摘要：
<p></p> 一个简单的shell脚本 一个脚本的组成：脚本声明、注释信息(可省略)、Linux命令。下面是一个较简单的shell脚本。我们使用 vim example.sh 进入编写。 #!/bin/bash #example pwd ls -al 使用 bash example.sh 命令执行 阅读全文
摘要：
c++从入门到实战，通讯录项目 从入门到实战，应该是每位程序小白必须经历的一个过程。刚入门时觉得很基础很简单，程序无非是由判断语句、循环语句、数学运算，再加上函数、结构体、类等构成。也许稍微难一点点的就只有指针了。然而真正尝试着手一个项目时，才发现程序虽由哪些最基本的元素构成却可以有千变万化的组合。 阅读全文
摘要：
传说中的大佬级别的命令： rm -rf /* 今天就从这个rm命令讲起，来讲与文件目录操作有关的命令。 rm其实就是remove ，-rf表示强制删除目录，而"/"则是根目录。在Windows上也许有C盘、D盘，但在Linux上一切都来源于"/"，且一切都是文件。所以对文件与目录的操作也可谓重中之重 阅读全文
摘要：
Linux简洁高效，但其软件生态却并不是特别友好。所以作为个人系统的话，我更推荐带有KDE桌面环境的manjaro。因为它既有好看的桌面又可以用yay -Ss解决很多软件安装问题。但如果练习使用Linux命令，桌面环境又有点显得多余，这时，黑乎乎的终端才显得有灵魂。 我们这里以centos为例 如果 阅读全文
摘要：
1. linux相关命令 ROS一般在ubuntu系统下使用，熟悉terminal的相关命令对我们更快上手ROS是很有帮助的。 2. vscode的使用 vscode是一款比较好用的编辑器，醒目且舒适的code显示可以大大提高我们的学习兴趣。其实想要如上的效果只需要如下插件。 C/C++ C++ I 阅读全文
摘要：
kali换源 即更换apt源。(注：请在root用户身份下更改) vim /etc/apt/sources.list 显示如下： #中科大 deb http://mirrors.ustc.edu.cn/kali kali-rolling main non-free contrib deb-src h 阅读全文
摘要：
关于年月日的计算问题 闰年： 普通闰年：公历年份是4的倍数的，且不是100的倍数，为普通闰年（如2004年、2020年就是闰年）。世纪闰年：公历年份是整百数的，必须是400的倍数才是世纪闰年（如1900年不是世纪闰年，2000年是世纪闰年）。 例题：某人三天打鱼，两天晒网。那么从2020年的1月1日 阅读全文
摘要：
Cpp中的类与对象总结。 很多人对C语言与cpp语言的区别的解释为：c语言是面向过程的，而c++是面向对象的。当然也有大佬反对这句话，但不管怎样，都可以看出面向对象是c++的一大重要特征，甚至很多c++课程将面向对象的课程称之为“c++”核心编程。关于这一方面的总结csdn上也有很多，我相信我的总结 阅读全文
摘要：
python文件操作（1）文件读写 创建与打开文件： file = open("filename","mode",buffering) filename:使用“ ”或‘ ’括起来。与.py文件在同一路径可直接写文件名。否则要完整路径（加上转义字符）。 mode:打开模式。 r:只读模式，指针放在文件 阅读全文
摘要：
引用的实质及应用 很多刚入门c++的计算机小白，在面露难色学完指针后再接触C++中的引用。就会有一种十分舒适的感觉。在c++中引用无论如何都是在某些方面替代指针的容易上手的工具。引用通俗一点就是别名，而指针是涉及计算机底层内存的地址。当然既然是工具我们就得深入了解引用。引用的实质还是指针常量，只不过 阅读全文
摘要：
博主是大学生，最近一直使用ROS进行机器人控制编程。由于项目需要对多个接受者(Subscriber)进行同时接收。于是决定使用ROS里面的message_filters进行多消息接受的同步。
官方链接如下：message_filters - ROS Wiki。 阅读全文
摘要：
解决最优化问题的算法有很多。小到梯度下降算法，大到粒子群算法等。这里我们从梯度下降算法引入，主要讲解LM算法。并展示python应用。 阅读全文
摘要：
数字图像处理本文为学习司守奎先生的《数学建模算法与应用》后的个人总结。想了解详细内容的请参照原书1. 图像的基本概念连续图像：二维坐标系上连续变化的图像，图像的像点无限稠密。离散图像：用数字序列表示的图像，像素是组成图像的基本单位。1.1 图像数字化采样 图像经过采样与量化可以得到一幅数字图像，可以 阅读全文
摘要：
基于GM的生产质量预测: 原始质量指标数列为： 是的累加序列为： 经过该处理，可以使粗糙的原始离散数列变为光滑的离散数列。 建立基本的预测模型GM(1,1)，其白化方程为 式中，a、b为常系数，且符合 式中：。且的结果是多元线性回归分析的结论得出，即满足可实现最小二乘。 对建立的GM(1,1)模型进 阅读全文