chap 第24页

数字信号处理－ Chap7 DFT和FFT （1）DFT基础

7.1 DFT基础 DTFT（离散时间傅里叶变换）的采样点无限，难以利用计算机实现。DFT（离散傅里叶变换）解决了这一问题，仅需有限采样点，其定义为： &

·2015-11-03 21:16

数字信号处理－ chap2 数字信号

1. 图形表示数字信号基本为模型信号按一定间隔进行采样，经过模式转换得到。它用顶部带圆圈的竖线表示。 1）横坐标：每条线表示一个采样点，并用一整数标记，这个整数是所经过的采样周期的数目。 2）纵坐标：数字信号值是A/D转换时最解决该模拟采样值的量化电平。 2.符号表示数字信号x用符号表示为x[n]，n是采样编号。 1）时移：x[n-N]表示右移N个采样点

·2015-11-03 21:16

数字信号处理－ Chap7 DFT和FFT （3）DFT窗效应、频谱图和FFT

7.4 DFT窗效应当研究的是时不变信号时，若采样频率一定，则用长的窗可给出更准确的频谱；若信号为时变的，则长的窗可能会使结果发生混淆。 1）时域采样频率一定，短窗意味着采样点少，响应频域采样点也少，造成频率分辨率fs/N变差；反之，长窗则频率采样点多，频率分辨率变好 2）但是，使用长窗的DFT不能提供单个信号的频谱特性。对语言来说，为了揭示某个元音的频率，窗的长度不能超过它的持续

·2015-11-03 21:15

数字信号处理－chap3 滤波、差分方程、卷积

１.滤波滤波器以特定方式改变信号的频率特性，从而改变信号。高通滤波器滤除低频信号，强化信号的锐变。 2.线性、时不变、因果系统线性系统满足叠加原理时不变系统的输入延迟，则输出也延迟相同量因果系统的输出取决于现在和以前的数据，与未来的数据无关。 3.差分方程差分方程可用于描述线性、时不变、因果数字滤波器。其表达式如下，写为下面形式更清晰

·2015-11-03 21:14

数字信号处理－ chap1 采样

1.混叠现象混叠现象：高于奈奎斯特采样频率一半的信号间折返并还原为低频信号。下图中，采样频谱为40kHz，高于20kHz的信号采样后表现为低频信号。当系统的采样频率确定时，需要将大于奈奎斯特频率的频率分析从系统中排除，这就是抗混叠滤波器的作用。如下图所示，（a）对应的信号经过（b）所示抗混叠滤波器处理后获得（c）所示的信号。 2.从频率角度看采样下图中，（a）为信号

·2015-11-03 21:13

数字信号处理－ chap5 数字信号频谱

5.1 频谱的意义信号的频谱(spectrum)描述了信号包含的频率分量。信号的平稳变化源于它的低频分量，急剧变化源于它的高频分量。对方波来说，它即包括产生平稳变化的低频分量，也包括形成陡峭边缘的高频分量。 5.2 非周期数字信号非周期信号的DTFT（离散傅里叶变换）给出了它的频谱: 1）计算需要信号的所有采样值 2）当信号有无限多个递减的采样值时，可在其降到某个阈值之

·2015-11-03 21:13

数字信号处理－ chap6 有限脉冲响应滤波器（1）基础

6.1 基础非递归滤波器（有限脉冲响应滤波器，finite impulse response filter）仅取决与过去的输入，与输出无关

·2015-11-03 21:12

Netlab -Chap8 抽样（2）基本抽样

要想有效利用蒙特卡罗积分，需要能从不同概率密度函数中抽样。这里讨论几个适用于低维分布的抽样方法。 1.随机数生成器大部分实际的随机数生成器基于下面的线性同余算法（a linear congruential algorithm） , 其中a,c,n都是正整数它生成的正整数的值域为[1,n)。如果将其处

·2015-11-03 21:11

NNPR-Chap10 贝叶斯技术（4）alpha和beta的置信度

前面假定超参数和是已知的，实际上这不太可能，只是有些情况下对噪声水平有些了解。我们也知道，正确的贝叶斯方法在处理这些未知参数时，就是对它们积分，这样最终预测函数就与它们无关了。例如，网络权重的后验分析计算方法如下

