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

-+

雪招在等开花

互相交流 一起成长

  • 博客(40)
  • 资源 (1)
  • 收藏
  • 关注

原创 如何查看gc日志

转载。

2023-03-10 13:59:05 408

原创 Head first Java 简单socket通信实现

Head first Java 简单socket通信实现

2023-03-06 21:13:56 184

原创 vscode使用linux jsoncpp配置

vscode写c++,如何配置jsoncpp?

2022-08-06 16:26:01 550

原创 linux网络编程--Web Server and HTTP

基本概念browser与server通信,在浏览器输入域名或IP地址:port号,浏览器进行域名解析为相应的ip地址或根据ip地址向对应server发送http请求。 其中首先要TCP协议进行三次握手,建立连接,然后http协议生成对应的http请求报文,通过TCP,IP协议发送到目标server。HTTP: 超文本传输协议,请求和响应消息头以ASCII形式发出,消息内容类似MIME;默认端口80,本地发出请求的客户端叫做用户代理程序,和服务器之间会存在多个“中间层”,比如代理服务器、网关或.

2022-04-29 21:23:51 394

原创 阻塞非阻塞,同步异步,IO模型

IO包括数据就绪,数据读写处理IO时,阻塞非阻塞都是同步IO,除非使用特殊API.同步:数据读写由应用程序自己完成,异步则由操作系统处理,处理完毕后通知应用程序。

2022-04-29 20:06:23 103

原创 linux网络编程---IO多路复用

IO模型:阻塞等待模型(BIO):1)优点:不占用CPU时间片,阻塞时,cpu时间片交给别人,缺点:但同时只能处理同一个操作。2)可以使用多线程/多进程实现并发处理多个客户端请求,每个线程对应一个客户端,线程里进行读写操作,主线程则可以继续运行监听客户端。 (但每个线程里 其实也会存在阻塞问题)while(1){accept(lfd,...); (blocking)create thread->read/write; (blocking...

2022-04-24 18:11:02 433

原创 Head First 设计模式——chapter4 工厂模式C++实现

工厂模式:用来封装对象的创建,通过让子类决定该创建的对象是什么,来达到将对象创建过程封装的目的。#include "test.h"void Pizza::prepare(){ std::cout << "preparing " << name << "\n"; std::cout << "Tossing dough...\n"; std::cout << "Adding sauce...\n"; std::cout <

2022-04-23 16:00:02 117

原创 Head First 设计模式——chapter3 装饰者模式C++实现

设计原则:开闭原则: 对扩展开放,对修改关闭。使得设计具有弹性可以应对改变,可以接受新的功能来应对改变需求。不需要每个地方都遵循,而是在设计最有可能改变的地方应用开闭原则。eg: 观察者模式,通过加入新的观察者,可以扩展主题对象,而不需向主题中添加代码。装饰者模式:动态地将责任附加到对象上,若要扩展功能,装饰者提供了比继承更有弹性的替代方案。装饰类继承自超类,继承是为了有正确的类型,而非继承超类的行为。#include<iostream>#include<ve

2022-04-14 21:26:41 731

原创 Head First 设计模式——chapter2 观察者模式C++实现

观察者模式: 出版者+订阅者主题对象(出版者)管理某些数据,当主题内的数据改变,就会通知观察者(订阅者)。观察者模式定义了对象之间的一对多依赖,当一个对象改变状态时,它的所有依赖者都会收到通知并自动更新。相比让多个对象控制同一份数据,可以得到更干净的OO设计。设计原则:为了交互对象之间的松耦合努力。改变一方都不会影响另一方。两者松耦合,但他们仍然可以交互,只要交互原则仍被遵守。松耦合能让我们建立有弹性的OO系统,将对象之间的互相依赖降到最低。可观察者不知道观察者的细节,只知道观察..

2022-04-14 19:50:27 434

原创 Head First 设计模式——chapter5 单件模式C++实现

单件模式:有些类只应该存在一个实例。如线程池,缓存,注册表等对象。单件模式能确保一个类只有一个实例,并提供一个全局访问点。全局变量? 必须在程序刚开始就创建对象,而单件模式可以在需要时才创建对象。实现:1.构造函数声明为私有。2.声明静态实例对象。3.提供实例的全局访问点,当需要实例时,向类查询,它会返回静态实例对象。查询时可以采用延迟实例化的方式创建单件,这对于资源敏感的对象十分重要。懒汉式:非线程安全。程序调...

