若北辰-CSDN博客

原创《Python 高阶教程》018｜自己实现一个迭代器：看懂 iter 和 next

这一章从零手写了多个迭代器，把 `__iter__`、`__next__`、状态推进和 StopIteration 全讲透了。看懂后，你就真正会做迭代器了，而不只是会用 for。

2026-04-27 10:00:00 10

原创《Python 高阶教程》017｜for 循环背后发生了什么：迭代协议完整拆解

这一章把 for 循环背后的机制彻底拆开。看懂后，你会真正明白可迭代对象、迭代器、iter、next 和 StopIteration 之间的关系，也会知道为什么自定义对象只要遵守协议就能直接进 for。

2026-04-26 09:45:00 342

原创《Python 高阶教程》016｜偏函数与柯里化：把复杂调用拆成更简单的组合

这一章把偏函数和柯里化彻底讲透。看懂后，你会知道什么时候该用 partial 预绑定参数，什么时候该用闭包补充逻辑，也会明白柯里化在 Python 里该理解到什么程度。

2026-04-25 09:30:00 324

原创《Python 高阶教程》015｜lambda、map、filter、reduce：函数式工具到底值不值得用

这一章把 lambda、map、filter、reduce 的用法和取舍一次讲透。看懂后，你不仅会写这些函数式工具，更重要的是能判断它们什么时候真有价值，什么时候只是让代码更绕。

2026-04-24 09:45:00 14

原创《Python 高阶教程》014｜递归、尾递归与替代方案：写得巧不如跑得稳

这一章把递归、尾递归和替代方案彻底讲透。看懂后，你不只会写递归，还会判断什么时候该用、什么时候该停手，以及为什么很多场景里循环反而更专业。

2026-04-23 09:45:00 12

原创《Python 高阶教程》013｜类装饰器与函数装饰器：什么时候该用哪一种

这一章把函数装饰器和类装饰器的差别彻底讲透。看懂后，你不只会写类装饰器，更重要的是能判断什么时候该继续用函数，什么时候该升级成类。

2026-04-22 09:45:00 11

原创《Python 高阶教程》012｜带参数的装饰器怎么写：一篇彻底讲透

这一章把带参数装饰器从执行顺序拆到工程实战。看懂后，你不仅能写出重试、权限、日志、缓存这类可配置装饰器，还能真正理解它为什么一定要多包一层。

2026-04-21 16:15:00 11

原创从 from dataclasses import dataclass 开始：全面理解Python数据类

Python的dataclass装饰器通过类型注解自动生成__init__、__repr__等方法，简化数据类定义。它支持默认值、字段顺序控制、可变默认值处理(default_factory)、只读对象(frozen=True)等功能，适合建模配置、DTO等数据对象，同时保持类的完整特性。dataclass不是运行时类型检查工具，而是减少模板代码的实用工具。

