- 博客(390)
- 收藏
- 关注
RSS订阅原创 深度解析：自适应光学（AO）领域的控制技术全景指南
控制算法核心优势致命劣势FSM适用性DM适用性最佳应用场景PI / PID极其简单，计算开销接近于0，调试直观，极度稳定。无法预测，抗延迟能力差；无法处理多变量耦合。极高(配合陷波滤波)低(仅限模态解耦后)工业加工、FSM视轴稳定、低阶像差校正泄漏积分+直接求逆MIMO控制的基石，易于工程实现，硬件资源占用小。对噪声敏感，无法利用湍流时间先验，带宽受限。不适用高(经典天文)传统天文AO、资源受限的机载/弹载AOSPGD (最速下降)无需波前传感器，对非线性和系统误差极其鲁棒。
2026-04-17 16:05:51
424
原创 深入解析自适应光学中的哈特曼波前传感技术：原理、算法与智能化前沿
哈特曼-夏克波前传感器作为自适应光学领域的基石，其经典的“几何偏折-质心-泽尼克重构”理论已经非常成熟。然而，面对现代AO系统向强湍流、极弱光、超高频、微型化发展的趋势，传统基于线性代数和统计阈值的处理方法逐渐触及天花板。引入人工智能技术并非是对哈特曼原理的否定，而是对其信息提取能力的降维打击。从智能去噪质心、物理约束网络到端到端相位预测，智能算法将哈特曼传感器从一台“角度计”升级为了一个“相位特征挖掘机”。
2026-04-17 15:34:29
526
1
原创 DeepSeek mHC论文解析与实现
DeepSeek的mHC架构通过流形约束的创新方法，成功解决了超连接在扩展残差流时的训练稳定性问题。数学稳定性：通过双随机矩阵投影确保信号传播的范数守恒。工程高效性：核融合、重计算等优化使额外开销降至6.7%。性能提升：在27B模型上多项任务表现优于HC和基线模型。
2026-01-05 09:03:04
1241
原创 OMP: Error #15: Initializing libomp.dll, but found libiomp5md.dll already initialized.
这个错误是由于系统中存在多个不同版本的OpenMP运行时库冲突导致的。
2025-12-29 11:21:20
1231
原创 最速下降法
最速下降法，也称为梯度下降法，是一种用于寻找函数局部最小值的迭代优化算法。它的核心思想非常直观：要到达一个山谷的最低点，就沿着当前所在位置最陡峭的方向（即坡度下降最快的方向）向下走。在数学上，这个“最陡峭的方向”就是函数在该点的梯度的反方向。因为梯度指向函数值增长最快的方向，所以它的反方向就是函数值下降最快的方向。最速下降法是一种基础而强大的优化算法，核心是沿负梯度方向迭代更新。在控制中，它不直接替代PID，而是用于优化PID等控制器的参数，通过最小化与误差相关的代价函数来实现自动整定。
2025-11-26 14:20:38
419
原创 模型预测控制综述
尽管面临计算复杂性和模型依赖性的挑战，但随着算法、硬件和理论的不断进步，MPC必将在更广泛的领域，特别是智能自主系统中，发挥越来越重要的作用。到下一个采样时刻 (k+1)，系统状态因扰动和模型失配而更新，MPC控制器会重新测量或估计当前状态，并将整个预测优化窗口向前滚动一步，重复上述“预测-优化-执行第一步”的过程。MPC控制器求解一个有限的时域优化问题，其目标是在满足各种约束（如控制输入约束、状态约束、输出约束）的前提下，寻找最优的未来控制序列 (U^*)，使得某个性能指标（目标函数 (J)）最小化。
2025-11-13 12:30:29
727
原创 仿射变换的图像配准技术
理解6参数仿射变换的数学本质及其几何意义。掌握“特征检测-描述-匹配-RANSAC估计-重采样”的完整 pipeline，其中RANSAC是保证鲁棒性的核心。根据实际应用场景（图像特点、精度要求、速度要求）灵活选择特征点算法、插值方法和优化策略。认识到其局限性（无法处理透视和非线性形变），在需要时选择更复杂的变换模型（如透视变换、非线性变换）。
2025-11-02 19:38:47
558
原创 图像配准技术综述：从传统特征到深度学习
