南山二毛
南山二毛

视觉VIO--5.LM和Dogleg的对比与改进

题目1

a. 选用更优的LM策略，使得VINS-Mono在MH-05数据集上收敛速度更快或者精度更高
b. 实现dog-leg算法替换LM算法，并测试替换后的VINS-Mono在MH-05上算法精度

LM算法流程图

初始化LM参数
normal equation求解
更新阻尼因子

视觉VIO--5.LM和Dogleg的对比与改进_第1张图片
解体思路：滑动优化过程中，特别是滑动窗中关键帧数量稳定时，margin掉一帧和新增一帧，优化问题的结构不会产生很大变化，因此上次优化结果可以利用起来用于下一次优化。

具体做法：

  • 代码中记录优化中最后一次good step的lambda值和chi值
  • 新的优化问题，若初始chi值比记录的上次优化结果chi值小，说明上一次结果也是当前问题的初始线性-- 化点）是很好的初值，此时取上一次优化结果的lambda值的一半作为当前优化问题的初始lambda值，使其更接近高斯牛顿法。
  • 若新优化问题chi值更大，说明初始值策略差，取记录的lambda值的两倍作为新问题初始lambda值，使其更新接近最速下降法。

这个方法通过利用历史优化结果来初始化当前问题，在一开始就找到更好的收敛方向，减少向量优值迭代次数，既有更快的收敛速度，另外在迭代次数一定时，往往能优化更深，更接近迭代最优值，精度更高。

Dogleg算法计算了高斯牛顿法结果hgn和梯度下降法结果hsd，然后在置信区域内以一定策略获取hgn和hsd，迭代过程中虽然需要计算更多的中间量，但是其在bad step时不需像LM再次计算Hessio

你可能感兴趣的:(视觉SLAM)

  • 视觉SLAM十四讲学习笔记——第十讲 后端优化（2） 晒月光12138 视觉SLAM十四讲学习笔记slamubuntu
    上文提到考虑全局的后端优化计算量非常大，因此在计算增量方程时，借助H矩阵的稀疏性加速运算。但是随着时间的推移，累积的相机位姿和路标数量还是会导致计算量过大，以上一节的示例代码数据为例：16张图像，共提取到22106个特征点，这些特征点共出现了83718次。对于一个20Hz更新速度，上述的数据量甚至还不到1s的内容，因此在求解大规模定位建图问题时，一定要控制BA的规模。这里主要有两种解决思路：（1）
  • 视觉slam十四讲学习笔记（六）视觉里程计 1 苦瓜汤补钙 视觉SLAM十四讲笔记机器学习ubuntu
    本文关注基于特征点方式的视觉里程计算法。将介绍什么是特征点，如何提取和匹配特征点，以及如何根据配对的特征点估计相机运动。目录前言一、特征点法1特征点2ORB特征FAST关键点BRIEF描述子3特征匹配二、实践：特征提取和匹配三、2D-2D:对极几何1对极约束2本质矩阵3单应矩阵四、实践：对极约束求解相机运动五、三角测量总结前言1.理解图像特征点的意义,并掌握在单幅图像中提取出特征点，及多幅图像中匹
  • 视觉SLAM十四讲学习笔记——第五讲 相机与图像 晒月光12138 视觉SLAM十四讲学习笔记自动驾驶计算机视觉人工智能
    这一讲主要内容就是了解摄像机的成像模型以及OpenCV的使用。1.四种坐标系坐标系基本描述世界坐标系因为摄像机和物体可以随便摆放在空间中的任何位置，所以我们必须用一个固定的坐标系来描述空间中任何物体的位置和摄像机的位置和朝向，这个基准坐标系我们称之为世界坐标系。在计算机视觉中，我们通常把世界坐标系定义为摄像机坐标系或者所观测的物体的中心。摄像机坐标系摄像机坐标系的原点是摄像机的光心，X、Y轴分别平
  • 视觉slam十四讲学习笔记（四）相机与图像 苦瓜汤补钙 视觉SLAM十四讲笔记相机机器学习
    理解理解针孔相机的模型、内参与径向畸变参数。理解一个空间点是如何投影到相机成像平面的。掌握OpenCV的图像存储与表达方式。学会基本的摄像头标定方法。目录前言一、相机模型1针孔相机模型2畸变单目相机的成像过程3双目相机模型4RGB-D相机模型二、图像计算机中图像的表示三、图像的存取与访问1安装OpenCV2存取与访问总结前言前面介绍了“机器人如何表示自身位姿”的问题，部分地解释了SLAM经典模型中
