极坐标和直角坐标的雅克比矩阵推导
我们经常需要在一些问题中研究坐标系的关系,这里讲讲最常见的极坐标和直角坐标的雅克比矩阵的推导。以二维坐标为例,三维坐标也是同理。
1. 直角坐标和极坐标
直角坐标表示为 ( x , y ) (x,y) (x,y),极坐标表示为 ( ρ , φ ) (\rho,\varphi) (ρ,φ),它们之间有如下的关系:
ρ 2 = x 2 + y 2 , φ = arctan y x ; x = ρ cos φ , y = ρ sin φ \begin{aligned} \rho^2=x^2+y^2,\quad &\varphi=\arctan\frac{y}{x};\\ x=\rho\cos\varphi,\quad&y=\rho\sin\varphi \end{aligned} ρ2=x2+y2,x=ρcosφ,φ=arctanxy;y=ρsinφ
2. 向量之间的雅克比矩阵
向量X和向量Y的微分映射由雅克比矩阵来刻画,给定两个向量 x = ( x 1 , x 2 , ⋯ , x n ) T \mathbf{x}=(x_1,x_2,\cdots,x_n)^T x=(x1,x2,⋯,xn)T, y = ( y 1 , y 2 , ⋯ , y m ) T \mathbf{y}=(y_1,y_2,\cdots,y_m)^T y=(y1,y2,⋯,ym)T
{ d x 1 = ∂ x 1 ∂ y 1 d y 1 + ∂ x 1 ∂ y 2 d y 2 + ⋯ + ∂ x 1 ∂ y m d y m d x 2 = ∂ x 2 ∂ y 1 d y 1 + ∂ x 2 ∂ y 2 d y 2 + ⋯ + ∂ x 2 ∂ y m d y m ⋮ d x n = ∂ x n ∂ y 1 d y 1 + ∂ x n ∂ y 2 d y 2 + ⋯ + ∂ x n ∂ y m d y m \begin{aligned} \begin{cases} \mathrm{d}x_1=\dfrac{\partial x_1}{\partial y_1}\mathrm{d}y_1+\dfrac{\partial x_1}{\partial y_2}\mathrm{d}y_2+\cdots+\dfrac{\partial x_1}{\partial y_m}\mathrm{d}y_m\\ \mathrm{d}x_2=\dfrac{\partial x_2}{\partial y_1}\mathrm{d}y_1+\dfrac{\partial x_2}{\partial y_2}\mathrm{d}y_2+\cdots+\dfrac{\partial x_2}{\partial y_m}\mathrm{d}y_m\\ \vdots\\ \mathrm{d}x_n=\dfrac{\partial x_n}{\partial y_1}\mathrm{d}y_1+\dfrac{\partial x_n}{\partial y_2}\mathrm{d}y_2+\cdots+\dfrac{\partial x_n}{\partial y_m}\mathrm{d}y_m\\ \end{cases} \end{aligned} ⎩ ⎨ ⎧dx1=∂y1∂x1dy1+∂y2∂x1dy2+⋯+∂ym∂x1dymdx2=∂y1∂x2dy1+∂y2∂x2dy2+⋯+∂ym∂x2dym⋮dxn=∂y1∂xndy1+∂y2∂xndy2+⋯+∂ym∂xndym
写成矩阵的形式就是:
( d x 1 d x 2 ⋮ d x n ) = [ ∂ x 1 ∂ y 1 ∂ x 1 ∂ y 2 ⋯ ∂ x 1 ∂ y m ∂ x 2 ∂ y 1 ∂ x 2 ∂ y 2 ⋯ ∂ x 2 ∂ y m ⋮ ⋮ ⋮ ∂ x n ∂ y 1 ∂ x n ∂ y 2 ⋯ ∂ x n ∂ y m ] ( d y 1 d y 2 ⋮ d y m ) \begin{pmatrix} \mathrm{d}x_1\\ \mathrm{d}x_2\\ \vdots\\ \mathrm{d}x_n \end{pmatrix} =\begin{bmatrix} \dfrac{\partial x_1}{\partial y_1} & \dfrac{\partial x_1}{\partial y_2} & \cdots & \dfrac{\partial x_1}{\partial y_m}\\ \dfrac{\partial x_2}{\partial y_1} & \dfrac{\partial x_2}{\partial y_2} & \cdots &\dfrac{\partial x_2}{\partial y_m} \\ \vdots & \vdots & & \vdots\\ \dfrac{\partial x_n}{\partial y_1} & \dfrac{\partial x_n}{\partial y_2} & \cdots &\dfrac{\partial x_n}{\partial y_m} \end{bmatrix}\begin{pmatrix} \mathrm{d}y_1\\ \mathrm{d}y_2\\ \vdots\\ \mathrm{d}y_m \end{pmatrix} dx1dx2⋮dxn = ∂y1∂x1∂y1∂x2⋮∂y1∂xn∂y2∂x1∂y2∂x2⋮∂y2∂xn⋯⋯⋯∂ym∂x1∂ym∂x2⋮∂ym∂xn dy1dy2⋮dym
其中的矩阵
