扩展卡尔曼滤波
1.非线性系统的线性化
- 标准卡尔曼滤波 适用于线性化系统，扩展卡尔曼滤波 则扩展到了非线性系统，核心原理就是将非线性系统线性化，主要用的的知识点是 泰勒展开（我另外一篇文章的链接），如下是泰勒展开的公式：
P n ( x ) = f ( a ) + f ′ ( a ) ( x − a ) + f ′ ′ ( a ) 2 ! ( x − a ) 2 + ⋯ + f ( n ) ( a ) n ! ( x − a ) n P_n(x)=f(a)+f'(a)(x-a)+\frac{f''(a)}{2!}(x-a)^2+\cdots+\frac{f^{(n)}(a)}{n!}(x-a)^n Pn(x)=f(a)+f′(a)(x−a)+2!f′′(a)(x−a)2+⋯+n!f(n)(a)(x−a)n - 如下图所示 泰勒展开 公式所示，只看红框部分（不考虑高阶），其本身就是一个线性化的公式。
- 以下是 y = sin ( x ) y\:=\:\sin(x) y=sin(x) 和他的一阶 泰勒展开，显然，他是线性的。
- 结合 泰勒展开 中的描述，一阶泰勒公式只有 在他附近的点上是相对准确的，应注意。
2. 扩展卡尔曼滤波的状态空间方程
2.1 标准卡尔曼滤波的状态空间方程
- 关于标准卡尔曼滤波可以参考问哦的另外一篇文章 标准卡尔曼滤波 。
x k = A x k − 1 + B u k − 1 + w k − 1 / / 状态转移方程 − − − − z k = H x k + v k / / 观测方程 x_k = A x_{k-1} + Bu_{k-1} + w_{k-1} // 状态转移方程\\ ----\\ z_k = Hx_k + v_k //观测方程 xk=Axk−1+Buk−1+wk−1//状态转移方程−−−−zk=Hxk+vk//观测方程
2.1 扩展卡尔曼滤波的状态空间方程
x k = f ( x k − 1 , u k − 1 , w k − 1 ) / / 状态方程 − − − − z k = h ( x k , v k ) / / 观测方程 x_k=f(x_{k-1},u_{k-1}, w_{k-1}) // 状态方程\\ ----\\ z_k=h(x_k, v_k) //观测方程 xk=f(xk−1,uk−1,wk−1)//状态方程−−−−zk=h(xk,vk)//观测方程
- f f f 和 h h h 为非线性函数；
- w k w_k wk: 过程噪声, 假设符合正态分布, w k ∼ N ( 0 , Q ) w_k\sim\mathcal{N}(0,Q) wk∼N(0,Q)， 数学期望为0，误差的协方差矩阵为 Q Q Q
- v k v_k vk: 测量噪声, 假设概率分布符合正态分布， v k ∼ N ( 0 , R ) v_k\sim\mathcal{N}(0,R) vk∼N(0,R),数学期望为0，误差的协方差矩阵为 R R R
3. 状态方程和观测方程的线性化
- 使用 泰勒展开 进行线性化，即在一个点处展开，理想情况是在真实点处展开，但我们并不知道真实点在哪（如果知道就不用卡尔曼滤波了），退而求其次，此时的最优估计点就是 当前时刻的 后验估计，通过在 k − 1 k-1 k−1 时刻的后验估计点展开， 得到 k k k 时刻的状态。
- 状态方程 的线性化
x k = f ( x ^ k − 1 , u k − 1 , 0 ) + A ( x k − x ^ k − 1 ) + W k w k − 1 x_k=f( \hat{\mathbf{x}}_{k-1},u_{k-1}, 0) + A(x_k - \hat{\mathbf{x}}_{k-1}) + W_k w_{k-1} xk=f(x^k−1,uk−1,0)+A(xk−x^k−1)+Wkwk−1- 在原本非线性化的方程（ x k = f ( x k − 1 , u k − 1 , w k − 1 ) x_k=f(x_{k-1},u_{k-1}, w_{k-1}) xk=f(xk−1,uk−1,wk−1) ）中, 是由上一时刻的真实值 x k − 1 x_{k-1} xk−1 得到下一时刻的真实值 x k x_k xk, 但在进行线性化是是没有办法得到真实值的，所以就使用 x k − 1 x_{k-1} xk−1 时刻的 后验估计 处展开。
- A A A：状态转移函数 f f f 对状态 x ^ k − 1 \hat{\mathbf{x}}_{k-1} x^k−1 的雅可比矩阵, 也就是 f f f 在 x ^ k − 1 \hat{\mathbf{x}}_{k-1} x^k−1 这个点求偏导 A = ∂ f ( x ^ k − 1 , u k − 1 , 0 ) ∂ x A=\frac{\partial f(\hat{\mathbf{x}}_{k-1},u_{k-1}, 0)}{\partial x} A=∂x∂f(x^k−1,uk−1,0)，
