自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(10)
  • 收藏
  • 关注

原创 Openlayers V9.2.4 Overlay 详解

Openlayers V9.2.4 Overlay 的使用说明

2024-06-02 13:11:41 1249

原创 remotely save 插件同步失败问题 - 出错 getting remote files list

obsidian #插件 #远程同步 #坚果云使用坚果云WebDev进行同步。

2024-05-12 14:16:39 1207

原创 CesiumJS - 01 起步 Hello world

下载 Cesium;看地球 - Viewer类的实例;用自己的数据 - 加载本地离线的地形和影像。

2024-01-24 20:22:47 1018 1

原创 TF-IDF 加权及 scikit-learn 使用

一些经常出现(频次较高)的单词对实际意义几乎没有帮助(如英语中的 “the”、“a”、“is”),会掩盖掉频次较低的有意义词。通过将频次较低、有意义的,可以更好地突出文档的特征。

2024-01-15 23:14:50 924

原创 PyQt5 学习记录

在 Pycharm 中初步使用 PyQt5 ,使用了 Qt Designer 、 pyUIC和 PyInstaller 打包生成 Windows 环境下的 .exe 文件,记录了学习过程及部分坑点。

2023-12-25 19:58:43 55

原创 极化相干矩阵去取向角处理

简要说明去取向角是通过旋转相干矩阵T3T_3T3​,使得元素T33T_{33}T33​最小的处理。MATLAB代码function T3_theta = deorientation(T3)%% 去取向角处理% 输入:% T3 极化相干矩阵,3*3,Hermitian矩阵% 输出:% T3_theta 去取向角后的极化相干矩阵,3*3,Hermitian矩阵%% Copyright: Erji Fan 2021-1-15 10

2021-01-15 10:43:12 803 2

原创 极化相干分解——Pauli分解

MATLAB代码function [a,b,c,d] = PauliDecomposition(S)%% 对极化散射矩阵进行Pauli分解,并返回各成分占比% 输入:% S 2*2复矩阵% 输出: % a,b,c,d 复数,对应成分占比% % Copyright: Erji Fan 2021-1-4 10:49:13%%%k = reshape(S.',[],1); % 将矩阵直序展开为列向量% Pauli基kA = 1/sqr

2021-01-04 10:50:28 4007 1

原创 极化相干分解——Cameron分解

MATLAB代码function target_type = CameronDecomposition(S)%% 对极化散射矩阵进行Cameron分解,并返回分解类型% 输入:% S 2*2复矩阵% 输出:% target_type 分解目标类型%% Copyright: Erji Fan 2021-1-2 19:29:03%%k = reshape(S.',[],1); % 将矩阵直序展开为列向量% Pauli基kA = 1/sqrt(

2021-01-02 19:32:27 2122 3

原创 差分高斯函数与拉普拉斯函数的近似关系

函数差分高斯函数为D(x,y,σ)=(G(x,y,kσ)−G(x,y,σ))∗I(x,y) D(x,y,\sigma)=(G(x,y,k\sigma)-G(x,y,\sigma))*I(x,y)D(x,y,σ)=(G(x,y,kσ)−G(x,y,σ))∗I(x,y)拉普拉斯函数为σ2∇2Gσ^2 ∇^2 Gσ2∇2G近似关系推导从热传播方程∂G∂σ=σ∇2G \frac{∂G}{∂σ...

2020-04-17 22:09:42 1071

原创 统计信号处理中的似然函数与最大似然估计

假设条件1、参数为标量形式,θθθ2、加性模型(x[n]=s[n;θ]+w[n],n=0,1,…N−1x[n]=s[n;θ]+w[n],n=0,1,…N-1x[n]=s[n;θ]+w[n],n=0,1,…N−1) :观测数据x[n]x[n]x[n]、信号模型s[n;θ]s[n;θ]s[n;θ]、噪声w[n]w[n]w[n],这里的观测数据x[n]x[n]x[n]并不是代表一个具体的实现,而是一...

2020-03-17 16:27:02 2057 1

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除