C语言编译过程中产生的各种文件

完整编译流程与对应文件

源代码.c → 预处理.i → 编译.s → 汇编.o → 链接 → 可执行文件

详细文件类型说明

 .c 文件 - 源代码文件

内容:你写的C代码

特点:人类可读

 .i 文件 - 预处理后文件

生成命令:gcc -E hello.c -o hello.i

内容:展开所有 #include、#define、#if 后的纯C代码

特点:仍然是C代码,但没有预处理指令了

.s 文件 - 汇编代码文件

生成命令:gcc -S hello.c -o hello.s

内容:汇编语言代码

特点:CPU指令的文本表示,人类可读但难懂

.o 文件 - 目标文件(Object File)

生成命令:gcc -c hello.c -o hello.o

内容:二进制机器码 + 符号表 + 重定位信息

特点:机器码,但还不完整(等待链接)

查看命令:objdump -d hello.o 或 nm hello.o

 .a 文件 - 静态库文件(Archive)

生成命令:ar rcs libmylib.a file1.o file2.o

内容:多个 .o 文件打包成一个文件

特点:链接时会被完全复制进可执行文件

示例:libm.a(数学库静态版)

.so 文件 - 动态库文件(Shared Object)

生成命令:gcc -shared -fPIC file.c -o libmylib.so

内容:可被多个程序共享的库代码

特点:运行时才加载,节省空间

示例:libc.so.6(C标准库动态版)

可执行文件(无扩展名或 .exe)

生成命令:gcc hello.c -o hello(或 gcc hello.o -o hello)

内容:完整的、可直接运行的程序

特点:可以直接 ./hello 运行

现在有如下C语言代码

程序文件hello.c

#include <stdio.h>

// 自定义函数(供 main.c 调用)

void hello_func() {

    printf("Hello, 多文件编译!\n");

}

程序文件math.c(这里不写math.h,你知道有,能调用就好):

// 加法函数实现(被 main.c 调用)

int add(int a, int b) {

    return a + b;

}

主程序文件main.c(调用 math.c 和 hello.c 的功能):

#include <stdio.h>

#include "math.h"  // 包含自定义头文件(对应 math.c)

extern void hello_func();  // 外部函数声明(来自 hello.c)

int main() {

    hello_func();  // 调用 hello.c 中的函数

    int x = 10, y = 20;

    printf("10 + 20 = %d\n", add(x, y));  // 调用 math.c 中的函数

    return 0;

}

流程如上图说明:

单文件编译链(hello 系列):hello.c 经预处理生成 hello.i,再经编译生成汇编文件 hello.s,接着经汇编生成目标文件 hello.o,最后经链接生成可执行文件 hello。

多文件编译链(main、math 系列):main.c 和 math.c 各自经历预处理、编译、汇编过程,生成 main.o 和 math.o,再将这些目标文件与 hello.o 一起链接,最终生成可执行文件 program。

常见误区澄清

.o 文件 = 可执行文件(❌ )

.o 文件是“半成品”,需要链接才能运行(√)

.so 文件 = 可执行文件(❌ )

.so 是库文件,不能直接运行,只在运行时被其他程序加载(√)

静态库 .a 和动态库 .so 只是格式不同(❌ )

.a:链接时复制代码进可执行文件(√)

.so:运行时动态加载,可执行文件只存引用(√)

文件类型速查表

文件扩展名

中文名

生成阶段

作用

是否可执行

.c

源文件

手写

人类代码

.i

预处理文件

预处理

展开宏和头文件

.s

汇编文件

编译

CPU指令文本表示

.o

目标文件

汇编

二进制机器码(未链接)

.a

静态库

打包

多个.o打包

.so

动态库

编译

可共享的库代码

无扩展名

可执行文件

链接

完整程序

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”展开,旨在研究纳米定位系统的预测控制方法。通过结合数据驱动技术与Koopman算子理论,将非线性系统动态近似为高维线性系统,进而利用递归神经网络(RNN)建模并实现系统行为的精确预测。文中详细阐述了模型构建流程、线性化策略及在预测控制中的集成应用,并提供了完整的Matlab代码实现,便于科研人员复现实验、优化算法并拓展至其他精密控制系统。该方法有效提升了纳米级定位系统的控制精度与动态响应性能。; 适合人群:具备自动控制、机器学习或信号处理背景,熟悉Matlab编程,从事精密仪器控制、智能制造或先进控制算法研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①实现非线性动态系统的数据驱动线性化建模;②提升纳米定位平台的轨迹跟踪与预测控制性能;③为高精度控制系统提供可复现的Koopman-RNN融合解决方案; 阅读建议:建议结合Matlab代码逐段理解算法实现细节,重点关注Koopman观测矩阵构造、RNN训练流程与模型预测控制器(MPC)的集成方式,鼓励在实际硬件平台上验证并调整参数以适应具体应用场景。
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