- W k W_k Wk： f f f 对 w k − 1 w_{k-1} wk−1 的偏导， W k = ∂ f ( x ^ k − 1 , u k − 1 , 0 ) ∂ w W_k=\frac{\partial f(\hat{\mathbf{x}}_{k-1},u_{k-1}, 0)}{\partial w} Wk=∂w∂f(x^k−1,uk−1,0)
- W k w k − 1 W_k w_{k-1} Wkwk−1 符合正态分布数学期望为 0 0 0，协方差矩阵为 W Q W T WQW^T WQWT
W k w k − 1 ∼ N ( 0 , W Q W T ) W_k w_{k-1}\sim\mathcal{N}(0,WQW^T) Wkwk−1∼N(0,WQWT)
- 观测方程的线性化
z k = h ( f ( x ^ k − 1 , u k − 1 , 0 ) , 0 ) + H ( x k − f ( x ^ k − 1 , u k − 1 , 0 ) ) + V v k z_k = h(f( \hat{\mathbf{x}}_{k-1},u_{k-1}, 0),0) + H(x_k - f( \hat{\mathbf{x}}_{k-1},u_{k-1}, 0)) + Vv_k zk=h(f(x^k−1,uk−1,0),0)+H(xk−f(x^k−1,uk−1,0))+Vvk- 同样的在观测方程中也是找不到真实点的，同样是在 k − 1 k-1 k−1 时刻的 后验估计 处展开，得到近似的 真实点 的位置。
- H = ∂ h ( f ( x ^ k − 1 , u k − 1 , 0 ) , 0 ) ∂ x H =\frac{\partial h(f( \hat{\mathbf{x}}_{k-1},u_{k-1}, 0),0) }{\partial x} H=∂x∂h(f(x^k−1,uk−1,0),0)
- V k = ∂ h ( f ( x ^ k − 1 , u k − 1 , 0 ) , 0 ) ∂ v V_k =\frac{\partial h(f( \hat{\mathbf{x}}_{k-1},u_{k-1}, 0),0) }{\partial v} Vk=∂v∂h(f(x^k−1,uk−1,0),0)
- V v k Vv_k Vvk 符合正态分布数学期望为 0 0 0，协方差矩阵为 V R V T VRV^T VRVT
V v k ∼ N ( 0 , V R V T ) Vv_k\sim\mathcal{N}(0,VRV^T) Vvk∼N(0,VRVT)
- 为了方便理解，上面线性化后的公式并没有化简，通常们会写成如下形式：
- 令 x ~ k = f ( x ^ k − 1 , u k − 1 , 0 ) \tilde{x}_k = f( \hat{\mathbf{x}}_{k-1},u_{k-1}, 0) x~k=f(x^k−1,uk−1,0) 状态方程和观测方程就成为如下形式：
x k = x ~ k + A ( x k − x ^ k − 1 ) + W k w k − 1 x_k=\tilde{x}_k + A(x_k - \hat{\mathbf{x}}_{k-1}) + W_k w_{k-1} xk=x~k+A(xk−x^k−1)+Wkwk−1
z k = h ( x ~ k , 0 ) + H ( x k − x ~ k ) + V v k z_k = h(\tilde{x}_k,0) + H(x_k - \tilde{x}_k) + Vv_k zk=h(x~k,0)+H(xk−x~k)+Vvk - 令 z ~ k = h ( x ~ k , 0 ) \tilde{z}_k =h(\tilde{x}_k,0) z~k=h(x~k,0)状态方程和观测方程就成为如下形式： x k = x ~ k + A ( x k − x ^ k − 1 ) + W k w k − 1 x_k=\tilde{x}_k + A(x_k - \hat{\mathbf{x}}_{k-1}) + W_k w_{k-1} xk=x~k+A(xk−x^k−1)+Wkwk−1
z k = z ~ k + H ( x k − x ~ k ) + V v k z_k = \tilde{z}_k + H(x_k - \tilde{x}_k) + Vv_k zk=z~k+H(xk−x~k)+Vvk
