我是来立flag的

写在前面的话(先立个大大的flag)

四年很长,也很短,恍惚间就到了毕业的时候。大四这一年一直想写几篇博客总结一下自己的学习生活,但是苦于不会排版,这事也就搁置了一年。但是想着自己总该留下点什么作为对自己四年大学生活的纪念。

作为信息工程专业的人,最重要的课就是信号与系统了,第一篇博客先谈一下我个人对于卷积的理解,接下来会涉及到傅立叶变换、拉普拉斯变换、数字信号处理等相关问题。当然,作为一名硬件狗,个人也想谈一下电磁场,说一下麦克斯韦方程。

当然,博客中的所有内容都是我个人对于某些问题的理解,作为一个本科生,对于有些问题的理解可能并不那么深刻,其中不免有一些错误,如果你发现了其中的错误,可以在评论中指出。

线性时不变系统与卷积

线性时不变系统

如果系统对于信号 f(t) 的相应为 Tf(t)=y(t) ,并且满足下面的关系,那么称这个系统为线性时不变系统。
线性
系统对于 αf(t)+βg(t) 的响应为 αTf(t)+βTg(t)

时不变性

系统对于 f(tt0) 的响应为 Tf(tt0)=y(tt0)

经过四年的学习,个人总结出来的一个经验性的规律就是某个性质看起来越简单,那么这个性质越棒,越能够直观的理解。对于任何一个系统而言,具备线性与时不变性能够极大的简化对于系统的分析,这两个性质虽然看起来很简单,但是说起来可能就不那么简单了。

先说线性,系统线性性质暗含了系统对于零输入必须是零输出,像 y=kx+b 这种系统虽然看起来很简单,但这根本不是线性系统,系统对于0输入不是0输出,它不满足线性。但是如果将 Δx 作为系统的输入, Δy 作为系统的输出,系统变为 Δy=kΔx ,这是一个线性系统。大三时候做温度控制实验的时候,问过能动相关专业的同学关于热力系统传函的问题,才知道他们计算时候与刚才所说的相似,并不是直接计算热量与温度的关系,而是考虑热量差与温差的关系1。考虑这样一个系统,A打了B一巴掌,系统的输入为A出手的力度,输出为B的反应,如果A的力度比较轻,那么B没啥反应,系统输出为0;如果A的力度比较重,A和B接下来就可能要打一架了,这就不是一个线性系统。打B得力度轻B没啥反应,系统0输出,线性系统则要求打B的力度重时候B也没啥反应,然而这是不现实的。

时不变系统顾名思义,即系统的输出与信号什么时间输入没有啥关系,不同时刻输入同一个信号,系统的输出应该是相同的。还是那个打人系统,如果A趁B睡觉的时候打了他一巴掌,B可能没啥反应,但A要趁B清醒时候打他一巴掌,那后果可就严重了,所以这个打人系统也不是一个时不变系统。。

卷积

学过信号与系统的人对卷积肯定不陌生,但是我还是想说一下,在给定输入的情况下,只有线性时不变系统的输出才能用卷积计算!

考虑离散信号的情况,若系统对于 δ[n] 的响应为 h[n] ,即 h[n] 为单位冲击响应。利用时不变性,系统对于 δ[nm] 的响应为 h[nm] 。对于离散信号 x[n] ,使用 δ 函数能够将其表示为 x[n]=+m=x[m]δ[nm] ,即信号表示成了使用 δ[nm] 表示的线性组合,再利用系统的线性性质,输入为一个线性组合,那么输出即为每个 h[nm] 的输出的线性组合。输出即为:

y[n]=m=+x[m]h[nm]=xh

上面的公式就是大家熟悉的不能再熟悉的卷积公式了,上文也说了卷积公式是怎么来的,要求系统必须满足 时不变性与线性即系统是一个线性时不变系统。

通过离散信号的卷积运算通俗的解释一下卷积公式,将输入信号看做为移位不同的 δ 函数的线性组合,系统的输出就应该是移位不同的单位冲击响应的线性组合(啊啊啊啊啊啊!本来想说的通俗点的,但是语文功底不好,大家将就着看)。

当然,卷积运算是满足交换律的,写成数学形式为:

y[n]=xh=hx=m=+x[nm]h[m]

再换个角度看看上面的卷积公式,对于给定的 n ,输出信号y[n]是由输入信号决定的,在 nm 时刻输入信号大小为 x[nm] ,那么这一部分在 n 时刻应该贡献了x[nm]h[m]大小的输出,对于不同的 nm 时刻,输入信号都会为 n 时刻的输出贡献出自己的一份力量,系统又是线性的,那么n时刻最终的输出就是将不同时刻输入信号贡献出的输出加起来就行了,这就是我对上面卷积公式的通俗理解。

关于连续信号的卷积,将离散的求和变成积分就可以了:

x(t)h(t)=+f(τ)h(tτ)dτ=+f(tτ)h(τ)dτ

卷积的另一个牛逼性质

卷积的性质还是挺多的,但是我觉得最牛逼的是这个:

xh=xh

为啥说这个是我觉得最牛逼的性质呢,毕设时候没少接触小波变换,小波变换可以理解为信号与翻转后的小波原子的卷积2 ,如果小波原子足够光滑,高阶导数也很光滑,再结合上面的卷积性质与小波变换的良好的局部化性质,小波变换是可以检测信号高阶导数不连续的位置的!!!,是不是很恐怖。


  1. 这里说的并不一定准确,大家姑且看看。
  2. 其实是等效为母小波经过尺度变换后没有平移,然后翻转。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值