∂ ( x 1 , x 2 , ⋯ , x n ) ∂ ( y 1 , y 2 , ⋯ , y m ) = [ ∂ x 1 ∂ y 1 ∂ x 1 ∂ y 2 ⋯ ∂ x 1 ∂ y m ∂ x 2 ∂ y 1 ∂ x 2 ∂ y 2 ⋯ ∂ x 2 ∂ y m ⋮ ⋮ ⋮ ∂ x n ∂ y 1 ∂ x n ∂ y 2 ⋯ ∂ x n ∂ y m ] \frac{\partial(x_1,x_2,\cdots,x_n)}{\partial(y_1,y_2,\cdots,y_m)}=\begin{bmatrix} \dfrac{\partial x_1}{\partial y_1} & \dfrac{\partial x_1}{\partial y_2} & \cdots & \dfrac{\partial x_1}{\partial y_m}\\ \dfrac{\partial x_2}{\partial y_1} & \dfrac{\partial x_2}{\partial y_2} & \cdots &\dfrac{\partial x_2}{\partial y_m} \\ \vdots & \vdots & & \vdots\\ \dfrac{\partial x_n}{\partial y_1} & \dfrac{\partial x_n}{\partial y_2} & \cdots &\dfrac{\partial x_n}{\partial y_m} \end{bmatrix} ∂(y1,y2,⋯,ym)∂(x1,x2,⋯,xn)= ∂y1∂x1∂y1∂x2⋮∂y1∂xn∂y2∂x1∂y2∂x2⋮∂y2∂xn⋯⋯⋯∂ym∂x1∂ym∂x2⋮∂ym∂xn
就是雅克比矩阵。我们称从坐标 y \mathbf{y} y(分母)到 x \mathbf{x} x(分子)的雅克比矩阵。
3. 极坐标到直角坐标的雅克比矩阵
这个比较简单,利用关系 x = ρ cos φ , y = ρ sin φ x=\rho\cos\varphi,y=\rho\sin\varphi x=ρcosφ,y=ρsinφ,
∂ x ∂ ρ = cos φ , ∂ x ∂ φ = − ρ sin φ ∂ y ∂ ρ = sin φ , ∂ y ∂ φ = ρ cos φ \begin{aligned} \dfrac{\partial x}{\partial \rho}=\cos\varphi, & \dfrac{\partial x}{\partial \varphi}=-\rho\sin\varphi\\ \dfrac{\partial y}{\partial \rho}=\sin\varphi, &\dfrac{\partial y}{\partial \varphi}=\rho\cos\varphi \end{aligned} ∂ρ∂x=cosφ,∂ρ∂y=sinφ,∂φ∂x=−ρsinφ∂φ∂y=ρcosφ
我们可以写出雅克比矩阵
∂ ( x , y ) ∂ ( ρ , φ ) = [ ∂ x ∂ ρ ∂ x ∂ φ ∂ y ∂ ρ ∂ y ∂ φ ] = [ cos φ − ρ sin φ sin φ ρ cos φ ] \dfrac{\partial(x,y)}{\partial(\rho,\varphi)}=\begin{bmatrix} \dfrac{\partial x}{\partial \rho} & \dfrac{\partial x}{\partial \varphi}\\ \dfrac{\partial y}{\partial \rho} &\dfrac{\partial y}{\partial \varphi} \end{bmatrix}=\begin{bmatrix} \cos\varphi &-\rho\sin\varphi\\ \sin\varphi &\rho\cos\varphi \end{bmatrix} ∂(ρ,φ)∂(x,y)= ∂ρ∂x∂ρ∂y∂φ∂x∂φ∂y =[cosφsinφ−ρsinφρcosφ]
4. 直角坐标到极坐标的雅克比矩阵
这里有两种方法。
4.1 直接求解
利用关系 ρ 2 = x 2 + y 2 , φ = arctan y x \rho^2=x^2+y^2,\quad \varphi=\arctan\frac{y}{x} ρ2=x2+y2,φ=arctanxy,我们可以对上式直接应用求导
对于第一个式子: ρ = x 2 + y 2 \rho=\sqrt{x^2+y^2} ρ=x2+y2
直接求导有:
∂ ρ ∂ x = 2 x 2 x 2 + y 2 = x ρ = cos φ ∂ ρ ∂ y = 2 y 2 x 2 + y 2 = y ρ = sin φ \frac{\partial\rho}{\partial x}=\frac{2x}{2\sqrt{x^2+y^2}}=\frac{x}{\rho}=\cos\varphi\\ \frac{\partial\rho}{\partial y}=\frac{2y}{2\sqrt{x^2+y^2}}=\frac{y}{\rho}=\sin\varphi ∂x∂ρ=2x2+y22x=ρx=cosφ∂y∂ρ=2x2+y22y=ρy=sinφ
对于第二个式子直接求导有:
∂ φ ∂ x = − y x 2 1 + y 2 x 2 = − y x 2 + y 2 = − y ρ 2 = − sin φ ρ ∂ φ ∂ y = 1 x 1 + y 2 x 2 = x x 2 + y 2 = x ρ 2 = cos φ ρ \frac{\partial \varphi}{\partial x}=\frac{-\dfrac{y}{x^{2}}}{1+\dfrac{y^{2}}{x^{2}}}=\frac{-y}{x^{2}+y^{2}}=\frac{-y}{\rho^2}=\frac{-\sin\varphi}{\rho}\\ \frac{\partial \varphi}{\partial y}=\frac{\dfrac{1}{x}}{1+\dfrac{y^{2}}{x^{2}}}=\frac{x}{x^{2}+y^{2}}=\frac{x}{\rho^2}=\frac{\cos\varphi}{\rho} ∂x∂φ=1+x2y2−x2y=x2+y2−y=ρ2−y=ρ−sinφ∂y∂φ=1+x2y2x1=x2+y2x=ρ2x=ρcosφ
当然也可以用全微分的方法来求解,我们对第一个式子全微分:
2 ρ d ρ = 2 x d x + 2 y d y 2\rho\mathrm{d}\rho=2x\mathrm{d}x+2y\mathrm{d}y 2ρdρ=2xdx+2ydy
