ccjoffrey-CSDN博客

原创 IRS辅助SWIPT

原文Weighted Sum Power Maximization for Intelligent Reflflecting Surface Aided SWIPT缩写说明IDRs: Information Decoding ReceiversEHRs: Energy Harvesting ReceiversCSCG: Circularly Symmetric Complex Gaussian denoted by CN(x,σ2)\mathcal{C}\mathcal{N}(x, \sigma^

2022-03-11 15:47:28 1080 1

原创 IRS综述（一）Intelligent Reflflecting Surface-Aided Wireless Communications: A Tutorial

介绍Intelligent Reflflecting Surface-Aided Wireless Communications: A Tutorial文章的整理。完成部分如下： IRS基础部分及建模 IRS优化 IRS信道估计 IRS部署拓展IRS介绍IRS: Intelligent reflecting surface背景6G存在的需求，例如超高数据速率和能源效率，极高的可靠性和低延迟等解决来自用户的时变无线信道什么是IRSGenerally speaking, IR

2022-03-07 22:52:55 1845 3

原创阅读笔记-Modulation and Coding Design for Simultaneous Wireless Information and Power Transfer

缩写说明WPT: wireless power transferWIT: wireless information transferSWIPT: simultaneous wireless information and power transfer, coordinating WIT and WPT in the same RF spectral band thus yields the research of SWIPT##　ContributionsIntroduce the popu

2022-01-24 17:49:23 354

原创自适应波束合成

自适应波束合成的自适应三个字体现在针对不同数据，波束的合成不仅对期望方向有增益，还对干扰方向有一定的抑制。信号数据因为都要计算自相关矩阵，而不同的信号之间应该是非相干的，噪声之间也是非相干的。所以可以直接用随机数代替信号。并且由于采样率和信号频率之间只决定了快拍数，而信号频率假设已知(因为要计算理想情况下的d=λ2d=\frac{\lambda}{2}d=2λ)，所以采样率也忽略了。如果认为噪声的信号为单位1，则信号的功率也为1，所以需要根据snr反算信号的幅度AsA_sAs，得到接收信号。M =

2022-01-14 16:18:29 1275

原创 More Is Better信道建模扩增数据

More Is Better: Data Augmentation for Channel-Resilient RF Fingerprinting原文简述作者认为，在某一个时间点收集的数据集训练得到的网络在不同信道条件下的收集的数据集上表现不佳，是因为同一特征在不同信道条件下的表现不同（learning a channel-distorted fingerprint instead of the pure inherent fingerprint）。所以提出来一种数据增强方式可以模拟原始数据集中没有的

2021-12-21 17:03:19 376

原创 hexo博客fluid主题添加aplayer组件

aplayer是一个非常漂亮好用的HTML5音乐播放器，和dplayer师出同门。我用的主题是fluid，记录一下添加音乐插件的过程。我的HEXO博客安装aplayernpm和github两种方式二选一，拿到dist文件夹就可以了。npm安装在hexo博客的文件夹根目录打开git bash，并输入:npm install --save hexo-tag-aplayer可以看到在node_module文件夹中多出来一个aplayer文件夹即可为了方便，将这个dist文件夹复制一份到主题目

2021-12-12 14:06:51 2378 5

原创 LaTex工具箱

行间公式\begin{equation}\begin{aligned} \mathcal{L}_{dif} =& H(f_{\theta_1}(x),f_{\theta_2}(g_1(x)))\\+&H(f_{\theta_2}(x),f_{\theta_1}(g_2(x)))\label{eqn:5}\end{aligned}\end{equation}插入图片（矢量图推荐.eps）python直接保存的svg可以，但visio画的有时候不行，先转pdf再用inksc

2021-11-23 20:10:50 1691

原创 python 工具箱

记录常用的一些工具代码这里写目录标题记录常用的一些工具代码遍历某文件夹下的所有文件路径遍历某文件夹下的所有文件路径可以用来对某个数据集进行批量处理。这里只返回所有文件的路径，并存储到一个list.txt文件中。def get_file_path(path, txt: list): dir_path = os.listdir(path) for dp in dir_path: if os.path.isdir(os.path.join(path, dp)):

2021-10-25 10:08:28 170

原创 word/latex插入矢量图并导出为pdf

制作论文插图有人喜欢用visio，有人喜欢用drawio，我就不一样了，我喜欢的drawio+viso。这也没办法。drawio画图舒服，但是导出的矢量图插入word有bug，详情见这里，但是我试了没有用，所以只能用drawio画好后，用visio打开，调整一下可能变化的格式，然后导出矢量图插入word。visio调整格式假如说现在已经在drawio画好了图，如下：保存为.svg文件然后用visio打开，如下：发现有个主要问题，就是用latex打的公式在visio中不能识别。我在visio

