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 7008

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 9935 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 7423 3

原创【Python基础】python中*args, **kwargs的区别

args允许你将不定数量的位置参数传递给一个函数。在函数内部，args是作为一个元组来处理的。使用时，将多个参数传递给*args，它会自动将这些参数收集到一个元组中。**kwargs允许你将不定数量的关键字参数传递给一个函数。在函数内部，kwargs是作为一个字典来处理的。使用时，可以传递任意数量的参数名和值**kwargs会自动将这些关键字参数收集到一个字典中。

2024-07-19 17:20:24 64

原创【Python基础】Python中装饰器的作用、示例讲解、实际用途

装饰器在Python中是一个非常强大的工具，被广泛用于多种场景，增加代码的灵活性和可重用性。比如，你原始的某个函数的功能只能从本地读取.mat文件，不能print这个文件中的数据，现在用装饰器后，就可以在。这些例子展示了装饰器如何在不同的应用场景中提供简洁和强大的解决方案，使得代码更加模块化、易于维护和扩展。在Web开发中，装饰器经常用来检查用户是否有权执行特定操作，如访问受保护的资源。下面是一个非常简单的装饰器示例，用于在原函数的基础上，打印一行。装饰器可以用于测量函数的执行时间，帮助识别性能瓶颈。

2024-07-19 17:14:16 963

原创【Python数据分析】数据分析三剑客：NumPy、SciPy、Matplotlib中常用操作汇总

Python数据分析三剑客：NumPy、SciPy、Matplotlib中常用操作汇总

2024-07-18 21:44:18 544

原创【Pytorch实用教程】Pytorch中transformer相关组件的详细介绍

【Pytorch实用教程】Pytorch中transformer相关组件的详细介绍

2024-07-18 21:11:16 149

原创【Pytorch实战教程】对抗样本生成中是如何添加噪声的？

这种方法常用在生成对抗样本的场景中，尤其是在实施像Projected Gradient Descent (PGD)这样的攻击方法时。值添加随机扰动，然后分别用未扰动的和扰动的输入数据计算模型的输出。通过比较这两个输出，我们可以观察到输入扰动对模型输出的影响。通常在对抗训练或者生成对抗样本时使用，目的是为了稍微扰动模型的输入数据，从而测试或增强模型在面对输入数据轻微变化时的鲁棒性。假设我们有一个简单的神经网络模型，我们希望在输入数据上添加随机扰动，然后用于模型训练或测试以检查模型的鲁棒性。

2024-07-15 16:38:08 314

原创国家自然科学基金 | 面上| 青基 | 联合 | 重点

国家自然科学基金的联合基金项目是由中国国家自然科学基金委员会（NSFC）与省（区、市）政府或其他部门共同出资设立的一种项目类型，旨在结合地方或行业的科研需求，支持具有重要地方或行业特色的基础研究和应用基础研究。总的来说，国家自然科学基金的联合基金项目不仅加强了基础研究和应用基础研究的结合，还促进了科研资源的地方化配置和科技成果的地方化应用，对促进地区科技进步和经济社会发展具有重要作用。：包括面向基础研究的项目和面向应用基础研究的项目，支持的研究领域更加多样，能够针对合作方的实际需求。

2024-07-15 16:36:44 690

原创【通信原理】其实QPSK就是一种特殊的QAM，即4-QAM

因此，尽管QPSK通常被描述为纯粹的相位调制技术，但从QAM的角度来看，它也可以被视为振幅固定（每个点的振幅相等），仅相位不同的一种形式。要理解“QPSK其实就是一种特殊的QAM，即4-QAM”的说法，我们需要分析这两种技术的基本概念和相互关系。QAM的星座图，星座图相对于IQ调制而言，将数据调制信息映射到坐标中，这些信息包含了信号的幅度信息和相位信息。QPSK可以视为一种特殊的QAM，即4-QAM，这是因为它在调制过程中虽然主要依靠相位变化，但其形式与QAM中的星座图（振幅和相位的组合）兼容。

2024-07-12 09:09:37 115

原创【通信原理】matlab中pskmod的介绍

pskmod是 MATLAB 中用于实现相移键控（Phase Shift Keying, PSK）的调制方式的函数。PSK 是一种数字调制技术，通过改变调制信号的相位来传输信息。在 MATLAB 中，pskmod函数可以用来生成 PSK 调制信号，这在通信系统设计和信号处理中非常有用。

