ComputerInBook

Fourier分析入门——第8章——Fourier系数的统计描述

第 8章 Fourier系数的统计描述

8.1 引言

8.2 统计假设

8.3 Fourier系数对噪声的均值和方差

8.4 Fourier系数对噪声信号的概率分布

8.5 随机信号的Fourier系数分布

8.6 信号平均

第 8章 Fourier系数的统计描述

8.1 引言

上一章通过假设离散函数是通过对连续函数定期采样获得的，将离散函数和连续函数的Fourier分析结合在一起。该练习中隐含的概念是数据向量 v 可以由函数 f ( x ) 的一系列样本表示为

$\mathsf{v} = ( v_1 ,v_2 ,v_3 ,...,v_N )$

-----------------------------------------------------[8.1]

然而，在Fourier分析的实际应用中，样本不太可能与感兴趣的基础函数完全匹配。在这种情况下，通常将正在研究的函数称为信号(signal)，而对该信号的污染影响(contaminating influence)称为噪声(noise)。图 8.1 显示了一个示例，其中家庭作业练习 7.2 中定义的函数被均匀分布在极限 (-0.5, +0.5) 之间的随机噪声污染。

------------------------------------图 8.1 采样数据=信号+噪声---------------------------------------

许多因素可能会在样本值中引入误差。例如，如果要采样的功能通过电极、放大器、滤波器或传输电缆，则不可避免地会导致一定程度的污染。即使采样到有限的精度水平(例如使用 8 位模数转换器)也会引入可能被视为噪声的误差。当考虑测量噪声时，数据向量 v 的一个更现实的模型是

$\mathsf{v} = ( f ( x_1 )+ n_1,f ( x_2 )+ n_2,f ( x_3 ) + n_3 ,...,f ( x_N )+ n_N)$ ------------------[8.2]

其中，每个表示一个加到信号 f ( x ) 上的不同噪声。本章的核心问题是：当信号被噪声污染的时候，与 f ( x )关联的Fourier系数会发生什么变化？

8.2 统计假设

为了检查噪声对Fourier系数的影响，我们必须了解噪声过程的统计属性。在自然界中出现的所有不同类型的噪声中，从数学的角度来看，最简单和最容易处理的噪声具有以下两个特性：

(1) 加性(additive)噪音。换句话说，如等式[8.2]所示,采样值等于被采信号与噪声的线性和。

(2) 每个噪声样本均可从均值0(mean zero)和方差 $\sigma ^{2}$ (variance)的噪声过程(或统计总体(population))中独立地提取。

出于本入门课程的目的，我们将假设我们所研究的噪声满足以上这两个条件。

这两个假设的含义之一是噪声与信号无关。如果一个事件的发生对另一个事件的发生概率没有影响，则两个随机事件 A 和 B 是独立的。使用条件概率表示法，独立性意味着 P(B|A) = P(B)。 在当前背景下，独立性意味着噪声不会仅仅因为信号变大或变小而变大或变小。 另一个含义是，每个噪声样本都来自与所有其他噪声样本具有相同统计特性的统计母体。也就是说，用统计学家的行话，噪声值称为随机变量，这些随机变量的集合被称为独立同分布。这与实验结束时的噪声比实验开始时的噪声大的情况形成对比，这将违反同分布噪声的假设。反之，如果时刻的噪声值依赖于其前某一个时刻的噪声,则其依赖性明显。

因为在数据向量中的每个采样点都被假设为确定为一个确定(deterministic)信号f ( xj )和一个采样的随机噪声信号这意味着，必须视为一个随便变量。此外，由于噪声具有0均值且噪声具有加性，这意味着的均值(或者理论“期望值(expected value)”)等于。由于信号被假设为噪声自由的(noise-free), 的方差等于噪声的方差 $\sigma^{2}$ 。我们将这些结论数学化记为

(采样信号 = 信号 + 噪声)

$\overline{v_j} = f ( x_j )$ (采样均值 = 信号)

$Var(v_j) = \sigma^2$ ( 采样方差=噪声方差 ) ----------------------------------------------------[8.3]

技术术语无关性(uncorrelation)、独立性(independence)和正交性(orthogonality)描述了两个随机变量之间的断开层次(a hierarchy of disconnectedness)。如果随机变量 A 和 B 的乘积的期望值等于他们单独期望的乘积，E(AB) = E(A)E(B)，则它们是不相关的。如果两个变量的乘积的期望值为零，即 E(AB)=0，则这两个变量是正交的。如果两个变量的联合概率等于它们各自概率的乘积 P(A,B) = P(A)P(B)，则这两个变量是独立的。无关是比独立性弱得多的条件，因为它仅取决于平均行为，而独立性取决于 A 和 B 的所有可能值。如果两个随机变量独立，则它们不相关，相反，如果两个变量相关，则它们必须相关依赖。因此，两个统计因变量可能不相关。联合高斯随机变量是这条规则的一个重要例外，因为在这种特殊情况下，不相关等同于独立。

想象相关性和正交性之间差异的另一种方法是考虑随机变量的实现。如果随机变量 A 被采样 D 次，则样本值的结果向量(即实现)可以用 D 维空间中的一个点几何表示。同样，随机变量B的D个样本也用D维空间中的一个点来表示。如果A和B是正交变量，那么从原点到A的向量应该(平均)垂直于从原点到B的向量，这意味着两个实现的内积等于零，这是另一种说法 E(AB)=0。设想相关性是相似的，但是向量首先相对于它们自己的均值居中。这是通过从 A 的每个元素中减去向量 A 中元素的平均值以生成“居中”数据向量来实现的。向量 B 以相同的方式居中，然后将两个向量绘制在 D 维空间中。如果两个居中向量垂直，则基础变量 A 和 B 不相关。由于居中可以改变两个向量之间的角度，原始数据向量可以是垂直的，但当居中时它们有一些倾斜角度。在这种情况下，变量 A 和 B 正交但相关。相反，原始数据向量可以彼此倾斜，但当居中时它们变得垂直，在这种情况下A 和 B 不正交而是不相关的。第三种情况是当原始向量垂直并且在居中时保持垂直，在这种情况下 A 和 B 都是正交且不相关的。

虽然假定时间 j 的噪声值在统计上独立于时间 k 的噪声，但相应的数据值将不是独立的，因为加性信号会引入样本之间的相关性。例如，如果信号在时间 t 很强，那么它可能会在稍晚的时间保持强势。因此，较早时间的信号 + 噪声之和将比稍后时间的信号 + 噪声之和更好地预测。一个实际的例子是通过说明天的天气和今天一样来预测明天的天气。当然会发生变化，但 7 月 2 日的天气更可能像 7 月 1 日的天气，而不是 12 月 1 日的天气。

