当前位置: 首页 > article >正文

Matlab数据类型

本篇介绍我在南农matlab课程上的所学,我对老师ppt上的内容重新进行了整理并且给出代码案例。主要内容在矩阵。如果真的想学matlab,我不认为有任何文档能够超过官方文档,请移步至官网,本篇说实话只是写出来给自己和学弟学妹作期末复习用的,没有任何学习价值。还是那句话,真想学明白,请看官方文档。

Matlab数据类型

  • 数值
  • 结构
  • 元胞
  • format
  • 预定义变量
  • 内存变量的管理
  • 逻辑运算与关系运算
    • 逻辑运算
    • 关系运算
  • 序列
  • 矩阵
    • 创建矩阵
    • 特殊矩阵的创建
    • 利用 M 文件或 TXT 文件建立矩阵
      • 使用 `.m` 文件创建矩阵
      • 使用 `.txt` 文件读取纯数据矩阵
    • 矩阵切片
      • MATLAB 中的矩阵切片(索引)操作
      • 基本语法
    • 矩阵运算
      • 1. 基础算术运算符
      • 2. 点运算符(逐元素操作)
      • 3. 常用数学函数
      • 4. 矩阵变换函数
      • 5. 矩阵运算函数
      • 6.向量内积/外积
      • 7.其他函数
  • 字符串
    • 创建字符串以及字符串数组
    • 字符函数

matlab默认显示运算结果,但在赋值语句后加分号只执行赋值操作

数值

双精度与单精度:double, single
符号整型与无符号整型:int8, unit8
实型与复型:real, imag

结构

structure

元胞

cell

% 注释

format

format 只影响输出格式不影响数据存储

代码含义
format 显示小数点后4位
format long小数点后15位
format short e5位有效数字科学计数法
format long e16位有效数字科学计数法
format rat近似有理数

% 小数点后4位
>> format
>> pians =3.1416% 小数点后15位
>> format long
>> pians =3.141592653589793% 5位有效数字的科学计数法
>> format short e
>> pians =3.1416e+00% 16位有效数字的科学计数法
>> format long e
>> pians =3.141592653589793e+00% 近似有理数
>> format rat
>> pians =355/113   

预定义变量

变量名表示数值
ans 缺省变量名
pi 圆周率
eps浮点运算的相对精度
inf 正无穷
NaN不定值0/0
realmax/realmin最大/最小的浮点数
i,j虚数单位
nargin,nargout所用函数的输入/输出变量数目
>> 1ans =1>> pians =3.1416>> epsans =2.2204e-16>> infans =Inf>> NaNans =NaN>> realmaxans =1.7977e+308>> realminans =2.2251e-308>> ians =0.0000 + 1.0000i>> jans =0.0000 + 1.0000i

内存变量的管理

whos, who显示workspace中的变量名,clear删除workspace中的所有变量

>> a=1,b=2a =1b =2>> who您的变量为:a  b  >> whosName      Size            Bytes  Class     Attributesa         1x1                 8  double              b         1x1                 8  double>> clear
>> whos
>>           

逻辑运算与关系运算

逻辑运算

运算符含义
&
``
~

关系运算

运算符含义
>大于
<小于
>=大于等于
<=小于等于
==等于
~=不等于

序列

% 从1开始到4结束每隔0.5取一个
>> 1:0.5:4ans =1.0000    1.5000    2.0000    2.5000    3.0000    3.5000    4.0000% 从1开始到2结束一共有10个等差的数
>> linspace(1,2,10)ans =1.0000    1.1111    1.2222    1.3333    1.4444    1.5556    1.6667    1.7778    1.8889    2.0000% 从10^1开始到10^2结束一共有10个等比的数
>> logspace(1,2,10)ans =10.0000   12.9155   16.6810   21.5443   27.8256   35.9381   46.4159   59.9484   77.4264  100.0000

