Greendjohn的音乐

本文介绍了三张器乐专辑:Greendjohn的Loophole 2011、Oleg Serkov的Epoch Symbol 2008以及Adam Hurst的Elegy 2010,并对每张专辑的特点进行了点评。

通过无界查看2013款GL450时,一段视频配的音乐是Greendjohn的look behind,很好听。于是搜索他的音乐,下面是莫如音乐介绍的网站:

http://www.jamendo.com/en/search#qs=q=Greendjohn&bq=freetext

上面有Greendjohn的曲子。

 

 

from:

http://blog.163.com/gk_l1208/blog/static/189142432201152383136224/

 

1,在jamendo网站听歌有阵时间了,,不过因为个人条件限制,很多好的音乐不易察觉,多数时候也就是连蒙带猜的,毕竟面对全英语网站,对来说我基本上就是:妞,漂亮的让人紧张。

最近在听的挑了两张,注意到标签都是Instrumental music(器乐配乐)。个人打分四星。

2,Greendjohn-Loophole 2011
Greendjohn/Oleg Serkov/Adam Hurst - 宵 - 莫如音乐
 非常有韧性的一张,结构上也是张驰有度,恰到好处。乐器多是古典一类,阵容肯定不小。磅磗之势与优雅之姿结合的妙不可言。呈现出一种古老悠久的历史痕迹,这也是在这张专辑中很可贵的一个表达方式。

任何一个民族都有他特有的历史文明,或黑暗或光明,从开篇到结束,真的让人忍不住追溯过去。

可惜,别的链接遍寻不到。我勒个去。

3.Oleg Serkov-Epoch Symbol  2008

Greendjohn/Oleg Serkov/Adam Hurst - 宵 - 莫如音乐
 COVER 看着就很歌特,翻译了专辑下面一个标签,“世纪典藏终极摇滚版”,英文咋写的不记得了。反正这名头就够吓人了,反感一些所谓的潮流精神领 袖总是给一些东西冠上宏大且遥不可及的名称,有这必要吗?摇滚器乐奏不是很简单明了的,搞那么大的名称是想压垮你自己还是乐队本身?抬的过高,摔的越疼, 不懂嚎?

幸好不是乐队自己冠的名。音乐本身的确无话可说,大段的SOLO对摇滚音乐来说很常见,但在纯粹的SOLO中就不光是功底如何,如 何炫技,整体出彩才是王道。不得不说,不论是电吉它的速度,鼓点的节奏,还有主次分明的把握,都很好的说明了一切。值得反复品味的一张。感觉不是那么商业 的专辑。

可惜的是虾米是EP,只有五首,而jamendo网上却有十首,可能是正式专辑的原因。但最好听的那首Meditative却无法放上了。

Light Inside

4,Adam Hurst-Elegy 2010

图片

这张专的COVER实在太传神了,Adam Hurst 亚当.赫斯特的大提琴独奏曲。说到大提琴,第一想到的就是杰奎琳·杜普蕾(事实上就大提琴来说,我也只听过她的),这个神级般的人物。

这张名为Elegy (挽歌)专辑中的同名曲让人将所有的悲伤从体内散发出来,厚重大提琴低沉,忧伤的音色,那诗人般的哀诉震撼着每一位聆听者的灵魂。对这样的音乐,诸多说词,都显苍白。

此感谢昔日之友L的荐赏!










本文转自 h2appy  51CTO博客,原文链接:http://blog.51cto.com/h2appy/928894,如需转载请自行联系原作者
同步定位与地图构建(SLAM)技术为移动机器人或自主载具在未知空间中的导航提供了核心支撑。借助该技术,机器人能够在探索过程中实时构建环境地图并确定自身位置。典型的SLAM流程涵盖传感器数据采集、数据处理、状态估计及地图生成等环节,其核心挑战在于有效处理定位与环境建模中的各类不确定性。 Matlab作为工程计算与数据可视化领域广泛应用的数学软件,具备丰富的内置函数与专用工具箱,尤其适用于算法开发与仿真验证。在SLAM研究方面,Matlab可用于模拟传感器输出、实现定位建图算法,并进行系统性能评估。其仿真环境能显著降低实验成本,加速算法开发与验证周期。 本次“SLAM-基于Matlab的同步定位与建图仿真实践项目”通过Matlab平台完整再现了SLAM的关键流程,包括数据采集、滤波估计、特征提取、数据关联与地图更新等核心模块。该项目不仅呈现了SLAM技术的实际应用场景,更为机器人导航与自主移动领域的研究人员提供了系统的实践参考。 项目涉及的核心技术要点主要包括:传感器模型(如激光雷达与视觉传感器)的建立与应用、特征匹配与数据关联方法、滤波器设计(如扩展卡尔曼滤波与粒子滤波)、图优化框架(如GTSAM与Ceres Solver)以及路径规划与避障策略。通过项目实践,参与者可深入掌握SLAM算法的实现原理,并提升相关算法的设计与调试能力。 该项目同时注重理论向工程实践的转化,为机器人技术领域的学习者提供了宝贵的实操经验。Matlab仿真环境将复杂的技术问题可视化与可操作化,显著降低了学习门槛,提升了学习效率与质量。 实践过程中,学习者将直面SLAM技术在实际应用中遇到的典型问题,包括传感器误差补偿、动态环境下的建图定位挑战以及计算资源优化等。这些问题的解决对推动SLAM技术的产业化应用具有重要价值。 SLAM技术在工业自动化、服务机器人、自动驾驶及无人机等领域的应用前景广阔。掌握该项技术不仅有助于提升个人专业能力,也为相关行业的技术发展提供了重要支撑。随着技术进步与应用场景的持续拓展,SLAM技术的重要性将日益凸显。 本实践项目作为综合性学习资源,为机器人技术领域的专业人员提供了深入研习SLAM技术的实践平台。通过Matlab这一高效工具,参与者能够直观理解SLAM的实现过程,掌握关键算法,并将理论知识系统应用于实际工程问题的解决之中。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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