8.3 Fourier系数对噪声的均值和方差

回顾一下等式[3.30] 和 [3.31]，针对数据向量 v 求得的Fourier系数由三角基函数

$a_k = \frac{2}{D} \sum_{j=0}^{D-1}[v_j cos(k\theta_j)]..........\theta_j = 2\pi x_j/L$ ----------------------------[3.30]

$b_k = \frac{2}{D} \sum_{j=0}^{D-1}[v_j sin(k\theta_j)]..........\theta_j = 2\pi x_j/L$ ----------------------------[3.31]

给出，且复数形式由复数指数基函数

$c_k = \frac{1}{D} \sum_{j=0}^{D-1}[v_j exp(ik\theta_j)]...........\theta_j = 2\pi x_j/L$ -------------------------[4.23]

给出。

现在根据等式 [8.3]每个数据向量是信号向量加上噪声向量的总和。这意味着由等式 [3.30, 3.31]评估的系数可被视为单独对信号的真实Fourier系数的估计。为了看到这一点，我们将 [8.3] 中的第一个方程代入 [3.30] 得到

$\hat{a_k} = \frac{2}{D}\sum_{j=0}^{D-1}\{[f ( x_j ) + n_j]cos(k\theta_j)\}$

$= \frac{2}{D}\sum_{j=0}^{D-1}f ( x_j ) cos(k\theta_j)+ \frac{2}{D}\sum_{j=0}^{D-1}n_jcos(k\theta_j)$

$= a_k + \epsilon_k$ ---------------------------------------------------------------------------------[8.4]

其中， $\hat{a_k}$ 是可积的 Fourier系数。这个结论提示了 $\hat{a_k}$ 是真实的Fourier系数的估计值，误差为 $\epsilon_k$ ，即噪声样本向量的Fourier系数。类似的结果适用于正弦系数。复系数的相应结果是

$\hat{c_k} = \frac{1}{D}\sum_{j=0}^{D-1}\{[f ( x_j ) + n_j]exp(ik\theta_j)\}$

$= \frac{1}{D}\sum_{j=0}^{D-1}f ( x_j )exp(ik\theta_j) + \frac{1}{D}\sum_{j=0}^{D-1}n_jexp(ik\theta_j)$

$= c_k + \epsilon_k$ ----------------------------------------------------------------------------------[8.5]

前面的发展表明，为噪声数据确定的估计Fourier系数也是随机变量，因此我们想知道这些系数的均值(即期望值)和方差。由于每个估计的Fourier系数都是常数和随机变量 $(\epsilon_k)$ 的总和，因此 $\hat{a}$ 中的可变性完全由随机误差项 $\epsilon_k$ 引起。从概率论我们知道，如果是均值 μ 和方差 $\sigma^2$ 的随机变量，并且如果 s 是某个标量常数，则新的随机变量 Z = s 具有均值 sμ 和方差 $\sigma^2$ 。这意味着等式[8.4]中的一般项 $n_j(2/D)cos(k\theta_j)$ 是均值为 0 且方差为 $[\sigma(2/D)cos(\theta_j)]^2$ 的随机变量。概率论的另一个结果是，如果和 Z分别是均值 μ、ν 和方差 $\sigma^2$ 、 $\tau^2$ 的独立同分布随机变量，则新的随机变量W = + Z的均值 μ + ν 和方差 $\sigma^2+\tau^2$ 。简而言之，当随机变量相加时，它们的均值相加，方差相加。将此结果应用于等式[8.4]中的第二个求和。我们看到εk是D个随机变量的总和，每个随机变量的均值为0，方差为 $(4\sigma^2/ D^2)cos^2(k\theta)$ 。因此，εk = 0 的平均值和εk 的方差由下式给出

$Var(\epsilon_k)= \frac{1}{D}\sum_{j=0}^{D-1}(4\sigma^2/D^2) cos^2{(k\theta_j)} = \frac{4\sigma^2}{D^2}\sum_{j=0}^{D-1}cos^2(k \theta_j)$

$\frac{4\sigma^2}{D^2}\cdot \frac{D}{2} =\frac{2\sigma^2}{D}$ (对于 k ≠ 0)

$\frac{4\sigma^2}{D^2}\cdot D =\frac{4\sigma^2}{D}$ (对于 k = 0) -------------------------------------------------------------[8.6]

等式 [8.6] 的简化基于采样余弦函数的平方长度等于 D/2 的事实，除非 k = 0，在这种情况下它等于 D(见练习 3.3) 。 k = 0 作为特例的出现在数学上是相当尴尬的。为了计算方差，正如在 Parseval 定理中所处理的那样(参见等式[7.6])，可以通过将系数重新调整为 $\sqrt{2}$ 系数重新调整为

对于复数 Fourier系数，常规项 $\frac{1}{D}exp(ik \theta_j)\cdot n_j$ 是一个具有均值为0 和方差为 $[\frac{1}{D}exp(ik\theta_j).n_j]^2 \sigma^2$ 的随机变量。D 个这样的随机变量的总和，给出了噪声方差的以下公式

$Var(\epsilon_k) = \frac{\sigma^2}{D^2} \sum_{j=0}^{D-1}[exp(ik\sigma_j)]^2$

$= \frac{ \sigma^2}{D^2}\cdot D= \frac{\sigma^2}{D}$ ----------------------------------------------------------------------------[8.6-1]

复数Fourier系数的一个优点是常数项不是特例。

鉴于这些结果，我们现在可以提供估计Fourier系数的前两个统计矩(statistical moments)的值。从等式[8.4]我们知道，随机变量 $\hat{a_k}$ 是确定项系数的和，并且，随机变量 $\epsilon_k$ 的和，并且，随机变量 $\epsilon_k$ 具有0均值和由等式[8.6]给出的方差。最后，

$Mean(\hat{a_k}) = a_k$

$Var(\hat{a_k}) = \frac{2\sigma^2}{D}$ (对于 k ≠ 0)

$= \frac{4\sigma^2}{D}$ (对于 k ≠ 0)----------------------------------------------------------------------------[8.7]

并且类似的等式适用于正弦系数的估计。复Fourier系数的相应等式是

$Mean(\hat{c_k}) = c_k$

$Var(\hat{c_k}) = \frac{\sigma^2}{D}$ -------------------------------------------------------------------------------[8.7-1]

请注意，由于的方差是 $\frac{4\sigma^2}{D}$ ，则 $\frac{a_0}{2}$ 的方差指的是均值方差，等于 $\frac{\sigma^2}{D}$ ，因此，均值的标准偏差是 $\frac{\sigma}{\sqrt{D}}$ 。(这个结论对于更为明显。) 这是一个来自初等统计的熟悉结论。在统计学上，D个数据的均值的标准偏差称为均值标准误差(standard error of the mean)，其值等于 $\frac{\sigma}{\sqrt{D}}$ ，其中，σ 是从中提取数据的统计总体(population)的标准偏差。