于是得到
d ρ = x ρ d x + y ρ d y \mathrm{d}\rho=\frac{x}{\rho}\mathrm{d}x+\frac{y}{\rho}\mathrm{d}y dρ=ρxdx+ρydy
于是有:
∂ ρ ∂ x = x ρ = cos φ , ∂ y ∂ ρ = y ρ = sin φ \dfrac{\partial \rho}{\partial x}=\frac{x}{\rho}=\cos\varphi, \dfrac{\partial y}{\partial \rho}=\frac{y}{\rho}=\sin\varphi ∂x∂ρ=ρx=cosφ,∂ρ∂y=ρy=sinφ
对第二个式子变换一下:
tan φ = y x \tan\varphi=\frac{y}{x} tanφ=xy
然后我们再求全微分:
1 cos 2 φ d φ = − y x 2 d x + 1 x d y \frac{1}{\cos^2\varphi}\mathrm{d}\varphi=-\frac{y}{x^2}\mathrm{d}x+\frac{1}{x}\mathrm{d}y cos2φ1dφ=−x2ydx+x1dy
于是得到
d φ = − y cos 2 φ x 2 d x + cos 2 φ x d y = − y ρ 2 d x + x ρ 2 d y = − sin φ ρ d x + cos φ ρ d y \mathrm{d}\varphi=-\frac{y\cos^2\varphi}{x^2}\mathrm{d}x+\frac{\cos^2\varphi}{x}\mathrm{d}y=-\frac{y}{\rho^2}\mathrm{d}x+\frac{x}{\rho^2}\mathrm{d}y=-\frac{\sin\varphi}{\rho}\mathrm{d}x+\frac{\cos\varphi}{\rho}\mathrm{d}y dφ=−x2ycos2φdx+xcos2φdy=−ρ2ydx+ρ2xdy=−ρsinφdx+ρcosφdy
于是有:
∂ φ ∂ x = − sin φ ρ , ∂ φ ∂ y = cos φ ρ \frac{\partial \varphi}{\partial x}=\frac{-\sin\varphi}{\rho}, \frac{\partial \varphi}{\partial y}=\frac{\cos\varphi}{\rho} ∂x∂φ=ρ−sinφ,∂y∂φ=ρcosφ
∂ ( ρ , φ ) ∂ ( x , y ) = [ ∂ ρ ∂ x ∂ ρ ∂ y ∂ φ ∂ x ∂ φ ∂ y ] = [ cos φ sin φ − sin φ ρ cos φ ρ ] \dfrac{\partial(\rho,\varphi)}{\partial(x,y)}=\begin{bmatrix} \dfrac{\partial \rho}{\partial x} & \dfrac{\partial \rho}{\partial y}\\ \dfrac{\partial \varphi}{\partial x}&\dfrac{\partial \varphi}{\partial y} \end{bmatrix}=\begin{bmatrix} \cos\varphi &\sin\varphi\\ \dfrac{-\sin\varphi}{\rho}&\dfrac{\cos\varphi}{\rho} \end{bmatrix} ∂(x,y)∂(ρ,φ)= ∂x∂ρ∂x∂φ∂y∂ρ∂y∂φ = cosφρ−sinφsinφρcosφ
4.2 求逆
这里刚好是一个二阶方阵,所以可以直接对3中的雅克比矩阵求逆:
∂ ( ρ , φ ) ∂ ( x , y ) = ( ∂ ( x , y ) ∂ ( ρ , φ ) ) − 1 = [ cos φ − ρ sin φ sin φ ρ cos φ ] − 1 = [ cos φ sin φ − sin φ ρ cos φ ρ ] \dfrac{\partial(\rho,\varphi)}{\partial(x,y)}=\left(\dfrac{\partial(x,y)}{\partial(\rho,\varphi)}\right)^{-1}=\begin{bmatrix} \cos\varphi &-\rho\sin\varphi\\ \sin\varphi &\rho\cos\varphi \end{bmatrix}^{-1}{}=\begin{bmatrix} \cos\varphi &\sin\varphi\\ \dfrac{-\sin\varphi}{\rho}&\dfrac{\cos\varphi}{\rho} \end{bmatrix} ∂(x,y)∂(ρ,φ)=(∂(ρ,φ)∂(x,y))−1=[cosφsinφ−ρsinφρcosφ]−1= cosφρ−sinφsinφρcosφ
相关文章:
极坐标和直角坐标的雅克比矩阵推导
我们经常需要在一些问题中研究坐标系的关系,这里讲讲最常见的极坐标和直角坐标的雅克比矩阵的推导。以二维坐标为例,三维坐标也是同理。 1. 直角坐标和极坐标 直角坐标表示为 ( x , y ) (x,y) (x,y),极坐标表示为 ( ρ , φ ) (\rho,\varph…...
经管博士科研基础【25】概率论中的相关基础概念
1. Support 在概率论中,"support"(支撑集)是指随机变量可能取值的集合。对于离散型随机变量,支撑集包含了所有可能的取值;而对于连续型随机变量,支撑集是指其密度函数或概率质量函数非零的区域。…...
计算机网络的相关知识点总结(一)
1.谈一谈对OSI七层模型和TCP/IP四层模型的理解? 不管是OSI七层模型亦或是TCP/IP四层模型,它们的提出都有一个共同的目的:通过分层来将复杂问题细化,通过各个层级之间的相互配合来更好的解决计算机中出现的问题。 说到分层…...

