控制转移(一致代码和非一致代码)

       控制转移基本上可分为两种:同一任务内的控制转移和任务间的控制转移(任务切换)。同一任务内的控制转移又分为:段内转移,特权及不变的段间转移和特权级变换的段间转移。

        在保护模式下,段间转移的目标位置由选择子和偏移构成的地址表示,常把它称为目标地址

        使用JMP和CALL还可分为段间直接转移段间间接转移两类。 如果指令JMP和CALL在指令中直接含有目标地址指针,那么就是段间直接转移;如果指令中含有指向包含目标地址指针的门描述符或TSS描述符的指针,那么就是段间间接转移。

       向目标代码段转移的步骤:

1.判断目标地址指针内的选择子指示的描述符是否为空描述符。目标代码段描述符不能为空描述符,也即选择子的高14位不能为0.

2.从全局或者局部描述符表内读出目标代码段描述符。由选择子内T1位,确定使用全局描述符表还是局部描述符表。

3.根据情况,检测描述符类型是否正确;调整RPL。

4.把目标代码段描述符内的有关内容装载到CS高速缓冲寄存器

5.判别目标地址指针内的偏移是否越出代码段。目标地址指针内的偏移必须不超过目标代码段界限。

6.装载CS段寄存器和指令寄存器EIP;CPL存入CS内选择子的RPL字段。

  

 

  DPL表示目标代码段描述符特权将:

   1.对于非一致代码段,要求CPL=DPL,RPL<=DPL;对于一致代码段,要求CPL>=DPL.

  2.代码段必须存在,即描述符中P位必须为1.

 通常描述符特权级DPL规定了对应段的特权级。如果描述符描述的是数据段,那么DPL就规定了访问该数据段的最外层特权级(准则:只有相同或更高特权级的代码才能访问相应的数据段);如果描述符是代码段,那么DPL就规定了执行该代码段所需要的CPL。对于一致代码段,要求CPL>=DPL,也就是说,一直代码段描述符中的DPL,规定可以转移到一致代码段的最内层特权级。例如:3级的程序可以转移到任何一致的代码段,而0级的程序只允许转移到DPL等于0的一致代码段。一致代码段是一种特别的村村段。这种存储段,为在多个特权级执行的程序,提供对子例程的共享支持,而不要改变特权级。

  

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
对于抑噪一致性卡尔曼滤波,以下是一个可能的Python实现: ``` import numpy as np class ConsistentKalmanFilter: def __init__(self, dim_x, dim_z, dim_u=0): self.dim_x = dim_x self.dim_z = dim_z self.dim_u = dim_u # 状态估计 self.x = np.zeros((dim_x, 1)) self.P = np.eye(dim_x) # 状态转移矩阵 self.F = np.eye(dim_x) self.B = np.zeros((dim_x, dim_u)) # 观测矩阵 self.H = np.zeros((dim_z, dim_x)) # 测量噪声 self.R = np.eye(dim_z) # 系统噪声 self.Q = np.eye(dim_x) # 卡尔曼增益 self.K = np.zeros((dim_x, dim_z)) def predict(self, u=None): self.x = np.dot(self.F, self.x) if u is not None: self.x += np.dot(self.B, u) self.P = np.dot(np.dot(self.F, self.P), self.F.T) + self.Q def update(self, z): S = np.dot(np.dot(self.H, self.P), self.H.T) + self.R self.K = np.dot(np.dot(self.P, self.H.T), np.linalg.inv(S)) self.x += np.dot(self.K, (z - np.dot(self.H, self.x))) self.P = np.dot(np.eye(self.dim_x) - np.dot(self.K, self.H), self.P) def consistent_update(self, z, R): S = np.dot(np.dot(self.H, self.P), self.H.T) + R K = np.dot(np.dot(self.P, self.H.T), np.linalg.inv(S)) x_old = self.x P_old = self.P self.x += np.dot(K, (z - np.dot(self.H, self.x))) self.P = np.dot(np.eye(self.dim_x) - np.dot(K, self.H), self.P) # 计算卡尔曼增益的一致性矫正系数 alpha = np.sqrt(np.trace(np.dot(np.dot(P_old, np.linalg.inv(S)), P_old)) / np.trace(np.dot(np.dot(self.P, np.linalg.inv(S)), self.P))) # 一致性矫正 self.x = x_old + alpha * (self.x - x_old) self.P = P_old + alpha * (self.P - P_old) def set_matrices(self, F=None, H=None, R=None, Q=None): if F is not None: self.F = F if H is not None: self.H = H if R is not None: self.R = R if Q is not None: self.Q = Q ``` 该代码的`ConsistentKalmanFilter`类表示一个抑噪一致性卡尔曼滤波器。在初始化时,我们需要指定状态向量的维度`dim_x`、观测向量的维度`dim_z`以及控制向量的维度`dim_u`。`x`和`P`分别表示当前状态的估计值和协方差矩阵。`F`是状态转移矩阵,`B`是控制矩阵,`H`是观测矩阵,`R`是测量噪声协方差矩阵,`Q`是系统噪声协方差矩阵。`predict`方法用于根据当前状态估计值和协方差矩阵预测下一时刻的状态,`update`方法用于根据当前观测值更新状态估计值和协方差矩阵,`consistent_update`方法是抑噪一致性卡尔曼滤波的核心方法,用于一致性更新状态估计值和协方差矩阵。`set_matrices`方法可以用于设置状态转移矩阵、观测矩阵、测量噪声协方差矩阵和系统噪声协方差矩阵。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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