当前位置: 首页 > news >正文

学习笔记-系统框图传递函数公式推导

目录

*待了解

现代控制理论和自动控制理论区别

自动控制系统的组成

信号流图

1、系统框图

1.1、信号线、分支点、相加点

1.2、系统各环节间的连接

1.3、 相加点和分支点的等效移动(比较点、引出点)

2、反馈连接公式推导

2.1、前向通路传递函数 

2.2、反馈回路传递函数&开环传递函数 Open-loop Transfer Function

2.3、闭环传递函数 Closed-loop Transfer Function 假设N(s)=0

2.4、误差传递函数

2.5、输出对扰动的传递函数 假设R(s)=0 

2.6、误差对扰动的传递函数 假设R(s)=0

3、闭环系统的特征方程



*待了解

自控原理- CSDN搜索  (系列非常棒!必看)

系统的状态空间方程或传递函数矩阵

【现控理论】(一、系统的传递函数矩阵)----学习笔记-CSDN博客

第三讲 控制系统的复域数学模型(传递函数) - 知乎 (zhihu.com)

现代控制理论和自动控制理论区别

下列文字描述cr:文心一言

现代控制理论和自动控制理论在多个方面存在显著的区别。以下是对两者区别的详细阐述:

一、定义与范畴

  • 自动控制:自动控制是指在没有人直接参与的情况下,利用外加的设备或装置(称为控制装置或控制器),使机器、设备或生产过程(统称为被控对象)的某个工作状态或参数(即被控制量)自动地按照预定的规律运行。这是控制理论的基础和核心,涵盖了从简单到复杂的各种控制系统。
  • 现代控制理论:现代控制理论是建立在状态空间法基础上的一种控制理论,它是自动控制理论的一个主要组成部分。该理论更深入地研究控制系统的内部特性,通过状态变量的描述来分析和设计控制系统。

二、理论基础与方法

  • 自动控制理论:自动控制理论的基础较为广泛,包括常微分方程稳定性理论、Fourier变换等,主要使用频率响应法和根轨迹法等图解分析方法。这些方法侧重于系统外部特性的描述和分析。
  • 现代控制理论:现代控制理论则采用了更高级的数学工具,如状态空间分析、泛函分析、微分几何等现代数学分支。它主要通过对系统的状态变量进行描述和分析,使用时间域方法来设计和优化控制系统。这种方法能够更深入地揭示系统的内部特性和动态行为。

三、适用范围与对象

  • 自动控制理论:自动控制理论主要适用于单输入单输出、线性、定常、集中参数的控制系统。这类系统相对简单,易于分析和设计。
  • 现代控制理论:现代控制理论的适用范围要广泛得多,包括多输入多输出、非线性、时变、分布参数的复杂控制系统。它能够处理更广泛、更复杂的控制问题,为设计和构造具有指定性能指标的最优控制系统提供了可能性。

四、性能指标与初始条件处理

  • 自动控制理论:在自动控制理论中,性能指标往往以幅值裕度、相位裕度、超调量、调节时间、阻尼比等频域指标来衡量。这些指标可能不够直观,且难以同时满足多个性能指标的要求。同时,初始条件的处理也相对困难,对高精度的位置、速度等性能指标难以达到要求。
  • 现代控制理论:现代控制理论采用时间最短、能量最少、综合性能指标最优等时间域指标来衡量控制系统的性能。这些指标更直观、更易于接受,且能够同时满足多个性能指标的要求。同时,现代控制理论更易于处理初始条件,能够更容易地达到高精度的位置、速度等性能指标。

五、设计与综合

  • 自动控制理论:在自动控制理论中,设计往往采用分析方法而不是最佳的综合方法。针对某个性能指标,设计方案可能多种多样,且需要丰富的经验和试凑来确定最终的设计方案。此外,设计和实时控制也较难在计算机上实现。
  • 现代控制理论:现代控制理论则采用分析综合方法,设计与分析多为解析和优化计算。这使得设计和实时控制更易于在计算机上实现,且能够设计出具有最优性能指标的综合控制系统。

综上所述,现代控制理论与自动控制理论在定义、理论基础、适用范围、性能指标、设计与综合等方面都存在显著的区别。两者并不是截然对立的,而是相辅相成、互为补充的关系。在实际应用中,应根据具体的要求、目标和环境条件选择适宜的控制理论和方法。

自动控制系统的组成

自动控制理论(1)——自动控制理论概述-CSDN博客

自动控制理论(2)——控制系统的数学模型(微分方程、传递函数)_线性定常系统的初始条件为零则在y=0时的输出为零吗-CSDN博客

信号流图

1、系统框图


 

1.1、信号线、分支点、相加点

定义功能特点cr:文心一言

信号线

  • 定义:信号线是带有箭头的直线,箭头表示信号的传递方向。在直线旁通常会标记信号的时间函数或象函数,以明确信号的具体内容。传递线上标明被传递的信号:指向方块的带箭头的直线表示输入,从方块出来的带箭头的直线表示输出。
  • 功能:信号线用于连接不同的方块,表示信号在系统中的流动路径。指向方块的带箭头的直线表示输入信号,从方块出来的带箭头的直线表示输出信号。
  • 特点:信号线能够清晰地展示信号的流向和所传递的信号内容,是方块图中不可或缺的一部分。