·2015-11-03 21:11

计算统计-Chap6 推断统计的蒙特卡罗方法（3）蒙特卡罗方法

很多时候，我们不清楚统计量的分布，或不确定对它所作的假设是否合理。蒙特卡罗模拟可以处理这些情况，它的应用包括： 1）当待检测统计量（the test statistics）从未知时，进行推断 2）当参数假设（parametric assumptions），评估推断方法的性能 3）在各种情况下进行假设检验 4）比较不同检测子（estimator）的质量 1.

·2015-11-03 21:10

计算统计-Chap4 生成随机变量（1）通用技术

许多计算统计方法需要从已知概率分布中生成随机变量，这也是用于统计推断（statistical inference)的蒙特卡罗方法的核心。 1.均匀随机数（Uniform Random Numbers）均匀分布在(0,1)上的随机数是生成其它随机变量的基础。目前，计算机依靠判决算法生成的其实是伪随机数。生成均匀随机变量的相关方法在[Gentle, 1998]中有详尽的讨论。生

·2015-11-03 21:08

NNPR-Chap10 贝叶斯技术（3）分类

考虑两类问题。数据的似然函数为（1），G是交叉熵误差函数选择logistic sigmoid为输出激励函数，。这种激励函数可将网络输出解释为x属于类的概率。然后同前面一

·2015-11-03 21:07

NNPR-Chap1 统计模式识别（10）风险最小化

错分概率最小化原则并不适用于所有问题。像前面介绍的判断医学图像是否为癌症的例子，将癌症图像判定为正常带来的后果远远大于将正常图像误分为癌症。为此，引入损失矩阵（loss matrix），其元素代表将类j误分为类k时的惩罚。从而有，某类的期望损失　　　总的期望损失 &n

·2015-11-03 21:06

NNPR-Chap1 统计模式识别（9）决策边界

当满足下面条件时将特征向量x付给类Ck时错分概率最小（1）由于边缘概率P(x

·2015-11-03 21:05

NNPR-Chap1 统计模式识别（8）贝叶斯准则

这里聊聊统计模式识别中的基本概念。首先，考虑字符识别的问题（图1），目标是最小化错分概率。当收集大量数据（如图像）之后，可以算出某字符图像所占的比例，且这个玩意可以表示为先验概率。当我们猜一个图像（未看到图像）对应字符时，如果，一般会将其归为类对应的字符。这会最小化误分概率，基本我们知道会存在错分的情况。 &n

·2015-11-03 21:03

NNPR-Chap10 贝叶斯技术（2）模型输出的分布

在贝叶斯框架中，一个完成训练的神经网络是通过其权重的后验概率来表达的。当给网络一个输入数据时，权重分布产生网络输出的分布。同时，对输为的所做的高斯噪声假定也会影响网络输出的分布。这里，通过前面介绍的单高斯近似来计算输出的分布。输出的分布为，p(w|D)是权重的后验概率分布，p(t|x,w)是在给定权重时目标数据的噪声的概率分布要计算上面的分布，需要利用两个东

·2015-11-03 21:02

NNPR-Chap10 贝叶斯技术（1）利用贝叶斯方法学习神经网络权重

这里虽然探讨ANN的权重贝叶斯学习，我们完全可以将其看做是任意模型的参数学习问题。最大似然（误差最小）获得网络权重的一个解（一个权重向量）。而贝叶斯方法考虑的权重空间（即权重的整个解空间上许多解）上权重的概率分布，通过先验概论表达不同权重值的相对置信度。当越来越多的数据观测到，权重的后验概率会逐渐集中到权重空间的局部上。 1.权重的分布对结构确定的神经网络，

·2015-11-03 21:00

NNPR-Chap10 贝叶斯技术（0）简介

虽然该章主要讨论贝叶斯技术（Bayesian Techniques)在Neural Networks中应用，但其内容对与做Machine Learning还是非常有启发的。尤其现在Bayesian Learning，以及Graphical Model在Jordan、Bishop等牛人带领下已经成为Machine Learning主流之一的情况下，通过回归经典文献可以让我了更容易领略其中奥秘。 &