矩阵

matlab中的矩阵是按列存放的,也就是说你如果用序列创建矩阵,是一列一列依次填满的。

创建矩阵

方括号括起来表示矩阵,分号表示换行,同行元素间以空格或逗号隔开,矩阵元素可以是运算表达式

>> mat = [1 2 3 ; 4 5 6]mat =1     2     34     5     6

特殊矩阵的创建

函数作用
zeors(m,n)产生 m × n m\times n m×n零矩阵,方阵情况时可以省略第二个参数
zeros(size(A))产生与矩阵A同样大小的零矩阵
eye(m,n)构建单位矩阵
ones(m,n)构建全1矩阵
randi([a, b], m, n)元素在[a, b]之间的 m × n m\times n m×n随机矩阵
>> zeros(3,4)ans =0     0     0     00     0     0     00     0     0     0>> eye(3,4)ans =1     0     0     00     1     0     00     0     1     0>> ones(3,4)ans =1     1     1     11     1     1     11     1     1     1>> randi([10,50], 5 ,5)ans =47    21    49    27    1115    32    49    47    4447    49    29    42    4835    49    42    49    3713    16    15    36    41

利用 M 文件或 TXT 文件建立矩阵

可以通过 .m 脚本文件或 .txt 文本文件创建较大、复杂的矩阵。这样做的好处是便于维护、复用或从外部导入数据。

使用 .m 文件创建矩阵

  1. 打开 MATLAB 自带的 Editor 或使用任意文本编辑器。

  2. 输入如下内容(定义一个矩阵 mymat):

    % 文件名:mymatrix.m
    mymat = [1, 2, 3;4, 5, 6;7, 8, 9
    ];
    
  3. 将文件保存为 mymatrix.m,并确保保存在 MATLAB 当前工作目录中。

    >> mymatmymat =1     2     34     5     67     8     9
    

使用 .txt 文件读取纯数据矩阵

适用于数据文件中只包含纯数字(不含变量名)。

  1. 创建一个名为 mymatrix.txt 的文本文件,内容如下:

    1 2 3
    4 5 6
    7 8 9
    
  2. 在 MATLAB 中读取该文件内容为矩阵:

    mymat = load('mymatrix.txt');
    

    或使用更通用的函数:

    mymat = readmatrix('mymatrix.txt');
    

矩阵切片

MATLAB 中的矩阵切片(索引)操作

矩阵的切片操作使用括号 ( , ) 表示,其中:

  • 前一部分表示 行的索引
  • 后一部分表示 列的索引
  • 可以使用数字、向量、冒号 :、关键字 end 等方式指定位置。

基本语法

A(i, j)           % 取第 i 行第 j 列的元素
A(i, :)           % 取第 i 行的所有列
A(:, j)           % 取第 j 列的所有行
A(m:n, p:q)       % 取第 m 到 n 行、第 p 到 q 列的子矩阵
A([1 3], [2 4])   % 取第 1、3 行 和第 2、4 列交叉形成的子矩阵
A(end, :)         % 取最后一行的所有列
A(:, end-1:end)   % 取最后两列的所有行
>> A = [1 2 3; 4 5 6; 7 8 9]A =1     2     34     5     67     8     9>> A(2, 3)ans =6>> A(1, :)ans =1     2     3>> A(:, 2)ans =258>> A(1:2, 2:3)ans =2     35     6>> A([1 3], [1 3])ans =1     37     9>> >> A(end, :)ans =7     8     9>> A(:, end-1:end)ans =2     35     68     9

矩阵运算

数的运算是矩阵运算的特例,所以一并包含在其中。

1. 基础算术运算符

运算符含义说明
+加法元素逐项相加,要求维度一致
-减法元素逐项相减,要求维度一致
*矩阵乘法矩阵内积规则,A的列= B的行
/右除A/BA * inv(B)
\左除A\Binv(A) * B
^矩阵幂A^nn 次矩阵乘法
>> A = [1 2; 3 4], B = [5 6; 7 8]A =1     23     4B =5     67     8>> A + Bans =6     810    12>> A - Bans =-4    -4-4    -4>> A * Bans =19    2243    50>> A / Bans =3.0000   -2.00002.0000   -1.0000>> A / B * Bans =1     23     4>> A \ Bans =-3    -44     5>> A * (A \ B)ans =5     67     8>> A ^ 2ans =7    1015    22

2. 点运算符(逐元素操作)