2024-07-10 20:16:38 181

原创【Pytorch实用教程】transformer中创建嵌入层的模块nn.Embedding的用法

是 PyTorch 中的一个模块，用于创建一个嵌入层。这个层的主要作用是将离散的数值（通常是代表单词的索引）映射到一个连续的固定大小的向量空间，这些向量也称为嵌入向量。在自然语言处理和其他类型的机器学习任务中，嵌入层是非常常用的，它可以帮助模型理解和处理类别型输入数据。

2024-07-10 17:26:20 298

原创【python深度学习】通俗易懂的理解一下transformer、RNN、CNN的主要区别

RNN适合处理序列数据，能捕捉序列中的依赖关系，但对于长序列有局限。CNN擅长处理图像数据，通过局部感知提取特征，但不适合处理序列数据。通过自注意力机制并行处理整个序列，适合处理长序列和需要捕捉复杂依赖关系的数据，但计算复杂度较高。

2024-07-10 14:33:33 273

原创【Python基础】加密软件包：pcrydome介绍

是一个在 Python 中广泛使用的密码学库，是pycrypto库的一个分支，旨在解决pycrypto一些已知的安全性和构建问题。库完全兼容pycrypto，提供了加密、解密、签名和消息摘要等功能，支持许多流行的密码学算法，包括对称加密（如 AES 和 DES）、非对称加密（如 RSA）、消息摘要（如 SHA-256）和更多。

2024-07-02 11:26:32 161

原创【Python机器学习】gradio库（快速创建简单的 Web 界面来演示机器学习模型）

Gradio 是一个 Python 库，用于快速创建简单的 Web 界面来演示机器学习模型。Gradio 使得任何人都可以轻松地与机器学习模型交互，而无需了解底层的技术细节。这个例子简单展示了如何将深度学习模型与 Gradio 界面结合，快速创建一个用户友好的模型演示。你可以轻松修改模型或转换逻辑，以适应不同的需求或数据。这个界面接受一个图像输入，显示一个标题，并且输出模型的预测结果。使用 PyTorch 的预训练模型 ResNet18 来对用户上传的图像进行分类。在这个例子中，我们创建了一个函数。

2024-07-02 11:22:19 159

原创【深度学习】常用命令行指令汇总

这些指令对于管理深度学习环境、监控资源使用、调试程序等方面。

2024-06-28 13:39:53 222

原创【Pytorch实战教程】torchvision中 transforms的用法

在 PyTorch 的库中，transforms模块提供了一系列用于预处理图像和进行数据增强的工具。这些变换可以对数据进行标准化裁剪旋转等操作，是构建深度学习模型中图像处理流程的重要部分。

2024-06-28 13:33:55 44

原创【Pytorch实战教程】基于投影梯度下降（PGD）方法的对抗样本生成

使用PyTorch实现基于投影梯度下降（Projected Gradient Descent，PGD）方法的对抗样本生成，并对一个简单的卷积神经网络进行训练和评估。导入库：导入必要的PyTorch库和模块。模型定义：定义一个简单的卷积神经网络，用于分类任务。PGD攻击类：定义一个用于生成对抗样本的类。数据准备：准备MNIST数据集，包括数据加载和预处理。训练和测试函数：定义训练和测试模型的函数。主函数：训练模型，生成对抗样本并测试模型性能。

2024-06-26 20:56:52 406

原创【Pytorch实用教程】如何在多个GPU上使用分布式数据并行进行训练模型

【Pytorch实用教程】如何在多个GPU上使用分布式数据并行进行训练模型

2024-06-26 13:23:36 234

原创【Python基础】pprint：将 Python 对象美观地打印出来

pprint是 Python 标准库中的一个模块，全称为 “Pretty Printer”。顾名思义，pprint的主要功能是将 Python 对象美观地打印出来。这对于打印复杂的数据结构如字典、列表、集合等，尤其是当这些数据结构嵌套较深且包含多个元素时，非常有用。使用pprint可以使输出更加易读，比使用内置的print()函数输出更加整洁和有序。