分支点

  • 定义:分支点是将某一信号同时传向系统中所需要各处的位置。从同一位置引出的信号,在数值和性质方面完全相同。
  • 功能:分支点用于表示信号引出或被测量的位置,允许信号在需要的地方进行复制和分发,以满足系统中不同元件对信号的需求。
  • 特点:分支点的存在使得系统能够灵活地处理信号,确保信号能够准确地传递到系统的各个部分。

相加点(也称为比较点)

  • 定义:相加点(也称为比较点)是对两个或两个以上的信号进行代数运算(如相加或相减)的位置。在方块图中,相加点通常用一个圆圈表示,每个箭头上的加号或减号表示信号是进行相加还是相减。
  • 功能:相加点允许系统对多个信号进行合并处理,以生成满足特定需求的复合信号。这种合并处理可以是简单的加法或减法,也可以是更复杂的代数运算。
  • 特点:相加点使得系统能够灵活地处理多个输入信号,生成具有特定特性的输出信号。同时,相邻的相加点可以根据代数运算的交换律、结合律和分配律进行互换、合并或分解,从而简化方块图的结构。

————————————————

1.2、系统各环节间的连接

环节的连接有串联、并联和反馈三种基本形式。

第四讲 控制系统的方框图 (zhihu.com)

 ........................................

自动控制理论(3)——控制系统的数学模型(系统框图和信号流图)_自动控制框图-CSDN博客

1.3、 相加点和分支点的等效移动(比较点、引出点)

第四讲 控制系统的方框图 (zhihu.com) (最详细)

自动控制理论(3)——控制系统的数学模型(系统框图和信号流图)_自动控制框图-CSDN博客

在这里插入图片描述

自动控制原理之系统方块图及其化简_方块图化简-CSDN博客

2、反馈连接公式推导

。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

第四讲 控制系统的方框图 (zhihu.com)

(1)前向通路传递函数

(2)反馈回路传递函数 

(3)开环传递函数 Open-loop Transfer Function

(4)闭环传递函数 Closed-loop Transfer Function

(5)误差传递函数

(6)输出对扰动的传递函数 假设R(s)=0

(7)误差对扰动的传递函数 假设R(s)=0

........................................

2.1、前向通路传递函数 

前向通道是指从输入端到输出端的通道

推导过程cr:文心一言

在控制系统中,当我们考虑一个带有反馈的闭环系统时,通常会有一个参考输入R(s),一个输出C(s),以及一个误差信号E(s)。误差信号E(s)是参考输入R(s)与输出C(s)之间的差值,即E(s)=R(s)−C(s)(在负反馈系统中)。

现在,假设系统中的噪声N(s)=0,这意味着我们没有考虑外部噪声对系统的影响。在这种情况下,我们可以专注于系统的基本反馈机制。

在闭环系统中,输出C(s)是通过将误差信号E(s)送入控制器(或称为补偿器),然后经过系统的前向通道(包括G1​和G2​)来产生的。这里,G1​和G2​是系统前向通道中的传递函数。

由于E(s)=R(s)−C(s),我们可以解出C(s)关于E(s)的表达式:

C(s)=R(s)−E(s)

但在这个问题中,我们关注的是C(s)与E(s)之间的关系,特别是在没有噪声N(s)的情况下。由于系统的输出C(s)是由误差信号E(s)经过前向通道G1​G2​产生的,因此有:

C(s)=G1​G2​⋅E(s)

这里,G1​G2​是前向通道的总传递函数,它将误差信号E(s)转换为输出信号C(s)。

从上式我们可以直接得出:

这就是为什么在N(s)=0的条件下,输出C(s)与误差E(s)之比等价于G1​G2​。这个比例关系反映了系统对误差信号的响应能力,即系统如何通过调整其输出来减小误差。

需要注意的是,这个关系是在没有外部噪声干扰的假设下得出的。在实际系统中,噪声和其他外部因素可能会影响这个关系,但在这个特定的问题中,我们假设这些因素不存在。

 

推导过程cr:文心一言

如果假设仅R(s)=0,那么参考输入信号为零,即没有外部信号要求系统产生输出。然而,在实际情况中,由于噪声N(s)的存在,系统仍然可能产生一定的输出C(s),尽管这个输出可能不是由期望的参考输入引起的。

在带有反馈的闭环系统中,当R(s)=0时,误差信号E(s)将完全由噪声N(s)和系统的反馈机制决定。但是,在大多数标准的反馈控制系统中,噪声N(s)通常不会直接作用在误差信号E(s)上,而是作用在系统的某个环节上,比如直接作用在控制器的输入或系统的前向通道上。

然而,为了回答你的问题,我们可以假设一个简化的场景,其中噪声N(s)直接作用在系统的前向通道上,且紧接在G2​之前(或者我们可以将N(s)视为与G2​串联的一个额外输入)。在这种情况下,由于R(s)=0,误差信号E(s)将主要由噪声N(s)和系统的反馈机制共同决定,但在这个简化的假设下,我们可以暂时忽略反馈对N(s)的直接影响。

