D3可以实现更加灵活且富有变化的图形。在使用Echarts的配置项就可以完成绘图，而D3需要自己造轮子，手动实现可视化的每一处细节，虽然门槛更高、难度更大，但是使用起来更加灵活自由，能够实现更为复杂多样的可视化效果。通过此次项目使用D3的选择DOM元素和绑定数据，数据添加、更新DOM元素的操作，使用D3一般遵循以下流程

数据封装过程被形象比喻为快递打包，详细说明了从应用层到物理层的五层封装（数据→段→包→帧→比特流）及对应的解封装过程。传输介质部分对比分析了有线介质（双绞线、同轴电缆、光纤）和无线介质的特点，重点强调了光纤在高速网络中的优势及单模/多模光纤的应用场景。文章最后指出这些知识对HCIP认证考试和实际网络设计的重要性，强调要根据具体需求选择合适的传输介质。通过生活化类比使复杂的网络概念更易理解。

动态主机配置协议（DHCP） 是一种用于自动分配IP地址和其他网络参数的网络协议。它通过客户端/服务器模式工作，客户端向服务器请求配置信息，服务器根据策略返回相应的信息，如IP地址、子网掩码、网关和DNS服务器地址。DHCP的配置非常简单，以新华三设备为例，在交换机、路由器的三层接口上去配置这个功能就好了。比如交换机使用vlanif作为三层接口，配置就这些操作，开启DHCP服务功能，开完之后针对地

ACL由若干条pemit或deny语句组成。每条语句就是该ACL的一条规则，每条语句中的permit或deny就是与这条规则相对应的处理动作。基于ACL规则定义方式的分类。基于ACL标识方法的分类。

目前最近的SDK版本是1.4.2，这个相机成本便宜，有硬同步的IMU，频率也够高，自带标定，对于目前我只做视觉SLAM定位足够用了。然而封库，其他各种依赖库要跟着SDK的库，OpenCV不使用ROS自带的版本，使用单独版本3.4.3等等。这个SDK组织得真的是一言难尽，所以分析SDK中实时显示点云图代码并加以改进，记录下学习的过程。

D3可以实现更加灵活且富有变化的图形。在使用Echarts的配置项就可以完成绘图，而D3需要自己造轮子，手动实现可视化的每一处细节，虽然门槛更高、难度更大，但是使用起来更加灵活自由，能够实现更为复杂多样的可视化效果。通过此次项目使用D3的选择DOM元素和绑定数据，数据添加、更新DOM元素的操作，使用D3一般遵循以下流程

最近科研需要改进算法，需要先对图像进行增强后处理，所以对图像增强技术做一个总结。图像增强的目的就是要提高图像的质量，在图像处理中，有两种提高图像质量的方法：一是图像在采集的过程中，知道图像质量降低的原因，根据原因进行图像恢复，图像复原等处理，二是不管图像质量降低的过程，针对图像本身增强，后者就是本文讨论的内容。图像增强处理技术基本上可以分成两大类，一类是空域处理方法,一类是频域处理方法。

导师让我了解SLAM，SLAM原本是比较小众的方向，最近自动驾驶火起来，做这个SLAM的人也多了，反过来也会推动机器人感知的发展。希望未来学成的时候，能赶上机器人大规模普及，就业一片蓝海。关于视觉SLAM我感觉学习成本高、科研选题难和行业壁垒高，但是充满挑战不是很有意思嘛。学SLAM方向跟motion planning科研都不好做，而且都很吃数学基础。学习难度的话，planning可能教程更多一点

最近对内部排序进行复习，深入掌握各种排序算法的思想、排序过程和特征，对一些常用排序算法的关键代码进行比较，最终为了在工作中看到特定序列有选择最优排序算法的能力。一、直接插入排序这种排序的思想是，在待排序的数组中，设置一段排序区间让他始终保持有序并不断增大，直到覆盖整个数组，就完成了对数组的排序。这就是最简单的直接插入排序，它的时间复杂度 是 O(N)~O(N^2)当待排序集合本身接近有序时，它的时

精读西瓜书才了解西瓜书的由来，原来里面机器学习的例子都是拿西瓜举例啊。一、机器学习的原理对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么就称这个计算机程序从经验E中学习。这个经验实际就是数据。机器学习就是把现实世界当中要研究的对象通过特征值将其数字化，然后让计算机通过这些已有的数字学习经验，即训练，得到判断能力即模型。例子：1、垃圾邮件识别/过滤：假定你