嵌入式课程总结-------第二周

本文介绍了Linux系统中常用的命令操作,包括用户切换、文件管理、目录操作、文件权限修改等核心功能,适合初学者快速上手及进阶用户查阅。

(1)su命令
定义:root用户和普通用户切换
用法:su - lichen 切换到普通用户
su - root或su切换到root用户
(2)man命令
定义:用户手册
用法:man su(man想要查的命令)
(3)sudo命令
定义:获取更高的权限,不用切换到root就可以修改内容
用法:sudo adduser user1(增加用户1)
sudo deluser user1(删除用户1)
sudo passwd user1(更改用户1的密码)
(4)ls文件操作的命令
权限查看 ls -l
linux一点哲学:一切皆为文件
linux文件的分类:普通文件(-)、目录文件(d)、设备文件(c字符设备/b块设备)、链接文件(l)
linux特殊文件:管道文件(p)、堆栈文件(f)、共享文件(s)
linux文件的操作权限:r可读,w可写,x可执行
权限描述:3组(当前用户、当前用户组、其他用户)
(5)chmod修改文件权限
用法:ls -l hello.c -rw-r–r--
chmod u-w hello.c
ls -l hello.c -r–r--r–
chmod u+w hello.c
ls -l hello.c -rw-r–r--
解释:g+w(组+w)a+w(所有+w)
chmod 655 hello.c
ls -l hello.c -rw-r-xr-x
权加,即r是4,w是2,x是1
ls -a查看所有文件
隐藏文件都是以.开头的
(6)文件创建 touch hello.c
查看文件 cat hello.c
删除文件 rm hello.c
强制删除文件 rm -f hello.c
(7)文件编辑gedit vim gvim --文本编辑器
优秀IDE:vscode
翻译文件:gcc编译器
步骤:touch hello.c 创建文件
gedit hello.c 写程序
gcc hello.c 编译程序
ls 查看编译出的程序
./a.out 执行程序
(8)目录操作指令:
cd进入目录 cd …返回
cd class_c++进入class_c++目录
ls 看class_c++里的内容
创建目录 mkdir
mkdir 0303 ;mkdir -p 0303/kk/mm/nn
删除目录 rm -r kk mm或rmdir kk mm(rmdir只可删除非空目录)
cd /进入根目录
cp 拷贝 cp hello.c 0303(将hello.c拷贝到0303的目录里)
拷贝目录:cp -r kk mm(将kk目录拷到mm目录)使用绝对路径:cp -r/root/0303/kk /root/0303/mm
mv 剪切 mv hello.c mm(将hello.c剪切到mm目录)mv kk kk1(将kk重命名为kk1)
压缩文件:tar cvzf hello.tar.gz hello.c
解压文件:tar xvzf hello.tar.gz hello.c
解压到相对路径:tar xvzf hello.tar.gz -C 0208
解压到绝对路径:tar xvzf hello.tar.gz -C/root/0208/

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