  • ORB-SLAM3运行自制数据集进行定位教程 极客范儿 ORB-SLAM━═━═━◥MR◤━═━═━IMUORB-SLAM3
    目前手上有一个特定的任务，做应急救援的视觉SLAM，目前公共数据集比较少，考虑自建数据集，从网络上爬虫火灾、地震的等手机录制的视屏，应用一些现有成熟ORB-SLAM3系统到这个数据集上看效果，然后根据效果得到一些模型改进思路。文章目录一、系统配置二、制作数据集1、脚本编写2、配置文件编写3、录制视频素材4、修改CMakeLists.txt5、编译运行一、系统配置系统版本ubuntu20.04Ope
  • 视觉SLAM十四讲学习笔记（二）三维空间刚体 苦瓜汤补钙 视觉SLAM十四讲笔记计算机视觉算法
    哔哩哔哩课程连接：视觉SLAM十四讲ch3_哔哩哔哩_bilibili目录一、旋转矩阵1点、向量、坐标系2坐标系间的欧氏变换3变换矩阵与齐次坐标二、实践：Eigen（1）运行报错记录与解决三、旋转向量和欧拉角1旋转向量2欧拉角四、四元数1四元数的定义2四元数的运算3用四元数表示旋转4四元数到旋转矩阵的转换五、实践：Eigen（2）useGeometryvisualizeGeometry总结前言问题
  • 视觉slam十四讲学习笔记（三）李群与李代数 苦瓜汤补钙 视觉SLAM十四讲笔记人工智能学习
    1.理解李群与李代数的概念，掌握SO(3),SE(3)与对应李代数的表示方式。2.理解BCH近似的意义。3.学会在李代数上的扰动模型。4.使用Sophus对李代数进行运算。目录前言一、李群李代数基础1群2李代数的引出3李代数的定义4李代数so(3)5李代数se(3)二、指数与对数映射1SO(3)上的指数映射2SE(3)上的指数映射三、李代数求导与扰动模型1BCH公式与近似形式2SO(3)李代数上的
  • 视觉SLAM十四讲学习笔记（一）初识SLAM 苦瓜汤补钙 计算机视觉人工智能
    目录前言一、传感器1传感器分类2相机二、经典视觉SLAM框架1视觉里程计2后端优化3回环检测4建图5SLAM系统三、SLAM问题的数学表述四、Ubuntu20.04配置SLAM十四讲前言SLAM:SimultaneousLocalizationandMapping同时定位与地图构建（建图）。搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环地的模型。同时储计自己的运动。视觉SLA
  • 【SLAM14讲编译依赖软件源码版本方面等问题汇总】 终问鼎 自动驾驶-SLAMc++自动驾驶buglinuxubuntu
    "逆转鹈鹕”0.视觉SLAM十四讲1.ch3-------Eigen32.ch4-------Sophus2.ch5-------JoinMap3.ch63.1---ceres3.2---g2o4.ch7--视觉里程计5.--ch8associate.py6.--ch9project以下是本人在学习SLAM中遇到的全部问题汇总（主要是依赖和软件方面的）。0.视觉SLAM十四讲1.ch3------
  • 《视觉SLAM十四讲》第九讲前段实践中g2o实践代码报错解决方法 大二哈
    在《视觉SLAM十四讲》中针对于g2o初始化部分代码是无法执行的，在高博的Git上的代码也是无法编译的，会报错：error:nomatchingfunctionforcallto‘g2o::BlockSolver>::BlockSolver(g2o::BlockSolver>::LinearSolverType*&)’定位报错的代码段如下：typedefg2o::BlockSolver>Block
  • 计算机视觉中的Homography单应矩阵应用小结 CS_Zero SLAM计算机视觉CV计算机视觉slam几何学
    计算机视觉中的Homography（单应）矩阵应用小结Homography矩阵在StructurefromMotion(SfM)或三维重建、视觉SLAM的初始化过程有着重要应用，本文总结了单应矩阵出现场景与常见问题求解。文章目录计算机视觉中的Homography（单应）矩阵应用小结单应矩阵的推导单应矩阵的求解与分解位姿问题单应矩阵的推导一般地，单应模型出现的前提条件是空间点分布在同一个平面上，例外
