【附源码+代码注释】误差状态卡尔曼滤波(error-state Kalman Filter),扩展卡尔曼滤波,实现GPS+IMU融合,EKF ESKF GPS+IMU

【附源码+代码注释】误差状态卡尔曼滤波(error-state Kalman Filter),扩展卡尔曼滤波,实现GPS+IMU融合,EKF ESKF GPS+IMU2021年6月23日更新:发现了一个讲卡尔曼滤波特别好的视频,但是需要科学上网。卡尔曼滤波视频 最近在学习卡尔曼滤波器,今天抽出点儿时间总结一下! 我的所有源码都放在

大家好,又见面了,我是你们的朋友全栈君。

2021年6月23日更新:发现了一个讲卡尔曼滤波特别好的视频,但是需要科学上网。卡尔曼滤波视频

最近在学习卡尔曼滤波器,今天抽出点儿时间总结一下!

我的所有源码都放在Github的仓库里面了:eskf-gps-imu-fusion(记得要给我点star呀,哈哈)

在这篇博客中,我将会向你解释GPS融合IMU的扩展卡尔曼的推导过程,并且还会提供完整的源代码和数据。

首先来看一张实验结果,下图是我通过仿真gps和imu数据得到的融合结果,GPS的误差大约在5米,IMU的是中等精度,可以看到通过卡尔曼融合之后,误差降低非常多。

在这里插入图片描述

红色的GPS的测量数据,蓝色是轨迹的真值,绿色是融合之后的轨迹,可以看到融合了imu之后的轨迹,相比于只有GPS的情况提升了很多,甚至与真实值都非常接近了。

1.前言

卡尔曼滤波器在1958年被卡尔曼等人提出之后,经历了60多年,这期间有各种变体被提出来,但是核心的思想并没有变化。这其中比较突出的工作有,EKF、IEKF、ESKF、UKF等等。它们的方程有一些差异,但是用法基本区别不大,只要学会应用其中的一种,别的就问题不大了。

卡尔曼滤波器的公式推导,并不重要!
卡尔曼滤波器的公式推导,并不重要!
卡尔曼滤波器的公式推导,并不重要!

  
如果你初学卡尔曼滤波器,千万不要在公式推导和理解上花费太多的精力,这将会得不偿失,根据我的学习经验,想直接从卡尔曼的公式推到上去理解用法是比较难的,但是先不管原因,边应用边学习,将会是一个非常正确的做法,对于理解卡尔曼滤波器将会事半功倍!

2. 状态误差卡尔曼(Error-State Kalman Filter,ESKF)

本篇博客我们将探索一下状态误差卡尔曼(ESKF)的应用,它是卡尔曼滤波器的变种中应用最为广泛的一种,与EKF一样,它也是一种针对时变系统的非线性滤波器。但是与EKF不同的是,它的线性化是总是在0附近,因此线性化更准确。

根据我的经验,绝大部分的场景,ESKF就足够使用了。如果对于滤波有更高的要求,可以选择UKF,甚至PF(例子滤波)。

2.1 状态方程的推导

在融合IMU和GPS的数据时,因为IMU的频率更高,所以常常用IMU的姿态解算作为轨迹增量的预测,如果使用EKF滤波器,那么就是这种做法。由于我们这里介绍的是更为复杂的ESKF,所以这里并不是对导航信息做滤波,而是对导航信息中的误差进行滤波,因为误差是小量,线性化时更精确。

这里直接给出IMU的误差方程,由于误差方程的推导比较复杂,需要的知识比较多,而且这里主要强调的是ESKF的用法,所以就忽略IMU误差方程的推导。

如果你想系统学习IMU误差方程的推导,推荐你看《捷联惯导算法与组合导航原理》(严恭敏)

你也可以直接记住下面的结论,先继续往后学习,当你把整个流程都走一遍之后,你就明白了!