2021-10-24 19:02:12 2152 1

原创通信基础-卷积

通信基础-卷积/滤波(原理及Matlab实现)原理若有两个在定义域上可积的函数f(x)f(x)f(x)和g(x)g(x)g(x)，波形如下：则卷积的定义为：连续形式：f(x)∗g(x)=∫−∞∞g(τ)f(x−τ)f(x)*g(x)=\int^{\infty}_{-\infty}g(\tau)f(x-\tau)f(x)∗g(x)=∫−∞∞g(τ)f(x−τ)离散形式：f(n)∗g(n)=∑i=−∞∞g(i)f(n−i)f(n)*g(n)=\sum_{i=-\infty}^{\infty}g(i

2021-09-28 21:56:09 898

原创 Ubuntu+Anaconda+Pycharm从零开始完全配置

Ubuntu+Anaconda+Pycharm目录Ubuntu+Anaconda+Pycharm安装VMware下载Ubuntu安装Ubuntu安装系统Ubuntu 全屏，VMware tools安装安装java jdk安装pycharm配置快捷按钮Anaconda 安装换源启动图标创建新环境并激活Anaconda和Pycharm联合使用安装VMware分享我的版本VMware15.5提取码：3cxe一路傻瓜式安装下载Ubuntu去阿里的镜像源下载更快，点击这里，我使用的是18.04.5下载

2021-09-11 16:37:16 3247

原创 (CPC)Representation Learning with Contrastive Predictive Coding

Representation Learning with Contrastive Predictive Coding一种通用的无监督学习方法——对比预测编码。通过自回归模型预测潜在空间（高维空间）的未来，以学习高级表征。在训练阶段不涉及具体下游任务。原文主要贡献将高维数据压缩到更加紧密的潜在嵌入空间，这个空间中条件预测更容易建模。在这个潜在空间中使用强大的自回归模型来做多步未来预测。损失函数依靠噪声对比估计，这是与自然语言模型中用于学习词嵌入类似的方式，需要整个模型以端到端的形式进行训练。将最

2021-09-08 13:42:04 546

原创 Self-supervised Learning整理

Self-supervised LearningPre-train Fine-tunePre-train Fine-tune算是一种Transfer Learning。首先，假设按照SimCLR中的设定，将一般的模型分为两部分，分别为Encoder和Projection Head。Encoder结构类似于AutoEncoder中的Encoder部分，输出是一个低维的张量，可以称为输入数据的表征。Projection Head可以认为是一个全连接层，将Encoder输出的张量映射为更低维的张量（或者称为

2021-09-08 13:40:16 1091

原创 Mutual Information Neural Estimation梳理

Mutual Information Neural Estimation原文背景互信息可以衡量两个随机变量之间的相关性：I(X;Z)=H(X)−H(X∣Z)=H(Z)−H(Z∣X)=H(X)+H(Z)−H(X,Z)I(X;Z)=H(X)-H(X|Z)=H(Z)-H(Z|X)=H(X)+H(Z)-H(X,Z)I(X;Z)=H(X)−H(X∣Z)=H(Z)−H(Z∣X)=H(X)+H(Z)−H(X,Z)互信息量和KL散度的关系如下：I(X;Z)=∑x∈X∑z∈Zp(x,z)logp(x,y)p(x)

2021-09-06 19:01:12 1715 1

原创信号数据扩增方法

AugmentData Augmentation for Deep Learning-Based Radio Modulation Classification这篇文章写得不错，总结了三种常用的信号数据的扩增方式。文章中实验证明旋转优于翻转优于加噪。但我们的实验结果说明翻转优于旋转优于加噪，且加噪效果很差。这可能由于数据集的不同。另外从理论上而言，翻转不会引入噪声，而旋转会引入相位噪声，所以理论上翻转应该优于旋转。若有不同理解欢迎讨论。flip分别对应原始样本，竖直翻转，水平反转，竖直和水平反转。

2021-08-15 21:09:43 2337 1

原创通信基础-星座图

星座图已知信号以IQ路表示：注意：①相邻符号之间码元变化１bit（格雷码）②相邻符号点之间的欧式距离越大，抗噪声能力越强③随着SPS(每个符号的采样点个数)增加，星座图显得越“乱”。因为一个符号的相位和幅度信息增加了，在星座图上的点数也增多了，符号与符号之间的跳变变得平滑。如下图可见：QPSK星座图符号位置：SPS=1，SNR=18dB，QPSK星座图:SPS=8，SNR=18dB，QPSK星座图:SPS=32，SNR=18dB，QPSK星座图:那问题来了，肉眼观察SPS=1最

2021-08-15 17:26:56 5397

原创 FixMatch文章解读+算法流程+核心代码详解

FixMatch本博客仅做算法流程疏导，具体细节请参见原文原文查看原文点这里Github代码Github代码点这里解读FixMatch算法抓住了半监督算法的两个重要观点，第一个是一致性正则化，第二个是伪标记。一致性正则化在MixMatch中已经介绍过了，在此不再赘述。伪标记是一种常用的半监督算法。伪标记伪标记（pseudo label）其实算最早的一类半监督算法，代表算法self-training。简单地说就是通过训练的模型对无标记样本打标签，这个标签有对有错，通过一些方法筛选标签后，选择