  • 【视觉SLAM十四讲学习笔记】第六讲——状态估计问题 趴抖 视觉SLAM十四讲学习笔记笔记SLAM
    专栏系列文章如下：【视觉SLAM十四讲学习笔记】第一讲——SLAM介绍【视觉SLAM十四讲学习笔记】第二讲——初识SLAM【视觉SLAM十四讲学习笔记】第三讲——旋转矩阵【视觉SLAM十四讲学习笔记】第三讲——旋转向量和欧拉角【视觉SLAM十四讲学习笔记】第三讲——四元数【视觉SLAM十四讲学习笔记】第三讲——Eigen库【视觉SLAM十四讲学习笔记】第四讲——李群与李代数基础【视觉SLAM十四讲
  • 【视觉SLAM十四讲学习笔记】第六讲——非线性最小二乘 趴抖 视觉SLAM十四讲学习笔记笔记SLAM
    专栏系列文章如下：【视觉SLAM十四讲学习笔记】第一讲——SLAM介绍【视觉SLAM十四讲学习笔记】第二讲——初识SLAM【视觉SLAM十四讲学习笔记】第三讲——旋转矩阵【视觉SLAM十四讲学习笔记】第三讲——旋转向量和欧拉角【视觉SLAM十四讲学习笔记】第三讲——四元数【视觉SLAM十四讲学习笔记】第三讲——Eigen库【视觉SLAM十四讲学习笔记】第四讲——李群与李代数基础【视觉SLAM十四讲
  • INDEMIND双目惯性模组运行实时ORB-SLAM3教程 极客范儿 ORB-SLAM━═━═━◥MR◤━═━═━ORB-SLAM3INDEMINDROSubuntu20.04imu
    现在实验室视觉SLAM已经不够满足，所以需要多模态融合，正巧购入高翔博士推荐的INDEMIND双目惯性模组，根据官方例程在中使用ROS接入ORB-SLAM3，这回有SDK及ORB-SLAM3安装过程中的各种常见性问题解决方法及安装细节，与官网教程略有不同，列举所有默认安装的依赖，做以记录。文章目录实验环境一、SDK安装1、SDK下载及准备安装2、安装依赖3、然后使用git下载SDK4、准备安装SD
  • 科普类（双目视觉）——快速索引 JANGHIGH 科普类无人驾驶快速索引自动驾驶
    科普类（双目视觉）——快速索引科普类——双目视觉在无人驾驶汽车中的应用（一）科普类——双目视觉SLAM在无人驾驶汽车中的作用（二）科普类——双目视觉在自动驾驶中存在的问题、挑战以及解决方案（三）科普类——双目视觉系统在无人驾驶汽车中的安装位置（四）科普类——基线的设计对于系统的性能的直接影响（五）科普类——百度Apollo使用的双目系统的硬件型号（六）科普类——进行基线设计、系统测试和优化的立体视
  • 科普类——双目视觉SLAM在无人驾驶汽车中的作用（二） JANGHIGH 科普类无人驾驶汽车人工智能
    科普类——双目视觉SLAM在无人驾驶汽车中的作用（二）在无人驾驶汽车中，视觉SLAM（SimultaneousLocalizationandMapping，即同时定位与地图构建）是一种关键技术，它允许车辆在未知环境中进行自我定位和地图构建。双目视觉系统在视觉SLAM中的应用起到了以下作用：精确定位：双目视觉系统通过计算两幅图像之间的视差，可以提供精确的深度信息。这些信息有助于SLAM算法更准确地估
  • 【ORB-SLAM2源码梳理1】以单目mono_tum.cc为例，构建SLAM系统（含mono_tum.cc、System.cc关键代码解析） Jay_z在造梦 ORB-SLAM2c++slamorb
    文章目录前言一、进入mono_tum.cc1.导入TUM数据集图片：LoadImages()2.构建SLAM系统：System3.系统构建结束，开启跟踪线程1）一帧帧地读取对应路径下的rgb图像：2）将图像帧传入Tracking线程，开始一系列操作（关键）：二、代码导图前言因为对于视觉SLAM而言，单目涉及初始化等步骤，相对于双目和RGBD较为复杂，故从单目学起。学习记录。一、进入mono_tum
  • 手把手带你死磕ORBSLAM3源代码(六十四) LocalMapping.cc LocalMapping Run 安城安 数据库服务器网络运维vimlinuxc语言