总之，在加性(additive)独立噪声的假设下，所有三角Fourier系数估计值的方差( 除外)等于噪声方差乘以 $\frac{2}{D}$ 。所有复数Fourier系数估计的方差等于噪声方差乘以 $\frac{1}{D}$ 。这表明减少估计方差的一种方法是增加样本点数 D。一种称为信噪比(signal-to-noise ratio，SNR) 的品质因数(A figure of merit)通常用于量化信号的可靠性。特定Fourier系数的 SNR 可以视为均值(例如 )与标准偏差 $\frac{\sigma}{\sqrt{D}}$ 的比值。根据这个定义，估计的Fourier系数的 $SNR = \frac{c_k \sqrt{D}}{\sigma}$ 随着 $\sqrt{D}$ 的增加而增加，并与噪声量 σ 成比例地减少。

8.4 Fourier系数对噪声信号的概率分布

均值和方差是随机变量的有用汇总统计数据，但更完整的表征是概率分布。给定确定性信号，为噪声波形的 D 个样本计算的Fourier系数的概率分布取决于添加噪声的概率分布。正如噪声信号的基本分析中的典型情况，从现在开始我们将假设噪声具有均值 μ 和方差 $\sigma^{2}$ 的Gauss(或正态(normal))概率密度(probability density) $N(\mu , \sigma^2)$ 。在此假设下，噪声信号在任何时刻位于范围(a ,b) 中某处的概率 P

$P = \int_{a}^{b}\frac{1}{\sigma \sqrt{2\pi}}exp[\frac{-(x-\mu)^2}{2\sigma^2 }]dx$

由这些限制之间的Gauss概率密度函数下的面积给出。

可以提供Gauss假设的几个理由。首先，许多物理噪声源都可以通过这个特定的概率函数很好地建模。这并不奇怪，因为概率论的中心极限定理指出，无论单个变量的概率分布如何，大量自变量的总和都趋于Gauss分布。另一个原因是权宜之计(expediency)：这个假设使当前的问题变得容易处理。概率论的一个结果是Gauss分布在加法下是封闭的，这意味着任意数量的Gauss随机变量的加权和仍然是Gauss分布。由于随机变量 εk是噪声变量的加权和，如果噪声是Gauss分布的，那么Fourier系数的估计值也是Gauss分布的。简而言之，加性Gauss噪声产生Gauss傅立叶系数。

Gauss分布只有两个参数，即均值和方差，这可以从上面第 8.3 节的更一般的结果中得知。因此，我们可以通过声明，Fourier系数的估计值作为具有以下均值和方差的正态(即Gauss)随机变量分布(“~N(a，b)”读作“有一个具有均值a和方差b的正态分布”),从而总结前面的结果：

$\hat{a_k} \backsim N(a_k,\frac{2\sigma^2}{D})$

$\hat{b_k} \backsim N(b_k,\frac{2\sigma^2}{D})$

$\hat{c_k} \backsim N(c_k,\frac{2\sigma^2}{D})$ --------------------------------------------------------------------------------[8.9]

另一个感兴趣的随机变量是第 k 次谐波的功率。在等式[7.6]中它表明,信号功率是(极性)振幅平方的二分之一。因此，第k次谐波中的估计信号功率为

$\hat{p_k } = \frac{\hat{m_k }^2}{2} = \frac{{\hat{a_k }}^{2} + \hat{b_k }^2}{2} = \hat{c_k }^2 + \hat{c_{-k} }^2$ ----------------------------------------------------[8.10]

从概率论我们知道，如果 X 是一个均值为零、单位方差为零的标准化Gauss随机变量，即如果 X ~N(0,1)，那么变量服从具有 1个自由度的一个卡方(chi-squared)变量。即， $Z \backsim \chi _1^2$ 。如果我们通过减去均值并除以标准偏差，以此标准化等式[8.9]中Fourier系数的估计，则这个结果在当前情况下很有用。这意味着平方化——标准化Fourier系数分布 $\chi ^2$ 为

$(\frac{\hat{a_k}-a_k}{\sqrt{2\sigma^2/D}})^2 \backsim \chi^2_1$ 和 $(\frac{\hat{c_k}-c_k}{\sqrt{2\sigma^2/D}})^2 \backsim \chi^2_1$ -------------------------------------------------[8.11]

类似的表述适用于和 $c_{-k}$ 系数。现在，从概率论我们也知道，如果随机变量 X 和 Y 都服从具有 1 个自由度的卡方分布，那么变量 Z = X + Y 则服从具有 2 个自由度的卡方分布。这意味着

$(\frac{(\hat{a_k}-a_k)^2+(\hat{b_k}-b_k)^2}{2\sigma^2/D})^2 \backsim \chi^2_2$ 和 $\frac{(\hat{c_k}-c_k)^2+(\hat{c_{-k}}-c_{-k})^2}{2\sigma^2/D} \backsim \chi^2_2$ -----------------------------[8.12]

最后一个结果的一个重要实际应用是测试特定谐波频率信号的存在。在这种情况下，可能提出的零假设(null-hypothesis)是第 k 次谐波的Fourier系数为零。在这个假设下，等式[8.12] 简化为

$\frac{(\hat{a_k})^2+(\hat{b_k})^2}{2\sigma^2/D} \backsim \chi^2_2$ 和 $\frac{(\hat{c_k})^2+(\hat{c_{-k}})^2}{2\sigma^2/D} \backsim \chi^2_2$ ---------------------------------------------[8.13]

将这个结果与等式 [8.10] 中信号功率的定义相结合，我们看到

$\frac{\hat{p_k}}{\sigma^2/D} =\frac{Power\hspace{0.2cm} in\hspace{0.2cm} k^{th} \hspace{0.2cm} harmonic}{(Average \hspace{0.2cm} noise \hspace{0.2cm} power)} = relative \hspace{0.2cm}power \hspace{0.2cm}k^{th} \hspace{0.2cm}of \hspace{0.2cm}harmonic$ -------[8.14]