- 令 x ~ k = f ( x ^ k − 1 , u k − 1 , 0 ) \tilde{x}_k = f( \hat{\mathbf{x}}_{k-1},u_{k-1}, 0) x~k=f(x^k−1,uk−1,0) 状态方程和观测方程就成为如下形式：
4.扩展卡尔曼滤波的递推流程
- 扩展卡尔曼滤波的递推流程在标准卡尔曼滤波的基础上进行修改我把标准卡尔曼滤波的递推流程也写在此处，方便对比
4.1 标准卡尔曼滤波的递推流程
- 先验估计
x ^ k − = F x ^ k − 1 + B u k − 1 / / 状态的先验估计 \hat{\mathbf{x}}_k^-=\mathbf{F} \hat{\mathbf{x}}_{k-1}+\mathbf{B} \mathbf{u}_{k-1} //状态的先验估计 x^k−=Fx^k−1+Buk−1//状态的先验估计
P k − = F k P k − 1 F k ⊤ + Q k / / 误差协方差矩阵的先验估计 \mathbf{P}_k^-=\mathbf{F}_k\mathbf{P}_{k-1}\mathbf{F}_k^\top+\mathbf{Q}_k // 误差协方差矩阵的先验估计 Pk−=FkPk−1Fk⊤+Qk//误差协方差矩阵的先验估计 - 后验估计
K k = P k − H T H P k − H T + R k / / 卡尔曼增益 K_k=\frac{P_{k}^{-}H^{T}}{HP_{k}^{-}H^{T}+R_k} //卡尔曼增益 Kk=HPk−HT+RkPk−HT//卡尔曼增益
x ^ k = x ^ k − + k k ( z k − H x ^ k − ) / / 后验估计 ( 当前时刻的最优估计 ) \hat{\mathbf{x}}_k = \hat{\mathbf{x}}_k^- + k_k (z_k - H\hat{\mathbf{x}}_k^-) //后验估计(当前时刻的最优估计) x^k=x^k−+kk(zk−Hx^k−)//后验估计(当前时刻的最优估计)
P k = ( I − K k H ) P k − / / 更新误差的协方差矩阵 ; I : 单位矩阵 P_{k}=(I-K_{k}H)P_{k}^{-} // 更新误差的协方差矩阵 ; I:单位矩阵 Pk=(I−KkH)Pk−//更新误差的协方差矩阵;I:单位矩阵
4.2 扩展卡尔曼滤波的递推流程
- 先验估计
x ^ k − = f ( x ^ k − 1 , u k − 1 , 0 ) / / 直接使用非线性的公式进行先验估计 \hat{\mathbf{x}}_k^- = f( \hat{\mathbf{x}}_{k-1},u_{k-1}, 0) //直接使用非线性的公式进行先验估计 x^k−=f(x^k−1,uk−1,0)//直接使用非线性的公式进行先验估计
P k − = F k P k − 1 F k ⊤ + W Q W T / / 误差协方差矩阵的先验估计 \mathbf{P}_k^-=\mathbf{F}_k\mathbf{P}_{k-1}\mathbf{F}_k^\top+WQW^T // 误差协方差矩阵的先验估计 Pk−=FkPk−1Fk⊤+WQWT//误差协方差矩阵的先验估计 - 后验估计
K k = P k − H T H P k − H T + V R V T / / 卡尔曼增益 K_k=\frac{P_{k}^{-}H^{T}}{HP_{k}^{-}H^{T}+VRV^T} //卡尔曼增益 Kk=HPk−HT+VRVTPk−HT//卡尔曼增益
x ^ k = x ^ k − + k k ( z k − h ( x ^ k − , 0 ) ) / / 后验估计 ( 当前时刻的最优估计 ) \hat{\mathbf{x}}_k = \hat{\mathbf{x}}_k^- + k_k (z_k -h(\hat{\mathbf{x}}_k^-,0) ) //后验估计(当前时刻的最优估计) x^k=x^k−+kk(zk−h(x^k−,0))//后验估计(当前时刻的最优估计)
P k = ( I − K k H ) P k − / / 更新误差的协方差矩阵 ; I : 单位矩阵 P_{k}=(I-K_{k}H)P_{k}^{-} // 更新误差的协方差矩阵 ; I:单位矩阵 Pk=(I−KkH)Pk−//更新误差的协方差矩阵;I:单位矩阵
相关文章：
扩展卡尔曼滤波
1.非线性系统的线性化 标准卡尔曼滤波 适用于线性化系统，扩展卡尔曼滤波 则扩展到了非线性系统，核心原理就是将非线性系统线性化，主要用的的知识点是 泰勒展开（我另外一篇文章的链接），如下是泰勒展开的公式…...
