如何用 Python 实现抛物弓形面积的动态模拟?

### Python 动态模拟抛物弓形面积实现方法 为了实现抛物弓形面积的动态模拟,可以使用 Python 的 `matplotlib` 库来创建动画。以下是详细的实现代码和说明: #### 1. 环境准备 确保安装了以下库: ```bash pip install numpy matplotlib ``` #### 2. 动画实现代码 以下代码展示了如何通过动态添加矩形来模拟抛物弓形面积的计算过程[^1]。 ```python import numpy as np import matplotlib.pyplot as plt from matplotlib.animation import FuncAnimation # 定义抛物线方程 y = x^2 和直线方程 y = -x + 1 x = np.linspace(-1, 1, 500) parabola = x**2 line = -x + 1 # 创建图形对象 fig, ax = plt.subplots() ax.set_xlim(-1.5, 1.5) ax.set_ylim(-0.5, 1.5) ax.set_title("Dynamic Simulation of Parabolic Segment Area") ax.set_xlabel("x-axis") ax.set_ylabel("y-axis") # 初始化图形元素 rectangles = [] # 初始化函数:绘制抛物线和直线 def init(): ax.plot(x, parabola, label="Parabola $y=x^2$", color="blue") ax.plot(x, line, label="Line $y=-x+1$", color="red") ax.legend() return rectangles # 更新函数:动态添加矩形以近似抛物弓形面积 def update(frame): # 移除上一帧的矩形 for rect in rectangles: rect.remove() rectangles.clear() n = frame + 1 # 帧数对应分割数量 dx = 2 / n # 每个矩形的宽度 for i in range(n): xi = -1 + i * dx # 当前矩形的左边界 yi = min(parabola[i], line[i]) # 当前矩形的高度由抛物线和直线决定 height = max(parabola[i], line[i]) - yi rect = plt.Rectangle((xi, yi), dx, height, color='green', alpha=0.5) ax.add_patch(rect) rectangles.append(rect) return rectangles # 创建动画 ani = FuncAnimation(fig, update, frames=range(20), init_func=init, blit=False) # 显示动画 plt.show() ``` #### 3. 代码说明 - **抛物线与直线定义**:通过 `numpy` 定义抛物线 $y = x^2$ 和直线 $y = -x + 1$。 - **动画初始化**:在 `init` 函数中绘制抛物线和直线,并设置坐标轴范围。 - **动态更新**:在 `update` 函数中,根据当前帧数动态调整矩形的数量和位置,以近似抛物弓形区域。 - **动画生成**:使用 `FuncAnimation` 将每一帧的更新组合成动画效果。 #### 4. 动画效果 运行上述代码后,将生成一个动态动画,展示如何通过不断增加矩形的数量来逼近抛物弓形的面积。最终可以看到矩形逐渐填满抛物弓形区域的过程。 ---

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

python 弓形编码

python 弓形编码

python宗地编码工具,实现弓形编码。

基于Python语言的课程作业设计源码分享

基于Python语言的课程作业设计源码分享

该项目为Python课程设计的作业源码集,共计包含35个文件,主要由33个Python源代码文件和1个Markdown文档以及1个许可协议文件构成。这些源码旨在帮助学生巩固Python编程知识,提升实践能力。

玫瑰花_心形python_generalofq_Turtle_

玫瑰花_心形python_generalofq_Turtle_

运用python里的turtle库进行图形绘制,绘制玫瑰花以及心形图案

cookiecutter-pylibrary:适用于Python库的增强的cookiecutter模板

cookiecutter-pylibrary:适用于Python库的增强的cookiecutter模板

曲奇刀库 Python库的模板。 注意事项: 这主要是为了解决此。 ...这将使您免于。 有一个使用此模板的裸库(如果您对最终结果感到好奇): : 。 如果您具有Web应用程序(而非库),则可能需要查看 。 目录 建立和上传 变更日志 问题和答案 不完全是您想要的吗? 特征 这是“全包”模板。 选择各种许可证。 用于管理Python 2.7、3.6 +,PyPy等的测试环境的Tox 。 Pytest或Nose,用于测试Python 2.7、3.6 + ,PyPy等。 创建依赖项和python版本之外的测试矩阵的可选支持。 Travis-CI和AppVeyor进行连续测试。 工作服或Codecov用于覆盖跟踪(使用弓形虫)。 Sphinx的文档,可供ReadTheDocs使用。 的配置: 异味 颠簸 支持C扩展(包括C代码的覆盖范围度量)。 请参阅c_ex