要解释最后的结果，请注意等式 [8.14] 左侧的分母是噪声源的总功率除以确定的Fourier系数的数量。这种解释来自我们对等式[3.45]中给出的Parseval定理的理解，以及 $\sigma^2$ 要解释最后的结果，请注意等式 [8.14] 左侧的分母是噪声源的总功率除以确定的Fourier系数的数量。这种解释来自我们对等式[3.45]中给出的Parseval定理的理解，以及的期望值这一事实。因此，根据这种解释，[8.14] 的分母是每个系数的预期噪声功率量，也就是说，噪声功率谱中的平均功率。因此，左侧的比率是第 k 次谐波中测量的功率量，由平均噪声功率归一化。如果我们称这个无单位量为第 k 次谐波的相对功率，则等式 [8.14]表示在第 k 次谐波处信号功率为零的原假设下，第 k 次谐波中的相对功率分布为 $\chi ^2$ 。

在下一章中，我们将利用等式[8.14]中的结果构建原假设的统计检验。同时，值得回顾的是， $\chi ^2$ 变量的均值等于变量的自由度数，方差等于均值的两倍。由于信号功率是零假设下的缩放 $\chi ^2$ $\chi ^2$ 变量，我们立即知道的标准差(即方差的平方根)等于均值(等式 8.15)，在这种情况下，这意味着 SNR = 1 。通常这样低的 SNR 是不可接受的，这需要下面描述的方法来提高 SNR。

$Mean [\frac{p_k}{\sigma^2/D}] = 2 ,=> Mean [p_k] = \frac{2 \sigma^2}{D}$

$Var [\frac{p_k}{\sigma^2/D}] = 4 ,=> Var [p_k] = 4 (\frac{\sigma^2}{D})^2$ ------------------------------------------------------[8.15]

-----------------图8.2 概率密度函数的卡方(Chi-squared)族-------------------------------------

8.5 随机信号的Fourier系数分布

有时，被调查的信号源根本没有确定性成分，而本身就是一个随机过程。一个例子是脑电图(electroencephalogram)，即放置在头骨上的电极记录的微小电压。其他例子是瞳孔直径(pupil diameter)的正常波动(“hippus”-“虹膜震颤”)和在恒定观察条件下眼睛光焦度的波动。这样的信号被称为随机信号，因为它们不容易作为确定性分量加上随机噪声分量的总和而适合等式 [8.2] 的模型，除非我们简单地完全删除信号项。

随机(即随机)信号的Fourier分析通常以极坐标形式进行，因为信号的随机性质降低了相位的重要性，只留下感兴趣的频谱的幅度部分。此外，不是绘制Fourier系数的幅度而是绘制更常见，它是谐波分量的功率。因此，每个Fourier分量的功率图作为频率的函数称为功率谱(power spectrum)。一个随机过程的功率谱满足每个样本独立于每个其他样本并具有相同分布的假设，这将是平坦的。这是因为，如等式 [8.14]表明，对于零信号的情况，每个谐波的功率是相同的。具有平坦功率谱的噪声源称为“白(white)”噪声，类似于可见光谱。这个结论的一个推论(corollary)是，如果以产生非平坦频谱(即“彩色”频谱)的方式过滤噪声源，则噪声样本将不再独立且分布相同。实际上，过滤引入了样本之间的相关性，因此它们不再是统计独立的。

在第 8.4 节末尾观察到，在没有确定性信号的情况下，的标准差等于平均值，这意味着 SNR = 1。“信号”在本文中的含义是的估计值，即随机信号的 k 次谐波分量的功率。通常，如此低的 SNR 值是不可接受的，因此需要寻求提高可靠性的方法。一种方法是重复采样波形和计算功率谱的过程。如果将 M 个谱加在一起，则每个谐波的功率将是 M 个随机变量的总和，每个随机变量均服从具有 2 个自由度的 $\chi^2$ 分布。因此，总功率将分布为自由度为 2M 的 $\chi^2$ ，均值为 2M，标准差为 $2\sqrt{M}$ 。平均功率是总功率除以 M，

$\overline{p_k} = \frac{1}{M}\sum_{M}{\chi^2} \backsim \frac{1}{M}\sum_{M}{\chi_{2M}^2}$ ----------------------------------------------------------------[8.16]

其均值，方差和 SNR 分别是

$mean(\overline{p_k}) = \frac{1}{M}\cdot2M = 2$

$variance(\overline{p_k} = (\frac{1}{M})^2\cdot 4M = \frac{4}{M}$

$SNR = \frac{mean}{\sqrt{variance} }= \frac{2}{2/\sqrt{M}} = \sqrt{M}$ ----------------------------------------------------------[8.17]

因此，我们得出结论，通过平均 M 个单独的频谱创建的随机信号的估计功率谱的可靠性与 $\sqrt{M}$ 成比例增加。

一种等效技术是对 M 个样本向量进行平均，然后计算平均数据向量的功率谱。由于数据向量的每个分量的可靠性与 $\sqrt{M}$ 成正比(因为均值的标准误差与 $\sqrt{M}$ 反比)，计算出的功率谱也是如此。

8.6 信号平均

研究系统行为的常用方法是用周期性刺激强制驱使系统，然后测量响应。任何真实系统都会不可避免地产生噪声响应，这使得响应的每个周期或时期与其他时期略有不同。从概念上讲，有两种方法可以对此类响应波形进行Fourier分析。第一种是将 n 个历元(epoch)视为长度为 nL 的时间间隔内的一个连续响应。另一种方法是分别分析每个时期。如果响应波形在每个时期被采样 D 次，那么这两种方法都会产生 nD 个Fourier系数。不同之处在于，在第一种方法中，系数对应于 nD /2 个不同的谐波，而在第二种方法中，它们对应于相同的 D/2 个谐波的重复。在许多情况下，第一种方法中包含的大部分谐波都没有意义。因此，第二种方法提供了一个机会来估计所测量系数的统计可靠性。这是以一种称为光谱的直接方式完成的平均。给定系数的 n 个度量，可以独立于所有其他系数计算的均值和的方差。应该注意的是，在第一种方法中，通过频谱平均确定的的平均值将恰好等于对应频率的系数值。这是因为系数的值是通过样本值与感兴趣的样本正弦波的内积得出的。内积对样本点进行求和，因此无论是一次性求和(方法1)还是逐个求和(方法2)都无关紧要。练习 8.1 是一个验证这一点的实际例子。

虽然用谱平均法很容易计算Fourier系数的均值和方差，但指定Fourier系数的概率分布就比较难了。等式 [8.10] 表示标准化系数分布为自由度为 1 的 $\chi^2$ 。这意味着非标准化分布是按比例缩放的非中心 $\chi^2$ 分布。遗憾的是，n 个这样的随机变量的总和并不那么容易处理。概率论的中心极限定理有一些令人欣慰的地方，它指出，无论的分布如何，如果 n 很大，的均值分布将近似呈Gauss分布。

