- 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)
- 在ubuntu20.04上配置VINS_Fusion(亲测有效,一应俱全)
Waygoer
vins_fusionubuntulinux运维
最近在做科研训练的时候配置了HKUST-Aerial-Robotics实验室的VINS_Fusion代码项目,经历了一些编译报错的问题,在网上查找的时候博客内容良莠不齐,且实质针对性意见不多,于是在此记录下自己配置期间遇到的一些共性问题,留作自己日后参考和大家的交流学习。github网站传送门->https://github.com/HKUST-Aerial-Robotics/VINS-Fusio
- 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
- 使用Kalibr标定相机和IMU(ZED+px4)外参
猫星星
标定自动驾驶人工智能算法
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档使用Kalibr标定相机和IMU(ZED+px4)外参前言一、Kalibr介绍二、CAM-IMU外参标定1.相机内参2.IMU噪声参数3.target(标定板参数)4.bag文件录制5.kalibr:cam-imu联合标定三、运行单目+imu的VINS-Fusion前言本文仅使用kalibr中cam-imu的联合标定,关于camera
- vins-fusion用自己的双目相机时需要修改的参数文件
TYINY
无人机-SLAM-vins无人机-SLAM-T265
https://blog.csdn.net/CSDN_XCS/article/details/91039481感觉这篇更OK。https://blog.csdn.net/sinat_16643223/article/details/115362074似乎订阅的话题也写在这个yaml文件里面了。我发现之前自己用XTDrone的vins-fusion跑的时候也是在yaml文件里面改对应订阅的话题,似乎
- AirSim中运行VIO算法(VINS-Mono)
智能之欣
SLAM环境配置算法自动驾驶人工智能
VINS-Mono在AirSim上跑通文章目录VINS-Mono在AirSim上跑通一IMU参数配置二相机参数设置三AirSim发布数据问题关于相机、IMU内外参的完整解释,可以参考我的另一篇文章:一IMU参数配置根据文章IMUKalibrparametersforAirSim、AirSim仿真IMU内参分析可以得到AirSim中连续时间的IMU随机噪声参数如下:gyro.arwisthegyro
- 【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)-->
- [学习笔记-SLAM篇]Ubuntu16.04下配置VINS-Mono
warningm_dm
SLAM篇
安装环境Ubuntu16.04+ROSkinect+OpenCV3.2.0目录一、ROSkinect安装1.安装ROS2.工作空间建立二、OpenCV安装三、Eigen安装四、ceres安装*五、Docker安装六、MYNT-EYE-VINS-Sample安装七、在MYNT上运行VINS-Mono八、标准数据集运行VINS-Mono九、保存轨迹一、ROSkinect安装注:不同版本的ubuntu系
- VINS前端:特征点追踪
Optimization
参考资料:[1]VINS源码注意:pub_count:不需要特别注意这个系统首先使用goodFeatureToTrack提取角点,然后使用光流跟踪发布的是每帧归一化的特征点坐标的集合以及图像:观测次数小于20的用红点表示,大于20的用蓝点表示.forw_pts:当前特征点的像素坐标集合
- Spring中@Value注解,需要注意的地方
无量
springbean@Valuexml
Spring 3以后,支持@Value注解的方式获取properties文件中的配置值,简化了读取配置文件的复杂操作
1、在applicationContext.xml文件(或引用文件中)中配置properties文件
<bean id="appProperty"
class="org.springframework.beans.fac
- mongoDB 分片
开窍的石头
mongodb
mongoDB的分片。要mongos查询数据时候 先查询configsvr看数据在那台shard上,configsvr上边放的是metar信息,指的是那条数据在那个片上。由此可以看出mongo在做分片的时候咱们至少要有一个configsvr,和两个以上的shard(片)信息。
第一步启动两台以上的mongo服务
&nb
- OVER(PARTITION BY)函数用法
0624chenhong
oracle
这篇写得很好,引自
http://www.cnblogs.com/lanzi/archive/2010/10/26/1861338.html
OVER(PARTITION BY)函数用法
2010年10月26日
OVER(PARTITION BY)函数介绍
开窗函数 &nb
- Android开发中,ADB server didn't ACK 解决方法
一炮送你回车库
Android开发
首先通知:凡是安装360、豌豆荚、腾讯管家的全部卸载,然后再尝试。
一直没搞明白这个问题咋出现的,但今天看到一个方法,搞定了!原来是豌豆荚占用了 5037 端口导致。
参见原文章:一个豌豆荚引发的血案——关于ADB server didn't ACK的问题
简单来讲,首先将Windows任务进程中的豌豆荚干掉,如果还是不行,再继续按下列步骤排查。
&nb
- canvas中的像素绘制问题
换个号韩国红果果
JavaScriptcanvas
pixl的绘制,1.如果绘制点正处于相邻像素交叉线,绘制x像素的线宽,则从交叉线分别向前向后绘制x/2个像素,如果x/2是整数,则刚好填满x个像素,如果是小数,则先把整数格填满,再去绘制剩下的小数部分,绘制时,是将小数部分的颜色用来除以一个像素的宽度,颜色会变淡。所以要用整数坐标来画的话(即绘制点正处于相邻像素交叉线时),线宽必须是2的整数倍。否则会出现不饱满的像素。
2.如果绘制点为一个像素的
- 编码乱码问题
灵静志远
javajvmjsp编码
1、JVM中单个字符占用的字节长度跟编码方式有关,而默认编码方式又跟平台是一一对应的或说平台决定了默认字符编码方式;2、对于单个字符:ISO-8859-1单字节编码,GBK双字节编码,UTF-8三字节编码;因此中文平台(中文平台默认字符集编码GBK)下一个中文字符占2个字节,而英文平台(英文平台默认字符集编码Cp1252(类似于ISO-8859-1))。
3、getBytes()、getByte
- java 求几个月后的日期
darkranger
calendargetinstance
Date plandate = planDate.toDate();
SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd");
Calendar cal = Calendar.getInstance();
cal.setTime(plandate);
// 取得三个月后时间
cal.add(Calendar.M
- 数据库设计的三大范式(通俗易懂)
aijuans
数据库复习
关系数据库中的关系必须满足一定的要求。满足不同程度要求的为不同范式。数据库的设计范式是数据库设计所需要满足的规范。只有理解数据库的设计范式,才能设计出高效率、优雅的数据库,否则可能会设计出错误的数据库.