2026-04-21 16:10:16 370

原创《Python 高阶教程》011｜装饰器入门到实战：给函数优雅地加能力

这一章把装饰器从原理拆到实战。看懂后，你会明白 @ 背后到底做了什么，也能自己写出日志、耗时、权限、异常、重试这类真正有用的装饰器。

2026-04-21 10:00:00 15

原创《Python 高阶教程》010｜闭包真正的用法：不是概念，而是解决问题的工具

这一章把闭包从定义讲到实战。看懂后，你会真正明白闭包为什么能保存状态、为什么循环里容易踩坑，以及它在计数器、工厂函数、日志和缓存里到底怎么用。

2026-04-20 09:45:00 318

原创《Python 高阶教程》009｜函数也是对象：高阶函数的威力从哪里来

这一章把“函数也是对象”彻底讲透。看懂后，你会真正明白高阶函数为什么强，也会为后面的闭包、装饰器和函数式编程打下最重要的一层基础。

2026-04-19 10:30:00 12

原创《Python 高阶教程》008｜小心内存泄漏：引用计数、循环引用与排查思路

这一章专讲 Python 内存泄漏的真实来源和排查思路。看懂后，你会知道内存上涨该从哪查，哪些代码最容易偷偷留住对象，长期运行程序也会写得更稳。

2026-04-19 09:00:00 17

原创《Python 高阶教程》007｜垃圾回收机制详解：Python 如何管理内存

摘这一章把 Python 垃圾回收讲透了。看懂后，你会明白对象为什么会存活、循环引用为何麻烦、内存上涨不一定是泄漏，写代码时也会更有边界感。

2026-04-18 09:30:00 20

原创《Python 高阶教程》006｜作用域与命名空间：global、nonlocal 到底该怎么用

这一章把作用域、命名空间、LEGB、global、nonlocal 一次讲透。看懂后，变量“明明存在却报错”的问题，基本都能自己顺着查清楚。

2026-04-17 10:00:00 13

原创《Python 高阶教程》005｜深拷贝和浅拷贝：数据复制到底复制了什么

这一章把赋值、浅拷贝、深拷贝一次讲透。看懂后，你会明白为什么 copy 之后原数据还会被污染，也会知道什么时候该用 copy，什么时候必须用 deepcopy。

2026-04-16 19:30:00 24

原创《Python 高阶教程》004｜可变与不可变：为什么有些 bug 总是防不胜防

这一章把可变与不可变彻底讲透。看懂后，你会明白为什么默认参数会翻车、函数会偷偷改外部数据、嵌套结构总是出怪问题，后面学拷贝会更顺。

2026-04-15 19:30:00 14

原创《Python 高阶教程》003｜变量背后不是盒子：名字、对象与引用的本质

这一章把变量、对象、引用彻底讲透。看懂后，你会真正明白为什么列表会联动、函数参数会出坑、赋值不等于复制，后面学拷贝和作用域也会轻松很多。

2026-04-14 19:00:00 314

原创《Python 高阶教程》002｜Python 程序是怎么跑起来的：解释器、字节码与执行流程

这一章把 Python 程序从源码到运行的全过程串了一遍。看懂解释器、字节码、模块导入和函数调用后，你会发现很多以前靠记的知识点，开始真正能讲通了。

2026-04-13 16:43:26 383

原创《Python 高阶教程》001｜从会写代码到写好代码：高阶 Python 到底高在哪里

这一章不讲炫技语法，先讲清高阶 Python 的核心差别：结构、可读性、复用、边界和工程思维。后面学的每个高级特性，都会更容易理解。

2026-04-13 16:30:46 136

原创希腊字母与特殊符号在数学中的应用

希腊字母在数学、物理和工程学中广泛用于表示常数、变量和参数。常见符号包括：α（角度/系数）、β（回归系数）、Σ（求和）、π（圆周率）、γ（伽马函数）、δ（微小变化量）、θ（角度）、λ（特征值/波长）、μ（平均值）等。这些符号在不同领域具有特定含义，如π用于几何计算，Σ用于数列求和，β在金融中衡量风险。希腊字母的使用使数学表达式更简洁精确，是学术研究中不可或缺的通用符号体系。（150字）

2025-11-11 08:56:31 1101

原创【深度学习-pytorch】nn.Conv2d

摘要：nn.Conv2d是PyTorch中的二维卷积层，用于处理图像数据。它通过滑动卷积核提取特征，参数包括输入/输出通道数、卷积核大小、步长、填充等。示例展示了如何定义卷积层并计算输出特征图尺寸。该层广泛应用于图像分类、目标检测等任务，通过调整参数可控制特征图大小和特征提取效果。

2025-11-06 11:18:33 233

原创【Python实战练习】用 Python与Pygame 打造完整的贪吃蛇小游戏

本文介绍了一个使用Python和Pygame库开发的完整贪吃蛇游戏，包含菜单系统、中文支持、穿墙选项等功能。游戏支持开始菜单界面、分数保存、暂停和重新开始等操作，并提供了可调节的穿墙模式。文章详细讲解了环境配置、项目结构、关键功能实现（如UI控件、中文显示、状态机管理）以及扩展思路。通过保存配置到JSON文件，游戏可以记录最高分和用户设置。最终效果简洁实用，适合作为Python游戏开发的学习案例。文中还附有游戏截图和完整源码，方便读者参考实现。

