惊鸿若梦一书生-CSDN博客

原创通信原理 | matlab实现QPSK信号的产生与调制

【代码】matlab实现QPSK信号的产生与调制。

2022-08-17 20:05:32 7096

原创通信原理 | rcosdesign 原理 | matlab中rcosdesign函数 | 升余弦滚降成型滤波器

beta滚降系数，取值0~1之间，决定频宽和陡峭程度（值越大频带越窄，越陡峭）。取值一般大于0.2。下图是滚降系数不同的对比，可以看出，设计一个升余弦滤波器总共需要上述三个参数。shape可选参数。可不加，可加上’normal’,可加上’sqrt’。我们可以看到阶段范围为10，每个范围采样点数为6，上图共存在60个采样点。我们可以看到阶段范围为6，每个范围采样点数为4，上图共存在24个采样点。sps单个符号范围的采样个数（每个符号上有几个采样点）当选择’sqrt’时，返回一个平方根升余弦滤波器。...

2022-08-02 09:39:42 10194 1

原创 Python程序设计第7章：Python面向对象编程

Python程序设计第7章：Python面向对象编程7.1 面向对象编程概述7.1.1 OOP的产生7.1.2 OOP核心思想7.1.3 OOP特征7.2 类和对象7.2.1 类的创建7.2.2 对象的创建7.2.3 类的属性7.2.4 类的方法7.2.5 内部类7.2.6 魔术方法7.3 类间关系7.3.1 依赖关系7.3.2 关联关系7.3.3 继承关系7.4 总结7.1 面向对象编程概述7.1.1 OOP的产生7.1.2 OOP核心思想7.1.3 OOP特征7.2 类和对象7.2.1 类

2022-04-05 15:42:47 7511 3

原创【Flask教程】 flask安装简明教程

Flask 是一个用 Python 编写的轻量级 Web 框架，非常适合快速开发 Web 应用。本教程将指导你如何在不同操作系统上安装 Flask。

2024-09-19 15:49:38 208

原创【Python机器学习】蒙特卡罗(洛)树搜索(MCTS)：学会“思考”的搜索算法

在今天的人工智能世界中，有一类算法被广泛应用于游戏领域，如围棋、象棋、以及视频游戏等，它让电脑在复杂的环境中表现得像是在“思考”。这类算法被称为蒙特卡罗树搜索(Monte Carlo Tree Search, MCTS)。这篇博客将为你通俗易懂地介绍什么是MCTS、它如何工作、以及它为何如此强大。蒙特卡罗树搜索（MCTS）是一种通过模拟未来可能情况来做出决策的搜索算法。它的核心思想是：通过不断地模拟未来几步的结果，找到当前最有希望的选择。在某种程度上，MCTS可以想象成一个会“想象未来”的玩家。

2024-09-14 11:33:30 224

原创【Python深度学习】逆强化学习（IRL）：通俗揭开学习背后的奥秘

逆强化学习的核心问题给定智能体的行为，能否推断出它追求的目标或奖励是什么？举个例子：假设你观察一个老练的司机在开车，他在不同的交通状况下作出了许多决策，例如转弯、减速、加速等。你并不知道他是如何做出这些决策的，但你能看到他开车的方式相当平稳、安全。逆强化学习的目标就是：通过观察司机的行为反推出他是依据什么样的“奖励函数”来做出这些决策的。这个奖励函数可能包含了诸如“避免事故”、“节省时间”、“节约油耗”等不同因素。

2024-09-14 11:06:53 168

原创【Python程序设计】一文掌握 Python：100 个基础语法示例助你快速入门

【代码】【Python程序设计】一文掌握 Python：100 个基础语法示例助你快速入门。

2024-09-14 10:07:26 817

原创【Pytorch实用教程】【分布式】torch.utils.data.distributed.DistributedSampler用法介绍

`torch.utils.data.distributed.DistributedSampler` 是 PyTorch 中用于`分布式训练`的一个采样器（sampler）。在分布式训练时，它可以帮助`将数据集分成多个子集`，并且确保`每个 GPU` 或`进程`处理的`样本是唯一的`，`不会重复其他进程处理的样本`，从而提升训练效率。

2024-09-07 09:00:00 98

原创【Pytorch实用教程】【分布式】torch.distributed.all_reduce用法详细介绍

是 PyTorch 中分布式通信的一部分，通常用于分布式训练场景下的梯度汇总。在分布式训练中，每个参与的进程都有自己的一部分数据和模型并行计算其梯度或更新参数。为了确保这些进程中的模型能够同步，需要all_reduce是实现这一过程的常用操作。注：reduce在英文中也有归纳、简化的意思。