运算符含义
.*元素乘法
./元素右除
.\元素左除
.^元素幂
>> A = [1 2; 3 4], B = [5 6; 7 8]A =1     23     4B =5     67     8>> A .* Bans =5    1221    32>> A ./ Bans =0.2000    0.33330.4286    0.5000>> A .\ Bans =5.0000    3.00002.3333    2.0000>> A .^ 2ans =1     49    16

3. 常用数学函数

下述函数若作用于矩阵则是对每一元素进行的。

函数说明
sqrt(x)平方根
pow2(x)2的幂
log(x)自然对数
log2(x)2为底的对数
log10(x)10为底的对数
exp(x)e为底的指数
sign(x)符号函数
mod(x,y)余数,x为负数时是向负数的余数
rem(x,y)余数,x为负数时是向正数的余数
round(x)四舍五入
floor(x)向下取整
ceil(x)向上取整
fix(x)向 0 方向取整
conj(x)复数共轭
real(x)复数实部
imag(x)复数虚部
abs(x)
angle(x)相角
>> sqrt([4 9])ans =2     3>> pow2([1 2 3])ans =2     4     8>> log(exp(1))ans =1>> log2(8)ans =3>> log10(100)ans =2>> exp(1)ans =2.7183>> sign([-3 0 4])ans =-1     0     1>> mod(-7, 3)ans =2>> rem(-7, 3)ans =-1>> round(3.6)ans =4>> round(3.4)ans =3>> floor(3.6)ans =3>> ceil(3.2)ans =4>> fix(-3.7)ans =-3>> fix(3.7)ans =3>> conj(1+2i)ans =1.0000 - 2.0000i>> real(1+2i)ans =1>> imag(1+2i)ans =2>> abs(3+4i)ans =5>> angle(pi/4)ans =0

4. 矩阵变换函数

函数说明
transpose(A)A.'非共轭转置
fliplr(A)左右翻转
flipud(A)上下翻转
flipdim(A,1)将矩阵按第一个维度进行翻转
rot90(A)旋转90度
diag(A)对角矩阵
rref(A)最简行阶梯形矩阵
tril(A)下三角矩阵
triu(A)上三角矩阵
reshape(A,m,n)将矩阵A重新排成 m × n m\times n m×n的矩阵
>> A = [1 2; 3 4]A =1     23     4>> transpose(A)ans =1     32     4>> A.'ans =1     32     4>> fliplr(A)ans =2     14     3>> flipud(A)ans =3     41     2>> flipdim(A, 1)ans =3     41     2>> flipdim(A, 2)ans =2     14     3>> rot90(A)ans =2     41     3>> diag(A)ans =14>> rref(A)ans =1     00     1>> tril(A)ans =1     03     4>> triu(A)ans =1     20     4>> reshape(A, 1, 4)ans =1     3     2     4

5. 矩阵运算函数

函数含义
det(A)行列式
inv(A)逆矩阵
rank(A)矩阵秩
trace(A)对角线元素之和
norm(A)矩阵范数
cond(A)矩阵条件数
[V,D]=eig(A)矩阵的特征值分解,V表示特征向量,D表示特征值
[Q,R]=qr(A)矩阵的QR分解
[L,U]=lu(A)矩阵的LU分解
>> det([1 2; 3 4])ans =-2>> inv([1 2; 3 4])ans =-2.0000    1.00001.5000   -0.5000>> rank([1 2; 2 4])ans =1>> trace([1 2; 3 4])ans =5>> norm([3 4])ans =5>> cond([1 2; 3 4])ans =14.9330>> [V,D] = eig([1 2; 3 4])V =-0.8246   -0.41600.5658   -0.9094D =-0.3723         00    5.3723>> [Q,R] = qr([1 2; 3 4])Q =-0.3162   -0.9487-0.9487    0.3162R =-3.1623   -4.42720   -0.6325>> [L,U] = lu([1 2; 3 4])L =0.3333    1.00001.0000         0U =3.0000    4.00000    0.6667

6.向量内积/外积

函数主要作用
dot点积
cross叉积
>> dot([1 2 3], [4 5 6])ans =32>> cross([1 2 3], [4 5 6])ans =-3     6    -3