    目录一.前言二.代码2.1完整代码一.前言以下是对该方法功能的详细解释：mbFinished被设置为false，表示局部映射过程尚未完成。方法进入一个无限循环，这是因为在视觉SLAM中，局部映射是一个持续进行的过程，需要不断地处理新的关键帧和地图点。通过调用SetAcceptKeyFrames(false)方法，局部映射告诉追踪器（Tracker）它目前正在忙，不应该接受新的关键帧。这是为了确保局
  • 视觉SLAM十四讲|【四】误差Jacobian推导 影子鱼Alexios algorithm机器学习机器人
    视觉SLAM十四讲|【四】误差Jacobian推导预积分误差递推公式ω=12((ωbk+nkg−bkg)+(wbk+1+nk+1g−bk+1g))\omega=\frac{1}{2}((\omega_b^k+n_k^g-b_k^g)+(w_b^{k+1}+n_{k+1}^g-b_{k+1}^g))ω=21((ωbk+nkg−bkg)+(wbk+1+nk+1g−bk+1g))其中，wbkw_b^kw
  • 视觉SLAM十四讲|【六】基于特征匀速模型的重投影误差计算形式 影子鱼Alexios algorithm控制理论机器学习机器人人工智能
    视觉SLAM十四讲|【六】基于特征匀速模型的重投影误差计算形式基本推导方法无时间戳延迟时，残差计算流程：世界坐标系中的第lll个地图点变换到相机坐标系下为flw=[x,y,z]Tf_l^w=[x,y,z]^Tflw=[x,y,z]T变换到相机坐标系下为flci=RcbRwbiT(flw−pwbi)+pcbf_l^{c_i}=R_{cb}R_{wb_i}^T(f_l^w-p_{wb_i})+p_{c
  • 《SLAM十四讲》Ch7编译报错 Prejudices SLAMSLAM
    《SLAM十四讲》Ch7编译报错原因：视觉SLAM书上的程序使用的g2o版本比较旧了，使用的是c++11版本的g2o。而自己在编译g2o的时候编译的是最新版本的g2o，里面大量使用了c++14标准库的一些新特性，比如std::index_sequence等等。而书上的CMakeLists.txt默认使用的是c++11进行cmake编译，所以报错解决：CMakeLists.txt中更改如下：set(
  • openvslam------slam解读系列 xiechaoyi123 SLAM系列slamoptimization
    是什么:openvslam是日本先进工业科技研究（NationalInstituteofAdvancedIndustrialScienceandTechnology）所于2019年5月20日开源的视觉SLAM框架;github源码地址：https://github.com/xdspacelab/openvslam干什么的：先上图：通过不同类型的相机（单目，双目，RGBD，鱼眼或者全景相机）拍摄的序
  • ORB_SLAM3：IMU初始化过程梳理以及自己的理解 追风筝的人～TH ORB_SLAM3计算机视觉人工智能c++
    LocalMapping线程中IMU初始化:1、为什么要进行初始化？因为无法保证世界坐标系（单目初始化参考关键帧）的Z轴正好与重力方向平行，二者有角度，计算该角度的过程就是IMU初始化的过程。2、IMU初始化过程中不断优化尺度，在单目相机的视觉SLAM中，尺度指的是场景中真实物体的物理尺寸与它在相机图像中所对应的像素距离之间的比例关系。在视觉SLAM中，尺度是一个非常重要的概念，因为它决定了相机观
  • 第一个项目总结：双目测距（python代码转为c++代码，最终输出点云图，再转为ros点云图，再实现可视化） zerogin+ c++opencv开发语言
    目录1.双目成像原理2.双目测距python代码3.python代码转为c++代码(1)双目相机参数（2）立体校正（3）立体匹配4.opencv的点云图转为ros点云图1.双目成像原理摘自《视觉SLAM十四讲》2.双目测距python代码(46条消息)双目测距理论及其python实现_python双目测距_javastart的博客-CSDN博客具体过程为：双目标定-->立体校正（含消除畸变）-->