那么,输出C(s)将主要由噪声N(s)经过G2​产生。但是,这里需要注意的是,由于反馈机制的存在,实际的C(s)还会受到反馈回路中其他环节(如G1​和反馈增益)的影响。然而,在你的问题中,如果直接询问C(s)与N(s)之比为什么是G2​,这通常是一个简化的或特定条件下的结论。

在严格意义上,当R(s)=0时,C(s)与N(s)之间的关系并不是简单地由G2​决定的,因为反馈回路中的其他环节也会产生影响。但是,如果我们假设噪声N(s)直接且仅通过G2​影响输出(这是一个简化的假设),并且忽略反馈回路中的其他动态效应,那么我们可以说在这个特定条件下,C(s)与N(s)之比近似为G2​。

然而,在实际应用中,这种简化的假设可能并不成立。噪声N(s)可能会以更复杂的方式影响系统,包括通过反馈回路中的其他环节。因此,在分析和设计控制系统时,需要更全面地考虑噪声对系统性能的影响。

。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

「自控原理」2.4 信号流图与梅逊公式、闭环传递函数-CSDN博客

2.2、反馈回路传递函数&开环传递函数 Open-loop Transfer Function

推导过程cr:文心一言 

在控制系统中,反馈回路是一个重要的组成部分,它将系统的输出信号(或输出信号的一部分)反送到参考输入端,以调整系统的性能。在这个问题中,我们关注的是反馈信号B(s)与输出信号C(s)以及误差信号E(s)之间的关系。

首先,我们明确几个关键的定义:

  1. 反馈信号B(s):这是从输出端反送到参考输入端的信号,通常是通过某种反馈机制(如传感器、比较器等)获取的。

  2. 反馈通道传递函数H(s):这是描述反馈信号B(s)与输出信号C(s)之间关系的传递函数,即B(s)=H(s)C(s)。

  3. 误差信号E(s):这是参考输入信号R(s)与输出信号C(s)之间的差值,即E(s)=R(s)−C(s)(在负反馈系统中)。

现在,我们考虑N(s)=0的情况,即没有外部噪声干扰。

在闭环系统中,输出信号C(s)是由前向通道(包括G1​和G2​)和反馈通道(H(s))共同决定的。由于B(s)=H(s)C(s),我们可以将B(s)表示为输出信号C(s)的函数。

然而,在讨论开环传递函数时,我们关注的是在没有反馈(即开环)条件下,系统对输入信号的响应。但在这里,我们实际上是在讨论一个假设性的“开环”关系,即假设我们可以将反馈信号B(s)看作是与误差信号E(s)直接相关的(尽管在真正的开环系统中,反馈是不存在的)。

为了理解这一点,我们注意到在闭环系统中,误差信号E(s)会影响控制器的输出,进而通过前向通道影响输出信号C(s)。同时,输出信号C(s)又通过反馈通道影响误差信号E(s)。这种相互作用使得闭环系统的行为变得复杂。

但是,如果我们假设在某种“开环”分析中(注意这里的“开环”是假设性的,用于理解反馈的作用),反馈信号B(s)直接由误差信号E(s)决定(尽管在实际闭环系统中不是这样),并且我们想知道这个“开环”关系下B(s)与E(s)的比例,那么我们可以这样考虑:

由于B(s)=H(s)C(s),并且在闭环系统中C(s)与E(s)有关(尽管关系复杂),我们可以假设在某种简化的“开环”分析中,C(s)可以表示为E(s)经过前向通道G1​G2​的响应,即C(s)≈G1​G2​E(s)(注意这是一个简化和假设性的关系,用于理解)。

因此,在这个假设性的“开环”分析中,我们有:

B(s)=H(s)C(s)≈H(s)G1​G2​E(s)

从而得出:

E(s)B(s)​≈G1​G2​H(s)

但请注意,这个关系是在假设性的“开环”分析中得出的,它并不真正代表开环系统的行为(因为开环系统没有反馈)。这个关系更多地是用于理解闭环系统中反馈信号与误差信号之间的关系,以及反馈如何影响系统的性能。在实际应用中,我们通常会使用更复杂的分析方法(如根轨迹法、频率响应法等)来分析和设计闭环控制系统。

。。。。。。。

2.3、闭环传递函数 Closed-loop Transfer Function 假设N(s)=0

 推导过程cr:文心一言

  1. 定义有效输入
    • 由于H是负反馈,所以有效输入Reff​(s)是原始输入R(s)减去反馈回来的部分HC(s):

    • 计算输出
      系统的输出C(s)是有效输入Reff​(s)通过G1​G2​的传递结果:

    • 将Reff​(s)的表达式代入上式:

    • 解出C(s)
      为了解出C(s),我们将上式重新整理:

      将含C(s)的项移到等式的一侧:

      提取公因子C(s):

    • 求解传递函数Z(s)
      最后,为了得到传递函数C(s)/R(s)​,我们将上式两边同时除以R(s)并化简:

      由于分子和分母都含有R(s),且R(s)不为零(在正常工作情况下),因此可以约去:

 ...............................................................................................................................................

