邢子晗's Blog

通信基础名词1.相干带宽和相干时间https://www.bilibili.com/video/BV1ZZgVzjEZ5/?spm_id_from=333.1387.upload.video_card.click&vd_source=a8bad5c878a2bca5d3412ea36a22a7ea 2.Fisher信息https://www.bilibili.com/video/BV13u3rzmE44/?spm_id_from=333.1387.upload.video_card.click&vd_source=a8bad5c878a2bca5d3412ea36a22a7ea 常见信道整理1.瑞利信道瑞利信道模型描述的是当发射端和接收端之间没有占主导地位的直射路径（Non-Line-of-Sight, NLOS）时，信号主要通过多个反射、衍射和散射路径传播的场景。如下图所示，信号会发生反射（Off buildings）、衍射（Over roof edges）、散射（Off trees and irregular...

基础部分基本法则根据$df=f’(x)dx$,我们定义向量微分和矩阵微分 df=\sum_{i=1}^n\frac{\partial f}{\partial x_i}dx_i=\frac{\partial f}{\partial\mathbf{x}}^Td\mathbf{x}=\frac{\partial f}{\partial \mathbf{x}}\cdot d\mathbf{x} df=\sum_{i=1}^{m}\sum_{j=1}^{n}\frac{\partial f}{\partial X_{ij}}dX_{ij}=\mathrm{tr}\left(\frac{\partial f}{\partial \mathbf{X}}^{T}d\mathbf{X}\right)=\mathbf{X}\cdot...

python的arlpy包是调用Acoustic Toolbox,利用fortran进行仿真计算，首先需要下载Acoustic Toolbox 下载Acoustic Toolbox下载链接： http://oalib.hlsresearch.com/AcousticsToolbox/at_2024_12_25.zip （Mac/Linux/Windows – 必须要手动进行编译） http://oalib.hlsresearch.com/AcousticsToolbox/atWin10_2020_11_4.zip （旧版本，涵盖了MATLAB I/O） 下载后，将工具包解压，打开命令行，进行配置1234cd at/at #访问解压文件所在路径make clean #清除之前的编译文件make all #进行编译sudo make install ...

介绍本人最近受够代码了，下定决心来点不一样的，do some math（如果能在下方打赏就更好了，码文不易，希望能赞助 买奶茶钱 买可乐钱） 恒虚警率这个约束是经典符合假设检验中的标准要求，随着科技进步，机器学习这一方法已经开始被人们使用在各个领域 这篇文章的主要内容： 定义了一个可以用于贝叶斯和机器学习的CFAR检测器框架：将CFAR约束应用于贝叶斯最优检测器，可以用于任意复合假设检验 提出learning-based CFAR检测器的性能门限，证明CFAR-constrained Bayes检测器渐进收敛于GLRT 提出了CFARnet，一种深度学习的恒虚警检测 将CFARnet与GLRT进行性能对比 相同性能下：CFARnet计算复杂度<GLRT GLRT表现不佳时：CFARnet仍有很好的性能，且仍能保持恒虚警特性 检测器经典检测器似然比检验（Likelihood Ratio Test,LRT)[1]： T_{LRT}(\boldsymbol{x}) = 2 \log \frac{p(\boldsymbol{x} \mid z...

序列介绍现实生活中,有许多数据并不是像图片一样,看一眼就能了解全部信息. 举个简单的例子: 一句话中,词语的出现顺序可能也会影响这句话的信息量:“狗咬人”所带来的信息远没有“人咬狗”带来的信息量大…… 序列数据已经存在了人们的生活中当中: 音乐、语言和视频 地震:大地震后,往往伴随小的余震 如何对序列进行统计上述提到了信息量,而信息量这个词往往就和概率相关了 在时间$t$观察到$x_t$，那么得到$T$个不独立的随机变量$(x_1,…x_T) - p(\boldsymbol x)$ 使用条件概率展开$p(a,b)=p(a)p(b|a)=p(b)p(a|b)$ 所以$p(\boldsymbol...

介绍神经网络除了最后一部分,其余部分都是在做特征提取,如果目标数据集属于原数据集,那么训练好的模型就可以直接拿来用了. 实际上Chatgpt就是属于这种(一句话总结:让你的模型站在巨人的肩膀上……) 假设使用数据集已经训练出了一个模型,那这个对目标数据集仍有很好的适用性(最后一层因为label的原因,往往发生改变) 微调的方式训练 是一个目标数据集上的正常训练任务，但使用更强的正则化 使用更小的学习率 使用更少的数据迭代 源数据集远复杂于目标数据，通常微调效果更好 重用分类器权重 固定一些层 神经网络通常学习有层次的特征表示 低层次的特征更加通用 高层次的特征则更跟数据集相关 可以固定底部一些层的参数，不参与 更新 更强的正则 代码这里的代码比较复杂,所以没有全部放入文章中建议认真看 https://courses.d2l.ai/zh-v2/assets/notebooks/chapter_computer-vision/fine-tuning.slides.html 123pretrained_net =...

介绍在不同场景下,图片很可能环境中其他因素干扰,比如噪声 如果在训练数据时引入噪声,模型往往有更好的鲁棒性 数据增强 增加一个已有数据集，使得有更多的多样性 在语言里面加入各种不同的背景噪音 改变图片的颜色和形状 翻转: 12345678import torchvision #图片,图片增广的办法,生成结果两行四列,scale图片画多大def apply(img, aug, num_rows=2, num_cols=4, scale=1.5): Y = [aug(img) for _ in range(num_rows * num_cols)] d2l.show_images(Y, num_rows, num_cols, scale=scale)apply(img, torchvision.transforms.RandomVerticalFlip()) #上下翻转apply(img, torchvision.transforms.RandomHorizontalFlip()) ...

Monte Carlo实验方法一：使用multiprocessing包使用python进行monte carlo实验，如下图所示，有16个进程可以设置 使用模板： 12345678910111213141516171819202122232425262728293031323334from multiprocessing import Poolimport argparsedef run_trial(trial_idx): """ 此处填写实验内容，需要在之前global变量 """ return 1 if success else 0if __name__ =="__main__": total_epochs = #TODO: 导入terminal参数 parser = argparse.ArgumentParser(description='Process some arguments.') ...

思考模型越复杂,是不是带来的好处就越多呢? 结构 残差块家族也有许多成员 Resnet块 重复多次,就得到了resnet网络 总结 残差块使得很深的网络更加容易训练 甚至可以训练一千层的网络 残差网络对随后的深层神经网络设计产生了深远影响，无论是卷积类网络还是全连接类网络

介绍在训练模型的时候,对于一个网络来说: 前部:数据集中在前部,网络前面的层变化,则会导致后面的层也跟着变化->收敛速度慢 后部:损失是集中在网络后面的,所以往往后面的层训练较快那有没有一种方式,使网络后面的层尽量保持不变呢?批量归一化定义通过固定小批量数据的均值和方差，再引入可学习参数 γ 和 β 对数据进行调整，有助于加速模型的训练收敛，提高模型的稳定性 。计算小批量均值和方差的公式： \mu_B = \frac{1}{|B|} \sum_{i\in B} x_i \text{ and } \sigma_B^2 = \frac{1}{|B|} \sum_{i\in B} (x_i - \mu_B)^2 + \epsilon然后对其做额外的调整: x_{i + 1} = \gamma \frac{x_i - \mu_B}{\sigma_B} + \beta不再学习均值和方差,转而学习参数 γ 和 β 作用位置 作用在 全连接层和卷积层输出上，激活函数前 全连接层和卷积层输入上 对全连接层，作用在特征维 对于卷积层，作用在通道维 实现1234567net =...