老程的技术笔记

通常来说，我们在设备上存储的数据是以二进制进行传输的，但是当我们试图将数据传输到更远的地方时，或者通过一些其他介质，例如WI-FI、蓝牙，同轴电缆、或者其他无线电信号进行远距离传输的时候，我们就需要把数据转化为模拟信号进行传输。常见的数模转换，例如对于一个8bit的数据来说，我们可以通过把电势划分成8个不同的等级来代表每一个位，如果一个位为1，那么对应的电势就会被调高，而如果为0，则对应的电势会被调低。通过6，7，8，9引脚分别输入数字信号和时钟输入，就可以在13和14引脚得到其对应的模拟信号。

在每次测量更新步骤中，卡尔曼滤波器将预测的状态向量 x’ 通过测量矩阵 H 映射到测量空间得到预测的测量值 z’，然后与实际测量值 z 进行比较，通过计算测量残差（实际测量值与预测测量值之间的差异）来更新状态估计。它的大小是 m × n，其中 m 是测量向量的维数（即实际测量的数量），n 是状态向量的维数（即系统的状态数量）。在大多数情况下，当我们的系统中存在大量随机信号，或者说不确定信号的时候，我们可能会需要一种滤波器来帮助我们过滤掉系统中的噪音，除了在先前文章中提到的基于滑动窗口的滤波器，

加权移动平均滤波（Weighted Moving Average Filtering）是一种对移动平均滤波的改进，它在计算滑动窗口内样本的平均值时为不同的样本赋予不同的权重，以便更好地适应信号的变化。与移动平均滤波不同，加权移动平均滤波使用一个权重向量来对窗口内的样本进行加权平均。这个权重向量定义了每个样本在平均计算中的重要性。通常情况下，权重向量是根据一定的规则或特定的设计目标来确定的。线性权重：在滑动窗口中，最早的样本权重最小，最新的样本权重最大。

除了FFT或Wavelet以外，对于一维信号，我们还可以使用类似移动平均滤波（Moving Average Filtering）实现denoising。是一种简单的信号滤波算法，用于减小信号中的噪声或去除高频成分，从而平滑信号。它基于对信号中一定窗口内数据的平均值进行计算。它的基本原理如下：给定一个包含 N 个样本的信号序列xnx[n]xn，其中 n 是样本的索引（从 0 到 N-1）。移动平均滤波通过在信号序列上滑动一个固定长度为 M 的窗口，并计算窗口内样本的平均值来进行滤波。ykx。

信噪比（Signal-to-Noise Ratio，缩写为 SNR）是衡量信号与噪声强度比值的指标。它可以用来表示信号在噪声干扰下的传输质量。通常情况下，信噪比越大，信号质量就越好。信噪比可以应用于各种不同的领域，包括通信、信号处理、信息论等。在通信领域中，信噪比可以用来表示信号在通过通信链路时的质量。在信号处理领域中，信噪比可以用来表示信号在进行信号处理操作时的质量。在信息论领域中，信噪比可以用来表示信息在噪声干扰下的传输效率。信噪比的公式通常为：SNR = 信号强度 / 噪声强度。

在信号处理中，使用频率谱或功率谱取决于我们想要描述的信号特性。如果想要描述信号的频率分布情况，则使用频率谱；如果想要描述信号的能量分布情况，则使用功率谱。其中 P(f) 是功率谱，|X(f)| 是频率谱，R 是阻抗。功率谱是指将信号的功率分布情况分离出来后的图像，它可以用来描述信号的能量分布情况。这是因为频率谱和功率谱之间的关系可以用以下方程表示。频率谱是指将信号的频率成分分离出来后的图像，它可以用来描述信号的频率分布情况。这两个名词，今天在这篇文章里，我们就来解释这两个经常听到的名词。

文章目录冲激函数(Impulse Function)的数学定义对连续信号的采样冲激函数(Impulse Function)的数学定义δ(t)={∞t=00t≠0\delta(t) = \left\{\begin{matrix}\infty & t = 0 \\0 & t \neq 0\end{matrix}\right.δ(t)={∞0​t=0t​=0​它所表示的，在某一时刻有一个近乎无限大，而在其他时刻时什么也没有，此时，这种函数它的积分又有如下性质：f(0)=∫δ(t