2025-08-26 18:40:56 369

原创【Pytorch实战教程】torchvision.datasets.ImageFolder的详细用法介绍

【Pytorch实战教程】torchvision.datasets.ImageFolder的详细用法介绍

2025-07-25 09:55:08 289

原创【Pytorch实战教程】nn.Conv2d中默认的stride=1,padding=0,dilation=1,groups=1,bias=True参数含义详解

【Pytorch实战教程】nn.Conv2d中默认的stride=1,padding=0,dilation=1,groups=1,bias=True参数含义详解

2025-07-25 09:26:10 514

原创【通信原理】信号预处理中的（滤波、混频、中放）是什么意思

【通信原理】信号预处理中的（滤波、混频、中放）是什么意思

2025-07-18 08:58:35 234

原创【调制识别】PGD攻击中参数的含义

PGD（Projected Gradient Descent）对抗攻击通过多次迭代生成对抗样本，代码中的关键参数包括扰动步长（step_size）、扰动范围（epsilon）和迭代次数（num_steps）。step_size控制每次更新的幅度，epsilon限制扰动的不可察觉性，num_steps决定迭代次数。代码逻辑包括初始化、随机扰动、迭代更新和投影约束，确保扰动在合法范围内。PGD通过梯度上升最大化损失，结合投影操作生成对抗样本，平衡了攻击强度与计算效率。

2025-05-19 23:15:17 627

原创【Python机器学习】Gradio：让机器学习模型触手可及的交互式界面工具

Gradio凭借其低代码、高扩展性的特点，已成为MLOps生态中的重要工具。对于希望快速验证模型效果、构建原型系统的开发者，它是不可或缺的利器。延伸学习gradio.app• 进阶教程：《用Blocks API构建股票预测仪表盘》通过以上内容，开发者可快速掌握Gradio的核心功能，并将其应用于实际项目。无论是学术研究还是工业落地，这个工具都将显著提升模型的可访问性与用户体验。

2025-04-08 08:05:30 337

原创【Pytorch实战教程】with torch.no_grad():

是优化推理效率的关键工具，适用于无需梯度计算的场景。实际应用中常与联合使用，以兼顾模块行为与性能优化。

2025-03-28 16:48:04 494

原创【Pytorch实战教程】深入浅出的学习Dataset

在PyTorch中，**Dataset**是用于表示数据集的核心抽象类，通过继承并实现其方法，可以灵活地加载和管理各种类型的数据。

2025-03-28 11:26:45 205

原创【人工智能】科普：模态间的语义对齐

比如AI看图写话时，如果图片是狗却生成“这是一只鸟”，就是语义没对齐。对齐后AI才能准确理解跨模态信息（像人类一样看到猫说猫，听到笑话会笑）。你正在看一部外语电影，画面里一个人在哭（视觉模态），但字幕却写着“他好开心啊”（文本模态）。这时候你会觉得特别别扭，因为画面和文字。说到跨模态，一定避不开一个词，模态间的语义对齐，那到底什么意思呢？就是让不同模态的信息表达。

2025-03-27 12:33:27 762

原创【人工智能】自注意力机制（Self-Attention）和传统注意力机制（Attention Mechanism）的核心区别

例如在机器翻译中，查询（Query）是目标语言（如英文）的单词特征，键（Key）和值（Value）是源语言（如中文）的单词特征。例如在处理一句话时，每个单词（Query）会同时计算与其他单词（Key）的相关性，并结合自身信息（Value）生成新的表示。通过这种设计，自注意力机制在保持计算效率的同时，显著提升了模型对复杂序列关系的建模能力，成为Transformer等现代架构的核心组件。其中，Q （Query）、 K （Key）、 V （Value）分别来自不同序列。所有 Q 、K 、 V 均来自。