自动控制理论(3)——控制系统的数学模型(系统框图和信号流图)_自动控制框图-CSDN博客

推导过程cr:文心一言

  1. 定义输入输出关系
    输出C(s)是前向路径(通过G(s))的输出与反馈路径(通过H(s))的输出之差(在负反馈系统中)。因此,我们可以写出以下关系式:

    C(s)=G(s)R(s)−G(s)H(s)C(s)

    这里,G(s)R(s)是前向路径的输出,而G(s)H(s)C(s)是反馈路径的输出(注意,反馈路径的输出先经过H(s),再与前向路径的输出相减)。

  2. 解出C(s)
    为了解出C(s),我们将上式重新整理:

    C(s)+G(s)H(s)C(s)=G(s)R(s)

    提取公因子C(s):

    C(s)[1+G(s)H(s)]=G(s)R(s)

  3. 求解传递函数Z(s)
    为了得到传递函数Z(s)=C(s)/R(s)​,我们将上式两边同时除以R(s)并化简:

    由于分子和分母都含有R(s),且R(s)不为零(在正常工作情况下),因此可以约去:

 。。。。。。。。。。。。。。。。。。。。。。。

推导过程cr:文心一言 

在控制系统中,开环传递函数是一个重要的概念,它描述了在没有反馈(即开环)条件下,系统输入到输出的关系。然而,在讨论闭环系统的性能时,我们经常会用到一个与开环传递函数密切相关的表达式,即闭环传递函数,它描述了闭环系统中输入到输出的关系。

首先,我们明确几个关键的定义:

  1. 前向通道传递函数 G(s):这是从系统输入到输出(不考虑反馈)的传递函数。

  2. 反馈通道传递函数 H(s):这是从输出端反送到参考输入端的信号通道的传递函数。

  3. 开环传递函数:在控制理论中,开环传递函数通常不是直接定义为 H(s)G(s),而是指在没有反馈(即断开反馈回路)时,从输入到输出(通过前向通道)的传递函数。然而,在讨论闭环系统时,我们经常提到的“开环传递函数”实际上是指前向通道传递函数 G(s) 与反馈通道传递函数 H(s) 的乘积 G(s)H(s),在闭环系统的上下文中,这个乘积用于分析系统的稳定性和性能。

  4. 闭环传递函数:这是闭环系统中输入到输出的传递函数,通常表示为 C(s)/R(s)=G(s)/(1+H(s)G(s))。【详细推导过程见前面那一节:R(s)作用下系统闭环传递函数】

现在,我们来解释为什么在开环系统的上下文中(尽管这里实际上是在讨论闭环系统),我们称 H(s)G(s) 为“开环传递函数”:

  • 在闭环系统中,反馈信号 B(s) 是输出信号 C(s) 经过反馈通道 H(s) 得到的,即 B(s)=H(s)C(s)。
  • 这个反馈信号 B(s) 会与参考输入 R(s) 相减,形成误差信号 E(s)=R(s)−B(s)=R(s)−H(s)C(s)。
  • 误差信号 E(s) 随后通过前向通道 G(s) 产生输出信号 C(s)(在闭环系统中,这个 C(s) 是由误差信号和前向通道共同决定的,但在这里我们是在解释开环传递函数的概念)。
  • 如果我们假设暂时断开反馈回路(即开环条件),那么输出信号 C(s) 将仅由输入信号 R(s) 通过前向通道 G(s) 决定。但是,在闭环系统的分析中,我们关心的是反馈对系统的影响,因此引入了 H(s)G(s) 这个乘积来评估反馈的作用。
  • H(s)G(s) 被称为“开环传递函数”(在闭环系统的上下文中)是因为它描述了在没有反馈作用时(即如果我们将 H(s) 视为0),前向通道和反馈通道串联起来对输入信号的响应。然而,需要注意的是,这个“开环传递函数”实际上是在闭环系统的分析中使用的,用于评估系统的稳定性和性能。

综上所述,虽然“开环传递函数”这个术语在字面上可能有些误导(因为它实际上是在闭环系统的分析中使用的),但它在控制理论中是一个非常重要的概念,用于描述前向通道和反馈通道对系统性能的共同影响。

2.4、误差传递函数

推导过程cr:文心一言

  1. 定义输出

    • 系统的输出C(s)是输入R(s)经过G1​和G2​的传递结果,并受到负反馈的影响。但由于我们现在关注的是E(s)与R(s)的关系,我们可以先写出C(s)的表达式(尽管稍后可能不需要直接用它):

      (注意:这个表达式在直接求解E(s)/R(s)时不是必需的,但有助于理解系统的工作方式。)

    • 定义偏差
      根据题目和负反馈的常规理解,我们有:

    • 解出C(s)(可选步骤)
      为了验证或进一步理解系统,我们可以解出C(s)(但这一步对于直接求解Z(s)不是必需的):

    • 求解传递函数Z(s)
      我们现在要求的是Z(s)=E(s)/R(s)​。将E(s)的表达式代入:

      由于我们已经知道(或可以推导出)C(s)=G1​G2​R(s)/[1+G1​G2​H​],我们可以将这个表达式代入上面的Z(s)中:

      化简得:

2.5、输出对扰动的传递函数 假设R(s)=0 

自动控制理论(3)——控制系统的数学模型(系统框图和信号流图)_自动控制框图-CSDN博客

第四讲 控制系统的方框图 (zhihu.com)

推导过程cr:文心一言

实际上,您给出的 G2​/[1+G1​G2​H] 表达式并不是直接从 C(s)/N(s) 的推导中得出的,因为 N(s) 通常是作为一个扰动信号来考虑,而不是系统的主要输入。然而,在某些特定情况下,我们可以通过一些假设和转换来尝试解释这个表达式是如何与系统行为相关的。

首先,我们需要明确一点:在标准的闭环控制系统中,N(s) 通常被视为一个外部扰动,它会影响系统的输出 C(s),但通常不会直接改变系统的闭环增益(即 C(s)/R(s))。然而,N(s) 的影响可以通过系统的闭环响应来观察。

...........................................................................................................................................................

