Linux下的一些资源限制

在我们写程序的时候往往都没有注意到一些系统资源的临界值，然而这些临界值在有的时候会把我们害的很惨，比如一个忘掉关闭的文件描述符，比如malloc竟然会返回错误，又或者是爆栈，我们该如何解决或者说预防这些问题呢？

2022-01-12
阅读151
下载0
9页
docx

卡尔曼滤波的原理

说起Kalman滤波器的历史，最早要追溯到17世纪，Roger Cotes开始研究最小均方问题。但由于缺少实际案例的支撑（那个时候哪来那么多雷达啊啥的这些信号啊），Cotes的研究让人看着显得很模糊，因此在估计理论的发展中影响很小。17世纪中叶，最小均方估计（Least squares Estimation）理论逐步完善，Tobias Mayer在1750年将其用于月球运动的估计，Leonard Euler在1749年、Pierre Laplace在1787分别用于木星和土星的运动估计。Roger Boscovich在1755用最小均方估计地球的大小。

2022-01-12
阅读159
下载0
11页
docx

水下机动目标跟踪技术

水下目标跟踪是海洋国土监视、反潜战等环境下的关键技术。以往的跟踪滤波算法主要基于卡尔曼滤波、扩展卡尔曼滤波等算法，这些方法实现比较复杂，滤波精度不高。最近出现了不敏卡尔曼滤波、粒子滤波、转换瑞利滤波、双多基地跟踪算法等，需要研究这些算法在水下目标跟踪中的性能。总结对比了国内外学者在此领域的研究成果，得出了这些滤波算法在水下目标跟踪中的优缺点。重点论述了纯角度跟踪和非线性滤波算法的发展、在水下目标跟踪中的应用以及多基地声纳跟踪水下目标技术的发展，回顾了机动目标跟踪和多目标数据互联算法。研究表明，非卡尔曼滤波算法能够更高精度地跟踪水下目标，双多基地声纳是今后发展的重点。为今后的研究提供参考。

2022-01-12
阅读185
下载0
9页
docx

同时定位与地图创建综述

SLAM包含两个主要任务，定位和建图。这是移动机器人自主完成作业任务需要解决的基本问题，特别是在未知环境的情况下，移动机器人既要确定自身在环境中的位姿，又要根据确定的位姿来创建所处环境的地图，这是一个相辅相成、不断迭代的过程。因此，SLAM问题是一个复杂的耦合问题，也可以被看作是先有鸡还是鸡蛋的问题[1]。

2022-01-12
阅读149
下载0
8页
docx

如何用卡尔曼滤波来做机器人目标追踪？

滤波，简要来说就是如何过滤掉收到干扰的信号。卡尔曼滤波所做的是从一堆观测数据中，去估计出真实数据样子。举一个简单的例子，就说机器人的目标追踪。人感知这个世界靠的是眼睛，机器人感知这个世界靠的是传感器。机器人通过传感器测量物体位置的时候，传感器可能带来测量误差。例如，之前的文章如何使用高斯分布、高斯混合模型对机器人误差进行建模，我们很有可能由于遮挡、模型的精度不够导致我们测量的小球中心的位置会有些许误差。

2022-01-12
阅读166
下载0
9页
docx

目标跟踪系列——卡尔曼滤波

计算机视觉中的目标跟踪任务，最经典也最常用的一种算法就是卡尔曼滤波，究竟卡尔曼滤波是如何解决目标跟踪问题？本文我们从卡尔曼滤波的基本原理发出，走进算法内部的参数调优，最后用一个C++实现的车辆目标跟踪实例来分析此类目标跟踪算法的问题所在，以及优化方向。

2022-01-12
阅读156
下载0
9页
docx

卡尔曼滤波器介绍与理论分析

卡尔曼滤波常用于动态多变化系统中的状态估计，是一种通用性强的自回归滤波器。它的由来和NASA登月有关。其发明者鲁道夫.E.卡尔曼在一次访问NASA的时候，发现阿波罗计划中一个难点是轨道预测问题，因而提出了一种滤波器，可以帮助高效预测轨迹，辅助导航。NASA最终使用了这个滤波器，然后成功实现人类第一次登月计划。卡尔曼滤波器由此得名。