python tkinter canvas使用实例

python tkinter canvas使用实例

这篇文章主要介绍了python tkinter canvas使用实例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 注:在使用 create_arc 绘制弧时,和 create_oval 的用法相似,因为弧是椭圆的一部分,因此同样也是指定左上角和右下角两个点的坐标。 默认总是绘制从 (x_1,y_1)开始,程序可通过 start 改变起始角度,也可通过 extent 改变转过的角度(逆时针旋转)。 from tkinter import * root = Tk() root.title('Wjz') cv = Canvas(root, b

area.zip_ZRQL_directlytpg_面积

area.zip_ZRQL_directlytpg_面积

求两个圆形相交的面积,自己写的,有需要的可以参考。

实验  数值与字符串.doc

实验 数值与字符串.doc

实验 数值与字符串.doc

解决Visio交叉线弯曲问题[项目代码]

解决Visio交叉线弯曲问题[项目代码]

本文介绍了在使用Visio作图时,交叉线在相交处形成弯曲弓形的问题及其解决方法。通过菜单栏的设计选项,选择连接线功能,并选中交叉线后点击显示跨线,可以有效消除弓形,提升视图效果。作者还分享了个人背景,包括在读研期间发表5篇SCI数据挖掘相关论文,目前在某研究院从事数据算法科研工作,并会结合自身实践分享Python、机器学习和深度学习等知识与应用案例。

实现指纹识别中的指纹图像预处理中的方向场,细化等,含有一个GUI界面.

实现指纹识别中的指纹图像预处理中的方向场,细化等,含有一个GUI界面.

实现指纹识别中的指纹图像预处理中的方向场,细化等,含有一个GUI界面.

cosmic.py:一个高级 Web API 框架

cosmic.py:一个高级 Web API 框架

测试 唯一需要全局安装的 Python 包是 。 Tox 将在虚拟环境中安装所有依赖项、测试工具和文档工具。 Tox 将针对 Python 2.7 和测试。 Python 2.7版的虚拟环境将有安装将在终端,当您运行弓形体报告单元测试覆盖率检查。 详细的 HTML 报告将在htmlcov目录中生成。 $ pip install tox $ tox 通常运行以下命令就足够了: $ tox -e py27 但是,在提交之前,您应该确保 PyPy 也能正常工作。 建筑文件 文档是使用 Sphinx 构建的,它将由 Tox 安装在 Python 2.7 虚拟环境中。 $ make docs 输出将在docs/build/html 。

指纹快速识别算法程序

指纹快速识别算法程序

关于指纹快速识别,在相关算法发面做了改进,推出自己的程序。

指纹识别系统源代码.7z

指纹识别系统源代码.7z

指纹识别系统源代码.7z

甲烷换热器全套图纸.rar

甲烷换热器全套图纸.rar

甲烷换热器全套图纸.rar

指纹识别专题研究报告(25页).zip

指纹识别专题研究报告(25页).zip

指纹识别专题研究报告(25页),资源名称:指纹识别专题研究报告(25页)指纹识别专题研究.zip...

ArchTool:一种用于代码的体系结构可视化工具

ArchTool:一种用于代码的体系结构可视化工具

#ArchTool ##“ C#”的建筑可视化工具 ##关于 Arch工具是C#的简单关系查看器。 该工具解析C#项目或文件包并显示类交互。 类交互是对自身内部的另一个类的声明,或者是一个调用,一个成员或一个方法参数。 目前,Arch Tool并未对此进行区分。 它仅显示连接每个调用另一个类的图。 当前仅支持C#,但是添加其他语言应该很容易。 我计划至少添加java,python和lua。 ##如何加载项目 要加载项目,只需将其文件夹(目录)拖到标题下方的“拱门工具”空白面板中即可。 将文件夹(目录)放在那里,然后等待图形生成。 ##如何加载文件包。 只需选择要分析的所有文件,然后将其拖到“弓形工具”空白面板中,标题如下。 将文件放到那里,等待图形生成。