下载github.com上的依赖资源
下载github.com上的依赖资源(需要反复试才能成功,所以单独安装) export GIT_TRACE1 export GIT_CURL_VERBOSE1 pip install githttps://github.com/PanQiWei/AutoGPTQ.git -i https://pypi.mirrors.ustc.edu.cn/simple --trusted-hostpypi.mi…...
编写 GPT 提示词的公式 + 资源分享
GPT 能够给我们带来很大的帮助,因此我们要好好利用它。我们希望 GPT 输出令我们满意的内容,影响 GPT 输出内容的因素有模型和输入(Prompt,提示词)。 模型:我们可以选择不同的 GPT 产品,它们的模…...

用HTML、CSS和JavaScript制作的通用进制转换器
随着编程和计算机科学越来越受欢迎,我们经常需要进行进制转换。本文将介绍一个简洁、美观、适用于移动设备的进制转换工具,并详细讨论其实现。 目录 🌍 用HTML、CSS和JavaScript制作的通用进制转换器 1.项目图片展示 2. 技术栈 3. 主要功…...

ArcGIS 10.3软件安装包下载及安装教程!
【软件名称】:ArcGIS 10.3 【安装环境】:Windows 【下载链接 】: 链接:https://pan.baidu.com/s/1K5ab7IHMYa23HpmuPkFa1A 提取码:oxbb 复制这段内容后打开百度网盘手机App,操作更方便哦 软件解压码点击原文…...