2022-04-14 14:36:54 717

原创 Head First 设计模式——chapter1 策略模式C++实现

设计模式: 设计模式可以告诉我们如何组织类和对象以解决某种问题。构造OO系统的经验被整合成了不同的设计模式。建立可维护的OO系统,要点在于随时想到系统以后可能需要的变化及应对变化的原则。策略模式的原则:一、 封装变化找出应用中可能需要变化之处,将其独立出来,不要和不需要变化的代码混在一起将鸭子类和容易改变的飞行,呱呱叫类分开。二、针对接口编程,而不是针对实现将具体行为编写在飞行行为,呱呱叫行为类中,而非对每个鸭子类实现行为接口。使得这些行为与鸭子类无关,可以被其他对...

2022-04-12 17:08:54 450

原创 基于张量分解的高维图像处理建模与算法研究--简单比较

基于张量分解的高维图像处理的建模与算法研究 - 百度学术 (baidu.com)

2022-04-12 14:00:46 2963

原创 守护进程及相关概念

进程进程组和会话形成两级层次关系:进程组是一组相关进程的集合,会话是一组相关进程组的集合。一个进程组拥有一个进程组首进程,该进程id为该进程组id,新进程会继承其父进程所属进程组id。进程组的生命周期是首进程创建组的时刻-最后一个进程退出时刻。进程可能会因为终止/加入另一个进程组而退出该组。会话会话首进程是创建该会话的进程,其进程id为会话id,新进程继承其父进程会话id.一个会话的所有进程共享一个控制终端,一个终端只能是一个会话的控制终端,控制终端在会话首进程首次打开终端设备时建立

2022-03-30 16:54:24 269

原创 进程间通信:共享内存

共享内存:允许两个或多个进程共享物理内存的同一块区域(段),无需内核接介入,只要让一个进程将数据复制进共享内存里,并且这部分数据会对其他共享该段的进程可以访问。管道等需要将数据从用户缓冲区复制进内核区,接收时从内核复制进用户缓存区,所以共享内存相比管道这种IPC速度更快。使用步骤:1)调用shmget() (share memory get)创建共享内存段或取得一个已有共享内存段的标识符。新创建的内存段里的数据都会被初始化为0。 i...

2022-03-30 14:16:42 377

原创 进程间通信:信号

目录基本概念信号列表信号默认动作信号捕捉 内核实现信号捕捉的过程信号集和相关函数SIGCHLD信号基本概念#include <signal.h>信号是事件发生时对进程的通知机制,有时也叫软件中断,信号可以让一个正运行进程被另一个运行进程异步进程中断,转而处理某突发事件。使内核为进程产生信号的事件有:1 终端发特殊字符,如CTRL+C 对前台进程发送中断信号2 硬件发生异常,如被0除等...

2022-03-30 12:57:11 1504

原创 LINUX基础知识

调用fopen函数打开文件,会返回一个FILE指针,该指针里有个fd用来定位要操作的文件,这个fd在进程的内核区保存,由PCB(进程控制块)管理,PCB里有一个数组存储文件描述符,大小默认1024。 前三个文件描述符默认的是绑定当前终端(将当前终端虚拟为一个文件)。ps:一个文件被打开fopen多次,他的文件描述符是不同的。直到close()才被释放。标准C库IO函数带有缓冲区,先写进缓冲区,再写进磁盘。Linux的IO函数没有,直接写进磁盘,所以更适合网络通信。受保护...

2022-03-29 11:53:19 142

原创 LINUX多进程

一 进程基本概念程序包含:二进制格式标识(包含描述可执行文件格式的元信息(大小等))机器语言指令:对程序算法进行编码程序入口地址数据(程序的变量初始值,字面量值等)符号表和重定位表:描述函数,变量的位置及名称,包含调试运行时的符号解析。共享库和动态链接信息:他们的路径名用来指导如何创建进程。 只占据磁盘,不占据cpu,内存等资源。进程: 占据磁盘,占据cpu,内存等资源...

2022-03-29 11:53:02 1146

原创 进程间通信及管道

不同进程之间资源是独立的,不能在一个进程里直接访问另一个进程的资源。他们的信息交互和状态传递需要进程间通信(IPC)。通信目的:数据传输 通知事件:如子进程终止时要通知父进程 资源共享:需要内核提供互斥和同步机制 进程控制:如Debug进程需要控制拦截另一个进程,并能够及时知道它的状态改变...