2.6、误差对扰动的传递函数 假设R(s)=0

。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

3、闭环系统的特征方程

第四讲 控制系统的方框图 (zhihu.com)

上面推导出的系统的闭环传递函数和误差传递函数虽然各不相同,但是它们的分母却是一样的。均为:

这是同一个闭环控制系统各种传递函数都具有的分母多项式,称其为系统的特征多项式

在这里,令

结论:

  • 对给定的系统而言,特征多项式是唯一的,即闭环极点的分布是唯一的。
  • 闭环系统的极点与控制系统的瞬态响应和系统的稳定性密切相关。
  • 特征多项式与开环传函相关,因此其动态特性可用开环传函分析

。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

相关文章:

学习笔记-系统框图传递函数公式推导

目录 *待了解 现代控制理论和自动控制理论区别 自动控制系统的组成 信号流图 1、系统框图 1.1、信号线、分支点、相加点 1.2、系统各环节间的连接 1.3、 相加点和分支点的等效移动(比较点、引出点) 2、反馈连接公式推导 2.1、前向通路传递函数…...

C++ - 基于多设计模式下的同步异步⽇志系统

1.项目介绍 项⽬介绍 本项⽬主要实现⼀个⽇志系统, 其主要⽀持以下功能: • ⽀持多级别⽇志消息 • ⽀持同步⽇志和异步⽇志 • ⽀持可靠写⼊⽇志到控制台、⽂件以及滚动⽂件中 • ⽀持多线程程序并发写⽇志 • ⽀持扩展不同的⽇志落地⽬标地 2.开发环境 • Cent…...

git 相关内容

...

ElasticSearch(es)倒排索引

目录 一、ElasticSearch 二、倒排索引 1. 正向索引 2. 倒排索引 具体细节 1. 文档分析 2. 索引构建 3. 索引存储 4. 词条编码 5. 索引优化 6. 查询处理 示例 总结 3. 正向和倒排 三、总结 倒排索引的基本概念 为什么倒排索引快 一、ElasticSearch Elasticsear…...

【自然语言处理】概论(一):自然语言处理概要

1.1 概论:(一)自然语言处理概要 知识点 自然语言的定义:人类交流使用的,包括口语和书面语的信息交流方式。AI的终极目标:使计算机具备理解(听、读)和生成(说、写&#…...

flask 开始

# 导入flask类 from flask import Flask,request,render_template # 使用flask类来创建一个app对象 # __name__ 代表当前app.py 这个模块 app Flask(__name__) # 创建一个路由和视图函数的映射 url http://127.0.0.1:5000/ app.route("/") def hello_word():return …...

仕考网:公务员可以报考军队文职吗?

公务员可以报考军队文职考试,但是需要满足前提条件。 对于已经与国家、地方的用人单位建立劳动关系的社会人才,在获得当前用人单位的许可后才可以申请报考。 在面试过程中,考生必须出示一份由其用人单位出具的且加盖公章的同意报考证明。一…...

Java整理22

1、动态sql 多条件查询 .xml配置文件中sql语句书写<select id"getEmpByCondition",resultType"Emp">select * from t_emp where <if test"empName ! null and empName! ">empName#{empName}</if><if test"age ! nul…...

leetcode 408周赛 3234. 统计 1 显著的字符串的数量

3234. 统计 1 显著的字符串的数量 题目描述 给你一个二进制字符串 s。 请你统计并返回其中 1 显著 的子字符串的数量。 如果字符串中 1 的数量 大于或等于 0 的数量的 平方&#xff0c;则认为该字符串是一个 1 显著 的字符串 。 思路 一个很显然的思路是&#xff0c;我们…...

容器对比虚拟机有哪些不足?

引言 在当今的云计算和微服务架构中&#xff0c;容器技术已成为不可或缺的一部分。它以其轻量级、高效和快速部署的特性&#xff0c;赢得了广大开发者和运维人员的青睐。然而&#xff0c;正如任何技术都有其两面性&#xff0c;容器技术也不例外。本文将对容器技术在安全性、隔离…...

C# 归并排序

栏目总目录 概念 归并排序是一种分而治之的排序算法。它将一个大数组分成两个小数组&#xff0c;递归地对这两个小数组进行排序&#xff0c;然后将排序好的小数组合并成一个有序的大数组。这个过程一直递归进行&#xff0c;直到数组被拆分成只有一个元素的数组&#xff08;自然…...

【请求代理】springboot单机服务基于过滤器Filter实现第三方服务器接口请求代理功能

springboot单机服务基于过滤器Filter实现第三方服务器接口请求代理功能 一、前言二、解决思路三、基于gateway实现四、基于过滤器Filter实现五、问题总结 **注&#xff1a;本文源码获取或者更多资料&#xff0c;关注公众号&#xff1a;技术闲人**一、前言 在项目开发时会遇到w…...