  • SLAM中的二进制词袋生成过程和工作原理 深蓝学院 机器学习人工智能
    长期视觉SLAM(SimultaneousLocalizationandMapping)最重要的要求之一是鲁棒的位置识别。经过一段探索期后，当长时间未观测到的区域重新观测时，标准匹配算法失效。当它们被健壮地检测到时，回环检测提供正确的数据关联以获得一致的地图。用于环路检测的相同方法可用于机器人在轨迹丢失后的重新定位，例如由于突然运动，严重闭塞或运动模糊。词袋的基本技术包括从机器人在线收集的图像中建
  • 【视觉SLAM十四讲学习笔记】第五讲——相机模型 趴抖 视觉SLAM十四讲学习笔记笔记SLAM
    专栏系列文章如下：【视觉SLAM十四讲学习笔记】第一讲——SLAM介绍【视觉SLAM十四讲学习笔记】第二讲——初识SLAM【视觉SLAM十四讲学习笔记】第三讲——旋转矩阵【视觉SLAM十四讲学习笔记】第三讲——旋转向量和欧拉角【视觉SLAM十四讲学习笔记】第三讲——四元数【视觉SLAM十四讲学习笔记】第三讲——Eigen库【视觉SLAM十四讲学习笔记】第四讲——李群与李代数基础【视觉SLAM十四讲
  • 2023-01-04日志 独孤西
    今天学习了惯导的一节课与视觉SLAM视觉里程计的部分知识。惯性导航方面，主要学习了加速度计和陀螺的基本实现原理，了解了不同类型的惯性传感器，区分ISA、IMU、INS，知道了平台式与捷联式的区别，对惯导的精度等级分类也有了了解，并对惯导发展历史进行了学习。视觉里程计方面，主要学习了ORB特征点法的工作原理，了解了对极几何的原理，对视觉里程计的2D-2D估计过程有了更全面的了解。视觉SLAM的数学原
  • 视觉SLAM十四讲|【五】相机与IMU时间戳同步 影子鱼Alexios 机器人机器学习
    视觉SLAM十四讲|【五】相机与IMU时间戳同步相机成像方程Z[uv1]=[fx0cx0fycy001][XYZ]=KPZ\begin{bmatrix}u\\v\\1\end{bmatrix}=\begin{bmatrix}f_x&0&c_x\\0&f_y&c_y\\0&0&1\end{bmatrix}\begin{bmatrix}X\\Y\\Z\end{bmatrix}=KPZuv1=fx000
  • 视觉SALM与激光SLAM的区别 Jiqiang_z LOAM系列阅读笔记SLAM学习笔记机器学习人工智能深度学习
    前言：这里比较一下视觉SLAM和激光SLAM的区别，仅比较其在算法层面上的一些不同，这里拿视觉SLAM算法：ORB-SLAM系列和激光SLAM算法：LOAM系列对比。一：特征提取1.ORB-SLAM（视觉SLAM）ORB-SLAM算法采用ORB特征点，ORB特征点一般提取在角点上面，每一个ORB特征点具有以下信息：位置信息：该ORB特征点所在的图像像素坐标。描述子信息：用来描述该特征点的周围信息。
  • 视觉SLAM和激光SLAM适合的应用领域以及哪个更有前景 稻壳特筑 SLAMSLAM
    目录视觉SLAM的应用领域激光SLAM的应用领域视觉SLAM优势和局限性激光SLAM优势和局限性发展趋势和前景视觉SLAM的应用领域增强现实（AR）和虚拟现实（VR）：视觉SLAM能够提供丰富的视觉信息，有助于在现实世界中叠加虚拟图像，适用于AR眼镜和VR头显。消费电子产品：在智能手机、平板电脑等设备上，视觉SLAM可以用于室内导航、三维建模和交互游戏。机器人：小型或成本敏感的机器人，如家用清洁机
  • 算法 单链的创建与删除 换个号韩国红果果 c算法
    先创建结构体 struct student { int data; //int tag;//标记这是第几个 struct student *next; }; // addone 用于将一个数插入已从小到大排好序的链中 struct student *addone(struct student *h,int x){ if(h==NULL) //??????