【数据增强】
【数据增强】 1 数据增强的情形2 数据增强的方法 1 数据增强的情形 当数据比较小,难以获取新的训练数据时,可以考虑数据增强,如随机裁剪部分,随机左右上下翻转、随机旋转一个角度、随机亮度变化等微小变化,数据的多样…...

Ae 效果:CC Force Motion Blur
时间/CC Force Motion Blur Time/CC Force Motion Blur CC Force Motion Blur (CC 强制运动模糊)主要用于为动态图像添加强制的运动模糊效果,增加动态画面的流畅感和真实感。 相对于时间轴面板上的“运动模糊”开关,CC Force Moti…...

2023华为杯研究生数学建模竞赛CDEF题思路+模型代码
全程更新华为杯研赛CDEF题思路模型及代码,大家查看文末名片获取 华为杯C题思路分析 问题一 在每个评审阶段,作品通常都是随机分发的,每份作品需要多位评委独立评审。为了增加不同评审专家所给成绩之间的可比性,不同专家评审的作…...
FP独立站之黑科技:AB站收款、斗篷CLOAK
最近一段时间经常有不少小伙伴来咨询我独立站的相关的业务,因为很多独立站卖家觉得独立站不好做,再加上跨境平台禁止特货类产品的销售(如FP产品、成人用品、电子烟、灰黑类产品等等),但这类产品市场需求大,…...

【Linux网络编程】gdb调试技巧
这篇博客主要要记录一下自己在Linux操作系统Ubuntu下使用gbd调试程序的一些指令,以及使用过程中的一些心得。 使用方法 可以使用如下代码 gcc -g test.c -o test 或者 gcc test.c -o test -g的选项最好添加,如果不添加,l指令无法被识别 …...

ElementUI之登录与注册
目录 一.前言 二.ElementUI的简介 三.登录注册前端界面的开发 三.vue axios前后端交互--- Get请求 四.vue axios前后端交互--- Post请求 五.跨域问题 一.前言 这一篇的知识点在前面两篇的博客中就已经详细详解啦,包括如何环境搭建和如何建一个spa项目等等知识…...

报错处理:Error: Redis server is running but Redis CLI cannot connect
嗨,读者朋友们!今天我来跟大家分享一个我在运维过程中遇到的一个关于Linux上运行Redis服务时的报错及解决方法。 报错信息如下: Error: Redis server is running but Redis CLI cannot connect 这个报错信息表明Redis服务器已经运行ÿ…...

RocketMQ 源码分析——Producer
文章目录 消息发送代码实现消息发送者启动流程检查配置获得MQ客户端实例启动实例定时任务 Producer 消息发送流程选择队列默认选择队列策略故障延迟机制策略*两种策略的选择 技术亮点:ThreadLocal 消息发送代码实现 下面是一个生产者发送消息的demo(同步发送&#…...
ISTQB术语表
此术语表为国际软件测试认证委员会(ISTQB)发布的标准术语表。此表历经数次修改、完善,集纳了计算机行业界、商业界及政府相关机构的见解及意见,在国际化的层面上达到了罕有的统一性及一致性。参与编制此表的国际团体包括澳大利亚、…...

小米笔试题——01背包问题变种
这段代码的主要思路是使用动态规划来构建一个二维数组 dp,其中 dp[i][j] 表示前 i 个产品是否可以组合出金额 j。通过遍历产品列表和可能的目标金额,不断更新 dp 数组中的值,最终返回 dp[N][M] 来判断是否可以组合出目标金额 M。如果 dp[N][M…...
SkyWalking内置MQE语法
此文档出自SkyWalking官方git https://github.com/apache/skywalking docs/en/api/metrics-query-expression.md Metrics Query Expression(MQE) Syntax MQE is a string that consists of one or more expressions. Each expression could be a combination of one or more …...