【AI News | 20250326】每日AI进展
AI News 1、Gemini 2.5：谷歌DeepMind最智能AI模型亮相 谷歌DeepMind推出Gemini 2.5，其最智能AI模型。首款实验版本Gemini 2.5 Pro在多项基准测试中领先，登顶LMArena榜首，展现卓越的推理与编码能力。该模型为“思考模型”…...
智能汽车图像及视频处理方案，支持视频星轨拍摄能力
美摄科技作为智能汽车图像及视频处理领域的先行者，正以革新性的技术引领着行业的未来发展。美摄科技智能汽车图像及视频处理方案，一个集高效性、智能化、画质增强于一体的创新解决方案，旨在重塑智能汽车图像画质的新标准，并支持前…...
AI-Sphere-Butler之Ubuntu服务器如何部署Nginx代理，并将HTTP升级成HTTPS，用于移动设备访问
环境： AI-Sphere-Butler WSL2 Ubuntu22.04 Nginx 问题描述： AI-Sphere-Butler之Ubuntu服务器如何部署Nginx代理，并将HTTP升级成HTTPS，用于移动设备访问 解决方案： 一、生成加密证书 1.配置OpenSSL生成本地不加…...
SpringBoot项目图片上传成功，访问404
1. 配置文件，静态资源访问路径，记得加上file: 2.上传文件路径 以上配置是正确的，这样才可以正确映射 之前我再配置文件写的是,这是错的， 因为：classpath写法和绝对路径无法匹配 .addResourceLocations("classpat…...
鸿蒙学习笔记（2）-国际化配置、ArkTS简述
一、国际化配置 根据操作系统语言实现手动或者自动切换中英文，提供了多套语言包。编写过程中注意不要将文字写死，将文本放在指定的语言包文件夹中来保存，鸿蒙开发中默认实现中英文的国际化配置。若要实现中英文转化，需要在三个地…...
ES 字段的映射定义了字段的类型及其行为
在 Elasticsearch 中，字段的映射定义了字段的类型及其行为。你提供的 content_answer 字段映射如下： Json 深色版本 "content_answer": { "type": "text", "fields": { "keyword": { …...
游戏引擎学习第183天
回顾和今天的计划 我对接下来的进展感到非常兴奋。虽然我们可能会遇到一些问题，但昨天我们差不多完成了将所有内容迁移到新的日志系统的工作，我们正在把一些内容整合进来，甚至是之前通过不同方式记录时间戳的旧平台层部分，现在也…...
未来二十年的量子计算
在未来二十年间，量子计算领域将迎来翻天覆地的变革，从实验室走向更广阔的应用舞台，重塑众多行业的格局。 在硬件层面，量子芯片的研发将持续精进。超导量子比特技术会不断突破，进一步提升比特数量与质量。当前ÿ…...
SpringBoot通过Map实现天然的策略模式
😊 作者： 一恍过去 💖 主页： https://blog.csdn.net/zhuocailing3390 🎊 社区： Java技术栈交流 🎉 主题： SpringBoot通过Map实现天然的策略模式 ⏱️ 创作时间： 202…...
MTKAndroid12 解决SystemUI下拉框中，长按WIFI图标会导致崩溃问题
解决SystemUI下拉框中，长按WIFI图标会导致崩溃问题 文章目录 场景参考资料修改文件解决方案日志源码分析 总结 场景 在部分产品中偶发性发现， SystemUI下拉框下拉后长按WIFI图标会导致崩溃问题，有时候是截屏、点击Home 按键后，长…...
Springboot 学习 之 Shardingsphere 按照日期水平分表（二）
文章目录 业务场景依赖配置特别注意优劣参考资料 业务场景 在 报表 等 大数据量 且需要 按照日期显示 的业务场景下，按照 日期水平分表 是一个不错的选择 依赖 <parent><groupId>org.springframework.boot</groupId><artifactId>spring-b…...