2025-03-27 11:59:26 282

原创【Pytorch实战教程】拆解PyTorch中的多头注意力：原来Transformer的核心组件可以这样玩

维度地狱：新版PyTorch的参数能救命，但混合使用时仍要小心——当遇到时，请先做三个深呼吸再检查维度顺序。注意力分数计算：默认使用缩放点积注意力，记得除以√d_k（不过PyTorch已经帮你做好了）梯度消失：当num_heads太大时可能出现，可以尝试结合LayerNorm使用显存杀手：序列长度平方级的显存消耗，处理长文本时可以考虑内存高效的实现方式多头注意力就像给模型装上了复眼，让它能够从多个角度观察数据之间的关系。理解。

2025-03-15 15:26:23 306

原创【人工智能】缩放点积注意力和多头注意力

通过计算Query和Key的点积，得到注意力权重，然后对Value进行加权求和，得到输出。：并行地执行多个Scaled Dot-Product Attention，然后将结果拼接并线性变换，得到最终的输出。

2025-03-13 12:45:13 920

原创【人工智能】Transformer、BERT、GPT：区别与联系

Transformer、BERT、GPT 是 NLP 发展史上的重要里程碑。它们之间相互借鉴、相互促进，共同推动了 NLP 技术的进步。未来，随着技术的不断发展，我们可以期待更多更强大的模型出现，为人类语言理解和生成带来更多可能性。

2025-03-13 10:10:07 675

原创【PyTorch实战教程】用Grad-CAM揭开神经网络的黑箱

Grad-CAM为深度学习模型提供了直观的可视化解释工具，在PyTorch中的实现也相对简单。随着可解释性需求的增长，理解并合理使用这些工具将成为AI工程师的必备技能。建议读者在自己的项目中尝试应用Grad-CAM，可能会发现模型决策中意想不到的规律！代码说明需要准备测试图像（示例中的test_cat.jpg）实际使用时应根据具体模型调整target_layer可视化部分可根据需要调整叠加参数完整实现需要处理GPU设备迁移问题。

2025-03-04 11:33:57 376

原创【Python实战练习】random 库中常用的函数

random库提供了丰富的随机数生成功能，适用于各种场景，如模拟、游戏、抽样等。通过合理使用这些函数，可以轻松实现随机化需求。

2025-02-21 15:41:53 254

原创【Pytorch实战教程】深入了解 PyTorch 中的 SummaryWriter

是 PyTorch 提供的一个非常强大的工具，它能够帮助你实时记录并可视化训练过程中的各种数据。通过 TensorBoard，你可以轻松地查看损失值、准确率、模型参数、图像、计算图等信息，从而帮助你更好地理解和调试模型。希望本文能够帮助你更好地掌握的用法！这篇文章介绍了的基本用法和常见的功能，如果你有更多问题或想要深入了解某个部分，可以随时问我！

2025-02-11 14:04:30 627

原创【Pytorch实战教程】PyTorch图像预处理全攻略：手把手拆解torchvision.transforms

transform=train_transform # 自动应用预处理关键要点回顾预处理流程需要同时考虑数据规范化和多样性Compose如同流水线，顺序影响最终效果（推荐顺序：几何变换→色彩变换→Tensor转换→归一化）始终通过可视化验证预处理效果希望这篇详解能让您真正掌握transforms的精髓！如有更多问题，欢迎在评论区展开讨论～

2025-02-09 10:00:00 469

原创【Python实战练习】Python类中的方法：形式与作用详解

在Python中，类是面向对象编程（OOP）的核心概念之一。类不仅包含数据（属性），还包含操作这些数据的行为（方法）。方法是定义在类中的函数，它们决定了对象的行为。Python中的方法有多种形式，每种形式都有其特定的用途。本文将详细介绍Python类中的各种方法形式及其作用。