Springboot2 Pandas Pyecharts 量子科技专利课程设计大作业
数据集介绍 1.背景 根据《中国科学:信息科学》期刊上的一篇文章,量子通信包括多种协议与应用类型: 基于量子隐形传态与量子存储中继等技术,可实现量子态信息传输,进而构建量子信息网络,已成为当前科研热点&…...
RabbitMQ里的几个重要概念
RabbitMQ中的一些角色: publisher:生产者consumer:消费者exchange个:交换机,负责消息路由,接受生产者发送的消息,把消息发送到一个或多个队列里queue:队列,存储消息virt…...
KubeSphere 容器平台高可用:环境搭建与可视化操作指南
Linux_k8s篇 欢迎来到Linux的世界,看笔记好好学多敲多打,每个人都是大神! 题目:KubeSphere 容器平台高可用:环境搭建与可视化操作指南 版本号: 1.0,0 作者: 老王要学习 日期: 2025.06.05 适用环境: Ubuntu22 文档说…...

《Qt C++ 与 OpenCV:解锁视频播放程序设计的奥秘》
引言:探索视频播放程序设计之旅 在当今数字化时代,多媒体应用已渗透到我们生活的方方面面,从日常的视频娱乐到专业的视频监控、视频会议系统,视频播放程序作为多媒体应用的核心组成部分,扮演着至关重要的角色。无论是在个人电脑、移动设备还是智能电视等平台上,用户都期望…...

基于ASP.NET+ SQL Server实现(Web)医院信息管理系统
医院信息管理系统 1. 课程设计内容 在 visual studio 2017 平台上,开发一个“医院信息管理系统”Web 程序。 2. 课程设计目的 综合运用 c#.net 知识,在 vs 2017 平台上,进行 ASP.NET 应用程序和简易网站的开发;初步熟悉开发一…...

【HarmonyOS 5.0】DevEco Testing:鸿蒙应用质量保障的终极武器
——全方位测试解决方案与代码实战 一、工具定位与核心能力 DevEco Testing是HarmonyOS官方推出的一体化测试平台,覆盖应用全生命周期测试需求,主要提供五大核心能力: 测试类型检测目标关键指标功能体验基…...

智能在线客服平台:数字化时代企业连接用户的 AI 中枢
随着互联网技术的飞速发展,消费者期望能够随时随地与企业进行交流。在线客服平台作为连接企业与客户的重要桥梁,不仅优化了客户体验,还提升了企业的服务效率和市场竞争力。本文将探讨在线客服平台的重要性、技术进展、实际应用,并…...

srs linux
下载编译运行 git clone https:///ossrs/srs.git ./configure --h265on make 编译完成后即可启动SRS # 启动 ./objs/srs -c conf/srs.conf # 查看日志 tail -n 30 -f ./objs/srs.log 开放端口 默认RTMP接收推流端口是1935,SRS管理页面端口是8080,可…...
数据链路层的主要功能是什么
数据链路层(OSI模型第2层)的核心功能是在相邻网络节点(如交换机、主机)间提供可靠的数据帧传输服务,主要职责包括: 🔑 核心功能详解: 帧封装与解封装 封装: 将网络层下发…...

前端开发面试题总结-JavaScript篇(一)
文章目录 JavaScript高频问答一、作用域与闭包1.什么是闭包(Closure)?闭包有什么应用场景和潜在问题?2.解释 JavaScript 的作用域链(Scope Chain) 二、原型与继承3.原型链是什么?如何实现继承&a…...
爬虫基础学习day2
# 爬虫设计领域 工商:企查查、天眼查短视频:抖音、快手、西瓜 ---> 飞瓜电商:京东、淘宝、聚美优品、亚马逊 ---> 分析店铺经营决策标题、排名航空:抓取所有航空公司价格 ---> 去哪儿自媒体:采集自媒体数据进…...
【学习笔记】深入理解Java虚拟机学习笔记——第4章 虚拟机性能监控,故障处理工具
第2章 虚拟机性能监控,故障处理工具 4.1 概述 略 4.2 基础故障处理工具 4.2.1 jps:虚拟机进程状况工具 命令:jps [options] [hostid] 功能:本地虚拟机进程显示进程ID(与ps相同),可同时显示主类&#x…...