DWARF — это просто способ записи, а не методика.
И GCC и CLang используют этот формат для хранения данных раскрутки стека в секции eh_frame.
SEH — аппаратные исключения и это совсем другая история, хотя в WIN32 исключения C++ и реализованы поверх них.
Кроме того, если произошло аппаратное исключение, пожалуй, уже не стоит переживать насчет потери значения какой-то переменной :)
:) Это очень простая магия. Если точки близко, мы стараемся построить путь напрямую из точки в точку.
В противном случае ищем пеший маршрут до ближайших дорог и дальше ищем путь через дорожную сеть.
В данном случае Вам удалось нащупать пороговое значение.
Отмечу, каков бы ни был порог, кому-то всё равно удастся его нащупать.
Мы так и делаем там где дорожки прорисованы. Но надо отдавать себе отчет, что каждая прорисованная пешая дорожка занимает место. Это выливается в то, что распухает база и растёт трафик у клиентов. Опять же нужно дополнительное время и память на распаковку.
Поэтому мы стараемся нащупать баланс.
Технически такая возможность есть, практически, если не ошибаюсь, мы проходим через большинство калиток т.к. это порождает наименьшее количество ошибок.
Хуже того, в некоторых местах (возможно из-за переотражения сигналов спутников) есть систематическая ошибка GPS.
Так что даже если прогнозировать маршрут пользователя, это не поможет.
Для автомобилей проще, там мы с учетом азимута притягиваем пользователя к дорожной сети.
А пешеход может быть везде. Но у него остается возможность вмешаться и правильно установить исходную точку.
Мы строим в городах, где очень редко удается построить длинный пешеходный маршрут.
Чтобы пройти пешком пару км в Нске надо уйти в поля, не уверен, что в Москве с ее плотностью застройки это вообще удастся.
Полностью доверять построенному таким образом маршруту не стоит.
Зато метод дает отличную оценку расстояния до ближайшей дороги или остановки.
Чем мы и пользуемся.
Возможно, частично ответил выше.
Описанный инструмент может дать ответы на те вопросы, которые вы ему задаете.
Но сформулировать вопросы вы должны сами.
Исходные данные интуитивно понятны и сильно коррелированы.
Не нужно рисовать никаких картинок чтобы понять это.
Однако, например, накладывая на них шум мы делаем картину не столь тривиальной.
Обратите внимание, что даже когда шум соизмерим с одним образцом данных и вдвое превышает второй, глаз легко вылавливает полосы из получившейся картинки. Что глядя на исходные данные не так очевидно.
Построив таким образом автокорреляцию, можно, поиграв с шириной диапазонов, можно легко обнаружить когда динамический процесс находится в похожих состояниях.
И GCC и CLang используют этот формат для хранения данных раскрутки стека в секции eh_frame.
SEH — аппаратные исключения и это совсем другая история, хотя в WIN32 исключения C++ и реализованы поверх них.
Кроме того, если произошло аппаратное исключение, пожалуй, уже не стоит переживать насчет потери значения какой-то переменной :)
Только пешком на короткие расстояния можно лишь.
В противном случае ищем пеший маршрут до ближайших дорог и дальше ищем путь через дорожную сеть.
В данном случае Вам удалось нащупать пороговое значение.
Отмечу, каков бы ни был порог, кому-то всё равно удастся его нащупать.
Поэтому мы стараемся нащупать баланс.
Так что даже если прогнозировать маршрут пользователя, это не поможет.
Для автомобилей проще, там мы с учетом азимута притягиваем пользователя к дорожной сети.
А пешеход может быть везде. Но у него остается возможность вмешаться и правильно установить исходную точку.
Чтобы пройти пешком пару км в Нске надо уйти в поля, не уверен, что в Москве с ее плотностью застройки это вообще удастся.
Зато метод дает отличную оценку расстояния до ближайшей дороги или остановки.
Чем мы и пользуемся.
а честно пытаться выжать из технологии всё возможное.
Я всего лишь предложил прием, с помощью которого можно визуализировать в том числе и автокорреляцию.
Описанный инструмент может дать ответы на те вопросы, которые вы ему задаете.
Но сформулировать вопросы вы должны сами.
Не нужно рисовать никаких картинок чтобы понять это.
Однако, например, накладывая на них шум мы делаем картину не столь тривиальной.
Обратите внимание, что даже когда шум соизмерим с одним образцом данных и вдвое превышает второй, глаз легко вылавливает полосы из получившейся картинки. Что глядя на исходные данные не так очевидно.
Построив таким образом автокорреляцию, можно, поиграв с шириной диапазонов, можно легко обнаружить когда динамический процесс находится в похожих состояниях.