Linux开机流程(二)

1.pid

什么是pid号?
进程号,内核分配的(僵尸进程,占用pid号, 但是不工作,然而pid号是有限的,太多僵尸进程占用pid,后面就有可能其他进程无法启动)
查看进程状态:命令 ps aux
在这里插入图片描述
初始化镜像盘结束后,向内核申请一个号码,就是pid,启动/sbin/init,申请来的号码是1
后面的进程就是由/sbin/init启动的。有的前台能看到,有的看不到
1、在etc文件夹下找到两个文件inittab init.conf
2、首先打开 vim inittab全是注释,只有一行有效行 id:5:initdefault:
下面有解释runlevel 运行级别0–6 7个级别在这里插入图片描述
0 关机,将上面的5换成0,每次到用户登录界面就会关机
1 单用户模式 只有一个用户可登录 root
2 多用户模式,但是不支持网络功能
3 全用户模式 也有网络模式(是没有占用图像化界面状态的进程,是稳定的字符型状态进程)
4 未启用状态 没什么特殊功能 和3差不多
5 图形界面
6 重启,将上面的5换成6,每次到用户登录界面就回进入重启
(注意:id:5:initdefault:默认初始化级别,中的数字必须是0–6,不是这个范围,就不能正常开机了)
启动过程中init进程会启动那些子进程:
命令:pstree -p (用树状显示pid号)

2.mbr分区表被破坏

  1. 具体实验如下
    pvcreate /dev/sdb //创建物理卷
    vgcreate kaso_vg /dev/sdb //创建卷组
    lvcreate -n kaso_lv -L 100M kaso_vg //创建逻辑卷
    在这里插入图片描述
    mkfs.ext4 /dev/kaso_vg/kaso_lv //建立文件系统在这里插入图片描述
    mkdir /mnt/guazai //创建挂载位置
    mount /dev/kaso_vg/kaso_lv /mnt/guazai //将新创建的文件系统挂载
    在这里插入图片描述
    2.备份分区表(dd if=/dev/sda of=/mnt/guazai/sda1 bs=512 count=1)
    要把sda备份到逻辑卷中
    在这里插入图片描述

3.破坏原有分区表

dd if=/dev/zero of=/dev/sda bs=512 count=1
在这里插入图片描述

4.重启

重启之后会出现重新安装界面(选择第三个)
在这里插入图片描述
然后(选择English)
在这里插入图片描述
选择(us)
在这里插入图片描述
选择(no)
在这里插入图片描述
选择(第一个)
在这里插入图片描述
选择(ok)
在这里插入图片描述
选择(第一个回车)
在这里插入图片描述
先激活卷组(vgchange -a y)
在这里插入图片描述
然后进行挂载
在这里插入图片描述
将sda512文件拷回去
在这里插入图片描述
然后reboot生效

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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