  • 《大型网站系统与Java中间件实践》第2章读后感 白糖_ java中间件
           断断续续花了两天时间试读了《大型网站系统与Java中间件实践》的第2章，这章总述了从一个小型单机构建的网站发展到大型网站的演化过程---整个过程会遇到很多困难，但每一个屏障都会有解决方案，最终就是依靠这些个解决方案汇聚到一起组成了一个健壮稳定高效的大型系统。          看完整章内容，
  • zeus持久层spring事务单元测试 deng520159 javaDAOspringjdbc
    今天把zeus事务单元测试放出来,让大家指出他的毛病, 1.ZeusTransactionTest.java 单元测试   package com.dengliang.zeus.webdemo.test; import java.util.ArrayList; import java.util.List; import org.junit.Test; import
  • Rss 订阅 开发 周凡杨 htmlxml订阅rss规范
                    RSS是 Really Simple Syndication的缩写（对rss2.0而言，是这三个词的缩写，对rss1.0而言则是RDF Site Summary的缩写，1.0与2.0走的是两个体系）。   RSS
  • 分页查询实现 g21121 分页查询
    在查询列表时我们常常会用到分页，分页的好处就是减少数据交换，每次查询一定数量减少数据库压力等等。 按实现形式分前台分页和服务器分页： 前台分页就是一次查询出所有记录，在页面中用js进行虚拟分页，这种形式在数据量较小时优势比较明显，一次加载就不必再访问服务器了，但当数据量较大时会对页面造成压力，传输速度也会大幅下降。 服务器分页就是每次请求相同数量记录，按一定规则排序，每次取一定序号直接的数据
  • spring jms异步消息处理 510888780 jms
    spring JMS对于异步消息处理基本上只需配置下就能进行高效的处理。其核心就是消息侦听器容器，常用的类就是DefaultMessageListenerContainer。该容器可配置侦听器的并发数量，以及配合MessageListenerAdapter使用消息驱动POJO进行消息处理。且消息驱动POJO是放入TaskExecutor中进行处理，进一步提高性能，减少侦听器的阻塞。具体配置如下：
  • highCharts柱状图 布衣凌宇 hightCharts柱图
    第一步：导入 exporting.js,grid.js,highcharts.js;第二步：写controller   @Controller@RequestMapping(value="${adminPath}/statistick")public class StatistickController {  private UserServi
  • 我的spring学习笔记2-IoC（反向控制 依赖注入） aijuans springmvcSpring 教程spring3 教程Spring 入门
    IoC（反向控制 依赖注入）这是Spring提出来了，这也是Spring一大特色。这里我不用多说，我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC，下面我将介绍不用Spring的IoC。 IoC不是框架，她是java的技术，如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明： 如：程序中有 Mysql.calss 、Oracle.class 、SqlSe
  • TLS java简单实现 antlove javasslkeystoretlssecure
      1. SSLServer.java package ssl; import java.io.FileInputStream; import java.io.InputStream; import java.net.ServerSocket; import java.net.Socket; import java.security.KeyStore; import
  • Zip解压压缩文件 百合不是茶 Zip格式解压Zip流的使用文件解压
       ZIP文件的解压缩实质上就是从输入流中读取数据。Java.util.zip包提供了类ZipInputStream来读取ZIP文件,下面的代码段创建了一个输入流来读取ZIP格式的文件; ZipInputStream in = new ZipInputStream(new FileInputStream(zipFileName));     &n
  • underscore.js 学习（一） bijian1013 JavaScriptunderscore
            工作中需要用到underscore.js，发现这是一个包括了很多基本功能函数的js库，里面有很多实用的函数。而且它没有扩展 javascript的原生对象。主要涉及对Collection、Object、Array、Function的操作。       学
