asm中 flash RECOVERY 的疑问？

最新推荐文章于 2019-11-16 08:49:08 发布
转载 最新推荐文章于 2019-11-16 08:49:08 发布 · 140 阅读 · 0

本文探讨了10gRAC环境下ASM磁盘组DGDATA与DGRECOVERY的配置细节，包括闪回恢复区的设置及其与在线重做日志的关系，并提出关于重做日志文件及自动备份来源的问题。
10g rac用的是asm，创建两个磁盘组 — DGDATA 和 DGRECOVERY。

创建的时候
选择 Specify Flash Recovery Area。
  闪回恢复区：+DGRECOVERY  
  闪回恢复区大小：2048M  

SQL> select group#,type,member ,is_recovery_dest_file from v$logfile order by group#;

GROUP# TYPE                 MEMBER                                 IS_RECOVERY_DEST_FILE
--------------------------------------------------------------------------------
  1   ONLINE  +DGRECOVERY/cuihua/onlinelog/group_1.257.651596103  YES

  1   ONLINE  +DGDATA/cuihua/onlinelog/group_1.261.651596097        NO

  2   ONLINE  +DGRECOVERY/cuihua/onlinelog/group_2.258.651596113  YES

  2   ONLINE  +DGDATA/cuihua/onlinelog/group_2.262.651596107        NO

  3   ONLINE  +DGDATA/cuihua/onlinelog/group_3.266.651596737        NO

  3   ONLINE +DGRECOVERY/cuihua/onlinelog/group_3.259.651596745  YES

  4   ONLINE +DGDATA/cuihua/onlinelog/group_4.267.651596753        NO

  4   ONLINE +DGRECOVERY/cuihua/onlinelog/group_4.260.651596763  YES

8 rows selected.

想问下：+DGRECOVERY/cuihua/onlinelog 中的文件与+DGDATA/cuihua/onlinelog  是不是一样的呢? 他们是什么关系呢？如果不想要+DGRECOVERY/cuihua/onlinelog中的redo文件 该怎么办呢？
  
还有就是dbca建库的时候，看到的每组redo都是一个，为啥？

还有flash_recovery_area目录下 autoback里的备份从何而来？

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/8497396/viewspace-748653/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/8497396/viewspace-748653/