7.其他函数

函数主要作用向量行为矩阵行为(默认)
min/max极值单值每列最值
mean平均值单值每列均值
median中位数单值每列中位数
std标准差单值每列标准差
diff相邻差分长度减1每列差分
sort升序排序排序向量每列排序
sum求和总和每列求和
prod乘积累乘每列累乘
cumsum累加和向量累加每列累加
cumprod累乘积向量累乘每列累乘
length最大维长度向量长度二维矩阵为max(行,列)
size维度信息[1,n][m,n]
norm向量/矩阵范数L2 范数谱范数(最大奇异值)
>> A = reshape(1:16, 4, 4)A =1     5     9    132     6    10    143     7    11    154     8    12    16>> min(A)ans =1     5     9    13>> max(A)ans =4     8    12    16>> mean(A)ans =2.5000    6.5000   10.5000   14.5000>> median(A)ans =2.5000    6.5000   10.5000   14.5000>> std(A)ans =1.2910    1.2910    1.2910    1.2910>> diff(A)ans =1     1     1     11     1     1     11     1     1     1>> sort(A)ans =1     5     9    132     6    10    143     7    11    154     8    12    16>> sum(A)ans =10    26    42    58>> prod(A)ans =24        1680       11880       43680>> cumsum(A)ans =1     5     9    133    11    19    276    18    30    4210    26    42    58>> cumprod(A)ans =1           5           9          132          30          90         1826         210         990        273024        1680       11880       43680>> length(A)ans =4>> size(A)ans =4     4>> norm(A)ans =38.6227

字符串

创建字符串以及字符串数组

单引号将内容括起来表示一个字符串,以ASC2码存储。

% 创建字符串
a = 'ABC'
% 创建字符串数组,不可以使用单引号,否则输出会是字符串
>> a = ["hello" "word"]a = 1x2 string 数组"hello"    "word">> a = ['hello', 'word']a ='helloword'

字符函数

函数含义
abs('ABC')返回字符串中每个字符的 ASCII 码(与 double 等价)
double('ABC')返回字符串中每个字符的 ASCII 码
char([65 66 67])将 ASCII 数字转换为对应字符,结果为 'ABC'
int2str(123)将整数转换为字符串 '123'
num2str(3.14)将数值(整数或浮点数)转换为字符串 '3.14'
str2num('1.23 4.56')将字符串解析为数值向量 [1.23 4.56]
strcat('ab', 'cd')字符串拼接,结果为 'abcd',自动去除尾部空格
strvcat('abc', 'defg')垂直拼接字符矩阵,按最大长度补空格
strcmp('abc','abc')比较字符串是否完全相同,返回 1(true)或 0(false)
strncmp('abcdef','abcxyz',3)比较字符串前3个字符是否相同,返回逻辑值
strrep('cat','a','o')将字符串中的 'a' 替换为 'o',结果为 'cot'
strmatch('he', ['hello','hero','hi'])返回所有以 'he' 开头的字符串索引
eval()将字符串理解为代码执行
>> abs('A')ans =65>> double('A')ans =65>> char(65)ans ='A'>> int2str(123)ans ='123'>> num2str(3.14)ans ='3.14'>> str2num('1.23 4.56')ans =1.2300    4.5600>> strcat('ab', 'cd')ans ='abcd'>> strcat('ab', 'cd ')ans ='abcd'>> strvcat('abc', 'defg')ans =2x4 char 数组'abc ''defg'>> strcmp('abc', 'abc')ans =logical1>> strcmp('abc', 'ab')ans =logical0>> strncmp('abcdef', 'abcxyz', 3)ans =logical1>> strncmp('abcdef', 'abcxyz', 4)ans =logical0>> strrep('cat', 'a', 'o')ans ='cot'>> strmatch('he', 'hi')ans =[]>> strmatch('he', 'he')ans =1>> strmatch('he', ["he" "him"; "s" "hem"])ans =14>> strmatch('he', ["hello";"hero";"hi"])ans =12>> eval("a=2")a =2

相关文章:

Matlab数据类型

本篇介绍我在南农matlab课程上的所学&#xff0c;我对老师ppt上的内容重新进行了整理并且给出代码案例。主要内容在矩阵。如果真的想学matlab&#xff0c;我不认为有任何文档能够超过官方文档&#xff0c;请移步至官网&#xff0c;本篇说实话只是写出来给自己和学弟学妹作期末复…...