2024-09-06 14:40:30 471

原创 Python深度学习：【开源数据集系列】ImageNet数据集

ImageNet 是一个大规模的视觉数据集，是计算机视觉领域最重要的基准数据集之一。该数据集由普林斯顿大学和斯坦福大学的研究人员发起，于2009 年推出。ImageNet 是用于物体分类目标检测图像分割姿势估计等多种任务的通用数据集，尤其在深度学习和计算机视觉的突破性研究中具有重要地位。

2024-09-06 09:54:38 338

原创【Pytorch实用教程】pytorch中torch.save的详细介绍和用法

torch.save是 PyTorch 提供的函数，用于。其常见用法是保存训练后的模型，以及保存张量等其它数据结构。

2024-09-05 20:25:21 390

原创【Python机器学习】核心数、进程、线程、超线程、L1、L2、L3级缓存

如何知道自己电脑的CPU是的，打开（同时按下：键、键、键）然后，点击任务管理器左上角的选项，观察右下角中的后面的数字，就是你CPU的核心数，下图中我的是16个核心的。需要注意的是，下面的表示支持在你上传的图片中，“进程：180” 和 “线程：3251” 的数字分别代表以下含义：进程 (Processes)：这是当前正在运行的独立程序的数量。在你的系统上，有 180 个进程正在运行。每个进程是一个独立的执行单元，它可以是一个单独的应用程序或者系统服务。线程 (Threads)：这是系统上所有进程中的线

2024-09-05 12:41:25 352

原创【Python深度学习】增量学习

增量学习（Incremental Learning）是机器学习中的一个重要分支，它允许模型在保持已有知识的基础上逐步吸收新数据的信息，以适应动态变化的数据环境。与传统的批量学习不同，增量学习，而是对现有模型进行修改和更新，这样可以节省大量的计算资源和时间。

2024-09-04 15:01:06 194

原创【Python机器学习】机器学习任务中常见的数据异质问题和模型异构问题是什么？解决策略是什么？

`数据异质问题`（Heterogeneity in data）通常指`数据集内部的不一致性`，这些不一致性可能来自多种源。

2024-09-04 10:33:43 492

原创【Python深度学习】联邦学习概述、实现技术和主流联邦学习方法

联邦学习的关键思想是`“数据不动，模型动”`，即`数据保留在本地设备上`，而`模型参数（或更新后的梯度）被传输到中央服务器`。在这种架构下，数据隐私和安全得到了很大的保障，尤其在涉及敏感数据的应用场景中具有重要意义。

2024-09-04 10:11:05 568

原创【Pytorch实用教程】构建并分析一个简单的神经网络

我们定义一个名为`MnistNet`的类，它继承自`nn.Module`。在PyTorch中，每一个网络模型都需要继承自`nn.Module`，这是一个实现了很多神经网络基础功能的类，如参数管理、梯度传播等。

2024-09-03 18:59:45 329

原创【Pytorch实用教程】Pytorch中很多函数在torch.nn.functional和nn.Module都有实现，那它们有什么区别？实用场景有什么不同呢？

`torch.nn.functional`和`nn.Module`提供了`不同级别的API支持`，适用于不同的使用场景。在实际应用中，开发者可以根据具体需求选择使用哪种方式，甚至在同一项目中结合使用两者的特点。在模型的定义、参数管理、灵活性和代码的可维护性之间找到平衡，是设计神经网络时的一项重要考虑。

2024-09-03 18:07:37 544

原创【Python深度学习】做分类任务时LSTM模型的输入数据应该是什么样的？各个维度的含义是什么

在分类任务中，使用LSTM模型的输入数据通常是时间序列或序列数据，每个输入样本包含若干个时间步长（time steps），每个时间步长有多个特征（features）。典型的输入数据维度为 `(batch_size, sequence_length, num_features)`。

2024-09-03 14:53:09 250

原创【Pytorch实用教程】tqdm的作用：在循环中显示进度条

tqdm是一个 Python 库，用于在循环中显示进度条。它能够为任何可迭代对象（例如列表、生成器、数据加载器等）添加一个可视化的进度条，使用户可以实时查看程序的执行进度。在数据科学和机器学习领域，tqdm经常用于显示训练和验证过程中的进度。例如，在训练神经网络时，由于每个 epoch 可能会耗费较长时间，tqdm可以帮助用户直观地了解当前训练进展，以及还需要多长时间才能完成。