2024-06-26 09:08:53 49

原创【Pytorch使用教程】torch.backends.cudnn.benchmark = True的作用

在 PyTorch 中，设置是一种优化深度学习应用程序性能的方法，特别是当你有固定输入大小的时候。

2024-06-26 09:04:03 265

原创【Python命令行】argparse模块的详细介绍

Argparse 是一个 Python 标准库模块，用于编写用户友好的命令行接口。该库的主要目的是处理程序运行时接收到的参数字符串，并将这些字符串转换为 Python 数据类型，这样在程序中就可以方便地使用这些参数了。使用 Argparse，可以轻松添加信息，例如帮助信息，以及命令行参数的默认值、类型、必需性等。

2024-06-25 21:29:17 158

原创【分布式】Pytorch在多GPU环境的分布式训练中常见问题汇总

分布式训练涉及在多个计算单元上并行地训练深度学习模型。在多 GPU 环境中，这通常意味着模型的训练过程被分散到多个 GPU 上，以加速训练过程并处理更大的数据集。PyTorch 提供了多种工具和库来支持分布式训练，如(DDP) 等。

2024-06-25 20:56:43 196

原创【计算机视觉】mmcv库详细介绍

该库涵盖了从数据加载到模型训练的各个方面，广泛应用于开源项目，如 MMDetection、MMPose、MMClassification 等，这些都是 OpenMMLab 项目的一部分。：作为 OpenMMLab 的一部分，MMCV 享受到一个活跃的社区支持，包括频繁的更新和大量的文档资源。MMCV 的运行器（Runner）抽象了训练循环，使得用户只需关注模型构建、数据处理和配置设置，而训练的执行细节由 MMCV 管理。：封装了训练过程的管理，包括训练循环、验证和测试，以及日志记录和模型检查点的保存。

2024-06-25 20:51:06 227

原创项目实战：基于RML2018的融合网络分类 | LSTM网络和ResNet网络融合 | 含数据集的处理

这段代码是从原始数据中读取所选择的数据，画出星座图，并将星座图保存本地，然后将IQ数据保存成mat文件，将图片数据读取之后保存为npy文件，方便后续融合网络使用。

2024-06-18 14:23:49 69

原创 Python深度学习：融合网络 | LSTM网络和ResNet网络融合 | 含随机生成的训练数据集

LSTMResNet 类接受两个输入（LSTM的序列输入和ResNet的图像输入），分别通过LSTM和ResNet进行处理，然后将它们的输出拼接在一起，通过全连接层进行分类。RandomDataset 类生成随机的序列数据和图像数据，并确保它们具有所需的形状。调整数据加载器和前向传播步骤以处理两个输入。

2024-06-13 14:47:39 468 1

原创通信原理：高阶矩

高阶矩是描述随机变量特性的统计量，通常用于捕捉随机变量的形状和分布特征。它们是随机变量的某种幂次的期望值。

2024-06-13 14:21:50 74

原创 Python深度学习：Bi-LSTM和LSTM在网络上有什么区别，对比来看

Python深度学习：Bi-LSTM和LSTM在网络上有什么区别，对比来看

2024-06-12 08:44:28 196

原创 Python基础：在多个.py文件组成的项目中如何安全的使用文件路径（绝对路径安全，相对路径可移植性好，如何选？）

在Python项目中使用相对路径时，路径的计算是基于当前执行脚本的位置，即当前工作目录（Current Working Directory, CWD）。这通常是你从中启动Python解释器的目录。这种方式在简单脚本或当你直接从命令行运行单个脚本文件时行得通，但在较大的项目或多层目录结构中可能导致路径错误。要确保在多个.py。

2024-06-03 17:27:43 166

原创 Python数据分析【Numpy系列】np.linspace()用法详解

`np.linspace()` 是 NumPy 库中一个非常有用的函数，它用于在指定的区间内生成等间距的样本值。这个函数非常适合在数值分析、数据可视化和信号处理等领域生成数据点。

2024-06-03 11:17:49 460

原创 Pytorch实用教程：为什么定义模型时，没有输入形参，但是使用时可以直接传入输入数据？

在 PyTorch 中，当你定义一个模型，即使在模型定义时没有显式声明接收输入数据的参数，模型的使用仍然可以通过直接传入输入数据来进行。这是因为模型类继承自 `torch.nn.Module`，而 `torch.nn.Module` 已经预定义了如何处理输入数据的方式。