2025-02-09 00:02:33 353

原创【Pytorch实战教程】PyTorch中的Dataset用法详解

Dataset是PyTorch中用于表示数据集的抽象类。它允许你自定义数据加载的方式，并且可以与DataLoader结合使用，方便地进行批量加载和数据增强等操作。简单来说，Dataset类定义了一个数据集的结构，包括如何获取数据、如何获取数据的标签以及数据集的大小等信息。通过继承Dataset类，你可以轻松地创建自己的数据集。Dataset类是PyTorch中处理数据的重要工具，它允许你自定义数据加载的方式，并且可以与DataLoader结合使用，方便地进行批量加载和数据增强等操作。通过继承。

2025-02-08 23:57:17 441

QPSK是一种常用的数字调制技术，它将数据信号调制到一个载波波形上，通过改变载波的相位来表示数据这种调制技术因其相对高效的频谱

### QPSK信号的产生在MATLAB中生成QPSK信号主要涉及以下几个步骤： 1. **二进制数据生成**：首先，我们需要生成或提供一串二进制数据，这将是我们要传输的信息。 2. **符号映射**：在QPSK调制中，每两位二进制数据会映射为一个符号，这意味着每个符号可以代表4种可能的状态之一（00、01、10、11）。这一步涉及将二进制数据分成两位一组，并将每组映射到一个特定的相位上。例如，00、01、10和11可能分别映射到相位0°、90°、180°和270°。 3. **调制**：在这个阶段，映射后的符号会调制到载波上。具体来说，每个符号会根据其对应的相位改变载波的相位，从而生成QPSK信号。这可以通过在MATLAB中使用相应的数学公式和函数来实现。 4. 波形生成：最后，根据上述调制过程，我们可以生成并可视化QPSK信号的波形，以便于观察和分析。

2024-04-08

基于改进Apriori算法的地铁故障关联规则挖掘

地铁作为城市公共客运的重要载体，其系统设备在运营过程中难免发生一些故障。因此，应用数据挖掘技术对已有地铁故障数据进行关联规则挖掘，分析其影响，对故障预警与风险危害评估具有重大意义。针对地铁故障数据种类多样、影响程度难以界定等问题，建立考虑故障关联的改进 Apriori 算法，与经典的 FP-Growth 算法进行对比，对地铁故障关联规则进行研究，优化该算法的基本思想和流程。选取某地铁 2020 年设备故障数据为例，对其进行详细地分析，基于 Python 语言实现建模仿真，输出得到车载 ATP 故障、信号设备故障等多类故障之间的关联规则结果，为地铁故障影响程度分析、故障诊断、故障预警、风险危害等级划分等提供重要的参考依据。

2024-01-18

基于支持向量机的通信干扰效果在线评估算法

针对当前干扰效果第三方评估与实际干扰效果脱节问题，提出了一种基于支持向量机的干扰效果在线评估算法。首先，以通信电台为作战对象分析了其抗干扰行为参数; 其次，提出了以通信信号体制、功率、编码方式行为参数变化作为干扰效果在线评估依据的方法，构造了行为学习样本库; 最后，通过仿真实验验证了算法的有效性，利用 Link － 16 的仿真平台进行了实验，验证了样本库的可靠性。

2024-01-18

Python数据科学速查表

Python数据科学速查表 - Bokeh Python数据科学速查表 - Jupyter Notebook Python数据科学速查表 - Keras Python数据科学速查表 - Matplotlib 绘图 Python数据科学速查表 - Numpy 基础 Python数据科学速查表 - Pandas 基础 Python数据科学速查表 - Pandas 进阶 Python数据科学速查表 - Python 基础 Python数据科学速查表 - Scikit-Learn Python数据科学速查表 - SciPy Python数据科学速查表 - Seaborn Python数据科学速查表 - Spark RDD 基础 Python数据科学速查表 - Spark SQL 基础 Python数据科学速查表 - 导入数据

