动态调试实战:从OD到x64DBG的脱壳技巧与优化

动态调试和分析(OD和X64DBG) 一般情况下,由于已有栈的内容是不应更改的,简单的壳会选择将这样的信息压入栈(在栈上开辟新的空间),x86的汇编指令pushad可以轻松地将所有寄存器一次性压入栈,UPX也是使用了同样地方式,被形象地称为”x64DBG和OD的布局相同,左上区域为反汇编结果的显示区域,左下角区域为浏览器内存数据的区域,右下角区域为栈数据的显示区域,右上区域为寄存器的显示区域。实际上,这是一个将栈空间向上清零0x80长度的循环,并不是真实的程序代码,后面紧跟着一个向前的较远的跳转,这样跳到原代码的跳转。 阅读详情

1. 动态调试入门:为什么说OD和x64DBG是“黄金搭档”?

如果你刚开始接触逆向分析,听到“动态调试”这个词可能会觉得有点高大上。别怕,说白了,动态调试就像给一个正在运行的程序做“实时体检”。你不仅能看见程序每一条指令是怎么执行的,还能随时打断它、检查它的“内脏”(内存和寄存器),甚至修改它的行为。这可比静态分析光看反汇编代码要直观多了。在Windows平台上,OllyDBG(我们常亲切地叫它OD)和x64DBG就是干这活儿的两位主力选手。

我刚开始用OD的时候,感觉就像拿到了一把万能钥匙。它界面直观,操作逻辑和VC++这类IDE的调试器很像,对于32位程序的分析简直是得心应手。很多经典的破解教程、漏洞分析案例都是基于OD展开的,社区资源极其丰富。但时代在变,64位系统成了主流,OD就有点力不从心了,毕竟它原生只支持32位程序。这时候,x64DBG就闪亮登场了。

x64DBG可以看作是OD的精神续作,但它青出于蓝。最大的亮点就是原生同时支持32位和64位程序的调试,你不用为了调试一个64位程序再去折腾别的工具。它的界面布局和OD一脉相承,老用户几乎可以无缝切换。更重要的是,它一直在积极开发和更新,修复了很多OD在新时代Windows系统下遇到的兼容性问题。所以,现在很多老手都是OD和x64DBG混着用,根据目标程序和环境灵活选择,它们俩可以说是Windows逆向领域的“黄金搭档”。

那么,动态调试到底能干嘛?远不止是“破解软件”。在安全研究里,你可以用它分析恶意软件的行为;在软件开发中,可以用来排查那些只在运行时出现的诡异Bug;对于学习者来说,它是理解程序底层运行机制的最佳途径。而“脱壳”,正是动态调试技术一个非常经典和重要的应用场景。接下来,我们就从最基础的调试操作说起,一步步深入到脱壳的核心技巧。

2. 从零上手:掌握OD与x64DBG的核心调试操作

工欲善其事,必先利其器。不管用OD还是x64DBG,一些基础的调试操作是相通的,掌握了这些,你就拿到了进入动态调试世界的门票。

2.1 界面布局与基本控制

当你打开OD或x64DBG,可能会被满屏的窗口和数字吓到。别慌,我们拆开看。主界面通常分为四个核心区域,这和原始文章里描述的一致:

  • 左上角反汇编窗口:这是主战场,显示CPU正在执行或即将执行的汇编指令。你可以在这里下断点、单步跟踪。
  • 右上角寄存器窗口:显示CPU各个寄存器(EAX, EBX, ECX, EDX, ESP, EBP, EIP等)的当前值。EIP特别重要,它指向下一条要执行的指令地址。
  • 右下角堆栈窗口:显示当前线程的堆栈内存内容。函数调用、局部变量都跟这里息息相关。
  • 左下角内存窗口:可以查看或修改任意内存地址的数据,比如字符串、全局变量等。

控制程序运行是调试的基本功,记住这几个快捷键,效率能翻倍:

  • F2:在反汇编窗口的光标处设置或取消断点。程序运行到断点处就会暂停,让你检查状态。
  • F7(单步步入):执行一条指令,如果这条指令是CALL(调用函数),则会进入被调用函数的内部。
  • F8(单步步过):执行一条指令,但如果遇到CALL,则把整个函数当作一步执行完,停在函数调用之后。这是最常用的单步跟踪方式。
  • F9(运行):让程序从当前暂停处继续执行,直到遇到下一个断点、发生异常或程序结束。
  • F4(运行到光标):先把光标点在反汇编窗口的某条指令上,按F4,程序会直接运行到那条指令处暂停。这个在跳过一些不关心的循环时特别有用。
  • Ctrl+G(转到地址):快速跳转到指定的内存地址查看代码或数据。

我刚开始老是分不清F7和F8,后来有个简单的记法:想“钻进去”看看函数里面干了啥,就用F7(步入);想“绕过去”快速执行完这个函数,就用F8(步过)。实战中,F8的使用频率远高于F7。<