2022-03-29 11:52:48 136

原创 进程间通信:内存映射

目录基本概念相关系统调用使用内存映射进程通信:(是非阻塞通信。)父子进程通过内存映射通信;内存映射注意事项匿名映射基本概念将磁盘文件映射到内存,用户修改内存就可以直接修改磁盘文件。(修改内存快很多,改磁盘很慢)。相关系统调用void *mmap(void *addr, size_t length, int prot, int flags,int fd, off_t offset); 映射长length(非0)的磁盘文件到addr(nu...

2022-03-29 11:52:34 861

原创 GDB调试过程及调试命令

生成包含调试信息的可执行文件时加上-gg++ main.cpp -o app1g++ main.cpp -o app2 -gll -h app1 app2-rwxrwxr-x 1 nowcoder nowcoder 8.8K 3月 23 19:42 app1*-rwxrwxr-x 1 nowcoder nowcoder 41K 3月 23 19:42 app2* 可以看到 加了调试信息的app2 占用空间更多输入 gdb app2之后1)set a...

2022-03-23 20:54:22 503

原创 Linux c++ 的Makefile文件编写规则

Makefile 指明哪些文件需要先编译,哪些需要后编译,哪些重新编译等等。可以实现“自动化编译”,写好后用make命令(vs: nmake, linux: gnu:make)便可以根据Makefile里的规则实现工程自动编译,能够提高软件开发效率。makefile规则:目标...:依赖...命令 (通过执行命令队医来操作生成目标文件).... 规则可以有很多条,但其他规则一般都为第一条服务app:te...

2022-03-23 19:20:35 314

原创 c++ 静态库,动态库的制作和使用

静态库:链接时,静态库代码被打包到可执行程序里动态库:链接时,动态库代码不会被打包到可执行程序里,只会打包名字等库信息。启动时,动态库会被动态加载到内存中,通过ldd(list dynamic dependencied) 命令可以检查动态库依赖关系。优缺点对比:静态库:动态库:制作静态库gcc -c test.cpp 生成.o目标文件 ar rcs libxxx.a xxx.o ...

2022-03-23 16:44:09 1593

原创 Linux 常用命令

gcc -v/--version 查看版本ifconfig 查看ipls 查看当前目录下文件夹及目录mkdir 生成目录tree 以树形查看目录touch test.cpp 创建rm test.cpp 删除vim test.cpp 在vim打开cat test.cpp 在命令行查看g++ test.cpp -o app(要生成文件名) 或 g++ -o app test.cpp编译 g++ test.c 默认生成a.outg++ ...

2022-03-23 13:24:13 1362

原创 牛客项目-linux开发环境搭建

安装vmware新建虚拟机,安装vmware-tools。 (此时不能拖拽文件,复制粘贴)sudo apt-get autoremove open-vm-toolssudo apt-get install open-vm-toolssudo apt-get install open-vm-tools-desktop执行以上命令后,即可拖拽,复制粘贴。配置下xshell 6:sudo apt install openssh-server 安装sshsudo apt instal

2022-03-18 13:37:44 1449

原创 SENet 阅读

摘要:卷积神经网络的核心是卷积操作,能够通过在每层使用区域感受野融合空间以及通道维度的信息来构建信息特征。本文里,作者聚焦于通道关系,提出了一个新的结构单元 SE(Squeeze Excitation)block,通过建模通道之间的依赖,适应性地校准通道特征。 相比于现有性能优越的CNN,SENet在只增加轻微复杂度的同时获得了显著的性能提升。源码:https://github.com/hujie-frank/SENet论文:[1709.01507] Squeeze-and-Excitat...

2021-12-23 11:13:13 1794

原创 vs内存泄漏检测

在主程序.h文件加上#ifdef _DEBUG#define DEBUG_CLIENTBLOCK new( _CLIENT_BLOCK, __FILE__, __LINE__)#else#define DEBUG_CLIENTBLOCK#endif#define _CRTDBG_MAP_ALLOC#include <stdlib.h>#include <crtdbg.h>#ifdef _DEBUG#define new DEBUG_CLIENTBLOCK#e

2021-10-26 16:55:40 122

原创 Frequency-based Automated ModulationClassification in the Presence of Adversaries 2021

作者没有提供源码 深度神经网络对于对抗性攻击很脆弱,它会引入额外的噪声干扰,导致在训练好的模型上的高置信率的错误分类,但是对时域欺骗的对抗性攻击不容易转移到使用频域特征训练的模型上,所以本文使用频域特征训练,增加正确分类被干扰信号的概率,本文在四个模型上进行IQ特征和频域特征作为输入的训练,并分析了在有无对抗性攻击时的模型性能,量化带有现实通信约束的无线信道中对抗性可转移性的程度。II AMC方法 发送信号s,收到信号x,k是时间,n是高斯白噪音,...