2022-01-12
阅读169
下载0
8页
docx

卡尔曼滤波在雷达目标跟踪中的应用仿真matlab源码

目标跟踪问题的应用背景是雷达数据处理，即雷达在搜索到目标并记录目标的位置数据，对测量到的目标位置数据（称为点迹）进行处理，自动形成航迹，并对目标在下一时刻的位置进行预测。本文简要讨论了用Kalman滤波方法对单个目标航迹进行预测，并借助于Matlab仿真工具，对实验的效果进行评估。

2022-01-12
阅读151
下载0
9页
docx

上一页 1 …… 9761 9762 9763 9764 9765 9766 9767 9768 9769 9770 9771 …… 16662 下一页共 133292 条



立即登录

没有账户，需要注册

登录用户可享受以下权益

免费下载方案
服币提现
发布方案得服币
交易分成

精品推荐

工业时序基础大模型技术发展综述

时序大模型是面向时间序列数据的基础大模型，以 Transformer 等架构为核心，通过在海量多领域时序数据上进行预训练，学习时间维度上的通用模式、周期规律与长距离依赖关系。区别于传统时序模型针对单一任务单独训练，时序大模型具备强大的迁移能力，只需少量样本微调或零样本提示，即可适配时序预测、异常检测、缺失值补全、时序分类等下游任务。在工业场景中，它能够直接处理传感器、设备测点产生的海量时序信号，挖掘设备状态演变规律，支撑设备故障预警、工况识别与生产趋势预判，为工业智能落地提供底层模型能力。如：中服云的CServerAIR

阅读727
下载8

2026“人工智能+”行业发展蓝皮书

2025年，全球人工智能市场规模达到3909亿美元，中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张，制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初，中国日均词元(Token)调用量为1000亿;至2025年底，跃升至100万亿;2026年3月，已突破140万亿，两年增长超千倍。这些数字背后，是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。

阅读2512
下载8

中服云能碳管理平台V5.0

中服云能碳管理系统依托中服云工业物联网底座打造，聚焦工业企业能耗管控与碳资产管理需求。系统整合水、电、气、热等多类能源数据，实现用能实时采集、集中监测、智能分析。依托数字化手段精准核算碳排放总量，助力企业摸清碳排底数、合规完成台账管理。通过节能诊断、能耗优化策略推送，有效降低生产能耗与运营成本。全方位赋能企业绿色低碳转型，筑牢安全生产与节能减排双重发展防线。

阅读2969
下载14

中服设备健康管理系统产品介绍

中服设备健康管理系统依托中服云工业物联网架构搭建，面向工业全品类设备运维场景。融合实时数据采集、状态监测、故障诊断核心能力，全天候掌握设备运行动态。通过边缘计算与 AI 算法分析设备隐患，实现从被动维修向预测性维护升级。有效降低设备故障率、减少停机损失，简化线下运维管理流程。助力工厂实现设备数字化管控，保障产线高效、稳定、安全运行。

阅读2695
下载12

最新上线

智慧校园音频应用方案

教育机构的规模壮大，行政会议频繁，而机构的复杂性与地域的分散性常常使信息传达的周期过长，影响工作内容的执行，更耗费了不少的差旅费。本系统可以召开主会场和所有分会场参加的全网视频会议。利用视频会议系统可以随时召开日常会议，减少差旅会务成本，缩短时间消耗可以打造一个跨区域多人共享、沟通无障碍的工作空间。

阅读64
下载0

中国城市人工智能发展指数报告（2025-2026）

能源转型正以前所未有的速度重塑全球经济发展格局。当前，以新能源为主体的新型电力系统建设正在加快推进，风电、光伏等可再生能源装机规模持续增长，能源生产和消费方式不断发生深刻变化。与此同时，新能源发电的波动性和间歇性也使电力系统对于灵活调节能力提出了更高要求，储能作为支撑能源转型的重要基础设施，正在从新能源发展的“配套环节”逐步成为推动能源体系变革的“关键支柱”