IMU误差方程:
ϕ ˙ = ϕ × ω i e n δ V ˙ = f n × ϕ + δ f n δ P ˙ = δ V (0) \begin {aligned} \dot \phi &= \phi \times \omega_{ie}^{n} \\ \delta \dot V &= f^n \times \phi + \delta f^n \\ \delta \dot P &= \delta V \end {aligned} \tag 0 ϕ˙δV˙δP˙=ϕ×ωien=fn×ϕ+δfn=δV(0)其中,
   ϕ = [ ϕ E , ϕ N , ϕ U ] T \phi = [\phi_E, \phi_N, \phi_U]^T ϕ=[ϕE,ϕN,ϕU]T称为失准角
  
   ω i e n = [ 0 , ω cos ⁡ L , ω sin ⁡ L ] T \omega_{ie}^n = [0, \omega\cos L, \omega \sin L]^T ωien=[0,ωcosL,ωsinL]T地球自转角速度的分量, ω = 7.292115 e ( − 5 ) r a d / s \omega = 7.292115e(-5)rad/s ω=7.292115e(5)rad/s
  
   δ w i b n = C b n ∗ [ ε x   ε y   ε z ] T \delta w_{ib}^n = C_b^n * [\varepsilon_x \ \varepsilon_y \ \varepsilon_z]^T δwibn=Cbn[εx εy εz]T ε \varepsilon ε是陀螺仪的bias在body frame坐标系下的分量, C b n C_b^n Cbn是当前IMU body frame到导航系的变换矩阵
  
   f n = [ f E   f N   f U ] T f^n = [f_E \ f_N \ f_U]^T fn=[fE fN fU]T 是IMU测量的加速度在导航系下的表示
  
   δ f n = C b n ∗ [ ∇ x   ∇ y   ∇ z ] T \delta f^n = C_b^n * [\nabla_x \ \nabla_y\ \nabla_z]^T δfn=Cbn[x y z]T ∇ \nabla 是加速度计的bias在body frame下的分量

然后,将以上变量全部带入公式(0),得到如下式子:
[ ϕ ˙ E ϕ ˙ E ϕ ˙ E ] = [ 0 − ϕ U ϕ N ϕ U 0 − ϕ E − ϕ N ϕ E 0 ] [ 0 ω cos ⁡ L ω sin ⁡ L ] − C b n [ ε x ε y ε z ] (1) \left[\begin{matrix} \dot \phi_E \\ \dot \phi_E\\ \dot \phi_E \end{matrix}\right] = \left[\begin{matrix} 0 & -\phi_U & \phi_N \\ \phi_U & 0 & -\phi_E \\ -\phi_N & \phi_E & 0 \end{matrix}\right] \left[\begin{matrix} 0 \\ \omega \cos L \\ \omega \sin L \end{matrix}\right] – C_b^n \left[\begin{matrix} \varepsilon_x \\ \varepsilon_y \\ \varepsilon_z \end{matrix}\right] \tag 1 ϕ˙Eϕ˙Eϕ˙E=0ϕUϕNϕU0ϕEϕNϕE00ωcosLωsinLCbnεxεyεz(1)

[ δ V ˙ E δ V ˙ N δ V ˙ U ] = [ 0 − f U f N f U 0 − f E − f N f E 0 ] [ ϕ E ϕ N ϕ U ] + C b n [ ∇ x ∇ y ∇ z ] (2) \left[\begin{matrix} \delta \dot V_E \\ \delta \dot V_N \\ \delta \dot V_U \end{matrix}\right] = \left[\begin{matrix} 0 & -f_U & f_N \\ f_U & 0 & -f_E \\ -f_N & f_E & 0 \end{matrix}\right] \left[\begin{matrix} \phi_E \\ \phi_N \\ \phi_U \end{matrix}\right] + C_b^n \left[\begin{matrix} \nabla_x \\ \nabla_y \\ \nabla_z \end{matrix}\right] \tag 2 δV˙EδV˙NδV˙U=0fUfNfU0fEfNfE0ϕEϕNϕU+Cbnxyz(2)