·2015-11-03 21:00

详细的讲解yarn和mapreduce的内存配置

摘自：http://docs.hortonworks.com/HDPDocuments/HDP2/HDP-2.0.9.1/bk_installing_manually_book/content/rpm-chap1

qi20088·2015-11-03 17:00

数字信号处理－ Chap8 小波（3）信号编码和多分辨率分析

8.3 信号编码小波可将信号分解为基函数的尺度化和平移副本，因此可以用来对信号进行编码。当然，这首先要求该小波族的特性与被编码信号的特性相近；同时，应能用最小的尺度对信号中最细微的部分编码。要对函数f(t)编码，需要构造表达式如下。其中，j要足够大，从而尺度足够小，以保证能够捕获重要的信号细节。

·2015-11-02 14:21

c#编程编译错误列表

http://www.vijaymukhi.com/documents/books/csadv/chap10.htm我们很多人对一个语言的了解停留在3/4的水平上的时候，写程序时会遇到很多问题，大部分都是自己理解的问题

·2015-11-02 14:54

ASP.NET应用程序中加密Web.config

上面是我的IIS配置，我在“默认网站”下新增了一个虚拟目录作为应用程序的根，路径在“F:\aspnet\chap01”，该目录下有一个 Web.config配置文件。

·2015-11-02 12:26

：Beginning WF 4.0翻译——第一章（创建一个简单的工作流）

输入名称Chap

·2015-11-02 12:12

pl/sql programming 02 创建并运行plsql代码

1 /* 2 * chap 02 3 * ------------------------------------------------- 4 */ 5 6 -- 01

·2015-11-01 09:23

env-update干了些什么

www.linuxsir.org/bbs/thread339077-2.html乐哥的话－关于env-updatehttp://www.gentoo.org/doc/zh_cn/hand...ap=5#doc_chap2env-update

·2015-10-31 17:37

JNI函数调用

JAVA学习 2011-07-04 17:29 193人阅读评论 (0) 收藏举报 Chap1

·2015-10-31 13:45

计算统计-Chap6 推断统计的蒙特卡罗方法（1）引言

推断统计（inferential statistics）用于形成关于总体（population）的结论，并且利用随机样本对这些结论的可信度进行评价，相关技术包括：利用点估计来估计总体参数，估计参数的置信区间，假设建议和建模（回归、密度估计等)。要估计推断的可信度，必须要了解分析过程涉及的统计量的分布。当使用的是已经重复理解的统计量（如样本均值）时，很容易开展相关分析。那么，在处理复杂问题时该怎么办

·2015-10-31 13:51

用法char ch=getchar()正确性详解

《C陷阱与缺陷》 chap5.1 #include <stdio.h> int main() { char c; /* 改成：int c 就正确了 */

·2015-10-31 11:09

Programming MS Office 2000 Web Components第二章第一节（第二部分）

排序和过滤阅读本节时，如果您打开随书光盘Samples\Chap02目录下的SortFilterExample.htm文件。

·2015-10-31 11:47

二分查找

参见编程珠玑chap4 chap9，和编程之美3.3 给定一个有序（不降序）数组arr,，求任意一个i使得arr[i]等于t，不存在返回-1

·2015-10-31 09:03

DES算法

来源：http://www.pediy.com/tutorial/chap6/Chap6-3-2.htm 一、DES算法　　美国国家标准局1973年开始研究除国防部外的其它部门的计算机系统的数据加密标准

·2015-10-30 17:29

chap01 .net 基本框架介绍

　　2000年，微软向全球宣布其革命性的软件和服务平台，它就是后来的Microsoft.NET,简称.NET。该平台利用以互联网为基础的计算和通讯的特点，通过先进的软件技术和众多的智能设备，提供更简单、更个性化、更有效的互联网服务。 .NET的战略目标是在任何的时候，任何地方，任何工具都能通过.NET的服务获得网络上的任何信息，享受网络带给人们的便捷与快乐。通过10年发展和时间的考

·2015-10-30 16:27

java序列化

在主类的main方法中生成该类的实例并存储在文件chap7_sample17.txt中，然后再从文件中读入并调用实例的方法。

·2015-10-29 08:30

ruby document

A module is a sort of code library (I’ll have more to say about modules in Chap-ter 12).

