砕月之殇的摆烂小窝

信号处理基础 平滑窗 锐化窗或平滑窗是一个从中心峰值点向两侧衰落的实函数，在信号处理中用来缓解有限长度信号的截断影响 由于加窗具有使孔径中心的权值高于两端权值的效应，故又称“加权” 旁瓣的降低会导致分辨率的展宽，所以需要折中考虑 在脉冲压缩中，常使用窗来控制旁瓣，同时保持尽可能高的分辨率，一般使用Kaiser窗 Kaiser窗 在时域中，长度为TTT的Kaiser窗可以表示为 wk(t,T)=I0(β1−(2t/T)2)I0(β),−T2≤t≤T2w_k(t,T) = \frac{I_0\left(\beta\sqrt{1 - (2t / T) ^ 2}\right)}{I_0(\beta)},-\frac{T}{2}\le t\le \frac{T}{2} wk​(t,T)=I0​(β)I0​(β1−(2t/T)2​)​,−2T​≤t≤2T​ 其中β\betaβ是可以调整的衰减系数或平滑系数，I0I_0I0​为零阶贝塞尔函数 Kaiser窗的傅里叶变换或傅里叶逆变换为一个sinc函数 当β=0\beta = 0β=0时，Kaiser窗退化成矩形窗；当β>0\beta& ...

谨以此文，献给年少轻狂的自己 为什么需要小波变换 我们目前工程实践中所分析的信号大多是平稳信号，若忽略高斯噪声，则基本可以看作严格平稳信号的信号。但是我们难免会遇到需要进行时频分析的信号，这时候就需要采用一些时频分析方法 对于非平稳信号，传统的傅里叶变换是没有办法进行很好的分析的，需要采用特殊的方法，比如短时傅里叶变换（STFT） 短时傅里叶变换是通过添加一个固定的采样窗口来进行采样，再进行FFT，最后将结果整合为时频分析结果 下面有个例子 12345678910111213141516171819202122232425262728%% 预处理clc,clf,clear;%% 参数设置NPT = 4000; % 信号点数% 分段频率f1 = 100;f2 = 150;f3 = 200;f4 = 300;sample_rate = 1000; % 采样率t = 0:1 / sample_rate:(NPT - 1) / sample_rate;% 数据生成raw_signal = zeros(1,NPT);for i = 1:1000 raw_signal(i) = si ...

矢量分析 矢量代数 标量：只有大小，没有方向的量 矢量：既有大小，又有方向的量 对于矢量A\pmb{A}A，我们常用eA\pmb e_AeA​表示与其同方向的单位矢量 矢量的加减运算遵循平行四边形定则，此处不做赘述 矢量的乘积运算有两种，点积和叉积 对于点积有 A⋅B=ABcos⁡θ\pmb A \cdot \pmb B = AB\cos\theta A⋅B=ABcosθ 对于叉积有 A×B=enABsin⁡θ\pmb A \times \pmb B = \pmb e_nAB\sin\theta A×B=en​ABsinθ 点积之后的结果是一个标量，而叉积之后的结果是一个矢量，其方向遵循右手螺旋定则 矢量的叉积运算一般使用行列式进行计算 A×B=∣exeyezAxAyAzBxByBz∣\pmb A\times\pmb B = \left| \begin{array}{cccc} \pmb e_x & \pmb e_y & \pmb e_z \\ A_x & A_y & A_z\\ B_x & ...

电磁场与波的部分定理证明 最近在学习电磁场与波的时候，看到书上有些公式定理没给证明就直接在用，就尝试着推导了一下 关于1R的微分\frac{1}{R}的微分R1​的微分 ∇(1R)=−RR3\nabla(\frac{1}{R}) = -\frac{\pmb R}{R^3} ∇(R1​)=−R3R​ 这个式子第一眼看过去好怪，一个标量求散度之后得到了一个矢量，所以想推导一下 推导过程如下所示 设位置矢量为R=r−r′,其中r=xex+yey+zez,r′=x′ex+y′ey+z′ez设位置矢量为\pmb R = \pmb r - \pmb r',其中\pmb r = xe_x + ye_y + ze_z,\pmb r' = x'e_x + y'e_y + z'e_z 设位置矢量为R=r−r′,其中r=xex​+yey​+zez​,r′=x′ex​+y′ey​+z′ez​ 先推导∇R\pmb\nabla R∇R ∇R=∂R∂xex+∂R∂yey+∂R∂zez=x−x′(x−x′)2+(y−y′)2+(z−z′)2ex+y−y′(x−x ...

DSP汇编指令 在DSP编程时经常会使用到一些汇编指令 我们可以在DSP2833x_Device.h当中找到它们的定义 1234567#define EINT asm(" clrc INTM")#define DINT asm(" setc INTM")#define ERTM asm(" clrc DBGM")#define DRTM asm(" setc DBGM")#define EALLOW asm(" EALLOW")#define EDIS asm(" EDIS")#define ESTOP0 asm(" ESTOP0") 汇编指令 作用 EINT 打开中断 DINT 关闭中断 ERTM 使能调试事件 DRTM 禁止调试事件 EALLOW 解禁处于禁写状态的寄存器 EDIS 重新恢复禁止写入状态 ESTOP0 当仿真器连接时，若ESTOP0=1，则DSP运行到此处 ...