  • java jvm常用命令工具——jstatd命令(Java Statistics Monitoring Daemon) bijian1013 javajvmjstatd
    1.介绍         jstatd是一个基于RMI（Remove Method Invocation）的服务程序，它用于监控基于HotSpot的JVM中资源的创建及销毁，并且提供了一个远程接口允许远程的监控工具连接到本地的JVM执行命令。         jstatd是基于RMI的，所以在运行jstatd的服务
  • 【Spring框架三】Spring常用注解之Transactional bit1129 transactional
    Spring可以通过注解@Transactional来为业务逻辑层的方法(调用DAO完成持久化动作)添加事务能力，如下是@Transactional注解的定义：   /* * Copyright 2002-2010 the original author or authors. * * Licensed under the Apache License, Version
  • 我(程序员)的前进方向 bitray 程序员
    作为一个普通的程序员,我一直游走在java语言中,java也确实让我有了很多的体会.不过随着学习的深入,java语言的新技术产生的越来越多,从最初期的javase,我逐渐开始转变到ssh,ssi,这种主流的码农,.过了几天为了解决新问题,webservice的大旗也被我祭出来了,又过了些日子jms架构的activemq也开始必须学习了.再后来开始了一系列技术学习,osgi,restful.....
  • nginx lua开发经验总结 ronin47
    使用nginx lua已经两三个月了，项目接开发完毕了，这几天准备上线并且跟高德地图对接。回顾下来lua在项目中占得必中还是比较大的，跟PHP的占比差不多持平了，因此在开发中遇到一些问题备忘一下 1：content_by_lua中代码容量有限制，一般不要写太多代码，正常编写代码一般在100行左右（具体容量没有细心测哈哈，在4kb左右），如果超出了则重启nginx的时候会报 too long pa
  • java-66-用递归颠倒一个栈。例如输入栈{1,2,3,4,5}，1在栈顶。颠倒之后的栈为{5,4,3,2,1}，5处在栈顶 bylijinnan java
    import java.util.Stack; public class ReverseStackRecursive { /** * Q 66.颠倒栈。 * 题目：用递归颠倒一个栈。例如输入栈{1,2,3,4,5}，1在栈顶。 * 颠倒之后的栈为{5,4,3,2,1}，5处在栈顶。 *1. Pop the top element *2. Revers
  • 正确理解Linux内存占用过高的问题 cfyme linux
    Linux开机后，使用top命令查看，4G物理内存发现已使用的多大3.2G，占用率高达80%以上： Mem:   3889836k total,  3341868k used,   547968k free,   286044k buffers Swap:  6127608k total,&nb
  • [JWFD开源工作流]当前流程引擎设计的一个急需解决的问题 comsci 工作流
         当我们的流程引擎进入IRC阶段的时候，当循环反馈模型出现之后，每次循环都会导致一大堆节点内存数据残留在系统内存中，循环的次数越多，这些残留数据将导致系统内存溢出，并使得引擎崩溃。。。。。。       而解决办法就是利用汇编语言或者其它系统编程语言，在引擎运行时，把这些残留数据清除掉。
  • 自定义类的equals函数 dai_lm equals
    仅作笔记使用 public class VectorQueue { private final Vector<VectorItem> queue; private class VectorItem { private final Object item; private final int quantity; public VectorI
  • Linux下安装R语言 datageek R语言 linux
    命令如下：sudo gedit  /etc/apt/sources.list1、deb http://mirrors.ustc.edu.cn/CRAN/bin/linux/ubuntu/ precise/ 2、deb http://dk.archive.ubuntu.com/ubuntu hardy universesudo apt-key adv --keyserver ke
  • 如何修改mysql 并发数(连接数)最大值 dcj3sjt126com mysql