痉挛性斜颈带来的困扰

当颈部不受控制地扭转歪斜&#xff0c;生活便被打乱了节奏。颈部肌肉异常收缩&#xff0c;导致头部不自觉偏向一侧或后仰&#xff0c;不仅让外观明显异于常人&#xff0c;还会引发持续的酸痛与僵硬感。长时间保持扭曲姿势&#xff0c;肩颈肌肉过度紧绷&#xff0c;甚至会牵连背…...

AI觉醒前兆,ChatGPT o3模型存在抗拒关闭行为

帕利塞德研究公司(Palisade Research)近期开展的一系列测试揭示了先进AI系统在被要求自行关闭时的异常行为。测试结果显示&#xff0c;OpenAI的实验性模型"o3"即使在明确收到允许关闭的指令后&#xff0c;仍会主动破坏关机机制。 测试方法与异常发现 研究人员设计实…...

Flask项目进管理后台之后自动跳回登录页面,后台接口报错422,权限问题

今天准备部署一个python项目&#xff0c;先从代码仓down下来本地测了一下&#xff0c;发现登录成功后又自动跳回登录页了&#xff0c;然后后台接口报错422显示没权限&#xff0c;应该是token解析时出错&#xff0c;但是开发这个项目的同事是没问题的。 本来以为是浏览器或者配…...

HarmonyOS如何优化鸿蒙Uniapp的性能?

针对鸿蒙Uniapp应用的性能优化&#xff0c;可以围绕渲染效率、资源管理、代码逻辑等核心方向展开&#xff0c;结合鸿蒙系统特性和ArkUI框架能力进行针对性调整 一、滚动与动画性能优化 帧率优化 使用requestAnimationFrame替代setTimeout/setInterval处理滚动和动画&#xff0…...

使用逆强化学习对网络攻击者的行为偏好进行建模

摘要 本文提出了一种整体方法&#xff0c;利用逆强化学习&#xff08;IRL&#xff09;从系统级审计日志中对攻击者偏好进行建模。对抗建模是网络安全中的一项重要能力&#xff0c;它使防御者能够描述潜在攻击者的行为特征&#xff0c;从而能够归因于已知的网络对抗团体。现有方…...

青少年编程与数学 02-020 C#程序设计基础 12课题、使用控件

青少年编程与数学 02-020 C#程序设计基础 12课题、使用控件 一、控件二、控件的分类1. 按功能分类2. 按可见性分类 三、控件的核心特性(一) 属性(Properties) - 控件的"状态描述"1. 外观属性2. 布局属性3. 行为属性4. 数据绑定属性 (二) 方法(Methods) - 控件的"…...

一文认识并学会c++模板初阶

文章目录 泛型编程&#xff1a;概念 函数模板概念&#xff1a;&#x1f6a9;函数模板格式原理&#xff1a;&#x1f6a9;函数模板实例化与非模板函数共存 类模板类模板实例化 泛型编程&#xff1a; 概念 &#x1f6a9;编写与类型无关的通用代码&#xff0c;是代码复写一种手段…...

基于深度学习的工业OCR实践:仪器仪表数字识别技术详解

引言 在工业自动化与数字化转型的浪潮中&#xff0c;仪器仪表数据的精准采集与管理成为企业提升生产效率、保障安全运营的关键。传统人工抄录方式存在效率低、易出错、高危环境风险大等问题&#xff0c;而OCR&#xff08;光学字符识别&#xff09;技术的引入&#xff0c;为仪器…...

java导入excel

这样读取excel时&#xff0c;得到的是结果值&#xff0c;而不是单元格的公式 import cn.hutool.poi.excel.ExcelReader; import cn.hutool.poi.excel.ExcelUtil;InputStream inputStream file.getInputStream(); ExcelReader reader ExcelUtil.getReader(inputStream, 1); L…...