状态估计【扩展卡尔曼滤波算法的神经网络训练】BP神经网络、扩展卡尔曼滤波EKF+BP、粒子滤波PF轨迹估计研究(Matlab代码实现)

状态估计【扩展卡尔曼滤波算法的神经网络训练】BP神经网络、扩展卡尔曼滤波EKF+BP、粒子滤波PF轨迹估计研究(Matlab代码实现)

内容概要:本文系统研究了基于Matlab的扩展卡尔曼滤波(EKF)在神经网络训练中的应用,重点探讨了BP神经网络、EKF与BP融合算法(EKF+BP)以及粒子滤波(PF)在非线性系统状态估计与轨迹预测中的性能对比。通过Matlab代码实现,展示了EKF如何优化神经网络权值更新过程,显著提升传统BP算法的收敛速度与估计精度,并深入分析了EKF+BP融合机制在参数优化中的作用机理。研究还涵盖了无迹卡尔曼滤波(UKF)、PF等多种先进滤波方法的仿真与比较,为复杂动态环境下的状态估计问题提供了多样化的技术路径与解决方案。; 适合人群:具备一定Matlab编程基础和信号处理知识,从事自动化、电子信息、控制工程、导航制导、轨迹预测与智能系统等领域的研究生、科研人员及工程技术人员。; 使用场景及目标:① 深入理解扩展卡尔曼滤波在神经网络训练中的优化机制与实现方法;② 对比分析BP、EKF+BP、PF等算法在轨迹估计任务中的收敛性、精度与鲁棒性差异;③ 利用提供的Matlab代码进行仿真复现、算法调试与二次开发,服务于科研项目或工程实践中的状态估计需求。; 阅读建议:建议读者结合Matlab代码进行动手实践,重点关注EKF与BP网络融合的数学推导与程序实现细节,通过调整系统噪声、观测噪声及初始参数等变量,深入探究不同滤波算法的性能边界与适用条件,从而深化对非线性估计理论的理解与应用能力。

交错并联图腾柱PFC变换器仿真设计(Simulink仿真实现)

交错并联图腾柱PFC变换器仿真设计(Simulink仿真实现)

内容概要:本文围绕交错并联图腾柱PFC变换器的Simulink仿真设计展开,深入探讨了该拓扑在高效率功率因数校正中的应用。通过构建详细的Simulink仿真模型,系统展示了交错并联技术在降低输入电流纹波、提升系统效率与功率密度方面的显著优势。文章重点剖析了图腾柱PFC的工作原理,并详细阐述了包括平均电流控制、PI双闭环电压控制及前馈控制在内的复合控制策略,确保变换器在宽范围负载条件下均能实现高功率因数和稳定的输出电压。仿真结果充分验证了所提出的控制方案在动态响应、稳态精度和抗干扰能力上的有效性与可行性,为高性能AC-DC电源的设计提供了坚实的理论与实践依据。; 适合人群:具备一定电力电子与自动控制理论基础的研究生、科研人员以及从事电源产品研发的工程技术人员。; 使用场景及目标:①应用于高校及研究机构的高效率PFC变换器教学与科研项目;②为工业界开发高性能、低谐波的AC-DC电源产品提供先进的仿真参考与技术支持;③帮助研究人员深入掌握Simulink在复杂电力电子系统建模、控制算法设计与性能优化中的高级应用技巧。; 阅读建议:建议读者结合提供的Simulink仿真模型进行同步操作与验证,深入理解各功能模块的参数设置与控制逻辑的内在联系,并尝试调整PI控制器参数以观察系统动态响应的变化,从而深刻把握PFC变换器的控制机理。同时,可参考文中提及的相关文献,以拓展对现代PFC技术发展趋势与前沿研究的认知。

SCADA 上位机PLC 数据采集

SCADA 上位机PLC 数据采集

SCADA 上位机PLC 数据采集

朋友圈广告投放系统源码部署

朋友圈广告投放系统源码部署

朋友圈广告投放系统源码部署 手机号定向精准投放,雷达触达获取openID

三相维也纳Vienna整流器电流过零畸变消除仿真模型【三种消除方法】(Simulink仿真实现)