[ δ P ˙ E δ P ˙ N δ P ˙ U ] = [ δ V E δ V N δ V U ] (3) \left[ \begin{matrix} \delta\dot P_E \\ \delta\dot P_N \\ \delta\dot P_U \end{matrix} \right] = \left[ \begin{matrix} \delta V_E \\ \delta V_N \\ \delta V_U \end{matrix} \right] \tag 3 δP˙EδP˙NδP˙U=δVEδVNδVU(3)

这里稍微解释一下误差方程,由于在做IMU的解算时,做了一些近似,而那些舍掉的东西就给IMU解算带来了误差。ESKF要做的就是对误差进行滤波,获得当前情况下误差的最优估计,然后将计算出来的位移、速度、姿态等量减去这个误差,修正由于近似带来的不准确。

IMU误差方程的推导可以参考《捷联惯导算法与组合导航原理》(严恭敏)

在滤波器中,状态方程一般都是写为如下形式:
X ˙ = F t X + B t W (4) \dot X = F_t X + B_t W \tag 4 X˙=FtX+BtW(4)其中, X X X就是我们要估计的状态量,对于IMU+GPS的融合系统,需要估计的状态量可以有多种选择,这里我们选:位移误差、速度误差、姿态误差、陀螺仪的bias误差、加速度计的bias误差,将其写成向量如下:
X = [ δ P T δ V T δ ϕ T ε T ∇ T ] T (5) X = \left[ \begin{matrix} \delta P^T& \delta V^T&\delta \phi^T& \varepsilon^T& \nabla^T \end{matrix} \right] ^T \tag 5 X=[δPTδVTδϕTεTT]T(5)其中:
   δ P T = [ δ P E δ P N δ P U ] T \delta P^T=\left[\begin{matrix} \delta P_E & \delta P_N & \delta P_U \end{matrix}\right]^T δPT=[δPEδPNδPU]T
   δ V T = [ δ V E δ V N δ V U ] T \delta V^T=\left[\begin{matrix} \delta V_E & \delta V_N & \delta V_U \end{matrix}\right]^T δVT=[δVEδVNδVU]T
   δ ϕ T = [ δ ϕ E δ ϕ N δ ϕ U ] T \delta \phi^T=\left[\begin{matrix} \delta \phi_E &\delta \phi_N &\delta \phi_U \end{matrix}\right]^T δϕT=[δϕEδϕNδϕU]T
   ε T = [ δ ε x ε y ε z ] T \varepsilon^T=\left[\begin{matrix} \delta \varepsilon_x & \varepsilon_y & \varepsilon_z \end{matrix}\right]^T εT=[δεxεyεz]T
   ∇ T = [ ∇ x ∇ y ∇ z ] T \nabla^T=\left[\begin{matrix} \nabla_x & \nabla_y & \nabla_z \end{matrix}\right]^T T=[xyz]T

根据(1)(2)(3)等式,将状态量 X X X带入方程(4),则可以得到一个完整的 F t F_t Ft矩阵:
F t = [ 0 3 × 3 I 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 F 23 0 3 × 3 C b n 0 3 × 3 0 3 × 3 F 33 − C b n 0 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 0 3 × 3 ] (6) F_t = \left[ \begin{matrix} 0_{3 \times 3} & I_{3 \times 3} & 0_{3 \times 3} &0_{3 \times 3} &0_{3 \times 3} & \\ 0_{3 \times 3} & 0_{3 \times 3} & F_{23} & 0_{3 \times 3} & C_b^n \\ 0_{3 \times 3} & 0_{3 \times 3} & F_{33} & -C_b^n & 0_{3 \times 3} \\ 0_{3 \times 3} & 0_{3 \times 3} &0_{3 \times 3} &0_{3 \times 3} &0_{3 \times 3} & \\ 0_{3 \times 3} &0_{3 \times 3} &0_{3 \times 3} &0_{3 \times 3} &0_{3 \times 3} \end{matrix} \right] \tag 6 Ft=03×303×303×303×303×3I3×303×303×303×303×303×3F23F3303×303×303×303×3Cbn03×303×303×3Cbn03×303×303×3(6)