cuibi2350
关注
DG之主库、备库切换（物理备库）
深蓝@黄炎龙
07-08 7544
DG之主库、备库切换 一．开库与关库顺序 开库顺序 先启备库，再启主库（启动监听、打开告警日志） 关库顺序 先关主库，再关备库   二．主备库切换 1、操作过程一览 步骤1：启动备库、监听、告警； 步骤2：启动主库、监听、告警； 步骤3：主库（bj）查询信息 SQL>selectname,dbid,databa
linux内核启动+Android系统启动过程详解
lp542718520的专栏
08-20 6397
第一部分：Linux启动之/kernel/arch/arm/boot/compressed/ head.S分析
CentOS 7.2安装Oracle 12c RAC
nalnait的专栏
09-16 6686
一、基础结构： 二、存储规划：     1、  GRID集群组件磁盘组 +dggrid: 1个，由三个10G磁盘组成normal     2、  数据库安装磁盘组 +dgsystem：用于数据库基本表空间，控制文件，参数文件等 +dgrecovery：用于归档与闪回日志空间 +dgdata：用户数据库业务表空间 三、IP规划：     Oraclenode1:         public...
学习ASM技术[转]
10-26 233
从朋友反馈信息来看，oracle引进了自动存储管理ASM占据越来越重要位置，因此开始学习一下ASM。以下测试环境是在RedHat 5.3平台上。1、建立裸设备 # lvcreate -L 5000M -n ora_a...
【oracle】配置恢复管理器Configuring Recovery Manager
viviliving的专栏
11-16 1934
第1章配置恢复管理器Configuring Recovery Manager 组成：GUI或者命令行、可选的恢复目录、RMAN命令和脚本,以及磁带媒介连接 考虑事项：RMAN是一种物理备份方法。其他的备份恢复方法：用户管理和Oracle EXPORT工具（逻辑备份,一般不做为独立得备份方法,而是对RMAN或者用户管理的备份提供附加的备份护,exp,expdp） 可以使用控制文件或者恢...
【OCP】小麦苗OCP（包括11g、12c、18c、19c等）网络班早已开讲，注重实践，报名一次，终身可免费升级学习，推荐有红包...
小麦苗DBA宝典
09-01 4238
小麦苗OCP课堂--带你从入门到专家，只讲实用的，不讲没用的，绝不忽悠！！！ ● OCP培训说明连接：https://mp.weixin.qq.com/s/...
uboot移植之uboot stage1
openCpu
10-04 2851
/*******************************************************************************************************************************************/ u-boot-2009.11 详细步骤参考 mini2440之U-boot移植详细手册-20100419.pd
Oracle 11gOCP 053 v12.02 300--600题部分疑问答案更正
错觉
01-26 4365
346 - RMAN report unrecoverable What is the impact of the results of the output of the following command?  RMAN> report unrecoverable database;  Report of files that need backup due to unrecoverabl
[20181130]control file sequential read.txt
weixin_33841722的博客
11-30 119
[20181130]control file sequential read.txt--//昨天上午探究了大量控制文件读的情况,链接:http://blog.itpub.net/267265/viewspace-2222146/--//今天做一些细节探究:1.环境:SYS@xxxxx1> @ ver1PORT_STRING VERSION ...
ASM.rar_51?????ASM
09-24
在实际开发过程中，ASM-51宏汇编语言通常与C语言结合使用，C语言用于编写高级逻辑，而ASM-51用于编写性能关键的低级代码。这种方式既保留了高级语言的易读性和效率，又利用了汇编语言的高效特性。 总的来说，ASM-51...
test_asm.rar_51?????ASM_51内核_51单片机ASM
09-14