三相维也纳Vienna整流器电流过零畸变消除仿真模型【三种消除方法】(Simulink仿真实现)

内容概要:本文针对三相维也纳(Vienna)整流器在运行过程中存在的输入电流过零畸变问题,深入分析了其产生机理,主要包括开关死区效应、功率器件非理想特性以及控制环路延迟等因素,这些因素会导致输入电流在过零点附近出现停滞或跳变,进而引起谐波含量升高、功率因数下降及电磁干扰加剧。为有效抑制此类畸变,文章提出了三种先进的补偿策略,并基于Simulink平台构建了高精度的仿真模型进行对比验证。第一种方法为精确死区补偿法,通过对开关行为进行精细化建模,计算并施加反向补偿电压,以抵消死区造成的电压丢失;第二种方法为滞环比较控制法,通过设置特定的滞环宽度,强制电流在过零区域加速穿越,从而避免因控制迟滞引发的畸变;第三种方法为前馈解耦补偿法,在同步旋转坐标系(dq坐标系)下,对电流环引入交叉耦合项的前馈补偿,提升电流内环的动态响应速度和跟踪精度,从根本上减少因控制延迟带来的畸变。通过详尽的仿真对比,结果表明这三种方法均能显著改善电流波形质量,有效降低总谐波畸变率(THD),其中前馈解耦法在动态性能和稳态精度方面表现出更优的综合效果。; 适合人群:面向从事电力电子、电气自动化、新能源变换器(如充电桩、数据中心电源)研发的高校研究生、科研院所研究人员及企业研发工程师,要求具备扎实的电路理论、自动控制原理基础,并熟悉Simulink仿真环境。; 使用场景及目标:①深入研究和解决三相Vienna整流器在实际应用中面临的电流谐波超标与电磁兼容性(EMC)问题;②系统学习和掌握高功率因数整流器中的先进电流控制策略与非线性补偿技术的实现方法;③为相关科研课题的算法设计、仿真建模、性能优化与实验验证提供可靠的技术参考和完整的实现范例。; 阅读建议:建议读者结合提供的Simulink仿真模型,细致剖析三种消除方法的控制逻辑、数学推导与具体实现细节,重点关注不同工况(如负载突变、电网波动)下的电流波形变化、THD对比曲线及控制变量的动态响应,强烈推荐动手复现仿真过程,通过调整关键参数(如死区时间、滞环宽度、PI控制器增益)来观察系统性能的变化,从而深化对控制算法本质的理解与工程应用能力。

最新推荐最新推荐

recommend-type

国央企创新负责人如何提升企业创新与技术合作的精准度?.docx

国央企创新负责人如何提升企业创新与技术合作的精准度?
recommend-type

高校技术转移办公室人员如何利用智能工具简化技术成果的推介与转化流程?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。
recommend-type

solong 图像处理器 - v3.4 - 吾爱大佬 by 金牌软件 .exe

solong 图像处理器 _ v3.4 _ 吾爱大佬 by 金牌软件 .exe
recommend-type

流媒体影视爆款预测数据集6000部剧集电影21特征

本数据集模拟流媒体平台影视内容特征,包含6000部剧集、电影与纪录片样本、21个字段,覆盖内容类型、题材、出品国家、上映年份与月份、内容分级、是否平台原创、是否系列续集、改编来源、时长、季数、明星影响力、制作与营销预算、观众评分、社交热度等维度。提供top10_hit分类目标(进入平台榜单前十并保持4周以上)与views_28d_m回归目标(上线28天观看量),结果字段独立分离,便于练习避免目标泄漏。数据干净完整、无缺失值、无需表关联,直接可用于分类、回归、探索性分析,以及发布档期选择、题材与续集表现、单位营销成本观看效率等研究,适合影视行业分析、推荐系统与机器学习教学。说明:本数据为Python生成的合成数据,仅反映生成规则,不含真实节目与个人信息。许可:CC0公有领域,可自由使用与二次分发。
recommend-type