目前,主要有六种范式:第一范式、第二范式、第三范式、BC范式、第四范式和第五范式。满足最低要求的叫第一范式,简称1NF。在第一范式基础上进一步满足一些要求的为第二范式,简称2NF。其余依此类推。
- 想学工作流怎么入手
atongyeye
jbpm
工作流在工作中变得越来越重要,很多朋友想学工作流却不知如何入手。 很多朋友习惯性的这看一点,那了解一点,既不系统,也容易半途而废。好比学武功,最好的办法是有一本武功秘籍。研究明白,则犹如打通任督二脉。
系统学习工作流,很重要的一本书《JBPM工作流开发指南》。
本人苦苦学习两个月,基本上可以解决大部分流程问题。整理一下学习思路,有兴趣的朋友可以参考下。
1 首先要
- Context和SQLiteOpenHelper创建数据库
百合不是茶
androidContext创建数据库
一直以为安卓数据库的创建就是使用SQLiteOpenHelper创建,但是最近在android的一本书上看到了Context也可以创建数据库,下面我们一起分析这两种方式创建数据库的方式和区别,重点在SQLiteOpenHelper
一:SQLiteOpenHelper创建数据库:
1,SQLi
- 浅谈group by和distinct
bijian1013
oracle数据库group bydistinct
group by和distinct只了去重意义一样,但是group by应用范围更广泛些,如分组汇总或者从聚合函数里筛选数据等。
譬如:统计每id数并且只显示数大于3
select id ,count(id) from ta
- vi opertion
征客丶
macoprationvi
进入 command mode (命令行模式)
按 esc 键
再按 shift + 冒号
注:以下命令中 带 $ 【在命令行模式下进行】,不带 $ 【在非命令行模式下进行】
一、文件操作
1.1、强制退出不保存
$ q!
1.2、保存
$ w
1.3、保存并退出
$ wq
1.4、刷新或重新加载已打开的文件
$ e
二、光标移动
2.1、跳到指定行
数字
- 【Spark十四】深入Spark RDD第三部分RDD基本API
bit1129
spark
对于K/V类型的RDD,如下操作是什么含义?
val rdd = sc.parallelize(List(("A",3),("C",6),("A",1),("B",5))
rdd.reduceByKey(_+_).collect
reduceByKey在这里的操作,是把
- java类加载机制
BlueSkator
java虚拟机
java类加载机制
1.java类加载器的树状结构
引导类加载器
^
|
扩展类加载器
^
|
系统类加载器
java使用代理模式来完成类加载,java的类加载器也有类似于继承的关系,引导类是最顶层的加载器,它是所有类的根加载器,它负责加载java核心库。当一个类加载器接到装载类到虚拟机的请求时,通常会代理给父类加载器,若已经是根加载器了,就自己完成加载。
虚拟机区分一个Cla
- 动态添加文本框
BreakingBad
文本框
<script> var num=1; function AddInput() { var str=""; str+="<input 
- 读《研磨设计模式》-代码笔记-单例模式
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
public class Singleton {
}
/*
* 懒汉模式。注意,getInstance如果在多线程环境中调用,需要加上synchronized,否则存在线程不安全问题
*/
class LazySingleton
- iOS应用打包发布常见问题
chenhbc
iosiOS发布iOS上传iOS打包
这个月公司安排我一个人做iOS客户端开发,由于急着用,我先发布一个版本,由于第一次发布iOS应用,期间出了不少问题,记录于此。
1、使用Application Loader 发布时报错:Communication error.please use diagnostic mode to check connectivity.you need to have outbound acc
- 工作流复杂拓扑结构处理新思路
comsci
设计模式工作算法企业应用OO
我们走的设计路线和国外的产品不太一样,不一样在哪里呢? 国外的流程的设计思路是通过事先定义一整套规则(类似XPDL)来约束和控制流程图的复杂度(我对国外的产品了解不够多,仅仅是在有限的了解程度上面提出这样的看法),从而避免在流程引擎中处理这些复杂的图的问题,而我们却没有通过事先定义这样的复杂的规则来约束和降低用户自定义流程图的灵活性,这样一来,在引擎和流程流转控制这一个层面就会遇到很
- oracle 11g新特性Flashback data archive
daizj
oracle
1. 什么是flashback data archive
Flashback data archive是oracle 11g中引入的一个新特性。Flashback archive是一个新的数据库对象,用于存储一个或多表的历史数据。Flashback archive是一个逻辑对象,概念上类似于表空间。实际上flashback archive可以看作是存储一个或多个表的所有事务变化的逻辑空间。
- 多叉树:2-3-4树