分析多个时期的另一种常见方法是对各个时期的数据进行平均，以产生一个平均波形，然后对其进行Fourier分析。这种方法称为信号平均。练习 8.1 证明了用这种方法得到的Fourier系数与通过谱平均得到的平均系数相同。该结果是Fourier分析是线性运算的结果。无论是先对数据进行平均然后进行光谱分析，还是相反，先进行光谱分析再进行平均，都没有关系。

内容来源：

<< Fourier Analysis for Beginners>> Larry N. Thibos

斤斤计较的婚姻到底有多难？白心之岂必有为
很多人私聊我会问到在哪个人群当中斤斤计较的人最多？我都会回答他，一般婚姻出现问题的斤斤计较的人士会非常多，以我多年经验，在婚姻落的一塌糊涂的人当中，斤斤计较的人数占比在20～30%以上，也就是说10个婚姻出现问题的斤斤计较的人有2-3个有多不减。在婚姻出问题当中，有大量的心理不平衡的、尖酸刻薄的怨妇。在婚姻中仅斤斤计较有两种类型：第一种是物质上的，另一种是精神上的。在物质与精神上抠门已经严重的影响
QQ群采集助手，精准引流必备神器 2401_87347160 其他经验分享
功能概述微信群查找与筛选工具是一款专为微信用户设计的辅助工具，它通过关键词搜索功能，帮助用户快速找到相关的微信群，并提供筛选是否需要验证的群组的功能。主要功能关键词搜索：用户可以输入关键词，工具将自动查找包含该关键词的微信群。筛选功能：工具提供筛选机制，用户可以选择是否只显示需要验证或不需要验证的群组。精准引流：通过上述功能，用户可以更精准地找到目标群组，进行有效的引流操作。3.设备需求该工具可以
机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
随笔 | 仙一般的灵气海思沧海
仙岛今天，我看了你全部，似乎已经进入你的世界我不知道，这是否是梦幻，还是你仙一般的灵气吸引了我也许每一个人都要有一份属于自己的追求，这样才能够符合人生的梦想，生活才能够充满着阳光与快乐我不知道，我为什么会这样的感叹，是在感叹自己的人生，还是感叹自己一直没有孜孜不倦的追求只感觉虚度了光阴，每天活在自己的梦中，活在一个不真实的世界是在逃避自己，还是在逃避周围的一切有时候我嘲笑自己，嘲笑自己如此的虚无，
一百九十四章. 自相矛盾巨木擎天
唉！就这么一夜，林子感觉就像过了很多天似的，先是回了阳间家里，遇到了那么多不可思议的事情儿。特别是小伙伴们，第二次与自己见面时，僵硬的表情和恐怖的气氛，让自己如坐针毡，打从心眼里难受！还有东子，他现在还好吗？有没有被人欺负？护城河里的小鱼小虾们，还都在吗？水不会真的干枯了吧？那对相亲相爱漂亮的太平鸟儿，还好吧！春天了，到了做窝、下蛋、喂养小鸟宝宝的时候了，希望它们都能够平安啊！虽然没有看见家人，也
element实现动态路由+面包屑软件技术NINI vue案例 vue.js 前端
el-breadcrumb是ElementUI组件库中的一个面包屑导航组件，它用于显示当前页面的路径，帮助用户快速理解和导航到应用的各个部分。在Vue.js项目中，如果你已经安装了ElementUI，就可以很方便地使用el-breadcrumb组件。以下是一个基本的使用示例：安装ElementUI（如果你还没有安装的话）:你可以通过npm或yarn来安装ElementUI。bash复制代码npmi
地推话术，如何应对地推过程中家长的拒绝校师学
相信校长们在做地推的时候经常遇到这种情况：市场专员反馈家长不接单，咨询师反馈难以邀约这些家长上门，校区地推疲软，招生难。为什么？仅从地推层面分析，一方面因为家长受到的信息轰炸越来越多，对信息越来越“免疫”；而另一方面地推人员的专业能力和营销话术没有提高，无法应对家长的拒绝，对有意向的家长也不知如何跟进，眼睁睁看着家长走远；对于家长的疑问，更不知道如何有技巧地回答，机会白白流失。由于回答没技巧和专业
微服务下功能权限与数据权限的设计与实现 nbsaas-boot 微服务 java 架构
在微服务架构下，系统的功能权限和数据权限控制显得尤为重要。随着系统规模的扩大和微服务数量的增加，如何保证不同用户和服务之间的访问权限准确、细粒度地控制，成为设计安全策略的关键。本文将讨论如何在微服务体系中设计和实现功能权限与数据权限控制。1.功能权限与数据权限的定义功能权限：指用户或系统角色对特定功能的访问权限。通常是某个用户角色能否执行某个操作，比如查看订单、创建订单、修改用户资料等。数据权限：
理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 运维
理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
学点心理知识，呵护孩子健康静候花开_7090
昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
《投行人生》读书笔记小蘑菇的树洞
《投行人生》----作者詹姆斯-A-朗德摩根斯坦利副主席40年的职业洞见-很短小精悍的篇幅，比较适合初入职场的新人。第一部分成功的职业生涯需要规划1.情商归为适应能力分享与协作同理心适应能力，更多的是自我意识，你有能力识别自己的情并分辨这些情绪如何影响你的思想和行为。2.对于初入职场的人的建议，细节，截止日期和数据很重要截止日期，一种有效的方法是请老板为你所有的任务进行优先级排序。和老板喝咖啡的好
Long类型前后端数据不一致 igotyback 前端
响应给前端的数据浏览器控制台中response中看到的Long类型的数据是正常的到前端数据不一致前后端数据类型不匹配是一个常见问题，尤其是当后端使用Java的Long类型（64位）与前端JavaScript的Number类型（最大安全整数为2^53-1，即16位）进行数据交互时，很容易出现精度丢失的问题。这是因为JavaScript中的Number类型无法安全地表示超过16位的整数。为了解决这个问
swagger访问路径 igotyback swagger
Swagger2.x版本访问地址：http://{ip}:{port}/{context-path}/swagger-ui.html{ip}是你的服务器IP地址。{port}是你的应用服务端口，通常为8080。{context-path}是你的应用上下文路径，如果应用部署在根路径下，则为空。Swagger3.x版本对于Swagger3.x版本（也称为OpenAPI3）访问地址：http://{ip
扫地机类清洁产品之直流无刷电机控制悟空胆好小清洁服务机器人单片机人工智能
扫地机类清洁产品之直流无刷电机控制1.1前言扫地机产品有很多的电机控制，滚刷电机1个，边刷电机1-2个，清水泵电机，风机一个，部分中高端产品支持抹布功能，也就是存在抹布盘电机，还有追觅科沃斯石头等边刷抬升电机，滚刷抬升电机等的，这些电机有直流有刷电机，直接无刷电机，步进电机，电磁阀，挪动泵等不同类型。电机的原理，驱动控制方式也不行。接下来一段时间的几个文章会作个专题分析分享。直流有刷电机会自动持续
店群合一模式下的社区团购新发展——结合链动 2+1 模式、AI 智能名片与 S2B2C 商城小程序源码说私域人工智能小程序
摘要：本文探讨了店群合一的社区团购平台在当今商业环境中的重要性和优势。通过分析店群合一模式如何将互联网社群与线下终端紧密结合，阐述了链动2+1模式、AI智能名片和S2B2C商城小程序源码在这一模式中的应用价值。这些创新元素的结合为社区团购带来了新的机遇，提升了用户信任感、拓展了营销渠道，并实现了线上线下的完美融合。一、引言随着互联网技术的不断发展，社区团购作为一种新兴的商业模式，在满足消费者日常需