西门子 S7 PLC 对接 MES 系统:HTTP/JSON 通信实施指南

内容概要:本文介绍了通过IGT-DSER智能网关实现西门子S7-1500 PLC(采用优化访问DB数据块)与MES系统的对接方案。重点阐述了使用S7-PLUS标签方式读取PLC变量标签数据,结合网关边缘处理能力进行数据换算与JSON封装,并通过HTTP/GET或POST方式将数据上传至MES系统的技术路径。文中详细说明了网络配置、变量映射、触发逻辑设置、JSON结构生成、联调验收流程及常见故障排查方法,强调无需修改PLC程序即可完成集成,适用于工业现场快速部署。; 适合人群:自动化工程师、MES实施工程师、工业网络与设备运维人员; 使用场景及目标:①实现西门子S7-1500等支持优化DB的PLC与MES系统高效对接;②在不改动原有PLC程序的前提下完成数据采集与上传;③通过标准化JSON格式与HTTP协议实现与各类业务平台的数据交互;④提升系统集成效率并确保数据传输的准确性与可监控性; 阅读建议:此资源以实际工程案例为基础,建议读者结合IGT-DSER网关参数管理软件操作实践,重点关注标签配置、触发条件设定与JSON字段映射的细节,并在测试环境中验证请求与响应闭环后再投入正式运行。
recommend-type

JGroup入门教程:集群通信与配置解析

"这篇文档是关于JGroup的笔记,涵盖了JGroup的基本概念、主要功能、特点以及核心API的介绍。" JGroup是一个专门用于构建分布式集群的库,它允许应用程序加入集群并与其他节点进行通信。当节点加入或离开时,JGroup会提供相应的通知机制。与Java Message Service (JMS)相比,JGroup的功能更专注于集群内的消息传递,不涉及队列、主题或事务管理。其核心特性在于其灵活的协议栈和配置,用户可以通过编辑XML配置文件来定制所需的功能。 例如,通过在协议栈中添加COMPRESS协议,可以实现消息的压缩。此外,JGroup还支持加密和身份验证,确保只有通过X.509证书认证的节点才能加入集群,从而增强了安全性。 JGroup的架构主要包括一个Channel接口,这是客户端主要的API,用于发送和接收消息。当发送消息时,消息会自顶向下通过整个协议栈。以下是`JChannel`类的部分关键方法: 1. `public JChannel(String properties)`:根据指定的XML配置文件(如"udp.xml")创建一个新的JChannel实例。 2. `public void setReceiver(Receiver r)`:设置接收器,用于处理接收到的消息。这里使用了`ReceiverAdapter`作为基础实现,用户可以自定义自己的接收器。 3. `public void connect(String cluster_name)`:将Channel连接到名为"demo-cluster"的集群。 4. `public void send(Message msg)`:通过Channel发送一个Message对象到集群。 5. `public View getView()`:获取当前的集群视图,即集群中节点的状态信息。 6. `public Address getLocalAddress()`:获取本地节点的地址。 7. `public void disconnect()`:断开Channel与集群的连接。 8. `public void close()`:关闭Channel,释放资源。 通过上述API,开发者可以轻松地实现集群内的通信。如果需要更改通信参数,如网络协议、消息格式等,只需修改对应的XML配置文件即可,无需修改应用程序代码。 JGroup是一个强大的工具,适用于需要高可用性和容错性的分布式系统。它简化了集群通信的实现,同时提供了高度的灵活性和可扩展性,使得开发人员能够专注于业务逻辑,而不用担心底层通信的复杂性。
recommend-type

FP32_FP16_INT8_BF16量化选型决策图谱(工业界已验证的7大业务场景精度-时延-功耗三维权衡矩阵)

以下是对您提供的技术博文进行深度润色后的版本。全文严格遵循您的全部优化要求: - ✅ **完全去除所有显性标题层级**(如“# 1. 量化基础…”、“## 2.1 FP32…”等),代之以自然段落过渡与逻辑流引导; - ✅ **打破“总—分—总”结构**,开篇即切入真实工业痛点,技术原理、硬件归因、场景验证三者交织推进; - ✅ **彻底删除“引言/总结/展望/参考资料”等模板化章节**,结尾不复述、不喊口号,而以一个具象的技术演进断面收束; - ✅ **语言高度去AI化**:摒弃“本文将从…角度阐述…”类句式;大量使用设问、插入语、工程师口语化表达(如“你猜怎么着?”“别急,先
recommend-type

GPU硬件编解码怎么开启?不同品牌显卡的操作方式有什么区别?