其中:
F 23 = [ 0 − f U f N f U 0 − f E − f N f E 0 ] F_{23} = \left[ \begin{matrix} 0 & -f_U & f_N \\ f_U & 0 & -f_E \\ -f_N & f_E & 0 \end{matrix} \right]\hspace{3cm} F23=0fUfNfU0fEfNfE0 F 33 = [ 0 ω sin ⁡ L − ω cos ⁡ L − ω sin ⁡ L 0 0 ω cos ⁡ L 0 0 ] F_{33} = \left[ \begin{matrix} 0 & \omega \sin L & -\omega \cos L \\ -\omega \sin L & 0 & 0 \\ \omega \cos L & 0 & 0 \end{matrix} \right]\hspace{2cm} F33=0ωsinLωcosLωsinL00ωcosL00
    C b n C_b^n Cbn是当前t时刻,IMU body frame到导航系 n n n的变换

对于(4)式已经给出了 F t F_t Ft的完整形式,对于 B t B_t Bt W W W,它们分别代表了噪声转移矩阵和IMU中陀螺仪与加速度计的bias噪声,它们的完整形式如下:

W = [ ω g x ω g y ω g z ω a x ω a y ω a z ] W = \left[ \begin{matrix} \omega_{gx} & \omega_{gy} &\omega_{gz} &\omega_{ax} &\omega_{ay} &\omega_{az} \end{matrix} \right] W=[ωgxωgyωgzωaxωayωaz]其中,前三个是陀螺仪在三个轴上的bias噪声,后三个是加速度计在三个轴上的bias噪声。

B t B_t Bt的完整形式如下:
B t = [ 0 3 × 3 0 3 × 3 0 3 × 3 C b n − C b n 0 3 × 3 0 6 × 3 0 6 × 3 ] B_t = \left[ \begin{matrix} 0_{3 \times 3} & 0_{3 \times 3} \\ 0_{3 \times 3} & C_b^n \\ -C_b^n & 0_{3 \times 3} \\ 0_{6 \times 3} & 0_{6 \times 3} \end{matrix} \right] Bt=03×303×3Cbn06×303×3Cbn03×306×3

2.2 观测方程的推导

前面说的预测值是来自于IMU,而对于观测值我们采用的是GPS的观测。

在滤波器中,观测方程的形式比较统一,一般写为:
Y = G t X + C t N (7) Y = G_t X + C_tN \tag 7 Y=GtX+CtN(7)

在IMU和GPS的融合中,GPS观测量一般之后位置,所以 Y Y Y的完整形式如下:
Y = [ δ P E δ P N δ P U ] T Y =\left[\begin{matrix} \delta P_E & \delta P_N & \delta P_U \end{matrix}\right]^T Y=[δPEδPNδPU]T

由(5)式 X X X状态量的形式,可以推算出 G t G_t Gt C t C_t Ct分别如下:
G t = [ I 3 × 3 I 3 × 12 ] G_t =\left[\begin{matrix} I_{3 \times 3} & I_{3\times 12} \end{matrix}\right] Gt=[I3×3I3×12] C t = [ I 3 × 3 ] C_t =\left[\begin{matrix} I_{3 \times 3} \end{matrix}\right] Ct=[I3×3]

等式(7)中的 N N N是观测噪声,它是由于GPS传感器不准确带来的,它的完整形式如下:
C t = [ n P E n P N n P U ] C_t =\left[\begin{matrix}n_{P_E}&n_{P_N}&n_{P_U} \end{matrix}\right] Ct=[nPEnPNnPU]

