NashSKY-CSDN博客

原创 CUDA C++ 实现 IEEE 754 标准下 double 型 NaN

IEEE 754 是一套规定计算机如何存储和计算浮点数的标准。

2026-10-05 11:37:28 160

原创声学阵列信号处理中的远场临界距离（夫琅禾费距离）

本文介绍声学麦克风阵列处理中的一个关键物理边界 ——，即通常所说的。文末还附有一个 Python 脚本，用于绘制远场临界距离随频率变化的曲线，帮助理解和应用这一概念。

2026-05-28 20:53:22 383

原创 LCMV 波束成形算法详解

假设麦克风阵列有MMMxtxtM×1M \times 1M×1的复数列向量，表示时刻ttt阵列接收到的信号。w\mathbf{w}wM×1M \times 1M×1的复数权值列向量。yty(t)yt：阵列输出信号，由各麦克风信号加权求和得到：ytwHxtytwHxt目标函数（最小化总输出功率/方差）阵列输出信号的功率（方差）PPPPE∣yt∣2EwHxtxHtwwHExtxHtw。

2026-05-27 20:14:37 386

原创广义互相关（GCC）时延估计：PHAT、SCOT 与 Roth 加权全解析

当空间中存在一个声源和两个麦克风时，声音到达两个麦克风的时间会有先后之分，这个时间差称为TDOA（到达时间差，Time Difference of Arrival）。时间延迟估计（TDE, Time Delay Estimation）的任务，就是精确地把这个 TDOA 算出来。它是实现麦克风阵列声源定位的核心技术之一——一旦知道了声音到达各麦克风的时间差，结合麦克风的几何位置，就能反推出声源的方向乃至位置。而 GCC 家族算法，正是完成这项任务最经典、最具代表性的一类方法。RGCCτ∫−∞。

2026-05-27 20:06:20 511

原创矩阵求逆引理（Woodbury Matrix Identity）

Woodbury 公式、矩阵反演引理、Matrix Inversion Lemma：把一个"大矩阵 + 低秩修正"的逆，转化为对一个求逆，从而大幅减少计算量。

2026-05-27 10:54:08 524

原创 RK3588 Debian 系统安装与WiFi/SSH配置笔记

这与原 Buildroot 笔记里的基本流程一致：先让无线接口存在，再通过 wpa_supplicant 认证，最后 DHCP 获取 IP。不需要额外指定新的 Debian 镜像保存位置，SDK 会自动把 Debian rootfs 打包进最终的 update.img。严格说这一步不是「手动设置文件存储位置」，而是要先明确：在哪个 SDK 目录里操作、修改哪个配置文件、生成的镜像会保存到哪里。但自动检测脚本没有正确识别，所以我们采用手动加载驱动的方式。这一步非常关键，否则系统虽然能启动，但屏幕可能不正常。

2026-05-25 21:36:35 341

原创 RK3588 摄像头图形应用开发笔记

find: 'output/host': 没有那个文件或目录原因是 SDK 输出目录不是顶层,而是。正确的环境变量见第 2、3 节。

2026-05-24 16:47:44 410

原创 RK3588 Buildroot 连接 WiFi 与 SSH 登录完整流程

稳定方案是：RK3588 Buildroot 启动后，由厂商加载 WiFi 驱动，再由新增的S99wifi后台延迟调用，等待后执行 DHCP 获取，Ubuntu 电脑再通过远程登录开发。

2026-05-23 11:47:06 505

原创 RK3588 Linux SDK 编译、烧录与 MIPI 屏配置流程

1. 进入容器# 2. 进入 SDK# 3. 同步本地源码# 4. 同步 dl 到 buildroot/dl# 5. 配置 10.1 寸 MIPI 屏 DTS# 6. 重新生成配置# 7. 确认 DTS# 8. 清理旧产物# 9. 重新编译# 10. 确认打包 DTB到这里，系统编译、烧录、10.1 寸 MIPI 屏显示就全部走通了。

2026-05-23 10:20:01 438

原创使用 tmux 让服务器训练任务在后台持续运行

在做深度学习训练时，我们常常会遇到这样的烦恼：通过 SSH 连接到服务器跑训练，结果一关电脑、断网或者退出终端，训练任务就跟着挂掉了。第二天打开电脑一看，进度全没，又得从头再来。tmux就是解决这个问题的神器。下面用四个步骤，带你完整走一遍"启动训练 → 后台挂起 → 第二天恢复查看"的完整流程。

