Linux下使用dd命令对树梅派镜像进行烧写与备份方法(可压缩镜像)

本文详细介绍了如何在Linux系统中使用dd命令烧写和备份树莓派镜像。首先,通过df -h查看SD卡挂载情况,然后下载并解压Raspbian镜像,格式化SD卡,使用dd命令烧写镜像。接着,通过sudo raspi-config配置树莓派,包括修改用户密码、设置启动选项和显存大小。对于备份,同样使用dd命令,直接备份SD卡的整个分区,并提供压缩选项。镜像恢复过程与烧写类似,包括使用fdisk格式化SD卡和dd命令写入备份镜像。

1.插入SD卡,系统会显示挂载两个分区/media/wang/rootfs、/media/wang/boot
2.使用df -h 查看挂载情况,发现有如下描述
/dev/sdb2 15G 4.6G 9.4G 33% /media/wang/rootfs
/dev/sdb1 43M 22M 21M 51% /media/wang/boot

一、镜像烧写

1.官网https://www.raspberrypi.org/downloads/raspbian/下载压缩包并解压出img镜像并解压
uzip 2018-10-09-raspbian-stretch.zip

我这里选择下载完整版的,有1.3个多G大小

2.格式化内存卡
我选择在windows上使用SD Formatter 4.0进行格式化内存卡,将装有内存卡的读取卡插入到windows电脑中,然后不需修改任何参数点击更新,更新完成之后点击格式化即可完成内存卡的格式化操作

3.将格式化的内存卡插入到ubuntu中,df -h 查找哪个设备是SD卡
我这边查找到的是 /dev/sdb1

为了避免其它设备操作内存卡,先卸载设备

umount /dev/sdb1

4.使用dd命令烧录镜像到SD卡中

 sudo dd bs=4M of=201
用 AI 代码,常见两种翻车: 过重——技能十几门、文档两遍,二开被流程拖死; 过轻——一句话丢给 Cursor,边界不清、难验收、难回溯。 SW Harness(AI 软件开发工程框架 v1.2) 取中间态:保留「想清楚→设计→实现→验证→可选上云」闭环,体量按个人/小团队砍到能扛住。 不是提示词合集,是可装进 Cursor 的工程工作流。 主路径: /sw req → asd → sdd → dev → review → (env/deploy) → commit 需求范围成功标准;架构做边界选型;模块方案才出接口、时序逻辑图;开发用例先行;审查一次过质量基础安全。小改动可走 req→sdd→dev→review。/sw status 看进度,/sw continue 断点续跑。 你会得到: 唯一 Workflow Skill(全套 /sw 门禁)· PRD/ASD/SDD/测试/审查模板 · 完整 DEMO 文档 · 可跑 Java 示例(mvn test)· 云配置轻量部署脚本 · 二开 context 位。 适合: 真实项目、旧系统二开、接单、个人产品。 不适合: 只要万能提示词、要代开发、要企业多 Agent 重型流水线。 怎么用: Skill 拷到 .cursor/skills/ → 对照 DEMO → 复制空白模板 → 对自己的小需求说 /sw req 开跑。有 VPS 再配云;没有就本地验收即可。 首发 ¥49(标 ¥69),一次买断,支付后自动下 ZIP。 代码走 /sw;授权 APK 分析可另配 /re——同一套 harness 思路。 轻量可学可二开,不是企业合规流水线。数字商品售出不退,请按需购买。
内容概要:本文围绕“基于蜣螂优化算法的无线传感器网络覆盖优化研究”展开,提出了一种创新且可复现的智能优化方法。通过引入新型群智能优化算法——蜣螂优化算法(DBO),对无线传感器网络(WSN)中的节点部署问题进行建模求解,旨在最大化网络覆盖率、均衡节点能耗、延长网络生命周期并提升系统整体稳定性。研究基于Matlab平台完成了算法的仿真实现,构建了合理的适应度函数,设计了关键参数调整策略,并通过大量仿真实验验证了该算法在不同规模监测区域下的优化性能。相较于传统优化算法如粒子群优化(PSO)、遗传算法(GA)等,DBO在收敛速度、全局寻优能力、避免早熟收敛以及覆盖均匀性方面表现出更优异的性能,充分体现了其在复杂工程优化问题中的应用潜力。; 适合人群:具备一定Matlab编程基础和优化算法理论知识,从事智能计算、物联网、无线传感器网络、自动化控制等相关领域的高校研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于无线传感器网络的节点布局优化,有效提升监控区域的感知覆盖质量;②作为新型群智能算法的学习研究案例,深化对蜣螂优化算法机理的理解,并拓展其在路径规划、资源分配、参数优化等其他工程领域的应用;③为学术论文撰、科研项目申报、毕业课题设计及算法竞赛提供可靠的技术支持参考范例。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现流程,重点关注适应度函数的构造逻辑、算法参数的敏感性分析及优化迭代过程的可视化展示,并尝试在不同环境设定下复现实验结果,以全面掌握蜣螂优化算法的核心思想及其在WSN覆盖优化中的实际应用价值。
评论 3
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