2021-08-26 影幽
在生活中，女人与男人的感悟往往有所不同。人生最大的舞台就是生活，大幕随时都可能拉开，关键是你愿不愿意表演都无法躲避。在生活中，遇事不要急躁，不要急于下结论，尤其生气时不要做决断，要学会换位思考，大事化小小事化了，把复杂的事情尽量简单处理，千万不要把简单的事情复杂化。永远不要扭曲，别人善意，无药可救。昨天是张过期的支票，明天是张信用卡，只有今天才是现金，要善加利用！执着的攀登者不必去与别人比较自己的
高级编程--XML+socket练习题 masa010 java 开发语言
1.北京华北2114.8万人上海华东2,500万人广州华南1292.68万人成都华西1417万人（1）使用dom4j将信息存入xml中（2）读取信息，并打印控制台（3）添加一个city节点与子节点（4）使用socketTCP协议编写服务端与客户端，客户端输入城市ID，服务器响应相应城市信息（5）使用socketTCP协议编写服务端与客户端，客户端要求用户输入city对象，服务端接收并使用dom4j
抖音乐买买怎么加入赚钱?赚钱方法是什么测评君高省
你会在抖音买东西吗?如果会，那么一定要免费注册一个乐买买，抖音直播间，橱窗，小视频里的小黄车买东西都可以返佣金!省下来都是自己的，分享还可以赚钱乐买买是好省旗下的抖音返佣平台，乐买买分析社交电商的价值，乐买买属于今年难得的副业项目风口机会，2019年错过做好省的搞钱的黄金时期，那么2022年千万别再错过乐买买至于我为何转到高省呢？当然是高省APP佣金更高，模式更好，终端用户不流失。【高省】是一个自
2018-07-23-催眠日作业-#不一样的31天#-66小鹿小鹿_33
预言日：人总是在逃避命运的路上，与之不期而遇。心理学上有个著名的名词，叫做自证预言；经济学上也有一个很著名的定律叫做，墨菲定律；在灵修派上，还有一个很著名的法则，叫做吸引力法则。这3个领域的词，虽然看起来不太一样，但是他们都在告诉人们一个现象：你越担心什么，就越有可能会发生什么。同样的道理，你越想得到什么，就应该要积极地去创造什么。无论是自证预言，墨菲定律还是吸引力法则，对人都有正反2个维度的影响
回溯 Leetcode 332 重新安排行程 mmaerd Leetcode刷题学习记录 leetcode 算法职场和发展
重新安排行程Leetcode332学习记录自代码随想录给你一份航线列表tickets，其中tickets[i]=[fromi,toi]表示飞机出发和降落的机场地点。请你对该行程进行重新规划排序。所有这些机票都属于一个从JFK（肯尼迪国际机场）出发的先生，所以该行程必须从JFK开始。如果存在多种有效的行程，请你按字典排序返回最小的行程组合。例如，行程[“JFK”,“LGA”]与[“JFK”,“LGB
每日一题——第八十九题互联网打工人no1 C语言程序设计每日一练 c语言
题目：在字符串中找到提取数字，并统计一共找到多少整数，a123xxyu23&8889，那么找到的整数为123，23，8889//思想：#include#include#includeintmain(){charstr[]="a123xxyu23&8889";intcount=0;intnum=0;//用于临时存放当前正在构建的整数。boolinNum=false;//用于标记当前是否正在读取一个整
每日一题——第九十题互联网打工人no1 C语言程序设计每日一练 c语言
题目：判断子串是否与主串匹配#include#include#include//////判断子串是否在主串中匹配//////主串///子串///boolisSubstring(constchar*str,constchar*substr){intlenstr=strlen(str);//计算主串的长度intlenSub=strlen(substr);//计算子串的长度//遍历主字符串，对每个可能得
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
《庄子.达生9》钱江潮369
【原文】孔子观于吕梁，县水三十仞，流沫四十里，鼋鼍鱼鳖之所不能游也。见一丈夫游之，以为有苦而欲死也，使弟子并流而拯之。数百步而出，被发行歌而游于塘下。孔子从而问焉，曰：“吾以子为鬼，察子则人也。请问，‘蹈水有道乎’”曰：“亡，吾无道。吾始乎故，长乎性，成乎命。与齐俱入，与汩偕出，从水之道而不为私焉。此吾所以蹈之也。”孔子曰：“何谓始乎故，长乎性，成乎命？”曰：“吾生于陵而安于陵，故也；长于水而安于
水泥质量纠纷案代理词徐宝峰律师
贵州领航建设有限公司诉贵州纳雍隆庆乌江水泥有限公司产品质量纠纷案代理词尊敬的审判长、审判员：贵州千里律师事务所接受被告贵州纳雍隆庆乌江水泥有限公司的委托，指派我担任其诉讼代理人，参加本案的诉讼活动。下面，我结合本案事实和相关法律规定发表如下代理意见，供合议庭评议案件时参考：原告应当举证证明其遭受的损失与被告生产的水泥质量的因果关系。首先水泥是一种粉状水硬性无机胶凝材料。加水搅拌后成浆体，能在空气中
腾讯云技术深度探索：构建高效云原生微服务架构我的运维人生云原生架构腾讯云运维开发技术共享
腾讯云技术深度探索：构建高效云原生微服务架构在当今快速发展的技术环境中，云原生技术已成为企业数字化转型的关键驱动力。腾讯云作为行业领先的云服务提供商，不断推出创新的产品和技术，助力企业构建高效、可扩展的云原生微服务架构。本文将深入探讨腾讯云在微服务领域的最新进展，并通过一个实际案例展示如何在腾讯云平台上构建云原生应用。腾讯云微服务架构概览腾讯云微服务架构基于云原生理念，旨在帮助企业快速实现应用的容
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
Goolge earth studio 进阶4——路径修改与平滑陟彼高冈yu Google earth studio 进阶教程旅游
如果我们希望在大约中途时获得更多的城市鸟瞰视角。可以将相机拖动到这里并创建一个新的关键帧。camera_target_clip_7EarthStudio会自动平滑我们的路径，所以当我们通过这个关键帧时，不是一个生硬的角度，而是一个平滑的曲线。camera_target_clip_8路径上有贝塞尔控制手柄，允许我们调整路径的形状。右键单击，我们可以选择“平滑路径”，这是默认的自动平滑算法，或者我们可
基于社交网络算法优化的二维最大熵图像分割智能算法研学社（Jack旭）智能优化算法应用图像分割算法 php 开发语言
智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
使用 FinalShell 进行远程连接（ssh 远程连接 Linux 服务器）编程经验分享开发工具服务器 ssh linux
目录前言基本使用教程新建远程连接连接主机自定义命令路由追踪前言后端开发，必然需要和服务器打交道，部署应用，排查问题，查看运行日志等等。一般服务器都是集中部署在机房中，也有一些直接是云服务器，总而言之，程序员不可能直接和服务器直接操作，一般都是通过ssh连接来登录服务器。刚接触远程连接时，使用的是XSHELL来远程连接服务器，连接上就能够操作远程服务器了，但是仅用XSHELL并没有上传下载文件的功能
VMware Workstation 11 或者 VMware Player 7安装MAC OS X 10.10 Yosemite iwindyforest vmware mac os 10.10 workstation player