    MySQL的连接数最大值跟MySQL没关系，主要看系统和业务逻辑了   方法一：进入MYSQL安装目录 打开MYSQL配置文件 my.ini 或 my.cnf查找 max_connections=100 修改为 max_connections=1000 服务里重起MYSQL即可 　　方法二：MySQL的最大连接数默认是100客户端登录：mysql -uusername -ppass
  • 单一功能原则 dcj3sjt126com 面向对象的程序设计软件设计编程原则
    单一功能原则[ 编辑]     SOLID 原则 单一功能原则 开闭原则 Liskov代换原则 接口隔离原则 依赖反转原则 查   论   编 在面向对象编程领域中，单一功能原则（Single responsibility principle）规定每个类都应该有
  • POJO、VO和JavaBean区别和联系 fanmingxing VOPOJOjavabean
    POJO和JavaBean是我们常见的两个关键字，一般容易混淆，POJO全称是Plain Ordinary Java Object / Plain Old Java Object，中文可以翻译成：普通Java类，具有一部分getter/setter方法的那种类就可以称作POJO，但是JavaBean则比POJO复杂很多，JavaBean是一种组件技术，就好像你做了一个扳子，而这个扳子会在很多地方被
  • SpringSecurity3.X--LDAP：AD配置 hanqunfeng SpringSecurity
    前面介绍过基于本地数据库验证的方式，参考http://hanqunfeng.iteye.com/blog/1155226，这里说一下如何修改为使用AD进行身份验证【只对用户名和密码进行验证，权限依旧存储在本地数据库中】。   将配置文件中的如下部分删除： <!-- 认证管理器，使用自定义的UserDetailsService，并对密码采用md5加密-->
  • mac mysql 修改密码 IXHONG mysql
    $ sudo /usr/local/mysql/bin/mysqld_safe –user=root & //启动MySQL(也可以通过偏好设置面板来启动)$ sudo /usr/local/mysql/bin/mysqladmin -uroot password yourpassword //设置MySQL密码（注意，这是第一次MySQL密码为空的时候的设置命令，如果是修改密码，还需在-
  • 设计模式--抽象工厂模式 kerryg 设计模式
    抽象工厂模式：     工厂模式有一个问题就是，类的创建依赖于工厂类，也就是说，如果想要拓展程序，必须对工厂类进行修改，这违背了闭包原则。我们采用抽象工厂模式，创建多个工厂类，这样一旦需要增加新的功能，直接增加新的工厂类就可以了，不需要修改之前的代码。     总结：这个模式的好处就是，如果想增加一个功能，就需要做一个实现类，
  • 评"高中女生军训期跳楼” nannan408
       首先，先抛出我的观点，各位看官少点砖头。那就是，中国的差异化教育必须做起来。    孔圣人有云：有教无类。不同类型的人，都应该有对应的教育方法。目前中国的一体化教育，不知道已经扼杀了多少创造性人才。我们出不了爱迪生，出不了爱因斯坦，很大原因，是我们的培养思路错了，我们是第一要“顺从”。如果不顺从，我们的学校，就会用各种方法，罚站，罚写作业，各种罚。军
  • scala如何读取和写入文件内容？ qindongliang1922 javajvmscala
    直接看如下代码： package file import java.io.RandomAccessFile import java.nio.charset.Charset import scala.io.Source import scala.reflect.io.{File, Path} /** * Created by qindongliang on 2015/
  • C语言算法之百元买百鸡 qiufeihu c算法
    中国古代数学家张丘建在他的《算经》中提出了一个著名的“百钱买百鸡问题”，鸡翁一，值钱五，鸡母一，值钱三，鸡雏三，值钱一，百钱买百鸡，问翁，母，雏各几何？ 代码如下： #include <stdio.h> int main() { int cock,hen,chick; /*定义变量为基本整型*/ for(coc
  • Hadoop集群安全性：Hadoop中Namenode单点故障的解决方案及详细介绍AvatarNode wyz2009107220 NameNode
    正如大家所知，NameNode在Hadoop系统中存在单点故障问题，这个对于标榜高可用性的Hadoop来说一直是个软肋。本文讨论一下为了解决这个问题而存在的几个solution。 1. Secondary NameNode 原理：Secondary NN会定期的从NN中读取editlog，与自己存储的Image进行合并形成新的metadata image 优点：Hadoop较早的版本都自带，
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他