9. **编译与烧录**：使用汇编编译器将ASM源码转换为机器码，然后通过编程器将其烧录到单片机的ROM中，完成硬件上的执行。 10. **实际应用**：51单片机常用于自动化控制、仪表仪器、智能家居等领域，通过ASM编写程序...
C-include-ASM.zip_asm中include asm_c语言中嵌套asm
09-19
在标题提到的"C-include-ASM.zip_asm中include_asm_c语言中嵌套asm"，我们主要讨论的是如何在C程序中使用汇编代码，并且可能涉及到如何在汇编代码中包含其他汇编模块。 首先，让我们了解一下C语言嵌套汇编的基本...
精选资源
1、ASM1064 DATASHEET; 2、ASM1064 参考原理图设计； 3、支持的SPI Flash清单
10-19
在ASM1064.zip压缩包中，你将找到上述所有资源的详细文件，包括ASM1064的详细规格说明、设计示例以及与之配合使用的SPI Flash列表。这些资料对于理解ASM1064的功能，进行基于ASM1064的系统设计，以及优化性能和解决...
精选资源
asm-7.1-API文档-中文版.zip
05-09
赠送jar包：asm-7.1.jar； 赠送原API文档：asm-7.1-javadoc.jar； 赠送源代码：asm-7.1-sources.jar； 赠送Maven依赖信息文件：asm-7.1....人性化翻译，文档中的代码和结构保持不变，注释和说明精准翻译，请放心使用。
飞火动态壁纸（安装程序）
最新发布
12-31
海量 4K 动静态资源库：覆盖动漫、游戏、风景等主题，每日更新，支持 4K/60FPS 超清画质，适配多屏幕比例。 智能交互特效：鼠标触发粒子 / 轨迹特效、重力感应动态，部分壁纸可与操作实时互动，提升沉浸感。 本地素材 DIY 导入：支持导入 MP4/WebM/ 图片作壁纸，可调整色彩、速度、滤镜，自定义专属桌面。 实用桌面组件集成：含时钟、日历、天气、倒计时、备忘录等，可自由布局，兼顾美观与效率。 虚拟桌宠养成：二次元桌宠可互动、唱歌，支持自定义音量与透明度，增添桌面趣味。 低资源占用优化：智能帧率调节，降低续航 / 性能损耗，老旧设备也能流畅运行。 任务栏与鼠标美化：提供透明任务栏、鼠标样式自定义，一键提升桌面整体颜值。 双端互通同步：PC 与移动端共享壁纸资源，一键同步，跨设备无缝使用。 AI 智能壁纸推荐：根据浏览偏好推送适配主题，快速匹配用户审美。 扫描结果管理导出：可保存壁纸收藏与设置，支持导出配置，方便迁移与备份。
PA-105-ZWX-25秋
12-31
PA-105-ZWX-25秋
谐波去噪基于随机奇异值分解和软阈值的大型数据集中的强大高效谐波去噪研究（Matlab代码实现）
12-31
【谐波去噪】基于随机奇异值分解和软阈值的大型数据集中的强大高效谐波去噪研究（Matlab代码实现）内容概要：本文研究了一种基于随机奇异值分解（RSVD）和软阈值方法的高效谐波去噪技术，旨在从大型数据集中有效去除谐波干扰。该方法结合RSVD降低数据维度并提取主要成分，利用软阈值处理实现噪声抑制，具有较强的鲁棒性和计算效率，适用于大规模信号处理场景。文中提供了完整的Matlab代码实现，便于读者复现算法并对实际信号进行去噪实验。; 适合人群：具备一定信号处理基础和Matlab编程能力的研究生、科研人员及从事电气工程、数据分析等相关领域的技术人员。; 使用场景及目标：①应用于电力系统、通信、生物医学等领域的谐波干扰去除；②提升大尺度数据下信号去噪的效率与精度；③为复杂噪声环境下的信号预处理提供可复现的技术方案。; 阅读建议：建议读者结合Matlab代码逐步实现算法流程，理解RSVD与软阈值的协同机制，并尝试在不同信噪比条件下测试算法性能，进一步优化参数设置以适应具体应用场景。
【负荷预测、电价预测】基于神经网络的负荷预测和价格预测（Matlab代码实现）
12-31
【负荷预测、电价预测】基于神经网络的负荷预测和价格预测（Matlab代码实现）内容概要：本文档介绍了基于神经网络的负荷预测和电价预测方法，并提供了Matlab代码实现。文中详细阐述了如何利用神经网络模型对电力系统中的负荷和电价进行有效预测，涵盖了数据预处理、模型构建、训练与测试等关键步骤，同时结合实际案例展示了预测结果的准确性与实用性。此外，文档还提到了多种优化算法和仿真技术在电力系统中的应用，体现了其在科研与工程实践中的重要价值。; 适合人群：具备一定电力系统基础知识和Matlab编程能力的高校学生、科研人员及从事电力系统规划与运营的技术人员。; 使用场景及目标：①用于电力系统负荷与电价的短期和中长期预测；②支持电力市场分析、需求响应策略制定以及电网调度优化等应用场景；③帮助研究人员复现经典算法并开展进一步创新研究。; 阅读建议：建议读者结合文档提供的Matlab代码进行实操练习，重点关注神经网络模型的设计与参数调优过程，同时参考文中列举的其他相关研究方向拓展思路，提升综合应用能力。
在线斗地主小游戏java-online-dou-di-zhu