### 如何在GPU上启用编码器和解码器 对于希望利用GPU进行视频编解码的应用程序来说,启用硬件加速可以显著提高效率并减少CPU负载。具体方法取决于所使用的硬件平台以及软件库的支持情况。 #### NVIDIA CUDA 编解码设置 NVIDIA 提供了一套完整的工具集用于在其GPU上执行高效的视频处理操作。NVENC/NVDEC API允许开发者轻松集成硬件加速的功能至应用程序中[^2]。 ```cpp // 初始化CUDA环境 cudaError_t cudaStatus = cudaSetDevice(0); if (cudaStatus != cudaSuccess) {
recommend-type

嵌入式软件覆盖率测试技术及应用分析

"嵌入式软件覆盖率测试的研究与应用 (2014年) - 孙陇平,江苏自动化研究所" 本文深入探讨了嵌入式软件的覆盖率测试,这是一种关键的软件质量保证方法,尤其在面对日益复杂和硬件紧密集成的嵌入式系统时。覆盖率测试是衡量软件测试完整性和效率的重要指标,它通过确保软件的每一部分至少被执行一次来检测潜在的问题。 1. 覆盖率测试基础 - 覆盖率测试的核心在于度量测试用例对软件代码的覆盖程度,包括语句覆盖率、判定覆盖率、条件覆盖率、判定/条件覆盖率和路径覆盖率。这些指标帮助测试人员了解测试用例是否充分执行了代码的不同方面。 - 语句覆盖率关注的是每一行代码是否被执行,而判定覆盖率则检查每个判断表达式的真假分支是否都被执行过。条件覆盖率更进一步,确保每个条件的可能结果都被测试。判定/条件覆盖率综合考虑了条件和整个判断的覆盖。路径覆盖率是最全面的,它要求覆盖所有可能的执行路径。 2. 覆盖率测试方法 - 在嵌入式系统中,由于其与硬件的紧密耦合,常规测试方法往往不足。因此,采用程序插装技术进行覆盖率测试成为主流。这种方法涉及到在源代码中插入特殊代码,以记录和报告哪些部分被执行,然后编译生成可执行文件。 3. 覆盖率测试工具 - 文章提到了两种流行的覆盖率测试工具,Bullseye Coverage和LDRA TestBed。这两种工具都能提供详细的覆盖率报告,帮助定位未被测试的代码段。 4. 应用示例 - 以Turbo C开发环境下的DOS操作系统为例,作者展示了如何使用LDRA Testbed进行覆盖率分析。通过插装程序,可以获取语句覆盖率和分支覆盖率数据,从而找出可能存在的软件问题,并优化测试用例以提高测试的全面性。 5. 实践意义 - 覆盖率测试对于提升嵌入式软件的质量至关重要,它能够减少错误,降低测试难度,提高测试效率。通过这种测试,可以更准确地评估软件的健壮性和可靠性,从而确保产品在实际应用中的稳定运行。 综上,覆盖率测试是嵌入式软件开发过程中的重要环节,通过有效的覆盖率测试策略和工具,能够显著提升软件的质量,减少潜在的缺陷,并为测试过程提供量化依据。
recommend-type

GitLab CI Runner高并发雪崩实录(CPU飙至98%、IO等待超400ms):深度拆解Runner注册协议缺陷、Docker-in-Docker内存泄漏与Gitaly连接池耗尽的7层根因(附实时熔断配置模板)

# GitLab CI Runner高并发雪崩现象全景还原与全链路治理实践 在金融级CI平台日均3.2万次Pipeline触发的严苛场景下,一种极具迷惑性的系统性故障反复上演:注册成功率断崖式下跌至15%以下、Runner在线率骤降76%、平均注册耗时飙升至47秒以上。表面看是TLS握手超时或证书错误,但深入追踪发现,这并非孤立故障,而是**注册协议缺陷、运行时泄漏、Gitaly连接耗尽三重根因耦合触发的系统性雪崩**。更令人警醒的是,这种故障往往在系统负载看似平稳、CPU/内存使用率无明显异常的情况下悄然发生——它不靠资源压垮系统,而是通过协议语义漏洞、状态机失控与资源回收滞后,在毫秒级的