.NET Core异步编程与多线程解析:提升性能与响应能力的关键技术

在.NET Core中&#xff0c;异步编程和多线程是构建高性能应用程序的核心技能。理解这两个概念不仅可以提升应用程序的响应能力&#xff0c;还能优化资源使用。本文将深入剖析异步编程和多线程的关键知识点&#xff0c;提供代码示例&#xff0c;并附上步骤以帮助理解。 1. 异步…...

Photoshop(PS) 抠图简单教程

目录 快速选择 魔棒 钢笔 橡皮擦 蒙版 通道 小结 可以发现&#xff0c;ps逐渐成为必备基础的办公软件。本文让ps新手轻松学会抠图。 快速选择 在抠图之前&#xff0c;先了解下选区的概念。ps中大多数的抠图操作都是基于选区的&#xff0c;先选区再Ctrl J提取选区。而快…...

项目管理中的常用工件(二):可视化工件

项目管理中的常用工件&#xff08;二&#xff09;&#xff1a;可视化工件 亲和图&#xff08;affinity diagram&#xff09;因果图&#xff08;cause-and-effect diagram&#xff09;直方图&#xff08;histogram&#xff09;流程图&#xff08;flowchart&#xff09;散点图&am…...

Git入门与实战:版本控制的艺术

&#x1f341; 作者&#xff1a;知识浅谈&#xff0c;CSDN签约讲师&#xff0c;CSDN博客专家&#xff0c;华为云云享专家&#xff0c;阿里云专家博主 &#x1f4cc; 擅长领域&#xff1a;全栈工程师、爬虫、ACM算法 &#x1f525; 微信&#xff1a;zsqtcyw 联系我领取学习资料 …...

[Mysql-DML数据操作语句]

目录 数据增加&#xff1a;INSERT 全字段插入&#xff1a; 部分字段插入&#xff1a; 一次性添加多条&#xff1a; 数据修改&#xff1a;UPDATE 数据删除&#xff1a;DELECT delete truncate drop 区别 数据增加&#xff1a;INSERT 总体格式&#xff1a;insert into 表…...

Tableau入门|数据可视化与仪表盘搭建

原视频链接&#xff08;up:戴戴戴师兄&#xff09;&#xff0c;文章为笔者的自学笔记&#xff0c;用于复习回顾&#xff0c;原视频下方有原up整理的笔记&#xff0c;更加直观便捷。因为视频中间涉及的细节较多&#xff0c;建议一边操作&#xff0c;一边学习。 整体介绍 可视化…...

API 技术开发分享:连接电商平台数据获取的桥梁

在当今数字化的时代&#xff0c;API&#xff08;Application Programming Interface&#xff0c;应用程序编程接口&#xff09;技术成为了实现不同系统之间通信和数据交换的关键。它就像是一座无形的桥梁&#xff0c;使得各种应用能够相互协作&#xff0c;共享资源&#xff0c;…...

区块链如何助力数字版权保护和内容创作者的权益?

区块链技术可以助力数字版权保护和内容创作者的权益&#xff0c;主要有以下几个方面&#xff1a; 去中心化的版权登记和溯源&#xff1a;区块链可作为一个可信的去中心化数据库&#xff0c;记录并验证数字内容的版权信息。内容创作者可以将自己的作品信息存储在区块链上&#x…...

记一次老旧项目的整体技术升级

最近给公司采购的老旧的 node8 vue2.6 webpack3 npm 项目做构建优化 背景&#xff1a;整个项目 build 一次 20 min &#xff0c;本地冷启动和热更新也忒慢&#xff0c;依赖 npm i 一下也得装个 20 min 众所周知&#xff0c;Node 版本&#xff0c;依赖包管理工具 和 构建工…...

2024年最受欢迎的五大上网审计设备和软件

在2024年的市场上&#xff0c;上网行为审计设备和软件种类繁多&#xff0c;它们帮助企业监控和管理员工的网络活动&#xff0c;确保网络安全并提高工作效率。下面是一些受欢迎的上网行为审计设备和软件。 2024年最受欢迎的上网行为审计设备和软件如下 1.安企神软件&#xff1a…...

sed利用脚本处理文件

一、sed是什么 sed 命令是利用脚本来处理文本文件。它可以依照脚本的指令来处理、编辑文本文件。主要用来自动编 辑一个或多个文件、简化对文件的反复操作、编写转换程序等。 二、sed的原理 读入新的一行内容到缓存空间&#xff1b; 从指定的操作指令中取出第一条指令&…...

泰山派RK3566开发板800x1280MIPI屏设备树补丁

泰山派RK3566开发板800x1280MIPI屏设备树补丁 泰山派下800 X 1280分辨率MIPI屏调试&#xff0c;设备树补丁如下&#xff1a; https://download.csdn.net/download/qq_45143522/89584066 用kernel.patch文件&#xff0c;在泰山派内核源码下打补丁即可完成更新&#xff0c;或者…...

informer中的indexer机制的实现分析与源码解读

1. 背景 client-go工具下的tools/cache.indexer为informer提供缓存与索引的能力。可以实现快速通过索引找到对应的对象(pod, deployment,secret,configmap等)。 indexer再informer机制中的使用图示&#xff1a; indexer包括2部分: 一部分是store用于实际数据的存储&#xff0c;…...