无监督聚类分析 聚类指的是给定一组无标签样本，按照一定的准则将其划分为不同的样本簇，其中每个簇的样本都具有相似的属性和特征，而簇间的样本具有明显的差异 聚类≠\neq=分类，分类是有监督的，给定标签和数据类别条件下的学习，而聚类是面向无监督学习的，是人工参与度极低的一种学习方法 聚类中样本距离的计算方法 设样本x\pmb{x}x和y\pmb{y}y之间的距离d(x,y)d(x,y)d(x,y)一般满足以下四项基本性质： 非负性：d(x,y)≥0d(x,y) \ge 0d(x,y)≥0 自反性：d(x,y)=0d(x,y) = 0d(x,y)=0，当且仅当x=yx = yx=y 对称性：d(x,y)=d(y,x)d(x,y) = d(y,x)d(x,y)=d(y,x) 三角不等式：d(x,y)≤d(x,z)+d(z,y)d(x,y) \le d(x,z) + d(z,y)d(x,y)≤d(x,z)+d(z,y) 下面有一些常用的计算距离的方法 曼哈顿距离 曼哈顿距离在二维空间表示为 d(x,y)=∣x1−y1∣+∣x2−y2∣d(x,y) = |x_1 - y_1| + ...

在这个教程中，我们将学习如何用DataParallel来使用多 GPU 通过 PyTorch 使用多个 GPU 非常简单。你可以将模型放在一个 GPU： 12device = torch.device("cuda: 0")model.to(device) 然后可以复制所有的张量到GPU上: 1mytensor = my_tensor.to(device) 请注意，调用my_tensor.to(device)返回一个GPU上的my_tensor副本，而不是重写my_tensor 你需要把它赋值给一个新的张量并在GPU上使用这个张量 在多GPU上执行正向和反向传播是自然而然的事。然而，PyTorch 默认将只是用一个GPU 你可以使用DataParallel让模型并行运行来轻易的在多个GPU上运行你的操作 1mytensor = net.to(device) 这是这篇教程背后的核心，我们接下来将更详细的介绍它 导入和参数 导入 PyTorch 模块和定义参数 12345678910import torchimport torch.nn as nnfrom torch ...

PyTorch 提供设计优雅的模块和类torch.nn，torch.optim，Dataset 和 DataLoader来帮助您创建和训练神经网络 为了充分利用它们的功能并针对您的问题对其进行自定义，您需要真正地了解他们的工作 为了建立这种理解，我们将首先在 MNIST 数据集上训练基本神经网络，而无需使用这些模型的任何功能； 我们最初只会使用最基本的 PyTorch 张量功能。 然后，我们将一次从torch.nn，torch.optim，Dataset或DataLoader中逐个添加一个功能，确切地显示每个功能，以及如何使代码更简洁或更灵活 本教程假定您已经安装了 PyTorch，并且熟悉张量操作的基础知识 (如果您熟悉 Numpy 数组操作，将会发现此处使用的 PyTorch 张量操作几乎相同） MNIST 数据设置 我们将使用经典的MNIST数据集，该数据集由手绘数字的黑白图像组成(介于 0 到 9 之间） 我们将使用pathlib 处理路径(Python 3 标准库的一部分），并下载数据集 我们只会在使用模块时才导入它们，因此您可以确切地看到正在使用模块的每个细节 1234 ...

9e956e92eff64aa8bfafdb47fa74e12d5c21f63504d9bb5ca5b72f917da5aff890d3f8440805b62426bfda0746c32874a8187c38c744d3193b5bdbad6fd40ebeab9b2f8f76c030c8aa932df94e17d93067c173084422766cc9025718981c2480efe59b079e3d74aefa65cc86e48e196e90d4b8691dc73f5edda51fb8ae6c874e99a7bfa17257045cd5d06a9bab59a50f529a73e03d8923afa1f09ccda3b551bdf386946eab0bb5ae7d02e530503c43eafab3fd36a5424b2f022d4d2eaf545aa370f96a27510f5f113570a0f00e10d87b3e0347a9f67ff3559150fb2e2d11b6289222d43e0fe0340cbbad5a49b9c32f76bd98644e79bb83fc5 ...

目前为止，我们已经看到了如何定义网络，计算损失，并更新网络的权重。所以你现在可能会想 数据应该怎么办呢？ 通常来说，当必须处理图像、文本、音频或视频数据时，可以使用python标准库将数据加载到numpy数组里。然后将这个数组转化成torch.*Tensor 对于图片，有 Pillow，OpenCV 等包可以使用 对于音频，有 scipy 和 librosa 等包可以使用 对于文本，不管是原生 python 的或者是基于 Cython 的文本，可以使用 NLTK 和SpaCy 特别对于视觉方面，我们有一个包，名字叫torchvision，其中包含了针对Imagenet、CIFAR10、MNIST 等常用数据集的数据加载器 (data loaders），还有对图像数据转换的操作，即torchvision.datasets和torch.utils.data.DataLoader 这提供了极大的便利，可以避免编写样板代码。 在这个教程中，我们将使用CIFAR10数据集，它有如下的分类：“飞机”，“汽车”，“鸟”，“猫”，“鹿”，“狗”，“青蛙”，“马”，“船”，“卡车”等。在CIFA ...