·2015-10-27 14:57

TCP/IP协议

摘自：http://jpkc.nwpu.edu.cn/jp2006/rjjs/work/dzjc/rppt/chap08/08CH0005.HTM TCP/IP(Transmission

·2015-10-27 12:46

计算机网络体系结构

摘自：http://jpkc.nwpu.edu.cn/jp2006/rjjs/work/dzjc/rppt/chap08/08CH0003.HTM 　计算机网络是一个复杂的具有综合性技术的系统

·2015-10-27 12:45

plsql programming 11 记录类型

例如: 1: -- create a table 2: -- chap11_01.sql 3: create table books ( 4: book_id

·2015-10-23 09:05

webview的简单实例

package com.delightPress.chap61; import android.app.Activity; import android.content.Context

·2015-10-21 13:35

chap02 C#语言基础知识

环境 visual studio 2010 .net framework 4.0 1. 编译 & 反汇编 1.1 编译 csc.exe /out:c:\test.exe c:\test.cs 1.2 反汇编用IL反汇编工具，打开 test.exe 然后存储。 2. 数组 int[,] points = new int[3,2]{{1, 2}

·2015-10-21 13:43

chap03 C#中的面向对象

1. 哲学中的静态和动态属性分别对应于属性和行为。 2. 静态方法通过类名来访问，静态方法只能访问静态成员，非静态方法可以访问所有成员。 3. 属性和索引器的使用。 4. 访问类型修饰符public，private， protected， internal。 5. 静态成员可以在创建对象之前使用。例子： using System;public class CD{ publ

·2015-10-21 13:43

《使用wxWidgets进行跨平台程序开发》chap09——布局一个对话框

///////////////////////////////////////////////////////////////////////////// // Name: personalrecord.h // Purpose: Dialog to get name, age, sex, and voting preference // Author: Ju

·2015-10-21 12:11

《使用wxWidgets进行跨平台程序开发》chap02——一个简单的应用程序

// Name: minimal.cpp // Purpose: Minimal wxWidgets sample // Author: Julian Smart #include "wx/wx.h" // Declare the application class //定义应用程序类 class MyApp : public

·2015-10-21 12:11

思科service password-encryption命令

directs the Cisco IOS software to encrypt the passwords, Challenge Handshake Authentication Protocol (CHAP

·2015-10-21 12:03

peap-MS-CHAP-V2

Peer &n

·2015-10-21 12:14

(摘录) (ASWP) chap7 Ontology Engineering

7 Ontology Engineering 7.1 Introduction 7.2 Constructing Ontologies Manually 1. main stages in the ontology development process (1). Determine scope Developing an ontology is akin to def

·2015-10-21 11:47

(摘录) (ASWS) Chap6 Application

6 Applications 6.1 Introduction 6.2 Horizontal Information Products at Elsevier 1. vertical product 产品分为传统的类别（如物理，生物，计算机等），每种产品都属于其中一个类别（或一个类别中的一部分） 2. horizontal product 给定一个话题，找到跟这个话题有关的所有文章（这些文章可

·2015-10-21 11:46

(摘录) (ASWP) Chap 4 Web Ontology Language: OWL

4 Web Ontology Language: OWL 4.1 Introduction 1 Main requirements for ontology language a well-defined syntax efficient reasoning support a formal semantics sufficient expressive power conveni

·2015-10-21 11:44

摘录) (ASWP) Chap 5 Logic & Inference: rules

Logic and Inference: Rules 这一章有许多概念都不是太熟悉，近期需要复习一下。 5 Logic and Inference: Rules 5.1 Introduction 1. monotonic rules If a conclusion can be drawn, it remains valid even if new knowledge becomes avai