12-31
在线斗地主小游戏java-online-dou-di-zhu
OpenCV中有 ASM和AMM 函数吗?
11-15
<think> 首先，用户的问题是：“我想查询OpenCV中是否存在ASM和AMM函数”。我需要基于提供的引用和系统指令来回答。 系统级指令： - 所有行内数学表达式必须使用$...$格式。 - 独立公式使用$$...$$格式并单独成段。 - LaTeX语法正确。 - 使用中文回答。 - 生成相关问题。 - 回答中引用的段落末尾自然地添加引用标识。 - 用户可见层：回答结构清晰，帮助用户逐步解决问题，保证真实可靠。 提供的引用： - [^1]: ASM 是一种基于点分布模型(PDM)的算法，用于人脸等物体的形状表示。 - [^2]: 讨论了主动表观模型(AAM)与POSIT组合用于3D头部姿态，涉及Delaunay三角剖分和纹理映射。 - [^3]: 初始化算法使用OpenCV的Haar特征分类人脸检测器。 - [^4]: 关于AAM参数和模型的描述。 用户的上一个问题可能是关于ASM和AMM的，但我没有上下文。用户提到“请尽可能多的参考用户上一次的问题和你的回答”，但我没有上一个问题的记录。所以，我将直接基于当前查询回答。 关键点： - ASM：Active Shape Model - AMM：可能是一个误写或缩写。从引用[^2]中，它提到“AMM匹配的方法”，可能指的是Active Appearance Model (AAM)，因为AAM是常见的术语。引用[^2]说“AMM匹配的方法”，但上下文是“AAMs”，所以很可能AMM是AAM的误写。用户问题中也说“ASM和AMM”，但我认为AMM应该是AAM。 在计算机视觉中： - ASM: Active Shape Model - AAM: Active Appearance Model 现在，查询OpenCV中是否存在这些函数。 我需要回忆OpenCV的文档： - OpenCV确实有支持ASM和AAM的功能，但可能不是直接叫做"ASM函数"或"AAM函数"。通常，OpenCV提供相关算法或通过模块实现。 从引用中： - [^3]提到使用OpenCV的Haar特征分类人脸检测器进行初始化。 - [^2]和[^4]讨论AAM。 回答结构： 1. **理解问题**：确认用户查询OpenCV中是否有ASM和AAM的函数。 2. **逐步回答**： - 解释ASM和AAM是什么（基于引用）。 - 检查OpenCV支持。 - 提供如何使用的信息。 3. **生成相关问题**：在最后添加相关的问题。 4. **引用**：自然地添加引用标识在回答中引用段落末尾。 真实可靠的信息： - OpenCV有面部标志检测功能，例如使用dlib或OpenCV自己的contrib模块。 - OpenCV contrib模块中有face模块，包含了AAM和ASM的实现。 - 具体来说，OpenCV 3.x和4.x有`cv2.face.createFacemarkAAM`和`cv2.face.createFacemarkLBF`，其中LBF是另一种方法，但AAM是直接的。 - ASM可能通过其他方式实现。 回忆： - OpenCV的Face模块（在opencv_contrib中）提供了Active Appearance Models (AAM) 和 Active Shape Models (ASM) 的实现。 - 函数如`cv2.face.createFacemarkAAM()` for AAM. - 对于ASM，OpenCV可能有通过`cv2.face.createFacemarkLBF`或类似的，但LBF是Local Binary Features，不是纯ASM。 - 纯ASM可能不直接有，但AAM是常见的。 标准知识： - OpenCV 4.x 的 `face` 模块有： - `cv.face.createFacemarkAAM()`: 创建AAM模型。 - `cv.face.createFacemarkLBF()`: 创建LBF模型（类似于ASM）。 - ASM和AAM相关。 用户问题中写的是“AMM”，但从引用看，应该是AAM。我会假设是AAM。 回答内容： - 开头直接回答是否存在。 - 然后解释。 - 提供示例代码或用法。 生成相关问题：在最后添加。 语言：中文。 步骤： 1. 确认ASM和AAM在OpenCV中的存在。 2. 基于引用解释它们。 3. 描述如何使用。 4. 添加引用。 5. 生成相关问题。 最终回答框架： - 是的，OpenCV支持ASM和AAM。 - 详细说明。 - 引用相关部分。 - 相关问题。 </think> 基于您的问题，我将逐步解释OpenCV中对Active Shape Model (ASM) 和 Active Appearance Model (AAM) 的支持情况。OpenCV是一个开源的计算机视觉库，提供了丰富的函数和模块，其中包含对ASM和AAM的实现。