2024-09-03 10:34:24 422

原创【Python深度学习】做深度学习训练时，如果数据集太大，无法一次性加载进GPU，应该如何做？

方法核心思想优点缺点适用场景实现复杂度小批量训练（Mini-Batch Training）与数据加载器（DataLoader）将数据集划分为小批量，每次只加载一个小批量到GPU中进行训练。- 易于实现- 是深度学习的标准做法- 支持多进程加载- 内存可能成为瓶颈- 需要调整批量大小避免内存不足适用于大部分场景低数据分片与分布式训练（Data Sharding & Distributed Training）将数据集分片，每个GPU或节点处理其中一部分数据，分布式训练。

2024-08-27 11:24:19 325

原创【Python数据分析】numpy中的npz和npy的用法和区别

npy适用于保存单个数组，文件格式简单、读取和写入效率高。.npz适用于保存多个数组，采用压缩格式，能够在一个文件中存储多个数组。根据具体需求，选择适合的格式保存和加载数据。例如，如果需要保存多个数组并保持其关联性，使用.npz格式会更为方便；如果只是保存单个数组，使用.npy格式即可。

2024-08-27 11:11:24 92

原创【OpenCV教程】图片隐写方法的种类及其python实现

图片隐写（Image Steganography）是指在图像中隐藏信息的技术，主要用于信息安全和隐私保护。最低有效位（LSB, Least Significant Bit）隐写法这是最常见的隐写方法之一。LSB隐写法通过修改图像像素的最低有效位来嵌入数据。这种方法简单且计算开销低，但隐蔽性较差，容易被检测到。频域隐写法这种方法将图像从空间域转换到频域，通过改变图像的频率成分来隐藏数据。常用的技术有离散傅里叶变换（DFT）、离散余弦变换（DCT）和离散小波变换（DWT）。

2024-08-27 09:24:31 231

原创【OpenCV教程】img.mode有哪些常见的类型以及类型之间的转换

在PIL (Python Imaging Library) 或其继承版本Pillow中，`Image`对象的 `mode` 属性表示图像的像素格式（即每个像素的组成成分以及它们的存储方式）。

2024-08-26 11:22:10 292

原创【OpenCV教程】将 NumPy 数组转换为图像对象的方法：PIL 中的Image.fromarray

（Pillow）库中的一个方法，用于将 NumPy 数组转换为图像对象。这个方法特别适用于将处理后的图像数据（通常以 NumPy 数组形式存储）重新转换为图像格式，以便进一步处理或保存。是 Python 中的。

2024-08-26 11:16:29 173

原创【Python基础】Python中 io.BytesIO()的用法

是 Python 中io模块提供的一个内存缓冲区，用于。它的用法类似于文件对象，但不涉及实际的文件操作，而是在内存中处理数据。这个对象非常适合用于需要处理二进制数据的场景，比如图片音频文件网络数据的处理等。

2024-08-23 16:52:47 130

原创【数据科学】Flink如何实用C++写的so库

在Flink中调用C++编写的共享对象库（.so文件）通常需要使用JNI（Java Native Interface）。通过JNI，可以从Java代码中调用C/C++编写的本地方法。下面是一个基本流程，说明如何在Flink中使用C++编写的.so库。

2024-08-20 15:00:00 580

原创【Python深度学习】图像分割经典网络：U-Net

U-Net是一种深度学习网络，最初由Olaf Ronneberger等人在2015年为医学图像分割而设计。这个网络特别适用于那些需要精确分割的任务，如细胞分割、组织结构分析等。U-Net之所以受到广泛关注，主要是因为它的网络结构特别适合处理少量数据而得到高精度的分割效果。

2024-08-20 14:55:03 238

原创【Python深度学习】图片识别任务中，原始数据集中图片的大小不固定时，用代码设置大小为多少合适？

在做图片分类识别任务时，如果没有公开数据集的情况下，需要自己去网上找相应的图片数据，但是各种各样的图片大小不一致，手动截图的话，大小无法保证，所以此时，最好就是用代码来固定大小。在图片识别任务中，数据集中图片的大小设置取决于多种因素，包括模型的架构、计算资源以及具体的任务需求。以下是一些常见的图片大小设置建议：经典模型（例如VGG, ResNet等）：较小的图片（例如MobileNet, EfficientNet等）：自定义任务：数据增强和预处理：推荐的图片尺寸一般在到之间，具体选择需要根据你的模型