我们在前面的内容中已经介绍过，小波是什么，小波是如何对信号进行分解，以及小波对信号成分是如何分析的，今天在这篇文章，也是整个小波分析最后一个章节里，我们来谈谈小波最重要的应用，也就是如何使用小波函数对信号进行去噪以及去噪后如何重构去噪后的信号。

在前面的章节里已经介绍过小波的理论、公式等知识点，现在我们来看看如何用小波来实现对复杂信号的成分分析。在我们这个示例代码里，我们只使用到如下几个库：首先创建一个包含多频率成分的信号我们使用numpy和python来实现相关代码，并且所用的小波函数为墨西哥帽小波。于是我们可以得到下面这些代码：感兴趣的话，可以使用FFT工具对上述信号成分进行分析，其具体代码为：然后我们用数学实现一个墨西哥草帽小波墨西哥草帽小波（Mexican Hat Wavelet）也叫Ricker小波，是一种常用的小波函数，其可以

在循环的每次迭代中，都会初始化一个近似信息列表和当前循环的细节信息列表。然后，开始另一个循环，循环次数为数据列表的长度，每次循环都会跳过两个值。在循环的每次迭代中，都会计算对的平均值并将其添加到近似信息列表中，并将对的第一个值与平均值之差添加到细节信息列表中。Haar小波变换是一种离散小波变换，它可以将时间序列数据分解为近似信息和细节信息。近似信息是数据的一个粗略的表示，细节信息包含数据的细微差别。它的基本思想是将时间序列数据分解为多个不同尺度的部分，以便在分解后的每个尺度上更好地理解数据的特征。

由于小波变换作为一种可以将原始信号分解为不同频带的数学工具，而且在上一章中我们已经简要的介绍了它与傅里叶函数的异同，和一些其他特点，所以在这一章中我们再继续探讨一些关于小波在信号分解和合成方面的数学原理。Coiflets 小波是一类常用的小波核函数，具有较高的时域精度和较低的频域精度。所以，我们可以立即得到一个和上面相似的，但是更简单点的方法来描述这组公式，也就是小波的离散形式，即对于离散信号。Symlets 小波是一类常用的小波核函数，其中最常用的是。Haar小波是最简单的小波，其公式为。

我们知道频域滤波函数的一个特点，就是可以从原始数据中找出和积函数关联性相关性更高的成分。根据小波函数的特点，它也具备和这类函数相似的特点，而且比固定尺寸和卷积，或者需要依靠滑动窗口分析的傅立叶要更灵活。事实上，自从小波分析被提出后，已经在很多地方广泛使用，并且在一定程度上取代了傅立叶分析。在这一章节里，我将为大家介绍这种神奇的小波分析。小波变化/小波分析 （Wavelet Transform）首先，有请小波函数：CWTxψ(τ,s)=Ψxψ(τ,s)=1∣s∣∫f(t)⋅ψ∗(t−τs)dtCW.

这是本系列的最后一章，原先计划是把这部分内容一并挪到上一章里的，不过喜欢凑一个整数，而且想骗一点流量，所以把它们拆成了两部分。我们在前面的内容中，通过使用不同的频率信号对原始信号进行采样，从而分析出原始波形的频率组成。我们通过离散傅里叶DFT计算出频率后，经过处理后，有时候还是有需要将频率转换回时域信号。虽然这个部分也不是什么困难的事，作为这个系列的收尾，我还是提供它的1维的逆计算代码实现。文章目录前期准备复平面空间复数乘法基信号实现代码基信号实现信号叠加实数平面映射后记前期准备复平面空间虽然.

这应该是本系列的最后一章，如果你从这个系列的第一章追到这里，请为自己感到自豪，尽管傅里叶级数并不是很艰深的知识点，但是它所体现的数学思想，确实非常难以让刚进入大学本科学习阶段的学生难以适应。实际上我也是因为工作的原因，因为经常使用到这个工具，所以才会有了想要深入了解它的兴趣。并且每一次重新阅读相关论文和著作，都会有不一样的认识和看法。文章目录引入相位的变化1维 DFT 实现1维 iDFT 实现引入相位的变化1维 DFT 实现上一章中，我们通过简单的用一组不同频率的余弦函数，对原信号进行了采样，并.