2024-01-16

短波通信协议智能识别技术研究

现代化作战中，信息对抗很大程度上决定了战争的走向。战场通信主要依靠短波通信方式实现，短波通信协议识别是信息对抗和民用应急快速组网的技术基础。随着短波通信协议的不断更新，短波通信涌现出了更复杂的形式，对协议识别提出了更高的要求。因此，引入智能化的短波通信协议识别有着潜在的应用价值。本文重点研究了数据链路层的短波通信协议识别方法。深入研究目前常用的短波通信协议数据帧格式，首先建立了基于数据链路层的短波通信协议识别框架和工作流程。其中包含预处理模块、分类识别模块和输出模块。在实验室条件下，获取真实短波信号困难。因此，本文通过软件建立了短波通信信号生成模块。按照模块化的思想完成了五种常用的短波通信协议的物理层和数据链路层实现，并在短波信道内添加了可配置的多径干扰、突变和噪声干扰以模拟真实的信道环境。通过信号生成模块生成了训练信号和测试信号的数据集。在预处理模块，直接对数据流进行帧切分会造成部分数据帧空集现象，本文以帧同步码为标志将数据流切分成帧。提出了一种适用于比特流数据的 N-Eclat算法，实现对帧同步码进行识别。用信号生成模块产生的数据进行测试。

2024-01-16

基于深度学习的通信信号种类识别研究

通信信号种类识别技术是基于信号处理和模式识别理论的技术，旨在通过对接收到的信号进行分析和判断，确定信号的特征和种类。该技术被广泛应用于电子对抗、无线电侦察、认知无线电、网络安全等领域。随着现代通信技术的不断发展，各种新通信设备和协议不断涌现，使得通信信号种类迅猛增加。同时，由于个别信号协议之间具有很高的相似度，造成信号种类难以准确区分。这些问题对传统的通信信号种类识别方法带来了巨大的挑战。因此，为适应现代通信系统高速化、智能化、实时化的通信需求，开展针对通信信号种类识别的研究在军事和民用领域都具有非常重要的意义。本文以深度神经网络为基础，针对通信信号种类识别技术涉及的自动调制识别、信道编码识别、以及特定协议信号识别等技术领域开展深度研究

2024-01-16

融合SENet和Trans...mer的应用层协议识别方法.caj

协议识别技术在网络通信和信息安全领域具有至关重要的地位和作用。针对现有基于时空特征的协议识别方法提取协议特征不充分、不全面的问题，提出了一种基于SENet和Transformer的应用层协议识别方法。协议识别技术很重要。方法关注协议数据的时空特征，由加入SENet注意力的残差网络构成的空间特征提取模块和Transformer网络编码器构成的时间提取模块组成。空间特征提取阶段，在残差网络结构中加入SE块获取多个卷积通道间的联系，自适应地为通道分配权重，提取不同通道中更加活跃的协议空间特征；时间特征提取阶段，由基于多头注意力机制的Transformer编码器通过堆叠的方式构建时间特征提取模块，利用输入数据的位置信息全面地获取协议数据的时间特征。通过对更加充足的空间特征和更加全面的时间特征的提取和学习，可以获得更有效的协议识别信息，进而提高协议识别性能。ISCX2012和CSE_CIC_IDS_2018混合数据集上的实验结果表明，所提模型的总体识别准确率达到了99.20%，F1值达到98.99%，高于对比模型。

2024-01-15

python调制识别数据及代码

数据集包含了从-20dB 到+18dB 总共 20 个信噪比（步长为 2）下的 11 种调制信号，包括 AM-DSB、 AM-SSB 和 WBFM 三种模拟调制信号，以及 BPSK、 QPSK、 8PSK、 CPFSK、 GFSK、 PAM4、 QAM16 和 QAM64 八种数字调制信号。其中信号的中心频率为 200KHz，采样频率为 1Msamp/s，且每个信噪比下每种调制信号包含 1000 个信号。其中每个信号包含 IQ 两路数据，且每一路数据都包含有 128 个采样点。