2024-08-20 09:00:00 178

原创【华为机试题解析】最大子数组和

给定一个整数数组 `nums`，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。

2024-08-19 11:00:00 134

原创【大数据】Flink如何支持GPU

Flink 本身不直接支持 GPU 加速，但可以通过集成其他支持 GPU 的库或框架来实现 GPU 加速任务的执行。这样可以利用 Flink 的分布式计算优势，同时也能利用 GPU 的强大计算能力处理需要大量并行计算的任务。

2024-08-19 08:00:00 500

原创【】Apache Flink 支持 Python 语言的API：PyFlink

Apache Flink 支持 Python 语言，主要通过其提供的API。PyFlink 是 Flink 的 Python API，使得用户可以使用 Python 来开发流处理和批处理作业。PyFlink 提供了类似于 Flink Java/Scala API 的功能，但更适合 Python 开发者使用。

2024-08-18 09:00:00 72

原创【Python基础】Python中enumerate的高级用法

`enumerate` 是 Python 中的一个内置函数，用于在迭代一个可迭代对象（如列表、元组、字符串等）时同时获取元素的索引和值。它返回的是一个迭代器对象，每次迭代时返回一个包含索引和值的元组。

2024-08-17 10:00:00 42

原创【Python基础】os.getcwd()和os.path.dirname(os.path.abspath(‘file‘)效果是否相同，有什么区别

`os.getcwd()` 和 `os.path.dirname(os.path.abspath('__file__'))` 虽然都可以获取某个路径信息，但它们的作用和效果有所不同

2024-08-16 14:30:00 56

原创【Pytorch实用教程】pytorch中标准化图像数据集的读取处理神器：datasets.ImageFolder

`datasets.ImageFolder` 是 PyTorch 中用于处理图像数据的一个非常方便的类，尤其适合用于组织良好的图像分类任务。它可以从文件夹结构中加载图像数据，并自动分配标签。

2024-08-16 10:49:45 36

原创【Pytorch实用教程】Pytorch中是如何实现注意力机制的

在PyTorch中，实现注意力机制通常包括以下步骤：计算注意力权重、应用权重到输入特征，并进行加权求和。下面我将详细介绍一种常见的实现方法，即用于序列数据的自注意力（Self-Attention）机制。

2024-08-16 10:00:00 56

原创【Pytorch实用教程】Pytorch中加载数据推荐实用：Dataset类

Dataset类是PyTorch中数据加载和处理的重要组件，通过子类化它，你可以灵活地加载各种格式的数据。结合DataLoader，你可以高效地进行批量数据处理，并且通过转换与增强功能，可以在训练过程中有效提升模型的性能。

2024-08-15 15:00:00 50

原创【数据科学】推荐系统简介、顺序推荐系统

推荐系统（Recommendation System）是一种基于用户行为、偏好和数据分析，为用户提供个性化内容或产品推荐的系统。它广泛应用于电商、社交媒体、流媒体平台、新闻网站等领域。推荐系统的核心目标是通过分析用户的历史行为、兴趣偏好以及与其他用户的相似性，向用户推荐他们可能感兴趣的内容，从而提高用户体验和参与度。

2024-08-15 14:37:30 695

原创【数据科学】数据的长尾分布和数据分布偏差

【数据科学】数据的长尾分布和数据分布偏差

2024-08-15 14:30:21 834

原创【Pytorch实用教程】在做模型融合时非常关键的代码：nn.Identity()详解

`nn.Identity()` 是 PyTorch 中的一个简单模块，它在输入和输出之间不做任何操作。换句话说，输入是什么，输出就是什么。这个模块的设计目的主要是为了在需要占位符的情况下使用。

2024-08-15 11:00:00 176

原创【Pytorch实用教程】nn.Transformer用法及多头注意力机制中多头的含义

PyTorch 中的是一个实现了的类。Transformer 是一种的深度学习模型，最早由 Vaswani 等人在年提出，用于自然语言处理任务。与传统的循环神经网络（如 LSTM、GRU）不同，Transformer ，而是通过来，因此具有的优势。主要由两个部分组成：（Encoder）和（Decoder）。编码器（Encoder）：编码器由多个相同结构的（Encoder Layer）堆叠而成，每个编码层包括两个子层：解码器（Decoder）：解码器同样由多个相同结构的解码层（Decoder Lay

2024-08-14 10:00:00 69

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