2026-05-20 20:37:51 547

原创 EPnP 算法详解

在世界坐标系下，选择 4 个不共面的控制点Cjwj1234Cjwj1234。选择所有 3D 点的质心作为第一个控制点另外三个控制点通过对数据进行主成分分析（PCA）得到的主方向来确定任意一个 3D 点PiwP_i^wPiw（其中i1ni1nPiw∑j14αijCjwPiwj1∑4αijCjw其中αijαij是齐次重心坐标∑j14αij1。

2026-05-18 22:02:25 483 1

原创 PnP 问题：数学描述与 DLT 算法推导

3D 空间点：设世界坐标系下的第iii个 3D 点为PwiXwiYwiZwiTPwiXwiYwiZwiT其齐次坐标为PwiXwiYwiZwi1TPwiXwiYwiZwi1T。2D 图像点：对应的图像像素坐标为piuiviTpiuiviT，其齐次坐标为piuivi1Tpiuivi1。

2026-05-18 20:51:29 437

原创 EM 算法完整推导与本质剖析

基于qtZq^{(t)}(Z)qtZQθθt∑ZqtZlog⁡PXZ∣θEZ∣Xθt⁣log⁡PXZ∣θQθθtZ∑qtZlogPXZ∣θEZ∣XθtlogPXZ∣θE 步结论:把qZq(Z)qZ设为当前参数下隐变量的后验分布,此时DKL0D_{KL}=0DKL0,下界与真实似然在θtθt处相切。输入:观测数据XXX,模型PX。

2026-05-17 16:45:56 458

原创用舒尔补给平面圆“配方“:从齐次矩阵形式到圆心 + 半径形式

设有一个分块矩阵PABCDPACBD其中A\mathbf{A}A是p×pp\times pp×p的可逆方阵,D\mathbf{D}D是q×qq\times qq×q方阵,B\mathbf{B}B是p×qp\times qp×qC\mathbf{C}C是q×pq\times pq×p。则称PAD−CA−1B:=\;PA:=D−CA−1B为A\mathbf{A}A在P。

2026-05-17 14:21:29 459

原创波束成形MVDR (最小方差无失真响应) 算法数学原理解析

确保来自“目标方向”的信号能够完好无损地通过滤波器，即其增益保持为 1，且相位不发生畸变。在满足无失真约束的前提下，尽可能压低滤波器输出的总能量（方差）。由于目标信号能量固定，压低总能量意味着最大程度地抑制了来自非目标方向的干扰和背景噪声。在声学处理中，MVDR 常用于空间滤波，通过形成指向声源的“听觉波束”，提取出纯净的目标声音。假设由MMM个传感器组成的阵列，在某个频点fff下，接收到的信号向量xtxtMimes1M imes 1Mimes1xtaθ0。

2026-05-14 00:20:17 415

原创波束成形SRP-PHAT算法与数学原理解析

在时域中，两者的互相关函数RxyτRxyτRxyτ∫−∞∞xty∗t−τdtRxyτ∫−∞∞xty∗t−τdt(注：上标∗∗代表复共轭。在处理麦克风采集的纯实数音频信号时，由于实数的共轭等于其本身，工程上常省略该符号，记为Rxyτ∫xtyt−τdtRxyτ∫xtyt−τdt。

2026-05-13 23:50:14 354

原创阵列信号MUSIC算法数学模型与推导总结

MUSIC，全称 Multiple Signal Classification，的核心思想是：假设有一个由 MMM 个传感器组成的阵列，例如 MMM 个麦克风。空间中有 KKK 个远场窄带信号源，它们从不同方向到达阵列。目标是估计这 KKK 个信号源的到达方向：Θ={θ1,θ2,…,θK}\Theta = \{\theta_1, \theta_2, \dots, \theta_K\}Θ={θ1,θ2,…,θK}对于二维平面阵列或三维空间阵列，方向通常写为方位角和俯仰角：Θ={(θ1,ϕ1),(θ2

