…...
kamailio-osp模块
该文档详细讲解了如何在Kamailio中配置和使用OSP模块(Open Settlement Protocol Module),以实现基于ETSI标准的安全多边对等互联(Secure Multi-Lateral Peering)。以下是核心内容的总结: 1. 模块功能 OSP模…...
【Linux网络编程】:URL(encode),HTTP协议,telnet工具
🎁个人主页:我们的五年 🔍系列专栏:Linux网络编程 🌷追光的人,终会万丈光芒 🎉欢迎大家点赞👍评论📝收藏⭐文章 Linux网络编程笔记: https://mp.csdn…...
SpringMVC SpringMVC响应 一、数据处理及跳转
1. 结果跳转方式 ①.ModelAndView 设置ModelAndView对象 , 根据view的名称 , 和视图解析器跳到指定的页面 <bean id"templateResolver" class"org.thymeleaf.spring4.templateresolver.SpringResourceTemplateResolver"><property name"p…...
C++SLT(三)——list
目录 一、list的介绍二、list的使用list的定义方式 三、list的插入和删除push_back和pop_backpush_front和pop_frontinserterase 四、list的迭代器使用五、list的元素获取六、list的大小控制七、list的操作函数sort和reversemergeremoveremove_ifuniqueassignswap 一、list的介…...
基于Coze平台实现抖音链接提取文案转小红书文案的智能体开发全流程解析
文章目录 引言:跨平台内容运营的AI解法实例最终效果1. 平台特性对比与转化需求分析1.1 用户画像与内容风格对比1.2 文案转化核心需求2. Coze平台技术架构解析2.1 Coze核心能力矩阵2.2 关键技术组件选型3. 智能体工作流设计3.1 完整处理流程3.2 关键节点说明4. 核心模块实现详解…...
32. 最长有效括号
动态规划 dp[i]表示以i下标为结尾的最长有效括号的长度,取dp[i]中的最大值即可。 i从1开始判断,只有s[i])才需要判断: 如果s[i-1](,那么dp[i]dp[i-2]2,注意判断i-2的范围否则,如果dp[i-1]>0࿰…...
Linux常见问题解决方法--2
如何反爬 后台对访问进行统计,如果单个 IP 访问超过阈值,予以封锁 后台对访问进行统计,如果单个 session 访问超过阈值,予以封锁 后台对访问进行统计,如果单个 userAgent 访问超过阈值,予以封锁 以上的组…...
STM32H7和F7 主要区别
STM32H7和F7系列是STMicroelectronics推出的高性能ARM Cortex-M微控制器系列,二者在性能、外设和用途上有显著区别。以下是它们的主要区别: 1. 内核与性能 STM32H7: 内核:Cortex-M7(单核或双核,部分型号带…...
软件测试丨PyTorch 图像目标检测
随着人工智能和机器学习的飞速发展,图像目标检测技术在各个领域扮演着越来越重要的角色。无论是在安防监控、自动驾驶车辆,还是在医疗影像分析和智能家居中,图像目标检测都发挥着不可或缺的作用。今天,我们将深入探讨其中一种热门…...
利用TensorFlow.js实现浏览器端机器学习:一个全面指南
引言 随着深度学习技术的不断发展,机器学习已从传统的服务器端运算逐渐转向了前端技术。TensorFlow.js 是 Google 推出的一个用于在浏览器中进行机器学习的开源库,它允许开发者在浏览器中直接运行机器学习模型,而无需依赖后端服务器。Tensor…...
全流程安装DeepSeek开源模型
目录 安装Ollama选择大模型安装大模型对话备注 安装Ollama 安装DeepSeek首先需要安装一个Ollama,这个软件相当于运行DeepSeek模型的底层,没有这个底层就没办法跑DeepSeek AI模型。 下载地址: https://ollama.com/点击下载windows版本&…...