最近尝试了下VMware下安装MacOS 系统，安装过程中发现网上可供参考的文章都是VMware Workstation 10以下， MacOS X 10.9以下的文章，只能提供大概的思路，但是实际安装起来由于版本问题，走了不少弯路，所以我尝试写以下总结，希望能给有兴趣安装OSX的人提供一点帮助。写在前面的话：其实安装好后发现，由于我的th
关于《基于模型驱动的B/S在线开发平台》源代码开源的疑虑？ deathwknight JavaScript java 框架
本人从学习Java开发到现在已有10年整，从一个要自学 java买成javascript的小菜鸟，成长为只会java和javascript语言的老菜鸟（个人邮箱：[email protected]）一路走来，跌跌撞撞。用自己的三年多业余时间，瞎搞一个小东西（基于模型驱动的B/S在线开发平台，非MVC框架、非代码生成）。希望与大家一起分享，同时有许些疑虑，希望有人可以交流下平台
如何把maven项目转成web项目 Kai_Ge maven MyEclipse
创建Web工程，使用eclipse ee创建maven web工程 1.右键项目,选择Project Facets,点击Convert to faceted from 2.更改Dynamic Web Module的Version为2.5.(3.0为Java7的,Tomcat6不支持). 如果提示错误,可能需要在Java Compiler设置Compiler compl
主管？？？ Array_06 工作
转载：http://www.blogjava.net/fastzch/archive/2010/11/25/339054.html 很久以前跟同事参加的培训，同事整理得很详细，必须得转！前段时间，公司有组织中高阶主管及其培养干部进行了为期三天的管理训练培训。三天的课程下来，虽然内容较多，因对老师三天来的课程内容深有感触，故借着整理学习心得的机会，将三天来的培训课程做了一个
python内置函数大全 2002wmj python
最近一直在看python的document，打算在基础方面重点看一下python的keyword、Build-in Function、Build-in Constants、Build-in Types、Build-in Exception这四个方面，其实在看的时候发现整个《The Python Standard Library》章节都是很不错的，其中描述了很多不错的主题。先把Build-in Fu
JSP页面通过JQUERY合并行 357029540 JavaScript jquery
在写程序的过程中我们难免会遇到在页面上合并单元行的情况，如图所示如果对于会的同学可能很简单，但是对没有思路的同学来说还是比较麻烦的，提供一下用JQUERY实现的参考代码 function mergeCell(){ var trs = $("#table tr"); &nb
Java基础冰天百华 java基础
学习函数式编程 package base; import java.text.DecimalFormat; public class Main { public static void main(String[] args) { // Integer a = 4; // Double aa = (double)a / 100000; // Decimal
unix时间戳相互转换 adminjun 转换 unix 时间戳
如何在不同编程语言中获取现在的Unix时间戳(Unix timestamp)？ Java time JavaScript Math.round(new Date().getTime()/1000) getTime()返回数值的单位是毫秒 Microsoft .NET / C# epoch = (DateTime.Now.ToUniversalTime().Ticks - 62135
作为一个合格程序员该做的事 aijuans 程序员
作为一个合格程序员每天该做的事 1、总结自己一天任务的完成情况最好的方式是写工作日志，把自己今天完成了什么事情，遇见了什么问题都记录下来，日后翻看好处多多 2、考虑自己明天应该做的主要工作把明天要做的事情列出来，并按照优先级排列，第二天应该把自己效率最高的时间分配给最重要的工作 3、考虑自己一天工作中失误的地方，并想出避免下一次再犯的方法出错不要紧，最重
由html5视频播放引发的总结 ayaoxinchao html5 视频 video
前言项目中存在视频播放的功能，前期设计是以flash播放器播放视频的。但是现在由于需要兼容苹果的设备，必须采用html5的方式来播放视频。我就出于兴趣对html5播放视频做了简单的了解，不了解不知道，水真是很深。本文所记录的知识一些浅尝辄止的知识，说起来很惭愧。视频结构本该直接介绍html5的<video>的，但鉴于本人对视频
解决httpclient访问自签名https报javax.net.ssl.SSLHandshakeException: sun.security.validat bewithme httpclient
如果你构建了一个https协议的站点，而此站点的安全证书并不是合法的第三方证书颁发机构所签发，那么你用httpclient去访问此站点会报如下错误 javax.net.ssl.SSLHandshakeException: sun.security.validator.ValidatorException: PKIX path bu
Jedis连接池的入门级使用 bijian1013 redis redis数据库 jedis
Jedis连接池操作步骤如下： a.获取Jedis实例需要从JedisPool中获取； b.用完Jedis实例需要返还给JedisPool； c.如果Jedis在使用过程中出错，则也需要还给JedisPool； packag
变与不变 bingyingao 不变变亲情永恒
变与不变周末骑车转到了五年前租住的小区，曾经最爱吃的西北面馆、江西水饺、手工拉面早已不在，各种店铺都换了好几茬，这些是变的。三年前还很流行的一款手机在今天看起来已经落后的不像样子。三年前还运行的好好的一家公司，今天也已经不复存在。一座座高楼拔地而起，
【Scala十】Scala核心四：集合框架之List bit1129 scala
Spark的RDD作为一个分布式不可变的数据集合，它提供的转换操作，很多是借鉴于Scala的集合框架提供的一些函数，因此，有必要对Scala的集合进行详细的了解 1. 泛型集合都是协变的，对于List而言，如果B是A的子类，那么List[B]也是List[A]的子类，即可以把List[B]的实例赋值给List[A]变量 2. 给变量赋值(注意val关键字，a，b
Nested Functions in C bookjovi c closure
Nested Functions 又称closure，属于functional language中的概念，一直以为C中是不支持closure的，现在看来我错了，不过C标准中是不支持的，而GCC支持。既然GCC支持了closure，那么 lexical scoping自然也支持了，同时在C中label也是可以在nested functions中自由跳转的
Java-Collections Framework学习与总结-WeakHashMap BrokenDreams Collections