英特尔宣布针对对Llama 3.1进行优化 以提升所有产品的性能

日前Meta正式发布了Llama 3.1开源大模型&#xff0c;以其庞大的参数量和卓越性能&#xff0c;首次在多项基准测试中击败了GPT-4o等业界领先的闭源模型。允许开发者自由地进行微调、蒸馏&#xff0c;甚至在任何地方部署&#xff0c;这种开放性为AI技术的普及和创新提供了无限可能…...

Python3网络爬虫开发实战(1)爬虫基础

一、URL 基础 URL也就是网络资源地址&#xff0c;其满足如下格式规范 scheme://[username:password]hostname[:port][/path][;parameters][?query][#fragment] scheme&#xff1a;协议&#xff0c;常用的协议有 Http&#xff0c;https&#xff0c;ftp等等&#xff1b;usern…...

Redis的五种数据类型与命令

目录 引言 一 Redis的特性 二 Redis的安装 三 Redis的优点 四 Redis的五种数据类型与命令 五 Redis的配置文件 引言 Redis是什么&#xff1f; Remote Dictionary Service(远程字典服务器) Redis 是一个开源的(BSD许可)的&#xff0c;C语言编写的&#xff0c;高性能的数…...

RocketMQ的详细讲解(四种mq的对比(activeMq、rabbitmq、rocketmq、kafka))

20240729 RocketMQ1 mq的三大作用 异步、削峰限流、解耦合2. 四种mq的对比&#xff08;activeMq、rabbitmq、rocketmq、kafka&#xff09;3 rocketmq特点1. 平台无关2. 能提供什么样的功能 4 rocketMq4.1 broker中的标题&#xff0c;来约束读和写4.2 rocketmq的结构4.3 读和写的…...

除了GPT,还有哪些好用的AI工具?

最强AI视频生成&#xff1a;小说文案智能分镜智能识别角色和场景批量Ai绘图自动配音添加音乐一键合成视频百万播放量https://aitools.jurilu.com/ 多得很&#xff0c;这20个免费的国产AI工具&#xff0c;打工人必备&#xff0c;除了比chatGPT好用&#xff0c;甚至还可以用来变现…...

04 | 深入浅出索引(上)

此系列文章为极客时间课程《MySQL 实战 45 讲》的学习笔记&#xff01; 索引的常见模型 可以提供查询效率的数据结构有很多&#xff0c;常见的有三种&#xff1a;哈希表、有序数组、搜索数。 哈希表是一种以 key-value 形式存储的数据结构。输入一个 key&#xff0c;通过固定…...

Linux的yum源安装MySQL5.7

linux的yum源安装MySQL5.7 一、MySQL 1、简介 MySQL 是一种流行的关系型数据库管理系统&#xff08;RDBMS&#xff09;&#xff0c;由瑞典公司 MySQL AB 开发&#xff0c;后来被 Oracle Corporation 收购。它是一个开源软件&#xff0c;提供了高效、稳定和可靠的数据管理解决…...

基于深度学习的音频自监督学习

基于深度学习的音频自监督学习&#xff08;Self-Supervised Learning, SSL&#xff09;是一种利用未标注的音频数据&#xff0c;通过设计自监督任务进行特征学习的方法。这种方法在需要大量标注数据的音频处理任务&#xff08;如语音识别、情感分析等&#xff09;中&#xff0c…...

用uniapp 及socket.io做一个简单聊天app1

####相关的表结构&#xff0c;用的是mysql 用户表&#xff08;Users&#xff09; 存储用户的基本信息。 CREATE TABLE Users (id INT AUTO_INCREMENT PRIMARY KEY,username VARCHAR(50) NOT NULL UNIQUE,password VARCHAR(100) NOT NULL,email VARCHAR(100) UNIQUE,created_a…...

在Postman中引用JS库

前言 在做接口测试时&#xff0c;出于安全因素&#xff0c;请求参数需要做加密或者加上签名才能正常请求&#xff0c;例如&#xff1a;根据填写的请求参数进行hash计算进行签名。postman作为主流的接口调试工具也是支持请求预处理的&#xff0c;即在请求前使用JavaScript脚本对…...

学习笔记-系统框图简化求传递函数公式例题

简化系统结构图求系统传递函数例题 基础知识回顾 第四讲 控制系统的方框图 (zhihu.com) 「自控原理」2.3 方框图的绘制及化简_方框图化简-CSDN博客 自动控制原理笔记-结构图及其等效变换_结构图等效变换-CSDN博客 例子一 「自控原理」2.3 方框图的绘制及化简_方框图化简-CS…...

postgrsql——事务概述

事务概述 事务的特性 原子性&#xff08;Atomicity&#xff09;&#xff1a; 事务被视为一个整体&#xff0c;其中的操作要么全部执行成功&#xff0c;要么全部不执行&#xff0c;即不存在部分执行的情况。这确保了事务的完整性和一致性。一致性&#xff08;Consistency&…...

