操作系统引导

1. 系统开机或者重启。

2. BIOS 加电自检 ( Power On Self Test -- POST )BIOS执行内存地址为 FFFF:0000H 处的跳转指令,跳转到固化在ROM中的自检程序处,对系统硬件(包括内存)进行检查。

3. BIOS检查到硬件正常并与 CMOS 中的设置相符后,按照 CMOS 中对启动设备的设置顺序检测可用的启动设备。此时,BIOS直接将启动设备的第一个扇区(即主引导扇区)

附注:引导扇区是每个分区(Partition)的第一扇区,而主引导扇区是硬盘的第一扇区,它在硬盘上的三维地址为{(柱面,磁头,扇区)|(001)}

它由三个部分组成,主引导记录MBR硬盘分区表DPT和硬盘有效标志。在总共512字节的主引导扇区MBR446个字节(偏移0--偏移1BDH),DPT64个字节(偏移1BEH--偏移1FDH),最后两个字节“55AA”(偏移1FEH--偏移1FFH)是硬盘有效标志。其结构如下:

标准主引导扇区结构

位址

长度(字节)

描述

Hex

Dec

0000

0

394 – 446

代码区

018A

394

36

四个 9 byte 的主分区表入口(选用 IBM 的延伸 MBR 分区表规划)

01B8

440

4

选用磁盘标志

01BC

444

2

一般为空值:0x0000

01BE

446

64

四个 16 byte 的主分区表入口(标准 MBR 分区表规划)

01FE

510

2

MBR 有效标志 (0x55 0xAA)

    

拷贝入内存地址:00007C00处,检查相应启动设备的0000:7DFEH-0000:7DFFH(主引导扇区的最后两个字节)是否等于 AA55H,若不等于则转去尝试其他启动设备,并将其第一个扇区拷贝入内存继续测试。如果尝试所有启动设备后,没有启动设备满足要求则显示"NO ROM BASIC"然后死机。

4. 当检测到有启动设备的第一个扇区最后两个字节等于AA55H后,则认为该启动设备符合要求。当检测到有启动设备满足要求后,BIOS将控制权交给相应启动设备。此时可以执行主引导扇区中的MBR中的代码程序,比如LiLoGrub程序等等。启动设备的MBR将自己复制到0000:0600H, 然后继续执行

5. 在主分区表中搜索标志为活动的分区,也就是检验磁盘分区表

硬盘分区结构信息

偏移

长度(字节)

意义

00H

1

分区状态:00-->非活动分区;80--> 活动分区;
其它数值没有意义

01H

1

分区起始磁头号(HEAD),用到全部8

02H

2

分区起始扇区号(SECTOR),占据02H的位05
该分区的起始磁柱号(CYLINDER),占据
02H
的位6703H的全部8

04H

1

文件系统标志位

05H

1

分区结束磁头号(HEAD),用到全部8

06H

2

分区结束扇区号(SECTOR),占据06H的位05
该分区的起始磁柱号(CYLINDER),占据
06H
的位6707H的全部8

08H

4

分区起始绝对扇区

0CH

4

分区总的扇区数

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

DPT的首字节是不是80H。如果检测到80H,则表示该分区为活动分区,将该活动分区的第一个扇区(操作系统引导记录区Dos Boot Recorder,DBR)读入内存地址 0000:7C00H 处。

6. 检查0000:7DFEH-0000:7DFFH(DBR的结束标志位)是否等于 AA55H, 若不等于则显示 : "Missing Operating System" 然后停止。 当检测到有分区满足要求后,MBR将控制权交给相应的活动分区。

 

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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