某大佬说过如下一句话因此，这一章里我们徒手撸一个傅里叶分析的代码，用来分析和处理一维信号数据。当然，从一维扩展至二维也是非常容易的，甚至扩展至短时傅里叶也是可以的，因为它的基本原理是一样的。当然，这里有一个前提，就是你已经看懂我前面写的内容。如果你不知道我前面写了什么，而跑来看这里的代码，我敢打赌你不太可能看的懂得。浅谈傅里叶（1）——从无穷级数到傅里叶级数浅谈傅里叶（2）——用欧拉公式简化傅里叶公式浅谈傅里叶（3）——傅里叶级数的收敛性证明与如何处理不连续信号、及频谱浅谈傅里叶（.

由《浅谈傅里叶4》可以知道，短时傅里叶使用了类似滤波器一样的工具，并且应用到了类似卷积的计算方法。接下来，我们将介绍短时傅里叶的一些缺点，以便你在使用傅里叶级数这个强大的工具前，能知道它的优缺点。

使用傅里叶分析，可以对信号进行频率分析，但是由于傅里叶分析是对全时域的分析，所以它对于某些特殊信号频率在某时段的出现，以及突变信号，变频信号的分析就有不足。所以我们在这章中，将介绍傅里叶分析的改进方法，短时傅里叶。

从《浅谈傅里叶1》给出了傅里叶公式的三角函数和形式，并且通过欧拉公式作为桥，将实数平面的三角函数和映射到了复平面上，于是在《浅谈傅里叶2》中，有了我们常见的以复指数形式表达的傅里叶公式形式，并且给出了正交性的结论与表达方法。 而在本章中，我们将试图证明傅里叶函数的收敛与收敛条件。如果傅里叶级数无法收敛，那么对于给定周期函数f(t)，我们就无法从数学定义上证明傅里叶级数可以拟合...

在上一篇《浅谈傅里叶1》中已经给出了欧拉公式的推导和三角函数和的表达式，虽然三角函数和就是傅里叶公式的表达形式，但是数学家们还是嫌这样的表达式过于累赘，于是试图偷懒，通过将实数平面的三角函数和投影到复平面，简化计算公式。

对于计算机来说，绝大多数数据是可以当作信号来处理的，而信号处理的焦点，多集中在对信号的时域（temporal domain）、频域（frequency domain）的分析。试想一下，一首优美动听的音乐，如果用五线谱进行表示，是有不同的音符和节拍组成的。对于信号来说，五线谱就是这段音乐的时频信息，包含在什么时候演奏什么音高，一小节时常多少，每个音符的演奏时常是多少，而这是频率信息。...

首先声明一点，我没有做过除了图形图像，所以我无法给出在其他领域里出现的卷积核函数，以及解释在其他领域中的卷积具体有什么作用。而卷积本身，我所听说过的，就有非常多不同种类，在这篇文章里我所能做的，是尽可能罗列我所知道的，或者通过一些文章找到的卷积核。至于其他的卷积核，当你不知道它能产生什么效果时，你可以在理解这两篇文章后这，自己动手实践一下。文章目录模糊型卷积核函数均值模糊型高斯模糊型增强型卷积核函数锐化型特征提取型卷积核函数梯度特征型以下类型分类，我是按照我自己对于卷积效果的理解进行分类的，不一定是.

卷积的基本概念卷积，是一个强有力的数学工具，在计算机领域中有很多非常不错的运用，能产生很多意想不到的效果和输出。数学上，其连续函数的解析式写作：F(x)=∫−∞∞f(τ)g(x−τ)dτF(x) = \int_{-\infty}^{\infty} f(\tau) g(x-\tau) d\tauF(x)=∫−∞∞​f(τ)g(x−τ)dτ而离散形为：F(x)=∑τ=0Nf(τ)g(x−τ)F(x) = \sum_{\tau = 0}^{N} f(\tau) g(x-\tau)F(x)=τ=0