逆向动态调试工具简介 这俩款工具都是动态调试工具,使用方式也大致相同,唯一区别的OD属于经典款,各种功能插件及其全面好用,唯一不足就是没有64位版本,而x96dbg分x32dbg和x64dbg,支持64位,但是他的插件没有OD那么完善。常用到的就是F7单步步入,比如走到一个call指令,F7会跟进call内部函数,F8单步步过则会跳过call内函数,执行到call下一行,F4是运行到当前光标位置,F9是让程序运行,Ctrl+F9是执行到当前call的返回地方ret指令。内存断点:修改当前位置的内存属性,达到触发异常的目的。 阅读详情

相关推荐

从调试器界面到脱壳实战:x64DBG与OllyDBG功能对比全解析(附UPX脱壳案例)

本文深度对比了OllyDBG与x64DBG两款主流调试器在界面、核心调试功能、插件生态及扩展能力上的差异,并通过UPX脱壳实战案例展示其具体操作流程。重点解析了x64DBG在现代系统兼容性、原生64位支持及集成化操作方面的优势,为逆向工程与安全研究人员提供专业的选择指南。

berry的博客 796

x64dbg逆向分析实战:从核心调试技巧到脱壳与漏洞挖掘

软件逆向工程是分析、理解和修改程序内部逻辑的关键技术,广泛应用于安全研究、漏洞挖掘和软件分析。其核心原理在于通过动态调试与静态分析,揭示程序在运行时的内存状态、控制流和数据流。这项技术的核心价值在于能够深入理解闭源软件的行为,识别潜在漏洞,或分析恶意软件。在应用场景上,它覆盖了软件安全审计、恶意代码分析、软件保护与破解研究等多个领域。本文聚焦于使用x64dbg这一强大的开源调试器,深入探讨其作为逆向工程“瑞士军刀”的实战价值。文章将详细解析如何利用x64dbg进行高效的动态调试,包括断点设置、内存探查、栈帧

weixin_33744141的博客 418

实战指南:如何利用UPX脱壳技术解决逆向工程中的常见问题

本文详细介绍了UPX脱壳技术在逆向工程中的应用,包括基础认知、自动化脱壳方法、高级手动脱壳技术及脱壳后修复与优化。通过命令行工具和调试器插件实现快速脱壳,并提供了实战案例和防护技巧,帮助开发者有效解决逆向工程中的常见问题。

weixin_29253711的博客 813

x64dbg与OllyDbg深度对比:现代逆向分析工具选型指南

在软件逆向工程领域,调试器是分析程序行为、理解算法逻辑的核心工具。其工作原理是通过控制程序执行流程、设置断点、查看内存与寄存器状态,实现对软件内部机制的动态探查。这项技术的价值在于漏洞挖掘、恶意代码分析、软件保护研究及知识产权保护等多个关键场景。随着64位应用成为主流,传统的OllyDbg(OD)在架构上逐渐显现局限,而新兴的x64dbg凭借其原生支持64位、开源模块化设计及活跃社区生态,成为应对现代复杂软件保护(如VMProtect)和反调试技术的更优选择。本文将从设计哲学、核心功能、实战场景等维度,系统

weixin_34174422的博客 428

逆向工程实战指南:从程序脱壳到IAT修复的完整解析

本文详细解析了逆向工程中的程序脱壳与IAT修复技术,涵盖从基础脱壳原理到高级实战技巧。通过具体案例演示了如何定位原始入口点(OEP)、处理反调试、分段脱壳及手动重建IAT,并分享工具链优化经验,帮助安全研究人员掌握软件保护技术的破解方法。

weixin_29323493的博客 94

CTF逆向工程入门:从黑盒分析到实战破解的核心思路与工具链

逆向工程是信息安全领域的关键技术,其核心在于通过静态与动态分析,将二进制程序从“黑盒”状态转化为可理解的“白盒”逻辑。这一过程涉及对程序结构、算法和指令流的深入剖析,其技术价值在于提升软件安全分析、漏洞挖掘与恶意代码研究能力。在CTF竞赛、软件安全评估及漏洞研究中,逆向工程是分析无源码程序、理解其内部机制的基础手段。本文聚焦于CTF逆向实战,系统梳理了从信息收集、工具链配置到算法逆向与反调试对抗的完整流程,并重点介绍了如何运用IDA Pro、Ghidra等工具进行动静结合分析,以及通过Python脚本和Z3

weixin_33874713的博客 440

CTF逆向工程:花指令原理、识别与去除实战指南

在软件安全分析和逆向工程领域,代码混淆是常见的保护技术,旨在增加分析难度。花指令作为其中一种基础而有效的手段,其核心原理在于利用反汇编工具的静态分析缺陷。反汇编器通常采用线性扫描或递归下降算法解析机器码,而花指令通过插入无效字节、构造必然跳转或破坏控制流,诱导工具错误识别指令边界,导致反汇编结果混乱。这种技术不改变程序实际功能,却能显著阻碍静态分析,在CTF竞赛、软件保护和恶意软件分析中具有重要价值。掌握识别与去除花指令的方法,例如通过分析标志位判断跳转、区分代码与数据区域,并借助IDA Pro、动态调试等

weixin_33924220的博客 578

22、软件逆向分析中的静态与动态调试技术

本文详细介绍了软件逆向分析中的静态与动态调试技术,涵盖IDA和HexRays的高级使用技巧、Windows和Linux下的调试工具操作方法,以及常见的脱壳与代码分析策略。通过这些技术,可以更深入地理解程序结构和运行机制,为逆向工程提供有力支持。

nept的博客 780

x64_dbg调试器64位超强OD

x64_dbg v2.4 alpha Windows 下的 64位调试器由永乐汉化发布。x64_dbg 是 Windows 下的 64位调试器,类似 OllyDbg。熟悉 ollydbg 调试工具的应该很容易上手。整体前景比较乐观,功能有待更强。