WordPress超级菜单插件UberMenu v3.78汉化版
一、插件介绍 UberMenu 是一款功能强大的 WordPress 超级菜单插件，能够帮助站长创建响应式、可自定义的多级菜单。该插件支持动态内容加载、图标、图片、搜索框等丰富功能，并且兼容大多数 WordPress 主题。 UberMenu v3.78 经过完整汉化，适用于中文站点用户，让操作更加直观…...
观成科技：海莲花利用MST投递远控木马
概述 “海莲花”，又名“OceanLotus”，该APT组织是长期针对中国境内，且攻击活动十分活跃的组织。近期发现该组织使用了MSI文件滥用的新手法，将远程控制木马植入MST文件来修改MSI文件安装时的执行流程，在安装期间运行恶…...
Node.js系列（5）--数据库操作指南
Node.js数据库操作指南 💾 引言 数据库操作是Node.js应用开发中的关键环节。本文将深入探讨Node.js数据库操作的实现方案，包括连接管理、查询优化、事务处理等方面，帮助开发者构建高效可靠的数据访问层。 数据库操作概述 Node.js数据库操…...
最大异或对 The XOR Largest Pair
题目来自洛谷网站： 思路： 两个循环时间复杂度太高了，会超时。 我们可以先将读入的数字，插入到字典树中，从高位到低位。对每个数查询的时候，题目要求是最大的异或对，所以我们选择相反的路径&am…...
简单介绍My—Batis
1.什么是My—Batis？ My—Batis是一个持久层框架，提供了sql映射功能，能方便的将数据库表和java对象进行映射，通过My—Batis可以将项目中的数据存储在数据库中，以便我们进行调用。值得注意的是My—Batis和spring不是一回…...
案例分享|树莓派媒体播放器，重构商场广告的“黄金三秒”
研究显示，与传统户外广告相比，数字户外广告在消费者心中的记忆率提高了17%，而动态户外广告更是能提升16%的销售业绩，整体广告效率提升了17%。这一显著优势，使得越来越多资源和技术流入数字广告行业。 户外裸眼3D广告 无…...
硬件基础（5）：（3）二极管的应用
文章目录 [toc]1. **整流电路****功能**：**工作原理**：**应用实例**：电路组成：整流过程：电路的应用： 2. **稳压电路****功能**：**工作原理**：**应用实例**：电路组成及功能…...
数据结构之栈的2种实现方式（顺序栈+链栈，附带C语言完整实现源码）
对于逻辑关系为“一对一”的数据，除了用顺序表和链表存储外，还可以用栈结构存储。 栈是一种“特殊”的线性存储结构，它的特殊之处体现在以下两个地方： 1、元素进栈和出栈的操作只能从一端完成，另一端是封闭的…...
vscode终端不识别npm 无法解析npm
vscode 用以管理员打开识别npm vscode 用普通用户打开不识别npm 刚换了一台新电脑，寻思安装各种环境，一顿操作猛如虎，当最后一个打开vscode后，运行项目发现，新建终端>npm run dev 无法识别。 在cmd 中 打node -…...
java泛型的协变、逆变和不变
引言 我们在看开源框架经常会看到泛型来定义数据类型。 有时候， <? extends T> 和 <? super T> 这样带通配符的泛型参数。 这种通配符的泛型是什么意思怎么用？？？？ 概念 型变： 用来描述类…...
effective Java 学习笔记（第二弹）
effective Java 学习笔记（第一弹） 整理自《effective Java 中文第3版》 本篇笔记整理第3，4章的内容。 重写equals方法需要注意的地方 自反性：对于任何非空引用 x，x.equals(x) 必须返回 true。对称性：对于…...
Spring BeanFactoryPostProcessor 和 BeanPostProcessor有什么用？
BeanFactoryPostProcessor 和 BeanPostProcessor 都是 Spring 框架中非常重要的扩展点，我们在开发中可以利用 Spring 容器实例化 Bean、配置 Bean 以及初始化 Bean 的过程中进行自定义的干预。但它们的作用时机和作用对象不同。 1. BeanFactoryPostProcessor: 作用…...
Centos7 Gitlab17部署
确保你的安装源正常 1.安装依赖项 sudo yum install -y curl policycoreutils-python openssh-server openssh-clients postfix 2.安装Gitlab (1)添加仓库 curl https://packages.gitlab.com/install/repositories/gitlab/gitlab-ee/script.rpm.sh | sudo bash (2) 安装Gitl…...