1.Spring Boot 简介(Spring MVC+Mybatis-plus)

文章目录 一&#xff0c;Spring Boot 简介二&#xff0c;搭建springboot项目并整合mybatis-plus框架1.pom导依赖2.添加启动项3.配置文件.yml 三&#xff0c;springboot集成 Spring MVC1.springmvc定义2.应用注解 一&#xff0c;Spring Boot 简介 SpringBoot是Spring的子工程(或…...

《计算机网络》(学习笔记)

目录 一、计算机网络体系结构 1.1 计算机网络概述 1.1.1 计算机网络的概念 1.1.2 计算机网络的组成 1.1.3 计算机网络的功能 1.1.4 电流交换、报文交换和分组交换 1.1.5 计算机网络的分类 1.1.6 计算机网络的性能指标 1.2 计算机网络体系结构与参考模型 1.2.1 计算机…...

指针函数和函数指针

函数名在表达式中应该如何被解读&#xff1f;答&#xff1a;函数名可以在表达式中被解读成“指向该函数的指针”。 函数指针和指针函数有什么区别&#xff1f;答&#xff1a;函数指针是一个指向函数的指针&#xff1b;指针函数是一个返回指针变量的函数。 一个函数能否有时候…...

Elasticsearch跨集群搜索

Elasticsearch&#xff08;简称ES&#xff09;是一种基于Lucene的搜索引擎&#xff0c;以其高性能、可扩展性和实时搜索能力而广受欢迎。在大型分布式系统中&#xff0c;跨集群搜索成为了一个重要的需求&#xff0c;它允许用户从多个Elasticsearch集群中联合查询数据&#xff0…...

基于FPGA的数字信号处理(19)--行波进位加法器

1、10进制加法是如何实现的&#xff1f; 10进制加法是大家在小学就学过的内容&#xff0c;不过在这里我还是帮大家回忆一下。考虑2个2位数的10进制加法&#xff0c;例如&#xff1a;15 28 43&#xff0c;它的运算过程如下&#xff1a; 个位两数相加&#xff0c;结果为5 8 1…...

树莓派下,centos7操作系统, TensorFlow java版实现植物分类功能

在树莓派上运行CentOS 7,并使用TensorFlow Java版本实现植物分类功能可以通过以下步骤实现。以下是详细的指导: 一、安装和设置环境 1. 更新系统并安装基本工具 确保你的CentOS 7系统是最新的,并安装必要的工具: sudo yum update -y sudo yum install -y wget unzip gi…...

开源一个react路由缓存库

Github仓库 背景 产品希望可以像浏览器那样每打开一个路由&#xff0c;会多一个tab&#xff0c;用户可以切换tab访问之前加载过的页面&#xff0c;且不会重新加载。真就产品一句话…… Github上有轮子了吗 Github上开箱即用的轮子是基于react-router-dom V5实现的&#xff…...

go-kratos 学习笔记(7) 服务发现服务间通信grpc调用

服务发现 Registry 接口分为两个&#xff0c;Registrar 为实例注册和反注册&#xff0c;Discovery 为服务实例列表获取 创建一个 Discoverer 服务间的通信使用的grpc&#xff0c;放到data层&#xff0c;实现的是从uses服务调用orders服务 app/users/internal/data.go 加入 New…...

SPSS个人版是什么软件

SPSS是一款数据统计、分析软件&#xff0c;它由IBM公司出品&#xff0c;这款软件平台提供了文本分析、大量的机器学习算法、数据分析模型、高级统计分析功能等&#xff0c;软件易学且功能非常强大&#xff0c;可以使用SPSS制作图表&#xff0c;例如柱状、饼状、折线等图表&…...

Minos 多主机分布式 docker-compose 集群部署

参考 docker-compose搭建多主机分布式minio - 会bk的鱼 - 博客园 (cnblogs.com) 【运维】docker-compose安装minio集群-CSDN博客 Minio 是个基于 Golang 编写的开源对象存储套件&#xff0c;虽然轻量&#xff0c;却拥有着不错的性能 中文地址&#xff1a;MinIO | 用于AI的S3 …...

Unity + Hybridclr + Addressable + 微信小程序 热更新报错

报错时机&#xff1a; Generate All 怎么All 死活就是报错 生成微信小程序&#xff0c;并启动后 报错内容&#xff1a; MissingMethodException:AoT generic method notinstantiated in aot.assembly:Unity.ResourceManager:dll, 原因&#xff1a; Hybridclr 开发文档 解…...

鸿蒙开发—黑马云音乐之Music页面

目录 1.外层容器效果 2.信息区-发光效果 3.信息区-内容布局 4.播放列表布局 5.播放列表动态化 6.模拟器运行并配置权限 效果&#xff1a; 1.外层容器效果 Entry Component export struct MuiscPage {build() {Column() {// 信息区域Column() {}.width(100%)// .backgroun…...

IsaacLab | 如何在Manipulation任务中添加新的目标(target)

如是我闻&#xff1a; 终于让我给摸索出来了&#xff0c;在这里描述一下问题场景。 假使说我们有一个机械臂操作的任务&#xff0c;这样婶的 Isaac Lab | Push 我们想做多目标的任务&#xff0c;这时候需要向环境中添加第二个目标&#xff0c;像这样 Isaac Lab | Add target 那…...