VulnHub | Prime - 1
https://vulnhub.com/entry/prime-1,358/https://vulnhub.com/entry/prime-1,358/ 0x01:靶场简介 Prime 1 是 VulHub 中的一台用于 OSCP 考试练习的靶机。通过本靶机,我们可以系统的了解的渗透测试的全流程。本靶机的通关目标如下: Get The…...
实验十 Servlet(一)
实验十 Servlet(一) 【实验目的】 1.了解Servlet运行原理 2.掌握Servlet实现方式 【实验内容】 1、参考课堂例子,客户端通过login.jsp发出登录请求,请求提交到loginServlet处理。如果用户名和密码相同则视为登录成功,…...
寒假刷题Day22
一、2570. 合并两个二维数组 - 求和法 class Solution { public:vector<vector<int>> mergeArrays(vector<vector<int>>& nums1, vector<vector<int>>& nums2) {int i 0, j 0, n1 nums1.size(), n2 nums2.size();int tmp 0;…...
KES数据库实践指南:探索KES数据库的事务隔离级别
引言 前两篇文章我们详细讲解了如何安装KES金仓数据库,并提供了快速查询和搭建基于coze平台的智能体的解决方案。今天,我们的焦点将放在并发控制机制和事务隔离级别上。 本文将通过一系列实验操作,深入探讨KES数据库中的并发控制机制和事务…...
基于STM32的智能加湿器设计(新版本)
目录 1、设计要求 2、系统功能 3、演示视频和实物 4、系统设计框图 5、软件设计流程图 6、原理图 7、主程序 8、总结 🤞大家好,这里是5132单片机毕设设计项目分享,今天给大家分享的是加湿器。设备的详细功能见网盘中的文章《12、基于…...
Electricity Market Optimization 探索系列(三)
本文参考链接link 电网容量规划是一个寻求最优发电容量的过程,找到的最优发电容量能够可靠地满足未来电网的需求 发电机的容量和发电成本呈正相关关系,一台发电机的发电量不能超过其额定发电容量,结合我之前的博客所说的内容,可…...
JAVA进阶之线程
为神马有线程?这玩意儿在干嘛??? 回答这个问题,就先要知道一点点计算机的工作方式。 总所周知,计算机有五部分:输入输出、计算器、存储器、控制器。而在计算机内,CPU、内存、I/O之…...
浙江安吉成新照明电器有限公司分布式光伏发电项目--安科瑞Acrel-1000DP分布式光伏监控系统
安科瑞 崔丽洁 项目背景 随着可再生能源的发展,分布式光伏发电成为重要的能源利用方式。浙江安吉成新照明电器有限公司 3234.465kWp 分布式光伏发电项目应运而生。该公司是螺旋节能灯毛管专业生产企业,于 2007 年 6 月成立,具备全自动生产线、…...
pytorch实现主成分分析 (PCA):用于数据降维和特征提取
人工智能例子汇总:AI常见的算法和例子-CSDN博客 使用 PyTorch 实现主成分分析(PCA)可以通过以下步骤进行: 标准化数据:首先,需要对数据进行标准化处理,确保每个特征的均值为 0,方差…...
2025_2_4 C语言中关于free函数及悬空指针,链表的一级指针和二级指指针
1.free函数 free函数所接受的参数只能是动态分配出来的内存,,否者free的行为是未定义的同一片内存空间不能被free两次 free过后的内存可能会引发悬空指针的问题 2.悬空指针 悬空指针的问题主要是free过后的内存空间,原先指向这片空间的指…...
pytorch逻辑回归实现垃圾邮件检测
人工智能例子汇总:AI常见的算法和例子-CSDN博客 完整代码: import torch import torch.nn as nn import torch.optim as optim from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.model_selection import train_test_split …...
一次线程数超限导致的hive写入hbase作业失败分析
1.集群配置 操作系统:SuSe操作系统 集群节点:100台相同配置的服务器 单台:核心112Core,内存396G 2.问题现象 现象1:跑单个入库任务报错,批量提交任务后出现OOM异常 执行12个hivesql,将数据写入hbase.hbase入库有近一半的任务报错。 每次报错的任务不是同一个,hivesql…...