一文解读DeepSeek在工业制造领域的应用
引言 在当今数字化浪潮席卷全球的背景下，各个行业都在积极寻求创新与变革，工业制造领域也不例外。然而，传统工业制造在生产效率、质量控制、成本管理等方面面临着诸多挑战。在这一关键时期，人工智能技术的兴起为工业制造带来了新的…...
基于动态 FOF（基金中的基金）策略的基金交易推荐系统的设计与实现思路
下面为你呈现一个基于动态 FOF（基金中的基金）策略的基金交易推荐系统的设计与实现思路，同时给出一个简单的 Python 示例代码。 系统设计 1. 需求分析 收集各类基金的历史数据，涵盖净值、收益率、风险指标等。依据动态 FOF 策略…...
第一次程序Hello Python
Python环境安装 安装地址 安装地址 https://www.python.org/ 1. 安装Python 下载完成后，双击安装包（如python-3.13.2.exe），按照提示进行安装。在安装过程中，确保勾选“Add Python to PATH”选项，以便在命…...
nvm 切换node 版本 但是没有带星号*
在 Windows 系统中配置 NVM_SYMLINK 环境变量的步骤如下： 1️⃣ 设置变量路径 变量名：NVM_SYMLINK 变量值：建议设置为 C:\Program Files\nodejs（需与后续步骤中 NVM 配置的符号链接路径一致） 2️⃣ 配置系统环境变量…...
Java定时任务的三重境界：从单机心跳到分布式协调
《Java定时任务的三重境界：从单机心跳到分布式协调》 本文将以生产级代码标准，揭秘Java定时任务从基础API到分布式调度的6种实现范式，深入剖析ScheduledThreadPoolExecutor与Quartz Scheduler的线程模型差异，并给出各方案的性能压…...
1.NextJS基础
NextJS注意要点 文件用来定义路由，folder name becomes the route name注意区分客户端渲染和服务器渲染 html渲染完成后给到客户端（此时网页内容已经全部提供），有利于crawler和优化seo逻辑更简单request deduplication减少API请求…...
晶晨/全志/联发科芯片系列电视盒子改固件包教程
声明：对电视盒子进行改包（修改固件包）是一项有一定技术门槛且存在风险的操作，可能会导致盒子变砖、失去保修等问题，同时私自修改固件可能违反相关法律法规和使用协议。以下为你提供一个通用的大致改包教程，…...
2025最新3个wordpress好用的主题
红色大气的wordpress企业主题，适合服务行业的公司搭建企业官方网站使用。是一款专为中小企业和个人开发者设计的WordPress主题，旨在提供专业的网站构建解决方案。 通过此WordPress主题，用户可以轻松创建和维护一个专业的企业网站，…...
GZCTF平台搭建及题目上传
前言 我用手里的Ubuntu虚拟机搭建的，大家根据自己的实际情况来吧 安装及部署 首先，你的虚拟机需要有Docker和Docker-Compose，前者可以看我之前的文章，另外一个可以输入下面的命令安装，注意先获取管理员权限ÿ…...
openGauss关联列数据类型不一致引起谓词传递失败
今天分享一个比较有意思的案例 注意：因为原始SQL很长，为了方便排版，简化了SQL 下面SQL跑60秒才出结果，客户请求优化 select dtcs.owner, dtcs.table_name, dtcs.column_name, dct.commentsfrom dba_tab_columns dtcsleft outer j…...
【网络安全基础学习】渗透测试工具--Burp Suite详细教程
Burp Suite与SniffMaster：网络安全工具的双剑合璧 Burp Suite（简称BP）是一款用于攻击web应用程序的集成平台。它包含了许多工具，并为这些工具设计了许多接口，以促进加快攻击应用程序的过程。然而，除了Burp…...
手机测试，工作中学习
要学习各种机型的截图方式、开发模式在哪。 荣耀机型：截图：关节快速敲两下。开发者模式在“系统和更新”里。 1.出现缺陷，需要获取日志。 学习adb生成日志：当测试中出现缺陷的，使用adb logcat -d > d:/log.txt …...
ctfshow WEB web2
1.查当前数据库名称 or 11 union select 1,database(),3 limit 1,2;#-- 得到数据库名称web2 2.查看数据库表的数量 or 11 union select 1,(select count(*) from information_schema.tables where table_schema web2),3 limit 1,2;#-- 得到数据库表数量为2 3.查表的名字 第…...