回头看,FPGA+RK3576方案的功耗性能优势

作者&#xff1a;Hello,Panda 各位朋友&#xff0c;大家好&#xff0c;熊猫君这次开个倒车&#xff0c;在这个广泛使用Xilinx&#xff08;Altera&#xff09;高端SoC的时代&#xff0c;分享一个“FPGAARM”实现的低功耗高性能传统方案。 图1 瑞芯微RK3576电路 当前&#xff0c…...

csharp ef入门

全局安装 dotnet ef 命令行工具 要 全局安装 dotnet ef 命令行工具&#xff08;即在任何项目目录下都能使用 dotnet ef 命令&#xff09;&#xff0c;请按以下步骤操作&#xff1a; ✅ 全局安装步骤&#xff08;推荐&#xff09; 在终端中运行以下命令&#xff1a; bash复制…...

长短期记忆网络:从理论到创新应用的深度剖析

一、引言 1.1 研究背景 深度学习在人工智能领域的发展可谓突飞猛进&#xff0c;而长短期记忆网络&#xff08;LSTM&#xff09;在其中占据着至关重要的地位。随着数据量的不断增长和对时序数据处理需求的增加&#xff0c;传统的神经网络在处理长序列数据时面临着梯度消失和梯…...

LiveNVR 直播流拉转:Onvif/RTSP/RTMP/FLV/HLS 支持海康宇视天地 SDK 接入-视频广场页面集成与视频播放说明

LiveNVR直播流拉转&#xff1a;Onvif/RTSP/RTMP/FLV/HLS支持海康宇视天地SDK接入-视频广场页面集成与视频播放说明 一、视频页面集成1.1 关闭接口鉴权1.2 视频广场页面集成1.2.1 隐藏菜单栏1.2.2 隐藏播放页面分享链接 1.3 其它页面集成 二、播放分享页面集成2.1 获取 iframe 代…...

MySQL索引与性能优化入门:让查询提速的秘密武器【MySQL系列】

本文将深入讲解 MySQL 索引的底层原理、常见类型、使用技巧&#xff0c;并结合 EXPLAIN 工具分析查询执行计划&#xff0c;配合慢查询日志识别瓶颈&#xff0c;逐步建立起系统的 MySQL 查询优化知识体系。适合有一定基础、希望在数据量增长或面试中脱颖而出的开发者阅读。 一、…...

进程间通信IV System V 系列(linux)

目录 消息队列 原理 操作 补充概念 信号量 (原子性计数器) 原理 操作 (和共享内存相似) 总结 小知识 消息队列 原理 在内核中建立一个队列&#xff0c;进程可以相互进行通信&#xff0c;通过队列进行IPC&#xff0c;就是进程之间发送带类型的数据块。 操作 接口和共享…...

设计模式——建造者设计模式(创建型)

摘要 本文详细介绍了建造者设计模式&#xff0c;这是一种创建型设计模式&#xff0c;旨在将复杂对象的构建过程与其表示分离&#xff0c;便于创建不同表示。文中阐述了其设计意图&#xff0c;如隐藏创建细节、提升代码可读性和可维护性&#xff0c;并通过构建电脑的示例加以说…...

AWS WebRTC:获取ICE服务地址(part 3):STUN服务和TURN服务的作用

STUN服务和TURN服务的作用&#xff1a; 服务全称作用是否中继流量适用场景STUNSession Traversal Utilities for NAT 协助设备发现自己的公网地址&#xff08;srflx candidate&#xff09; ❌ 不中继&#xff0c;仅辅助NAT 穿透成功时使用TURNTraversal Using Relays around N…...

使用Yolov8 训练交通标志数据集:TT100K数据集划分

使用Yolov8 训练交通标志数据集&#xff1a;TT100K数据集划分&#xff08;一&#xff09; 一、数据集下载二、划分数据集三、目录放置 一、数据集下载 官方网址&#xff1a;TT100K 数据集对比 源码如下&#xff1a; def classes(filedir):with open(filedir) as f:classes …...

NLP学习路线图(十三):正则表达式

在自然语言处理&#xff08;NLP&#xff09;的浩瀚宇宙中&#xff0c;原始文本数据如同未经雕琢的璞玉。而文本预处理&#xff0c;尤其是其中至关重要的正则表达式技术&#xff0c;正是将这块璞玉转化为精美玉器的核心工具集。本文将深入探讨正则表达式在NLP文本预处理中的原理…...