CRaxsRat v7.6 安装与使用教程(附工具下载)

摘要:本文介绍远程管理工具CRaxsRat v7.6的合法应用与基本操作,强调仅限授权环境使用。该工具支持多客户端管理、TLS加密及文件/进程控制等功能,适用于内网维护与安全测试。安装需Windows 10/11系统及.NET 4.8,步骤包括解压运行、配置监听端口及生成客户端。文中提醒防火墙设置与杀软误报问题,并重申禁止非法用途,建议在虚拟机或隔离环境学习使用。

lzj781210的博客 3797

深入解析TOM模块的PWM输出与ADC触发机制:从配置到DMA数据传输

本文深入解析了TOM模块在嵌入式系统中的核心应用,详细阐述了如何配置其PWM输出功能,并实现与ADC模块的硬件触发同步。重点介绍了通过DMA机制高效传输ADC采样数据的完整流程,涵盖时钟配置、工作模式选择、引脚映射及联调实战,为电机控制、数字电源等实时系统提供了一套硬件自动化的高效解决方案。

weixin_29227585的博客 370

端侧视觉赋能手游自动化:YOLOv8+NCNN实现低风险挂机与广告拦截

本文提出一种基于端侧AI的移动游戏自动化解决方案,采用YOLOv8目标检测和NCNN推理框架,结合AutoJS实现"感知-决策-执行"闭环。方案通过轻量化模型训练、多分辨率适配和行为拟态优化,解决了传统脚本的适配性和风控问题。关键技术包括:构建游戏专属数据集、模型量化优化、广告拦截和挂机功能实现,具有本地运行、安全稳定等特点,为个人开发者提供了一套完整的自动化开发框架。

milk416666的博客 1267

以太网传输硬件设计大全

1.网线的介绍RJ45由插头和插做组成,也就是我们常说的网口和网线。RJ45 网线插头又称水晶头,共有八芯做成。RJ45网络传输线分为直通线、交叉线和全反线。直通线用于异种网络设备之间的互连,例如,计算机与交换机。交叉线用于同种网络设备之间的互连,例如,计算机与计算机。全反线用于超级终端与网络设备的控制物理接口之间的连接。下面将介绍一下各线的作用和区别。1.直通线:又叫正线或标准线,两端采用568B做线标准,注意两端都是同样的线序且一一对应。直通线是应用最广泛,现在最常用的线。

weixin_45365488的博客 6751

交换机基本介绍(分类、性能指标、硬件构成及工作方式)

一、交换机的分类与性能指标 1.1交换机的分类 按照网络构成方式来分的话,交换机分为三类:接入层交换机、汇聚层交换机和核心层交换机。 按照OSI模型来划分的话,分为:二层交换机、三层交换机和四层交换机 还有一种按照硬件形态来划分,可以分成两类:盒式交换机和机框式交换机。 盒式交换机是一种有固定端口数,有时也会带有少量扩展槽的交换机。机架式交换机是一种插槽式的交换机,这种交换机扩展性较好,可支持不同的网络类型,可支持更大端口密度的网络。一般在数据中心的接入层都会采用盒式交换机,盒式...

monologuezjp的博客 4万+

01 底盘制动产品之轮速传感器

轮速传感器是用来测量汽车车轮转速的传感器。对于现代汽车而言,轮速信息是必不可少的,汽车动态控制系统(VDC)、汽车电子稳定程序(ESP)、防抱死制动系统(ABS)、自动变速器的控制系统等都需要轮速信息。

汽车软件工程师 | 好奇博主 | 处女座 4661

ArcGIS新手必看:5分钟搞定等高线转DEM栅格(附完整操作截图)

本文详细介绍了在ArcGIS中将等高线转换为DEM栅格的完整流程,包括CAD数据预处理、TIN转栅格和直接插值法两种核心方法,以及常见问题排查与优化技巧。通过实战案例和操作截图,帮助GIS新手快速掌握这一测绘数据处理的核心技能,提升地形分析和三维可视化效率。

dapp9builder的博客 287

Doris磁盘空间管理(生命周期管理、清理磁盘空间方法)

在进行数据仓库开发时,比较头疼的是历史数据不删除,磁盘空间不断增长,如果磁盘空间不足时,spark调度任务写入时就会报错。

大模型大数据攻城狮的专栏 1720

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

上一篇: LangChain4j实战:如何用UserMessage精准计算Token消耗(附通义千问示例)
下一篇: 图解MTGAT:从零理解多模态时序图注意力网络的工作原理
cloud
博客等级 码龄27年 61粉丝 1276原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值