我将参考您提供的引用内容来支持解释，确保回答真实可靠。 ### 1. **OpenCV中是否存在ASM和AAM函数？** - **是的，OpenCV提供了对ASM和AAM的支持**，主要通过其`opencv_contrib`模块中的`face`子模块实现。ASM和AAM是常用的点分布模型(Point Distribution Model, PDM)算法，用于物体形状和外观的建模（例如人脸检测和跟踪）[^1]。 - **ASM (Active Shape Model)**：它基于关键特征点（landmarks）的坐标来描述物体形状，例如人脸通常使用68个点来表示[^1]。OpenCV中，ASM可以通过`cv::face::createFacemarkLBF()`函数实现（LBF指Local Binary Features，是一种优化版的ASM），但纯ASM可能需要自定义或结合其他函数。 - **AAM (Active Appearance Model)**：它结合形状和纹理信息进行建模，常用于姿态估计和图像匹配[^2]。OpenCV直接提供了`cv::face::createFacemarkAAM()`函数来创建和操作AAM模型，支持参数化建模和搜索匹配[^4]。 - **关键点**： - 这些函数不是直接命名为"ASM"或"AAM"，而是封装在`face`模块中。 - OpenCV的`face`模块需要额外安装`opencv-contrib-python`包（可通过pip安装）。 - 初始化过程常使用OpenCV的Haar特征分类人脸检测器（如`cv::CascadeClassifier`）进行自动姿态初始化[^3]。 ### 2. **如何在OpenCV中使用ASM和AAM？** 以下是简单的步骤和代码示例，演示如何加载模型并应用： - **步骤1: 安装必要模块** 确保安装`opencv-contrib-python`： ```bash pip install opencv-contrib-python ``` - **步骤2: 初始化AAM模型并检测人脸** 使用AAM进行人脸标志点检测： ```python import cv2 import numpy as np # 初始化人脸检测器和AAM模型 face_detector = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') facemark = cv2.face.createFacemarkAAM() # 加载训练好的模型参数（通常从文件加载） facemark.loadModel("aam_model.yml") # 示例模型文件，需提前训练或下载 # 读取图像并检测人脸 image = cv2.imread("face.jpg") gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) faces = face_detector.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5) if len(faces) > 0: # 初始化AAM匹配（基于已知姿态）[^3] ok, landmarks = facemark.fit(gray, faces) if ok: # 绘制关键点（例如68个点） for landmark in landmarks: for (x, y) in landmark[0]: cv2.circle(image, (x, y), 2, (0, 255, 0), -1) cv2.imshow("AAM Output", image) cv2.waitKey(0) ``` - **说明**： - `createFacemarkAAM()`用于创建AAM模型，通过`fit()`方法搜索匹配最佳形状和纹理参数[^4]。 - 模型训练数据通常来自标记数据集，支持Delaunay三角剖分和纹理映射[^2]。 - 对于ASM，可使用`createFacemarkLBF()`类似地实现。 - **注意事项**： - 纯ASM函数在OpenCV中不直接提供，但可以通过AAM或其他方法（如`cv::face::Facemark`基类）扩展。 - 性能依赖训练数据；OpenCV官方提供预训练模型，但自定义模型需手动标注数据。 - 引用中提到的POSIT算法可用于3D姿态估计，可与AAM结合[^2]。 ### 3. **总结** OpenCV通过`face`模块支持AAM和类似ASM的功能，适用于人脸跟踪、姿态估计等场景。如果您有特定需求（如使用预训练模型），我可以提供更多细节。
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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