总结这个类之前，首先看一下Java引用的相关知识。Java的引用分为四种：强引用、软引用、弱引用和虚引用。强引用：就是常见的代码中的引用，如Object o = new Object();存在强引用的对象不会被垃圾收集
读《研磨设计模式》-代码笔记-解释器模式-Interpret bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ package design.pattern; /* * 解释器（Interpreter）模式的意图是可以按照自己定义的组合规则集合来组合可执行对象 * * 代码示例实现XML里面1.读取单个元素的值 2.读取单个属性的值 * 多
After Effects操作&快捷键 cherishLC After Effects
1、快捷键官方文档中文版：https://helpx.adobe.com/cn/after-effects/using/keyboard-shortcuts-reference.html 英文版：https://helpx.adobe.com/after-effects/using/keyboard-shortcuts-reference.html 2、常用快捷键
Maven 常用命令 crabdave maven
Maven 常用命令 mvn archetype:generate mvn install mvn clean mvn clean complie mvn clean test mvn clean install mvn clean package mvn test mvn package mvn site mvn dependency:res
shell bad substitution daizj shell 脚本
#!/bin/sh /data/script/common/run_cmd.exp 192.168.13.168 "impala-shell -islave4 -q 'insert OVERWRITE table imeis.${tableName} select ${selectFields}, ds, fnv_hash(concat(cast(ds as string), im
Java SE 第二讲（原生数据类型 Primitive Data Type） dcj3sjt126com java
Java SE 第二讲： 1. Windows: notepad, editplus, ultraedit, gvim Linux: vi, vim, gedit 2. Java 中的数据类型分为两大类： 1）原生数据类型（Primitive Data Type） 2）引用类型（对象类型）（R
CGridView中实现批量删除 dcj3sjt126com PHP yii
1，CGridView中的columns添加 array( 'selectableRows' => 2, 'footer' => '<button type="button" onclick="GetCheckbox();" style=&
Java中泛型的各种使用 dyy_gusi java 泛型
Java中的泛型的使用：1.普通的泛型使用在使用类的时候后面的<>中的类型就是我们确定的类型。 public class MyClass1<T> {//此处定义的泛型是T private T var; public T getVar() { return var; } public void setVa
Web开发技术十年发展历程 gcq511120594 Web 浏览器数据挖掘
回顾web开发技术这十年发展历程： Ajax 03年的时候我上六年级，那时候网吧刚在小县城的角落萌生。传奇，大话西游第一代网游一时风靡。我抱着试一试的心态给了网吧老板两块钱想申请个号玩玩，然后接下来的一个小时我一直在，注，册，账，号。彼时网吧用的512k的带宽，注册的时候，填了一堆信息，提交，页面跳转，嘣，”您填写的信息有误，请重填”。然后跳转回注册页面，以此循环。我现在时常想，如果当时a
openSession()与getCurrentSession()区别： hetongfei java DAO Hibernate
来自 http://blog.csdn.net/dy511/article/details/6166134 1.getCurrentSession创建的session会和绑定到当前线程,而openSession不会。 2. getCurrentSession创建的线程会在事务回滚或事物提交后自动关闭,而openSession必须手动关闭。这里getCurrentSession本地事务(本地
第一章安装Nginx+Lua开发环境 jinnianshilongnian nginx lua openresty
首先我们选择使用OpenResty，其是由Nginx核心加很多第三方模块组成，其最大的亮点是默认集成了Lua开发环境，使得Nginx可以作为一个Web Server使用。借助于Nginx的事件驱动模型和非阻塞IO，可以实现高性能的Web应用程序。而且OpenResty提供了大量组件如Mysql、Redis、Memcached等等，使在Nginx上开发Web应用更方便更简单。目前在京东如实时价格、秒
HSQLDB In-Process方式访问内存数据库 liyonghui160com
HSQLDB一大特色就是能够在内存中建立数据库，当然它也能将这些内存数据库保存到文件中以便实现真正的持久化。先睹为快！下面是一个In-Process方式访问内存数据库的代码示例：下面代码需要引入hsqldb.jar包（hsqldb-2.2.8） import java.s
Java线程的5个使用技巧 pda158 java 数据结构
Java线程有哪些不太为人所知的技巧与用法？　　萝卜白菜各有所爱。像我就喜欢Java。学无止境，这也是我喜欢它的一个原因。日常工作中你所用到的工具，通常都有些你从来没有了解过的东西，比方说某个方法或者是一些有趣的用法。比如说线程。没错，就是线程。或者确切说是Thread这个类。当我们在构建高可扩展性系统的时候，通常会面临各种各样的并发编程的问题，不过我们现在所要讲的可能会略有不同。
开发资源大整合：编程语言篇——JavaScript（1） shoothao JavaScript
概述：本系列的资源整合来自于github中各个领域的大牛，来收藏你感兴趣的东西吧。程序包管理器管理javascript库并提供对这些库的快速使用与打包的服务。 Bower - 用于web的程序包管理。 component - 用于客户端的程序包管理，构建更好的web应用程序。 spm - 全新的静态的文件包管
避免使用终结函数 vahoa.ma java jvm C++
终结函数（finalizer）通常是不可预测的，常常也是很危险的，一般情况下不是必要的。使用终结函数会导致不稳定的行为、更差的性能，以及带来移植性问题。不要把终结函数当做C++中的析构函数（destructors）的对应物。我自己总结了一下这一条的综合性结论是这样的： 1）在涉及使用资源，使用完毕后要释放资源的情形下，首先要用一个显示的方

Fourier分析入门——第8章——Fourier系数的统计描述

第 8章 Fourier系数的统计描述

8.1 引言

8.2 统计假设

8.3 Fourier系数对噪声的均值和方差

8.4 Fourier系数对噪声信号的概率分布

8.5 随机信号的Fourier系数分布

8.6 信号平均

你可能感兴趣的:(数学与应用数学,Fourier分析,傅里叶,统计,Fourier系数统计)