Linux初始化速记

Linux内核启动解析

具体内容参考《ULK 3rd》

1. Linux内核的自解压过程在一般软件中不常见。它会调用decompress_kernel()来对kernel进行自解压,核心实现函数为gunzip()

这一块里面对内存的搬来移去还不是很清楚。从文档来看,压缩了的内核和未压缩内核放置的位置是不同的。

2. 然后内核会跳来蹦去,构建一些临时的gdt、idt等。在这段时间里面做了一件很重要的呃事情:填充boot_params结构。这个结构占一页,记录了各种启动时期探测到的参数,为程序的后期执行提供了重要的数据参考。

这一块不明白的地方在于感觉它的工作做得很杂乱,没有条理,而且有些操作有重复之嫌。

3. start_kernel() 这个函数很厉害,里面进行了大量的函数调用,对整个计算机环境进行了初始化,比如建立正式的idt、gdt,初始化页面分配器,初始化调度器等。然后就进入正题:建立内核线程,启动Shell,然后idle之~

这里不清楚的地方主要是start_kernel中的大量函数调用,那些函数的具体功能。太多了,要求很深的功底才行:(

关于驱动的初始化:

start_kernel()最末尾->rest_init()->kernel_thread(kernel_init, NULL, CLONE_FS | CLONE_SIGHAND)->do_basic_setup();->driver_init();->各种init

由此可见,驱动初始化是由kernel_init线程创建的。

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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