2026-05-13 00:42:14 434

原创关于支持向量机（SVM）的数学原理、参数拟合、嵌入式部署的完整指南

考虑一个二分类问题。给定训练集：D={(x1,y1),(x2,y2),…,(xn,yn)}D = \{(\mathbf{x}_1, y_1), (\mathbf{x}_2, y_2), \ldots, (\mathbf{x}_n, y_n)\}D={(x1,y1),(x2,y2),…,(xn,yn)}其中：目标：找到一个超平面将两类样本分开，并且分得"尽可能好"。超平面方程：wTx+b=0\mathbf{w}^T \mathbf{x} + b = 0wTx+b=0其中 w∈Rd\mathbf{w

2026-05-12 21:54:38 483 4

原创关于主成分分析（PCA）的数学原理、参数拟合、嵌入式部署的完整指南

PCA(Principal Component Analysis,主成分分析)是一种经典的无监督降维算法。它的核心目标是:把高维数据压缩到低维空间,同时尽量保留原始数据中的信息(方差)。PCA 在拟合阶段实际上只学到两个参数形状作用均值向量μμDDD中心化投影矩阵WWWk×Dk \times Dk×D降维投影注意：必须只用训练集计算这两个参数,否则会发生数据泄漏(data leakage),导致测试结果虚高。

2026-05-11 21:29:26 384

原创用 Thomson Sampling 对旋转矩阵采样

本文说明用 Thomson 球面采样思想对三维旋转矩阵R∈SO3的采样，并解释为什么它比“直接对三个欧拉角均匀采样”更适合生成近似均匀的旋转样本。代码在本文末尾。

2026-05-10 22:45:31 357

原创在位姿优化里手推雅可比：罗德里格斯参数化下的两类求导技巧（二）

消去步骤跟 3.4 节一模一样，唯一的差别是项 ⑧ 现在含的是。代回 2.3 节末尾的雅可比表达式，再结合 3.1 节的。又是引理 1 的三明治结构，恒为零。但是用引理 1 完全相同的正交基套路（设。这正是引理 1 里那个三明治结构（关系，就得到本文开头那个目标公式。：思路与 3.4 节完全平行。提到左边作为基矩阵，系数排成。分三项验证），可以同样证明。是常数因子），结果恒为零。由罗德里格斯公式取转置（（叉乘与自身为零）。直接套引理 4：右边等于。所以项 ⑧ 同样消失。

2026-05-10 18:01:01 378

原创在位姿优化里手推雅可比：罗德里格斯参数化下的两类求导技巧（一）

在基于模型的位姿估计里，列文伯格-马夸尔特（LM）算法的每一次迭代都要计算雅可比矩阵 J(k)=∇xT[… εi … ]T\mathbf{J}^{(k)} = \nabla_{\mathbf{x}}^T [\dots\, \varepsilon_i\, \dots]^TJ(k)=∇xT[…εi…]T，其中 εi\varepsilon_iεi 是图像数据点和模型投影点之间的几何距离，x\mathbf{x}x 是把旋转矩阵和位移向量摊平之后的六维参数向量。如果用数值差分来逼近这个雅可比，性能上会比较吃亏：

2026-05-10 18:00:08 354

原创平面中的圆经过射影变换投影到图像后，如何根据投影后的圆锥曲线矩阵求出其圆心在图像中的坐标

表示齐次坐标意义下相等，即二者可以相差一个非零尺度因子。现假设圆所在平面到图像平面之间存在单应变换。表示圆所在平面坐标系中的无穷远线，表示圆心的齐次坐标。

2026-05-10 15:55:52 406

原创 siboehm的[Kernel 3: Shared Memory Cache-Blocking]中为什么从全局内存中搬运到共享内存的是“小方块”而不是“小向量”？

主要有两个决定性的原因，其中第一个正是你提到的全局内存合并访问，第二个则是极致的数据复用数学原理。

2026-05-05 22:17:27 235

原创 SGEMM_CUDA项目中为什么将CUDA 线程块（Thread Block）的维度大小设置为32

因此，为了保证硬件执行效率最高，我们通常要把 Block 的总线程数设置为 32 的整数倍，否则就会出现“凑不满一个 Warp”的情况，导致算力被白白浪费。如果一个 Warp（32个线程）刚好去读取一段连续的 32 个 float 数据（每个 float 4 字节，字节），这正好完美匹配了 GPU 显存控制器的标准内存事务大小（通常是 32 字节或 128 字节）。在 CUDA 编程中，“32”是一个极其特殊的数字，这和 NVIDIA GPU 的底层硬件架构息息相关。Warp（线程束）的自然大小。

2026-05-05 15:11:45 47

不务正业的滴滴司机