[VMM]现代 CPU 中用于加速多级页表查找的Page‐Table Entry原理

现代 CPU 中用于加速多级页表查找的Page‐Table Entry原理 摘要&#xff1a;以下从背景、结构、查找流程、一致性与性能影响等方面&#xff0c;详细介绍现代 CPU 中用于加速多级页表查找的 Page-Walk Cache&#xff08;也称 Walker Cache 或 Page‐Table Entry Cache&#xff0…...

javaweb-maven以及http协议

1.maven坐标&#xff1a; 坐标是资源的唯一标识&#xff0c;通过该坐标可以唯一定位资源位置&#xff1b; 2.坐标的组成&#xff1a; groupId:定义当前项目隶书的组织名称&#xff1b; artifactId&#xff1a;定义当前maven项目名称 version&#xff1a;定义项目版本 3.依…...

华为OD机试真题—— 最少数量线段覆盖/多线段数据压缩(2025A卷:100分)Java/python/JavaScript/C++/C语言/GO六种最佳实现

2025 A卷 100分 题型 本文涵盖详细的问题分析、解题思路、代码实现、代码详解、测试用例以及综合分析; 并提供Java、python、JavaScript、C++、C语言、GO六种语言的最佳实现方式! 2025华为OD真题目录+全流程解析/备考攻略/经验分享 华为OD机试真题《最少数量线段覆盖/多线段数…...

C语言创意编程:用趣味实例玩转基础语法(2)

文章目录 0. 前言1. &#x1f4ca; 动态条形图1.1 程序效果展示1.2 完整代码解析1.3 关键技术详解1.3.1 Unicode字符应用1.3.2 函数封装思想1.3.3 输入处理1.3.4 跨平台考虑 2. &#x1f524; 字母金字塔2.1 程序效果展示2.2 完整代码解析2.3 关键技术详解2.3.1 嵌套循环结构2.…...

关于近期中国移动民用家庭网络,新增的UDP网络限制。

在近期中国移动在全国一定范围普及新的打击 “PCDN、P2P、HY/HY2” 等流氓网络应用的技术方案&#xff0c;并接入在 “省/州” 的边界网关路由上。 根据遥测数据的具体研究分析&#xff0c;且本人曾非常生气的详细质询过&#xff0c;移动城域网管理人员&#xff0c;可以确认该技…...

OpenCV CUDA模块图像处理------颜色空间处理之GPU 上对两张带有 Alpha 通道的图像进行合成操作函数alphaComp()

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 该函数用于在 GPU 上对两张带有 Alpha 通道的图像进行合成操作。支持多种常见的 Alpha 合成模式&#xff08;Porter-Duff 合成规则&#xff09;&…...

OpenWebUI(1)源码学习构建

1. 前言 通过docker镜像拉取安装就不介绍了&#xff0c;官方的命令很多。本节主要撸一撸源码&#xff0c;所以&#xff0c;本地构建 2. 技术框架和启动环境 后端python&#xff0c;前端svelte 环境要求&#xff1a;python > 3.11 &#xff0c;Node.js > 20.10 3. 源…...

npm error Cannot find module ‘negotiator‘ 的处理

本想运行npm create vuelatest&#xff0c;但提示&#xff1a; npm error code MODULE_NOT_FOUND npm error Cannot find module negotiator npm error Require stack: npm error - C:\Users\Administrator\AppData\Roaming\nvm\v18.16.1\node_modules\npm\node_modules\tuf-j…...

爬虫入门指南-某专利网站的专利数据查询并存储

免责声明 本教程仅用于教育目的&#xff0c;演示如何合法获取公开专利数据。在实际操作前&#xff0c;请务必&#xff1a; 1. 仔细阅读目标网站的robots.txt文件和服务条款 2. 控制请求频率&#xff0c;避免对服务器造成负担 3. 仅获取和使用公开数据 4. 不用于商业用途或…...

SQL(Database Modifications)

目录 Insertion Specifying Attributes in INSERT Adding Default Values&#xff08;缺省值&#xff09; Inserting Many Tuples Creating a Table Using the SELECT INTO Statement Deletion Example: Deletion Semantics of Deletion Updates Example: Update Sev…...