大疆上云api介绍
概述 目前对于 DJI 无人机接入第三方云平台，主要是基于 MSDK 开发定制 App，然后自己定义私有上云通信协议连接到云平台中。这样对于核心业务是开发云平台，无人机只是其中一个接入硬件设备的开发者来说，重新基于 MSDK 开发 App 工作量大、成本高，同时还需要花很多精力在无人…...
ASP.NET Web API + VUE3 整合阿里云OSS，后端API生成预签名上传Url，前端VUE进行上传
1、后端API 我用的是.net sdk6，所以先安装了这个Aliyun.OSS.SDK.NetCore 下面是后端生成上传Url的参考代码，主意request.ContentType，如果这里要是设置了，那么前端也要设置成一样的，如果前端是获取文件的contentType&…...
Java基础 3.22
1.break练习 //1-100之内的数求和，求当和第一次大于20的当前数i public class Break01 {public static void main(String[] args) {int n 0;int count 0;for (int i 1; i < 100; i) {count i;System.out.println("当前和为" count);if (count &g…...
如何快速解决 Postman 报错？
介绍一些 Postman 常见的报错与处理方法，希望能够对大家有所帮助。 Postman 一直转圈打不开的问题 Postman 报错处理指南：常见报错与解决方法...
软件性能效率测试工具有哪些?专业第三方软件检测机构推荐
在软件开发的新时代，软件性能效率测试已经成为每个企业不可或缺的一部分。无论是在竞争激烈的市场中，还是在追求卓越用户体验的过程中，都需要进行有效的性能测试。 一、软件性能效率测试的目标 1、响应时间：确保用户请求的响…...
手机销售终端MPR+LTC项目项目总体方案P183（183页PPT）（文末有下载方式）
资料解读：手机销售终端 MPRLTC 项目项目总体方案 详细资料请看本解读文章的最后内容。在当今竞争激烈的市场环境下，企业的销售模式和流程对于其发展起着至关重要的作用。华为终端正处于销售模式转型的关键时期，波士顿 - 华为销售终端 MPRLTC …...
redis使用
redis集群搭建可参考：redis集群搭建-CSDN博客 一、简述 Redis（Remote Dictionary Server）是一个开源的、基于内存的高性能键值对存储系统，通常用作数据库、缓存和消息代理。它支持多种数据结构，包括字符串、哈希、列…...
深入 SVG：矢量图形、滤镜与动态交互开发指南
1.SVG 详细介绍 SVG（Scalable Vector Graphics） 是一种基于 XML 的矢量图形格式，用于描述二维图形。 1. 命名空间 (Namespace) ★ 了解 命名空间 URI：http://www.w3.org/2000/svg 用途：在 XML 或 XHTML 中区分不同标…...
从双指针到单调栈，深挖“接雨水”的算法奥秘
从双指针到单调栈，深挖“接雨水”的算法奥秘 大家好，我是你们熟悉的算法领域大牛Echo_Wish。今天我们聊聊经典题目《接雨水》（Trapping Rain Water），不仅仅是讲解，而是深度对比两种高效解法：双…...
Labview和C#调用KNX API 相关东西
叙述:完全没有听说过KNX这个协议...................我这次项目中也是简单的用了一下没有过多的去研究 C#调用示例工程链接(labview调用示例在 DEBUG文件夹里面) 通过网盘分享的文件：KNX调用示例.zip 链接: https://pan.baidu.com/s/1NQUEYM11HID0M4ksetrTyg?pwd…...
Wireshark网络抓包分析使用详解
序言 之前学计网还有前几天备考华为 ICT 网络赛道时都有了解认识 Wireshark，但一直没怎么专门去用过，也没去系统学习过，就想趁着备考的网络相关知识还没忘光，先来系统学下整理点笔记~ 什么是抓包？抓包就是将网络传输…...
linux命令行工具进阶
文章目录 前言ssh免密登录，免密码登录，公私钥查看与修改IP地址临时修改永久修改 mount临时切换根文件系统永久切换根文件系统loop文件partedinitramfsuboot command line 前言 本文记录了一些不经常用到，但在某个时刻需要用到的一些指令。 免…...