等式(4)和(7)就是IMU+GPS的系统下的状态方程和测量方程。

2.3 构建ESKF滤波器

首先我们先写出ESKF滤波器的五个经典公式:
x ˇ k = f ( x ^ k − 1 , v k , 0 ) P ˇ k = F k − 1 P ^ k − 1 F k − 1 T + B k − 1 Q k B k − 1 T K k = P ˇ k G k T ( G k P ˇ K G k T + C k R k C k T ) − 1 P ^ k = ( I − K k G k ) P ˇ k x ^ k = x ˇ k + K k ( y k − g ( x ˇ k , 0 ) ) (8) \begin{aligned} \check x_k & = f(\hat x_{k-1}, v_k, 0) \\ \check P_k &= F_{k-1}\hat P_{k-1}F_{k-1}^T + B_{k-1}Q_kB_{k-1}^T \\ K_k &= \check P_k G_k^T(G_k \check P_K G_k^T + C_k R_k C_k^T)^{-1} \\ \hat P_k &= (I-K_kG_k)\check P_k \\ \hat x_k & = \check x_k + K_k(y_k – g(\check x_k, 0)) \end{aligned} \tag 8 xˇkPˇkKkP^kx^k=f(x^k1,vk,0)=Fk1P^k1Fk1T+Bk1QkBk1T=PˇkGkT(GkPˇKGkT+CkRkCkT)1=(IKkGk)Pˇk=xˇk+Kk(ykg(xˇk,0))(8)

ESKF和EKF本身没有区别,只不过ESKF是使用的EKF滤波器对误差进行滤波

这五个公式就是ESKF滤波的基础。

根据2.1节和2.2节的推导,我们已经获得了IMU+GPS系统的状态方程和测量方程,现在我们要做的就是将状态方程和测量方程,应用到卡尔曼滤波器的五个公式中。

对于状态方程和测量方程的推导,都是在连续时间下完成的,想要应用到滤波器中,必须要离散化,离散化时按照采样时间进行离散化。对于(4)式中的 F t F_t Ft采用一阶泰勒近似,可以得到如下形式:
F k − 1 = I 15 × 15 + F t ( X ^ k − 1 , v k , 0 ) T (9) F_{k-1} = I_{15 \times 15} + F_t(\hat X_{k-1}, v_k, 0)T \tag 9 Fk1=I15×15+Ft(X^k1,vk,0)T(9) 公式(9)的实现过程:点此进入

B t B_t Bt的离散化形式为:
B k − 1 = B t ( X ^ k − 1 , v k , 0 ) T (10) B_{k-1} = B_t(\hat X_{k-1}, v_k, 0)T \tag {10} Bk1=Bt(X^k1,vk,0)T(10)其中, T T T为卡尔曼的滤波周期
公式(10)的实现过程:点此进入

对于观测方程,本生就是离散化的,所以可以直接使用。

将式子(9)(10)带入到(8)式中,得到最终的卡尔曼滤波器方程为:
X ˇ k = F k − 1 X ^ k − 1 + B k − 1 W k P ˇ k = F k − 1 P ^ k − 1 F k − 1 T + B k − 1 Q k B k − 1 T K k = P ˇ k G k T ( G k P ˇ K G k T + C k R k C k T ) − 1 P ^ k = ( I − K k G k ) P ˇ k X ^ k = X ˇ k + K k ( Y k − G k X ˇ k ) (11) \begin{aligned} \check X_k & = F_{k-1}\hat X_{k-1} + B_{k-1}W_k \\ \check P_k &= F_{k-1}\hat P_{k-1}F_{k-1}^T + B_{k-1}Q_kB_{k-1}^T \\ K_k &= \check P_k G_k^T(G_k \check P_K G_k^T + C_k R_k C_k^T)^{-1} \\ \hat P_k &= (I-K_kG_k)\check P_k \\ \hat X_k & = \check X_k + K_k(Y_k – G_k \check X_k) \end{aligned} \tag {11} XˇkPˇkKkP^kX^k=Fk1X^k1+Bk1Wk=Fk1P^k1Fk1T+Bk1QkBk1T=PˇkGkT(GkPˇKGkT+CkRkCkT)1=(IKkGk)Pˇk=Xˇk+Kk(YkGkXˇk)(11)等式组(11)中的前两个等式对应的是预测过程,它主要用来预测状态量和状态量对应的协方差,第三个等式的 K k K_k Kk是卡尔曼增益,它是用来决策当前次的预测和测量中,更应该相信谁。第四个和第五个等式则是矫正前两个方程预测时的误差。
公式组(11)的五个公式的代码实现过程分别是:

至此,整个基于IMU和GPS的状态误差卡尔曼滤波(ESKF)推导完成。

ESKF是对状态的误差进行矫正,所以ESKF每次迭代完成之后,必须要将状态量 X X X重新设置为零,但是协方差矩阵 P P P中的数值需要保留,代码在此

对于公式(11)中的 Y K Y_K YK它对应的就是测量误差,对于GPS和IMU的系统,它的计算方法是:GPS的测量值减去IMU的预测值,代码在此

每次使用卡尔曼迭代完成之后,都需要将最终得到的误差,重新带回到预测的位置、速度、方向中消除掉这个误差,代码在此

上面只是把结论给出来了,如果确实需要了解其中卡尔曼滤波器的推导过程,可以参考《机器人学中的状态估计》或者《Quaternion kinematics for the error-state Kalman filter》

2.4 可观测性和可观测度分析

可观测性分析:在设计滤波器时,有些状态量是不可观,如果此时继续将这些状态量带入滤波器进行滤波,可能导致滤波器不收敛,或者收敛到一个错误的值。可观测度就是用来判断状态量是否都会收敛。

可观测度分析:可观测分析是为了评估状态量在滤波时收敛的快慢和收敛的精度,对于一些可观测度非常小的状态量可以考虑进行限制或者直接扔掉。

本文所讲的IMU+GPS滤波系统是一种时变系统,对于时变系统它的可观测性和可观测度分析,可以参考论文《Observability Analysis of Piece-Wise Constant Systems》

这里我不再展示详细的推导过程,直接给出结论,如果你对这部分内容有兴趣,请阅读上面这篇论文,并且在我的代码中也给出了实现过程,点此进入,你可以参考。

IMU+GPS的扩展卡尔曼滤波器系统,可观测度和可观测性分析结论:

  • 载体静止或着匀速运动时:航向角, x 轴加速度bias和 y 轴加速度bias均不可观,而且z 轴角速度bias虽然收敛,但是收敛较慢;
  • 载体加减速时: 所有状态量基本都可观,z轴角速度零偏,x 轴加速度bias,y轴加速度bias收敛较慢,需要几十秒,但是比静止和匀速运动时提升了很多;
  • 载体转向时: 所有状态量基本都可观,但是航向角和加速度计bias以及角速度计bias参数收敛速度有一些慢,需要几十秒才能收敛,但是比静止和匀速运动时提升了很多。

2.5 总结

上面展示的这些流程,就是从IMU的误差方程到扩展卡尔曼滤波器的所有流程,其中很多的推导比较难理解,我能省略的就尽量省略了。

但是有以下的一些点,你需要注意:

  • 上面的IMU误差方程是基于高精度的IMU推导的,考虑了地球的转速了,如果你的IMU精度一般,你可以忽略地球的转速,也就是上式(6)中的 F 33 F_{33} F33设置为0矩阵,并不会对精度产生很大的影响;
  • 另外有一点你一定要格外的注意,上面方程的推导都是基于导航坐标系的,而你的IMU结果是针对body坐标系的,切记不要弄混了坐标系;
  • 矩阵 F 33 F_{33} F33是加速度计敏感到的加速度在导航系下的表示,代码中不要忘记了这一步,另外还要注意这里的加速度不需要去掉重力加速度;
  • 还要格外的注意单位的统一,GPS的测量值是经纬高,要转换到导航系下,表示成 x , y , z x,y,z x,y,z单位是米,并且IMU的角速度是以弧度为基础的;
  • 卡尔曼滤波器公式(11)中的第一个等式是状态的传递方程,后面有一个噪声项,你可以加上,也可以忽略,根据你的实际情况去决定是否需要。我的实验结果是,加不加影响不大。