2021-09-11 18:00:59 203

原创 perm2vec: Attentive Graph Permutation Selectionfor Decoding of Error Correction Codes 阅读 2021

纠错码可以提高通信传输的可靠性,传输码字的最优解码方法是最大似然法,但由于维数问题,这是(NP-hard),所以实际人们采用次优解码算法。一个关键是置换解码中置换的选择,我们结合领域知识和机器学习概念(如节点嵌入和自注意力),与基线解码器相比,我们的方法减轻了误码率。I INTRODUCTION 实际中,延迟和计算复杂度限制了码字大小,所以人们提出了有低复杂度编码和解码方法的结构化码字。一些结构化码字都拥有置换群(PG)的主要特征,PG中的置换可以把码字映射为某个不同的...

2021-09-05 14:43:47 123

原创 Wireless Image Transmission Using Deep SourceChannel Coding With Attention Modules 阅读2021

extension://bfdogplmndidlpjfhoijckpakkdjkkil/pdf/viewer.html?file=file%3A%2F%2F%2FF%3A%2Fdownload%2F2012.00533.pdfADJSCC和BDJSCC源码:https://github.com/alexxu1988/ADJSCC| introduction目前已经存在的基于DL的联合信源信道编码方法(JSCC)都假定用来优化网络的信道情况特别是SNR和实际通信...

2021-09-02 18:17:13 1959 1

原创 spatial transformer networks

Kevin Zakka's Blog在ConvNN中,我们通常使用池化层来提供空间不变性,池化层可以将复杂的图像划分为cells,每个小网格监测信息描述输出,而不用关注其位置信息。 但是池化层有以下缺点:1)丢弃了75%的特征激活,使我们丢失位置信息,但视觉认知任务中这是非常重要的。2)池化是Local and predefined,小的感受野会影响网络更深的层,使中间特征图经受更大的输入失真,但增大感受野又会使下采样特征图太激进。 即由一个受限的预定...

2021-09-01 21:36:20 1303

原创 Radio Transformer Networks: Attention Models forLearning to Synchronize in Wireless Systems阅读 2016

在调制识别任务中使用空间转换网络引入注意力模型,并引入新的无线领域的合适的变换。这种注意力模型允许网络学习一个定位网络,该网络能够基于对网络进行分类精度、稀疏表示和正则化的优化,在对信号结构的零知识的情况下直接同步和规范化无线电信号。I 介绍 以前的工作中没有注意力模型,而是让网络对每个信道效应不变地学习特征。在通信接收器或很多调制分类算法中,我们在信号处理前都要对信号执行同步,这种同步可以被看作一种注意力,估计了时间、频率、相位和采样时间偏移以生成信号标准化版本。...

2021-08-29 22:20:42 938 2

原创 Deep Architectures for Modulation Recognition 阅读 2017

无线调制识别不受网络深度限制,未来工作应该集中于改进学习同步和均衡,或许可以采用设计新的网络结构或训练方法来提高。| 介绍 A. Neural Network Architectures 深度网络一直被认为受限于不稳定的梯度爆炸或消失问题,近年来人们使用梯度归一化或非线性单元来解决,一些网络结构也被提出解决这个问题。 The inception architecture:增加深度,泛化不同尺度,但复杂度良好。 四条并行...

2021-08-29 14:28:34 506 1

原创 Convolutional Radio ModulationRecognition Networks阅读2016

2 Modulation Recognition 调制识别可以看作N分类决策问题,输入是接收信号的复基带时间序列表示。真实世界的接收信号可以表示为如下公式: 包含了真实世界的一些效应,通过随机残余载波nLo(t)调制,使用随机残余时钟振荡器nClk(t)重采样,具有时变旋转非恒定幅度的信道脉冲响应 h(t − τ )卷积,添加一个可能不是白噪音的噪音nAdd(t).每一个都是一个未知的时变错误源。 在如此严酷的现实环境里最优化分析专家特征和决策矩阵很...

2021-08-25 23:33:35 1794 2

原创 An Optimized Radio Modulation Classifier Using Deep Neural Network阅读 2020

文章提出了一个使用DL在不同的信噪比处区分不同调制类型的自动调制分类模型,通过选择合适的CNN超参数,优化了O‘shea的模型(“Convolutional radiomodulation recognition networks,2016”,性能超过基于专家特征的传统方法,对于不同任务学习特征具有灵活性,分类精确度提高),获得了每个SNR级别的最好的精确度,优化模型使用CNN4。II. CLASSICAL RADIO MODULATOR CLASSIFIERS 传统调...