图像配准作为计算机视觉的基石技术，其发展历程见证了从传统手工特征到深度学习方法的演进。传统方法（尤其是基于特征的方法）因其成熟、高效且在特定场景下有效，仍在广泛应用。而深度学习方法凭借其端到端学习和处理复杂形变的强大能力，正成为研究前沿，并在许多挑战性任务中展现出超越传统方法的潜力。未来，我们有望看到更快速、更精准、更鲁棒的配准算法出现，它们将更好地解决多模态、大形变、实时性等核心挑战，进一步推动医学、遥感、自动驾驶等众多领域的科学研究和实际应用。
2025-11-02 19:33:57
1211
原创 ctypes库介绍
C 代码 (mylib.c# 加载自定义库# 配置函数类型# 调用函数from ctypes import * # 加载自定义库 mylib = CDLL("./mylib.so") # 配置函数类型 mylib . add . argtypes = [ c_int , c_int ] mylib . add . restype = c_int。
2025-10-10 10:11:58
567
原创 CUDA编程Demo：矩阵转置性能优化对比
瓦片大小选择 32 的原因：匹配 warp 大小（32 线程）适合共享内存的 bank 结构提供良好的内存访问局部性: 1024x1024 矩阵，大小适中。
2025-10-09 17:12:15
430
原创 Linux 系统上配置 GitHub 账号并克隆私有仓库
方式是否需要密码/Token安全性易用性推荐度SSH否（使用密钥）高高⭐⭐⭐⭐⭐是（需 Token）中高中⭐⭐⭐👉推荐使用 SSH 方式，只需配置一次 SSH 密钥，之后可以方便、安全地克隆和操作私有仓库，无需每次输入密码。
2025-09-03 15:44:11
1276
原创 自适应光学中的缩束和扩束
应用场景是否需要缩束是否需要扩束原因大型天文望远镜（如8米、10米级）的自适应光学系统✅ 需要缩束❌ 一般不需要扩束入射光束太大，需缩小到适配波前传感器和变形镜的尺寸小型实验室 AO 系统（如使用小激光器）❌ 通常不需要缩束✅ 可能需要扩束光束太小，需扩大以匹配大口径 DM 或降低发散角激光大气传输 / 激光通信❌ 一般不需要缩束✅ 需要扩束扩束以减小发散角，提高远距离传输质量自适应光学用于激光光束整形视情况而定常见需要扩束扩束以利用大口径 DM 实现高质量校正。
2025-09-02 09:15:03
937
原创 MOE架构详解：原理、应用与PyTorch实现
MOE（Mixture of Experts，混合专家）是一种神经网络架构，其核心思想是将多个"专家"子网络与一个"门控网络"结合，根据输入数据动态选择最相关的专家进行处理。
2025-07-27 14:01:09
1440
原创 同步本地文件到服务器上的Docker容器
选择哪种方法取决于你的具体需求和环境。对于开发环境，挂载卷（方法2）通常是最方便的，因为它能实时同步更改。对于生产环境，建议使用方法4创建专用卷。
2025-07-22 21:53:15
547
原创 在服务器无网络的环境下安装 VS Code Remote-SSH 组件
在服务器无网络的环境下安装 VS Code Remote-SSH 组件，需要通过的方式完成。
2025-07-20 19:45:30
1913
原创 服务器上的文件复制到本地 Windows 系统
（基于 SSH 的安全复制）是最常用的方法，适用于从 Linux 服务器下载文件到 Windows。WinSCP 是一个流行的 GUI 工具，支持拖放操作。（PuTTY 自带的 SCP 工具）。如果习惯使用 PuTTY，可以用。如果 Windows 安装了。推荐优先使用 scp。
2025-07-20 19:37:36
1993
原创 Ubuntu挂载和取消挂载
在 Ubuntu 中，挂载（Mount）和取消挂载（Unmount）是管理存储设备（如硬盘、U盘、ISO镜像等）的常见操作。按需选择方式，确保数据安全！
2025-07-20 19:17:23
1440
原创 Docker容器启动方式
场景关闭终端是否停止容器？容器以-d启动❌ 否容器以-it启动且主进程是 shell✅ 是SSH 服务独立运行（默认）❌ 否建议通过确认容器状态，并根据需求调整启动参数。
2025-07-20 17:39:59
566
原创 如果数据已全部加载到内存中，使用多个 `num_workers` 是否仍然能加速数据加载？
如果数据已经全部加载到内存中，使用多个。是否仍然能加速数据加载？