3.代码实现

a. 我的所有源码都放在Github的仓库里面了:eskf-gps-imu-fusion

b. 在代码的文件夹/data/raw_data中我提供了方针的IMU和GPS数据,它们的生成是通过gnss-ins-sim,关于gnss-ins-sim的使用方法,作者提供了比较详细的使用教程,你按照教程就能学会它的使用方法,另外你需要注意的是,不要把坐标系弄混了。我在eskf-gps-imu-fusion文件夹下的gnss-ins-sim文件中放了我所使用的脚本和运动控制文件,你按照readme中的方法操作,就能实现数据仿真了。

c. 融合过程中产生的轨迹和融合数据都保存在data文件夹下,它们都是以kitti的姿态格式保存的,如果你想可视化它们,我推荐你使用evo,我写过一篇介绍它的使用方法的博客:点击入口,如果你不会使用,可以参考一下。

安装好evo之后,使用如下命令可以显示运行之后的轨迹,

evo_traj kitti fused.txt gt.txt measured.txt -p

d. 对于滤波器误差噪声的调节,是在config文件夹下的config.yaml文件中。

当你运行起我的代码之后,你可以或者如下的这样融合轨迹:
在这里插入图片描述

一定要把上面的公式和代码结合起来看,如果实在难以理解,可以先把这个流程和实现过程弄明白,然后再边用变理解,不然你可能很难学会!

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/150695.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • 莫兰迪色系表

    莫兰迪色系表莫兰迪色系????它曾因《延禧攻略》的播出而大受追捧它饱和度不高带有几分淡漠疏离的色调却也使得空间柔和自然舒缓雅致展现出静态的和谐之美它别称“高级灰”它也被誉为世界上最舒服的配色它便是莫兰迪色系????莫兰迪色系:高级灰色调。不鲜亮,仿佛蒙了一层灰调,不张不扬,却在整个画面中,相互制约、相互抵消,让视觉达到完美平衡。它给人以平和自持、舒缓雅致,有时略显冷静的感觉,让人越看越喜欢。????颜色效果16进制值RGB值颜色效果

  • 微信小程序快速接口编写

    微信小程序快速接口编写

  • 变异系数法matlab代码[通俗易懂]

    变异系数法matlab代码[通俗易懂]function[w,ave,score]=byxsf(A)[m,n]=size(A);%m:对象数,n:指标数v=zeros(1,n);w=zeros(1,n);fori=1:nv(i)=std(A(:,i))/mean(A(:,i));endfori=1:nw(i)=v(i)/sum(v);enddisp(‘权重为:’)wscore=w(…

  • 1.2线性代数-行列式的性质

    行列式的性质:性质1:;行列式转置值不变对行成立的性质,对列也成立性质二:两行互换(两列互换),行列式的值要变号证明思路:若D中的每一项都和D1中的每一项差一个负号,那么D=-D13214是1234经过一次顺序变换得来的(1和3变换位置),1234为偶,3214肯定是奇原因:2,7,12,13列标的排法没变,只是行标变了。原来是1-2-3-4行,现在变成了3-2-1-4推论:两行或者两列对应相等,行列式值等于0若第一行和第三行互换,那么根据…

  • Jmeter面试题_软件测试的面试题及答案

    Jmeter面试题_软件测试的面试题及答案最近有个学生反馈,自己在面试的时候,遇到一个jmeter题目,要我帮忙看下,题目如下:进入http://www.weather.com.cn/网站,用jmeter编写脚本实现如下操作(下列要求在同一个测试脚本):(1)编写获取北京天气紫外线、穿衣、洗车、感冒指数的压测脚本,要求将城市参数化10个(城市名字自定义),将城市的当前实时天气>10度作为断言,并将天气数字输出打印到日志,设置2…

  • WIN7(WINDOWS7)在添加网络打印机时提示这个,这里的密码是什么密码,能不能不用密码?

    WIN7(WINDOWS7)在添加网络打印机时提示这个,这里的密码是什么密码,能不能不用密码?

    2021年11月17日

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号