2021-08-23 23:24:50 799 2

原创 YOLO9000:Better, Faster, Stronger阅读

本文介绍的是2017年IEEE发布的文章YOLO9000:Better, Faster, Stronger.资源获取:https://pjreddie.com/darknet/yolo/YOLO9000是一个可以检测超过9000个对象的实时目标检测系统,性能优越。INTRIDUCTION目前很多目标检测方法都受限于小的目标类。相对于分类和标记任务,数据集有限,最常见的检测数据集包含数千到数十万张带有数十到数百个标签的图像 ,而分类数据集有数百万个图像,包含数万或数十万个类别。...

2021-08-23 16:47:58 229

原创 Learning Robust General Radio Signal Detection using Computer Vision Methods阅读2017

无线电信号的检测和定位是临近用户的检测和互相操作、干扰源的检测和分离、重要频谱事件标记或者识别频谱空缺的基础,本文使用用边界框回归的基于时频谱的CNN实现无线电信号的检测与定位,应用YOLO的变体,使用被标记的宽带频谱和边界框训练高效的信号检测器。技术方法:信号检测和定位类似于视觉目标识别的问题,这里有很多技术被使用,如Fater RCNN,性能极好,对图片采用预测边界框、标签和目标可能性的方法,采用迭代元素,对不同区域的多个目标运行多个网络前馈传递去调整边界框预测,...

2021-08-23 15:56:44 123 1

原创 Over the Air Deep Learning Based Radio Signal Classification阅读2017

背景:A:基线分类方法 1)统计调制特征:高阶统计量HOS,高阶矩HOM高阶累积量HOC,HOC对于调制类型有很强的区分能力。 模拟特征:平均值、标准偏移、标准中心幅度的偏差、中心相位、瞬时频率、正则化瞬时频率绝对值等。 2)决策准则(用于映射我们的基线特征到标签上):概率推导决策树、SVM、神经网络等,我们选择使用XGBoost方法作为特征分类器,性能优于单一决策树、SVM等。B:无线信道模型...

2021-08-23 15:52:56 1030

原创 Robust Deep Radio Frequency Spectrum Learning for Future Wireless Communications Systems阅读 2020

探索如何设计一个强健的深度学习模型,能够在实际中使用RF数据的不同的无线通信场景中对未知数据泛化良好。我们分析,要想完成不同场景中rf学习的鲁棒性和实践性,必须对于SNR的选择和训练测试方法有独特的问题设计,比如SNR的训练步长,及测试集的选择。数据生成:对于不同的场景,使用不同的设备参数设计。(USRP,LABVIEW)网络设计:比较了CNN与RNN,CNN花费的训练时间更短,所以选择CNN。本文设计4层的CNN,包括两个卷积层,两...

2021-08-23 15:44:49 126

原创 Spectrum Sensing Based on Deep Learning Classification for Cognitive Radios阅读 2019

以前的传统感知方法->机器学习合作频谱感知->单节点频谱感知,提前提取特征然后神经网络分类。我们思考通常情况下的频谱感知问题,而非具体信号的监测,将频谱感知看作一个两类的分类问题,判断是否有信号或者只有噪音,使用检测率和虚警率作为评价指标。cnn模型:本文使用残差卷积网络模型,能够在网络层数增加时维持网络性能,为了处理噪声功率不确定性问题,正则化信号功率,计算功率谱作为cnn输入,然后使用大量不同类型的信号和噪声训练网络...

2021-08-23 15:40:24 630 3

原创 wireless interference identification with convolutional neural networks阅读 2017

对于免许可频段的如2.4GHZ ISM 频带进行无线干扰识别,识别当前的信号类别。对象包括:宽带高速率IEEE802.11b/g/n,窄带低速率IEEE802.15.4和802.15.1的15个类别(10,2,3)。为了现实无线设备兼容,限制感知带宽10MHZ,感知快照为12.8us的128个IQ样本的感知快照。本文的数据使用单标签数据,平坦衰落信道模型使问题更简单,添加-20db到20db,步长为2的高斯白噪声,使用151200个感知快照用于训练...

2021-08-23 15:35:11 171 2

基于张量分解的高维图像处理建模与算法研究 简单笔记

模型和算法的简单记录,便于大家比较。

2022-04-11

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