2024-01-02

随机 Transformer；变分自编码器；多维时间序列；异常检测

针对已有基于变分自编码器（ VAE）的多维时间序列（ MTS）异常检测模型无法在隐空间中传播随机变量间的长时依赖性问题，提出了一种融合 Transformer 编码器和 VAE 的随机 Transformer MTS 异常检测模型（ ST-MTS-AD）。在 ST-MTS-AD 的推断网络中， Transformer 编码器产生的当前时刻 MTS 长时依赖特征和上一时刻随机变量的采样值被输入多层感知器，由此生成当前时刻随机变量的近似后验分布，实现随机变量间的时序依赖。采用门控转换函数（ GTF）生成随机变量的先验分布， ST-MTS-AD 的生成网络由多层感知器重构 MTS 各时刻取值分布，该多层感知器的输入为推断网络生成的 MTS 的长时依赖特征和随机变量近似后验采样值。ST-MTS-AD 基于变分推断技术学习正常 MTS 样本集分布，由重构概率对数似然确定 MTS 异常片段。 4 个公开数据集上的实验表明， ST-MTS-AD 模型比典型相关基线模型的 F1 分数有明显提升。

2023-08-22

专升本知识点和题型大全

专升本英语和高数是两门重要的考试科目，以下是针对这两门科目的一些介绍和备考建议： 1. 英语考试：专升本英语考试通常会涉及到英语听力、阅读、写作等方面的内容。备考建议包括： - 找到合适的备考资料，如教材、复习笔记等，多做英语听力、阅读、写作方面的练习题。 - 建立良好的英语学习习惯，如每天坚持听英语、读英语、说英语、写英语等练习，保持语言技能的技巧。 - 多参加英语角等社交活动，增强英语听说能力和社交互动能力。 2. 高数考试：专升本高等数学考试主要是考察考生的数学运算能力和数学建模能力。备考建议包括： - 充分掌握高数基本概念和公式，如数列、极限、导数、积分、微分方程等。 - 多做高数练习题，包括基础题目和解题技巧题目，理解每道题目的解题思路和方法。 - 参加各种高数辅导班、高数学习小组等，多与同学交流、学习，提高数学解题思维和技巧。在备考中，合理安排时间，充分掌握考试要点，积极参加模拟考等练习，对于考生备考专升本英语和高数考试都是非常有帮助的。

2023-03-27

仿山楂岛完整版代码flask

为每一个人开放的留言系统，匿名留言，开放交流

2022-08-15

Markdown语法详解

MarkDown是世界上最优美最简洁的写博客的语言，全部用法汇总如下，请慢用！! Markdowm语法001：标题 Markdowm语法002：引用 Markdown语法003：斜体和粗体、红色显示及其他字体颜色 Markdown语法004：链接和图片 Markdown语法005：分割线 Markdown语法006：中文首行缩进 Markdown语法007：表格 Markdown语法008：定义列表（有序列表、无序列表、缩进列表） Markdown语法009：行内代码和代码块 Markdown语法010：脚注 Markdown语法011：目录 Markdown语法012：UML 图（序列图和流程图） Markdown语法:013：离线写博客 Markdown语法014：浏览器兼容 Markdown语法015：快捷键 Markdown语法016：总结

2022-04-29

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

QPSK是一种常用的数字调制技术，它将数据信号调制到一个载波波形上，通过改变载波的相位来表示数据 这种调制技术因其相对高效的频谱

基于改进Apriori算法的地铁故障关联规则挖掘

基于支持向量机的通信干扰效果在线评估算法

Python数据科学速查表

短波通信协议智能识别技术研究

基于深度学习的通信信号种类识别研究

融合SENet和Trans...mer的应用层协议识别方法.caj

python调制识别数据及代码

随机 Transformer；变分自编码器；多维时间序列；异常检测

专升本知识点和题型大全

仿山楂岛完整版代码flask

Markdown语法详解

空空如也

QPSK是一种常用的数字调制技术，它将数据信号调制到一个载波波形上，通过改变载波的相位来表示数据这种调制技术因其相对高效的频谱