阈值

启动两个client，过了一会，停了其中一个，访问注册中心时， Spring Eureka 界面上显示了红色粗体警告信息： 表面意思大致是： Eureka可能不正确地去声明这些实例在不在的情况，由于小于阈值，因此不会为了安全将实例过期掉。 查阅了很多资料，终于了解了中间的问题。现将理解整理如下： Eureka server和client之间每隔30秒会进行一次心跳通信，告诉server，client还活着。由此引出两个名词： Renews threshold：server期望在每分钟中收到的心跳次数 Renews (last min)：上一分钟内收到的心跳次数。 前文说到禁止注册server自己为client，不管server是否禁止，阈值（threshold）是1。client个数为n，阈值为1+2*n（此为一个server且禁止自注册的情况） 如果是多个server，且开启了自注册，那么就和client一样，是对于其他的server来说就是client，是要*2的 我开了一个server，自注册，相关数据如下 ： Eurake有一个配置参数eureka.server.renewalPercentThreshold，定义了renews 和renews threshold的比值，默认值为0.85。当server在15分钟内，比值低于percent，即少了15%的微服务心跳

序言 在之前介绍802.11中DCF工作模式时，我们讨论过信道检测的部分问题。在802.11中，信道检测包含两个部分，物理载波监听和虚拟载波监听，其中物理载波通常我们所述为CCA (Clear Channel Assessment)机制，本文就关于CCA的机制做一些介绍。 Remark：由于本文部分内容比较细节，建议是先阅读《802.11协议精读2：DCF与CSMA/CA》后，进而理解本文的一些内容。 802.11的需求 我们知道802.11协议是基于半双工的物理层进行设计的，半双工的物理层在设计时会有很多的细节问题需要考量，包含单根天线如何切换，如何识别收发时机等。有了这些基本因素的考量，我们才能够进一步设计802.11的MAC层协议，很多情况下，我们对802.11的MAC层协议理解不够彻底，也是因为对于其物理层的设计以及限制了解的不够多。基于此，我们首先谈谈在半双工情况下，802.11协议有什么需求： 需求1： 监听网络中是否有数据包正在发送，并该数据包的信号进行准确的截取。 该需求实际上是从下行的角度考虑的。我们首先考虑一个更简单的场景，一个AP发送，一个节点接收。节点仅仅接收数据包，没有任何的发送功能，从而就不需要引入CSMA/CA的竞争过程。 节点需要接收由AP发送过来的数据包，此时节点仅仅有一根天线接收无线信道，其需要从茫茫信号的海洋中，找到一个数据帧，并且

ARTag   ARTag是一个具有2002个标记的平面标记系统，在检测与识别方面改进了ARToolkit的性能，拥有一个更大的库，并且不需要使用图案文件。ARTookit的最大弊病在于它会错误识别出不存在的标记，并且容易混淆任意的两个标记。ARTag中保留了使用带有内部图案的方形边框的范例，但内部图案的处理被数字方法所取代。   分析ARToolkit的特点，可以看出对其功能的贡献最大的是边界仅使用黑色和白色，在标记中仅使用两个极端的反射率可以避免许多图像捕获问题和灰度非线性问题。 这个二元决策在ARTag中扩展，从仅定义边界到定义内部模式。   ARToolkit方形边框对于AR非常有用，因为它有四个突出的角落。 四个点允许完全提取相关标记到相机姿势的6自由度（DOF）势（假设相机焦距已知）。 ARTag旨在包含ARToolkit和Datamatrix的成功元素，并充分利用两者，并为AR制作一个最小但功能强大的系统。 ARTag的主要特征是使用了两个极性的方形边框（白色为黑色或黑色为白色）和6 x 6方形网格划分内部。 整个标记为10 x 10单位，边界厚度为2个单位，内部留下36个单元格以携带信息。 每个单元只有黑色或白色，并带有一位数字数据。 因此，一旦确定了边界，就可以从标记的相机图像中提取36位字。 一、四边形检测   图像中存在许多四边形边框，有的可能属于标记的外边界

监督学习分为生成方法和判别方法，而生成方法和判别方法又推导出生成模型和判别模型 常见的生成模型有：朴素贝叶斯法、马尔科夫模型、高斯混合模型。 常见的判别模型有：k临近法、感知机、决策树、逻辑回归模型、最大熵模型、支持向量机、boosting方法和条件随机场等 对于一个二分类问题，假设分类目标为q和qq，有一个测试用例x 我们直观的判断一个二分类问题属于q或者qq，从某种程度上说是比较P(q|x)和P(qq|x)的概率大小 在判别模型下我们是通过决策函数F(x)或者计算条件概率，来获取P(q|x)和P(qq|x)的概率的，通过决策函数可以设置阈值，当输入的x所计算出的结果大于某一阈值的时候我们将它分为一类，低于阈值分为另一类，可以说判别模型计算的数据是有限的。 在生成模型下，会先求出P（q,x）和 P(qq,x）的概率，然后由 P(q|x) = P(q, x) / P(x), P(qq|x) = P(qq, x) / P(x)，这时他们的分母相同，P(q, x)和P(qq, x)的大小反应了最终结果的大小，也可以判断测试用例x是属于哪一分类。不过生成模型计算的是联合概率密度，需要较多数据才能较好的反映分类事件的概率。 参考链接 https://blog.csdn.net/zouxy09/article/details/8195017 https://www.cnblogs.com