2024-05-30 16:12:38 126

原创 Python基础：Python中类型注解的详细介绍

Python 中的类型注解是 Python 3.5 引入的功能，主要用于提供关于变量、函数参数和函数返回值类型的额外信息。类型注解不影响 Python 程序的运行时行为，因为 Python 仍然是一种动态类型语言，注解不会强制类型检查。但它们对于代码维护、可读性、以及通过静态类型检查工具（如 MyPy）提高代码质量非常有用。

2024-05-30 16:03:10 52

原创 Pytorch实用教程：super(MLP,self).init()和super().init()有什么区别？

在 Python 中，super()函数用于调用父类（超类）的方法。它的使用在继承关系中非常常见，特别是在初始化继承自父类的属性时。在 PyTorch 中，这通常见于初始化nn.Module类的子类。super()的两种调用方式有微妙的差别，但在 Python 3 中常常用来达到同样的目的。这种写法在 Python 2 中非常常见。这里，super()被调用时需要指定当前类名（MLP）和当前实例（self。

2024-05-30 14:50:55 220

原创 Pytorch实用教程：pytorch中nn.Linear()用法详解 | 构建多层感知机 | nn.Module的作用 | nn.Sequential的作用

Pytorch实用教程：pytorch中nn.Linear()用法详解 | 构建多层感知机 | nn.Module的作用 | nn.Sequential的作用

2024-05-30 14:40:11 339

原创 Pytorch实用教程：pytorch中 argmax(dim)用法详解

是 PyTorch 中的一个函数，用于找出指定维度上最大值的索引。argmax函数是在多维张量上进行操作的，通过dim参数可以指定在哪一个维度上查找最大值。

2024-05-29 14:17:57 343

原创 Python深度学习：【模型系列】一文搞懂Transformer架构的三种注意力机制

注意力机制最初受到人类视觉注意力的启发，目的是让模型在处理大量信息时能够聚焦于当前任务最为相关的部分。在深度学习中，注意力机制允许模型动态地将关注点分配到输入数据的重要部分上，提高了模型处理信息的效率和效果。这种机制尤其在自然语言处理和图像识别领域表现出强大的能力，能够显著提升模型处理序列数据的性能。Transformer 通过其独特的自注意力层和多头注意力机制，配合位置编码和专门的结构设计，极大地。

2024-05-28 20:44:57 91

原创 Python深度学习：【模型系列】Transformer面试灵魂20问

Transformer模型是一种基于自注意力机制的神经网络架构，主要用于处理序列数据，如自然语言处理任务。它由Google在2017年提出，并在“Attention is All You Need”这篇论文中首次公开。Transformer模型的核心思想是利用自注意力机制来捕捉序列中的依赖关系，从而实现对序列数据的有效处理。Transformer模型主要由编码器和解码器两部分组成，每部分都包含多层自注意力机制和前馈神经网络。编码器负责将输入序列转换为一种内部表示，而解码器则利用这种内部表示来生成输出序列。

2024-05-28 20:40:18 166

原创 Pytorch实用教程：多分类任务中使用的交叉熵损失函数nn.CrossEntropyLoss

`nn.CrossEntropyLoss` 是 PyTorch 中用于`多分类任务`的`标准损失函数`。它结合了 `nn.LogSoftmax` 和 `nn.NLLLoss`（负对数似然损失）。在多分类任务中，这个损失函数能够有效地评估模型预测的概率分布和真实标签之间的差异。

2024-05-28 19:28:28 628

原创 Pytorch实用教程：torch.cat()函数的用法详解

torch.cat是 PyTorch 中用于沿指定维度连接张量的函数。

2024-05-28 16:04:28 225

原创【20天拿下Pytorch：Day 8】损失函数losses

一般来说，监督学习的目标函数由损失函数和正则化项组成。Pytorch中的损失函数一般在训练模型时候指定。注意Pytorch中内置的损失函数的参数和tensorflow不同，是y_pred在前y_true在后，而Tensorflow是y_true在前，y_pred在后。对于回归模型，通常使用的内置损失函数是均方损失函数nn.MSELoss。对于二分类模型，通常使用的是二元交叉熵损失函数nn.BCELoss(输入已经是sigmoid激活函数之后的结果) 或者(输入尚未经过nn.Sigmoid激活函数)。

2024-05-28 14:09:15 1224

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