2025-07-19 11:12:47
548
原创 在断网情况下，网线直接连接 Windows 笔记本和 Ubuntu 服务器进行数据传输
在断网情况下，通过网线直接连接。由于没有 DHCP，需手动设置。，也能通过网线高速传输数据！
2025-07-18 19:37:12
1745
原创 Docker --privileged 命令详解
包括访问所有设备、内核模块、系统调用等。是 Docker 的一个。，除非有严格的安全管控。，并在完成后立即关闭。
2025-07-18 18:28:56
2121
原创 进入当前正在运行的 Docker 容器
要进入当前正在运行的 Docker 容器，可以使用。的提示符，表示已成功进入容器。如果容器内有其他用户（如。进入后，你会看到类似。
2025-07-18 17:58:55
1448
原创 带GPU启动 Docker 容器
成功配置后，Docker 容器即可直接调用宿主机 GPU 进行计算（如 CUDA、PyTorch、TensorFlow）。在 Linux 服务器上启动 Docker 容器并使其能够使用 NVIDIA 显卡（GPU），需要使用。容器内未安装 NVIDIA 工具包，使用 NVIDIA 官方 CUDA 镜像（如。如果正常显示 GPU 信息，说明配置成功。
2025-07-02 23:34:54
2814
1
原创 export LANG=en_US.UTF-8 永久生效
永久生效，您需要根据不同的 Shell 和操作系统环境将其添加到相应的配置文件中。环境变量将在所有新终端会话中永久生效。如需全局生效（所有用户），编辑。
2025-06-24 11:59:42
601
原创 Linux文件夹复制（cp和rsync）
场景推荐命令本地简单复制保留所有属性+排除文件远程或大文件同步需要严格校验复制后运行diff或md5sum校验根据需求选择合适的方法，日常推荐rsync -a，兼顾功能与可靠性。
2025-06-19 10:55:39
1787
原创 Conditional Domain Adversarial Network （CDAN）
CDAN（Conditional Domain Adversarial Network）是一种用于**无监督领域自适应（Unsupervised Domain Adaptation, UDA）**的深度学习方法，通过结合条件对抗学习和特征对齐，显著提升了模型在目标域上的性能。CDAN通过条件对抗学习实现了细粒度的领域对齐，显著优于传统对抗方法。其核心在于联合优化特征表示和类别预测，确保对齐过程中保留语义结构。实际应用中需注意特征维度、动态权重设计等细节以稳定训练。CDAN的核心创新在于。
2025-06-16 14:27:32
2303
1
原创 以MNIST数据集为例进行单机多卡训练（DP和DDP）
DP是单进程多线程的简单并行方式，将模型复制到多个GPU，数据切分后分发到不同GPU计算，最后在主GPU聚合梯度。DDP是多进程并行，每个GPU独立运行一个进程，通过NCCL通信同步梯度，效率更高且无主GPU瓶颈。在单机多卡环境下使用PyTorch训练MNIST数据集时，可以通过。两种方式实现多卡并行。
2025-06-14 18:38:27
574
原创 生成模型概念和应用领域
生成模型（Generative Models）是机器学习和人工智能领域的重要研究方向，旨在学习数据的分布并生成新的样本。近年来，生成模型在图像生成、文本生成、语音合成、推荐系统等领域取得了显著进展。从自回归模型到生成对抗网络，再到扩散模型，生成模型的技术不断演进，生成样本的质量和多样性显著提升。未来，生成模型将在多模态生成、科学计算、伦理安全等方面继续取得突破，为人工智能的发展注入新的动力。生成模型的目标是学习数据的概率分布 ( P(X) )，并能够从中采样生成新的数据样本。
2025-02-10 15:04:28
1166
原创 检测远程服务器是否与本地连接
通过这些工具和命令，你可以全面检测远程服务器与本地之间的连接状态，包括网址和端口的连通性。根据具体需求选择合适的工具进行排查。
2025-01-14 21:04:54
1668
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人