dieslrae
树
平衡树多叉树,每个节点最多有4个子节点和3个数据项,2,3,4的含义是指一个节点可能含有的子节点的个数,效率比红黑树稍差.一般不允许出现重复关键字值.2-3-4树有以下特征:
1、有一个数据项的节点总是有2个子节点(称为2-节点)
2、有两个数据项的节点总是有3个子节点(称为3-节
- C语言学习七动态分配 malloc的使用
dcj3sjt126com
clanguagemalloc
/*
2013年3月15日15:16:24
malloc 就memory(内存) allocate(分配)的缩写
本程序没有实际含义,只是理解使用
*/
# include <stdio.h>
# include <malloc.h>
int main(void)
{
int i = 5; //分配了4个字节 静态分配
int * p
- Objective-C编码规范[译]
dcj3sjt126com
代码规范
原文链接 : The official raywenderlich.com Objective-C style guide
原文作者 : raywenderlich.com Team
译文出自 : raywenderlich.com Objective-C编码规范
译者 : Sam Lau
- 0.性能优化-目录
frank1234
性能优化
从今天开始笔者陆续发表一些性能测试相关的文章,主要是对自己前段时间学习的总结,由于水平有限,性能测试领域很深,本人理解的也比较浅,欢迎各位大咖批评指正。
主要内容包括:
一、性能测试指标
吞吐量、TPS、响应时间、负载、可扩展性、PV、思考时间
http://frank1234.iteye.com/blog/2180305
二、性能测试策略
生产环境相同 基准测试 预热等
htt
- Java父类取得子类传递的泛型参数Class类型
happyqing
java泛型父类子类Class
import java.lang.reflect.ParameterizedType;
import java.lang.reflect.Type;
import org.junit.Test;
abstract class BaseDao<T> {
public void getType() {
//Class<E> clazz =
- 跟我学SpringMVC目录汇总贴、PDF下载、源码下载
jinnianshilongnian
springMVC
----广告--------------------------------------------------------------
网站核心商详页开发
掌握Java技术,掌握并发/异步工具使用,熟悉spring、ibatis框架;
掌握数据库技术,表设计和索引优化,分库分表/读写分离;
了解缓存技术,熟练使用如Redis/Memcached等主流技术;
了解Ngin
- the HTTP rewrite module requires the PCRE library
流浪鱼
rewrite
./configure: error: the HTTP rewrite module requires the PCRE library.
模块依赖性Nginx需要依赖下面3个包
1. gzip 模块需要 zlib 库 ( 下载: http://www.zlib.net/ )
2. rewrite 模块需要 pcre 库 ( 下载: http://www.pcre.org/ )
3. s
- 第12章 Ajax(中)
onestopweb
Ajax
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- Optimize query with Query Stripping in Web Intelligence
blueoxygen
BO
http://wiki.sdn.sap.com/wiki/display/BOBJ/Optimize+query+with+Query+Stripping+in+Web+Intelligence
and a very straightfoward video
http://www.sdn.sap.com/irj/scn/events?rid=/library/uuid/40ec3a0c-936
- Java开发者写SQL时常犯的10个错误
tomcat_oracle
javasql
1、不用PreparedStatements 有意思的是,在JDBC出现了许多年后的今天,这个错误依然出现在博客、论坛和邮件列表中,即便要记住和理解它是一件很简单的事。开发者不使用PreparedStatements的原因可能有如下几个: 他们对PreparedStatements不了解 他们认为使用PreparedStatements太慢了 他们认为写Prepar
- 世纪互联与结盟有感
阿尔萨斯
10月10日,世纪互联与(Foxcon)签约成立合资公司,有感。
全球电子制造业巨头(全球500强企业)与世纪互联共同看好IDC、云计算等业务在中国的增长空间,双方迅速果断出手,在资本层面上达成合作,此举体现了全球电子制造业巨头对世纪互联IDC业务的欣赏与信任,另一方面反映出世纪互联目前良好的运营状况与广阔的发展前景。
众所周知,精于电子产品制造(世界第一),对于世纪互联而言,能够与结盟