ESP32 触摸功能开发套件 1. 概述 ESP32-Sense 开发套件用于评估和开发 ESP32 触摸传感器功能。评估套件包含一个主板和若干子板，主板包含显示单元，主控单元，调试单元；子板的触摸电极的形状和排列方式多样，包括线性滑条、矩阵按键、弹簧按键、轮式滑条等，可以满足不同的使用场景。用户也可以自行设计子板以满足特殊的使用场景。 下图是 ESP32-Sense 开发套件： 2. 相关资源 开发环境 ESP-IDF 是 ESP32 平台的软件开发包。文档 Get Started 介绍编译环境的搭建和软件开发包的使用说明。 ESP-Prog 是 ESP32 调试工具，有下载和 Jtag 调试功能。 ESP32 IoT 应用方案 ESP32 IoT Solution 基于 ESP-IDF 开发，包含多种应用解决方案。文档 build-system-and-dependency 介绍了如何编译解决方案。 ESP32-Sense 项目工程 是 ESP32-Sense 开发套件对应的软件工程文件。下载程序到主板即可使用触摸功能。 硬件手册 ESP32-Sense 开发套件的硬件原理图，PCB 文件，BOM 等文件参考 乐鑫官网 。 ESP-Prog 的介绍请参考文档 ESP-Prog 介绍 。 其他参考资料 Espressif 官网 ESP32 编程指南 : ESP32

论文题目：Multi-Thresholding Image Segmentation Using Genetic Algorithm（遗传算法多阈值图像分割） 一、综述 作者使用遗传算法对多对象和背景的图像进行分割。 二、研究内容与方法 （1）介绍 图像分割的准确率受预处理结果影响较大。 作者结合多阈值分割和遗传算法，通过寻找阈值，将阈值问题转换成优化问题。最大化目标与背景之间的方差，最小化目标自身的背景像素间的方差。 （2）图像阈值 由于灰度图像处理简单，因此一般将彩色图像转换为灰度图像进行预处理。最常用的灰度级为256（0-255）。 图像阈值是一种用在灰度图上的分割方法。该方法旨在寻找一个合适的阈值，将背景和目标对象分隔开来，像素值低于阈值为背景，否则为目标对象。 基于阈值的算法通常被分为单极阈值和多级阈值。通常若图像中包含n个对象和背景，则定义n 个阈值。 如何寻找适合分割的阈值：将彩色图像转换成灰度图，绘制图像的一维直方图，直观显示具有相同灰度级的像素个数。二分类只有一个阈值，尝试所有0—L-1的数，找到划分最好的那个值作为阈值；多分类需要找到多个阈值，那么如何寻找拥有好的性能的多组阈值是接下来要做的。 （3）遗传算法 遗传算法是一种模仿基因的元启发式算法，当不存在一个确定的方法或着确定的方法计算复杂时可以用该算法做最优近似。 遗传算法具有N个种群，则初始值为N个随机解

NMS定义 在一个典型的对象检测管道中，网络会在中间层输出很多候选框-BB(bounding box)。在这个阶段输出的BB大多数都会关联同一个检测对象，这个时候需要一个方法来合并这些BB成为一个对象检测框，除了FP之外。Non-maximum-suppression(NMS)通过空间距离结合并交比(IOU)完成聚类划分，对每个cluster只保留得分最高的BB，这种方法中文也被称着-非最大抑制。 算法实现 NMS有两种最常见的代码实现方法 贪心算法Greedy 最优解算法Optimal 两种方法实现的伪代码如下： Greedy Optimal 两种算法提供了不同的解决思路： NMS超参数 两个重要的参数是score阈值与overlap阈值，任何低于score阈值的BB将会被拒绝，当两个BB的IOU大于给定的overlap阈值时候，两个检测框将会被聚类分割为同一个对象检测框。Overlap阈值需要平衡精度与抑制效果： 当overlap阈值越大、proposals boxes被压制的就越少，结果就是导致大量的FP(False Positives)，进一步导致检测精度下降与丢失(原因在于对象与背景图像之间不平衡比率，导致FP增加数目远高于TP) 当overlap阈值很小的时候，导致proposals boxes被压制的很厉害，导致recall大幅下降。 提升： 使用soft-NMS