2021-08-02 10:47:09 8413 4

原创 MixMatch文章解读+算法流程+核心代码详解

MixMatch本博客仅做算法流程疏导，具体细节请参见原文原文查看原文点这里Github代码Github代码点这里解读MixMatch抓住了半监督算法的两个重要观点：第一是熵最小化；第二是一致性正则化。结合这两个观点的算法就形成了MixMatch。熵最小化半监督算法的一个常见假设就是分类的决策边界不应该通过数据分布的高密度区域。这句话简单的理解可以想象一个聚类模型，其决策边界一定是在簇与簇之间的稀疏边界上，不可能穿过一个簇的中心（高密度区域）。而实现这一点的一种方法就是要求分类器对未标记数

2021-07-31 17:02:37 7405 10

原创 Virtual Adversarial Training文章解读+算法流程+核心代码详解

Virtual Adversarial Training本博客仅做算法流程疏导，具体细节请参见原文原文查看原文请点这里Github代码Github代码请点这里解读对比Adversarial Training和VATVAT(Virtual Adversarial Training)和adversarial training类似。对原始训练样本添加一个比较小的扰动，会大概率使分类器分类出现错误，而我们一般希望分类器将原始样本和添加一个较小扰动的样本（加噪版本）分为同一类别，所以将扰动版本的数据也

2021-07-30 15:26:06 1773

原创 MeanTeacher文章解读+算法流程+核心代码详解

MeanTeacher本博客仅做算法流程疏导，具体细节请参见原文原文原文链接点这里Github 代码Github代码点这里解读论文解读点这里算法流程代码详解 train_transform = data.TransformTwice(transforms.Compose([ data.RandomTranslateWithReflect(4), transforms.RandomHorizontalFlip(), transforms.T

2021-07-29 20:04:33 6943 8

原创浅谈JSP与Servlet

目录JSP的根本还是ServletJSP详解JSP运行原理JSP的根本还是Servlet在调用JSP文件时，会进行如下四步：1. Http服务器将JSP编辑并生成一个Servlet接口实现类(.java程序)2. Http服务器编译Servlet接口实现类，生成class文件3. Http服务器创建此class的实例对象4. Http服务通过此实例对象，调用其_jspService方法实现功能JSP详解先写一个jsp文件，名为one.jsp<%@ page contentType=

2021-04-16 17:25:45 142

原创 pytorch机器学习小技巧总结

持续更新seed 随机种子seed随即种子的作用是使控制随机数。任何和随机有关的东西都可以设置随机种子。而且设置好了随机种子之后，每次随机的数都是一样的。不设置随机种子数每次生成的随机数不同。需要注意的是每次random操作前都需要设置，否则：import numpy as npseed = 1234np.random.seed(seed)a = np.random.random(10)b = np.random.random(10)print(a)print(b)[0.191519

2020-12-15 22:20:34 303 1

原创 anaconda+pycharm+pytorch1.7+tensorflow1.14.0+tensorflow2.2.0多种环境共存

前期准备Anaconda+pycharm+pytorch 的安装见我前期博文(点这里)说明Anaconda起到一个包管理的作用，可以将不同环境的python、库等分隔开来，互不影响。所以我们可以搭建不同的框架和环境且互相独立。（为了保证我和师兄的代码互相能看懂，只能舍弃pytorch了。pytorch yyds！）查看匹配首先明确一件事情，tensorflow、cudnn、cudatoolkit（cuda）是我们每个tensorflow环境需要安装的。这三个库之间是有一个匹配关系。这个匹配关系不对

2020-12-06 00:02:37 826

原创 pytorch的自定义数据集/DataLoader和Dataset重写

目录背景介绍DataLoader介绍Dataset 介绍工作原理继承__init__方法__getitem__方法__len__方法使用总结背景介绍做Modulation Recognition的时候需要加载自定义的数据集，这就涉及到DataLoader和Dataset类中的方法重写了。DataLoader介绍源码中的介绍是：*Data loader. Combines a dataset and a sampler, and provides an iterable over the g

2020-09-19 23:01:24 7578 3

原创树莓派+Git——GitPi启动（树莓派搭建git服务器）并解决git bash中文英文乱码的问题

目录准备树莓派安装git添加用户和组创建新的仓库并初始化在win10上上传文件至远程仓库总结可能遇到的问题准备装好系统的树莓派win10+git树莓派安装git在树莓派的命令行中输入以下安装Git：sudo apt-get install wget git-core（如果没安装的话）安装ssh：sudo apt-get install ssh设置自启动ssh：sudo /etc/init.d/ssh startsudo update-rc.d ssh defaults添加用

2020-08-10 11:50:07 1004

原创树莓派启动——安装+无显示器使用+自启动VNC

目录一级目录二级目录三级目录一级目录二级目录三级目录时隔一年多，拿起树莓派却忘记如何使用了。本想用作自己搭建git服务器，后续再完成了。在此记录一下使用流程。准备树莓派(3b+)TF卡和读卡器（16-256GB，但不要太大，SD卡格式化要很久。我是32GB）网线电源线写入系统：1....

2020-08-09 17:29:39 4616

原创 GCN学习一周小结

目录提出思想及发展提出解决方案谱域图卷积空域图卷积发展重要的结论从ChebNet 到GCN应用缺点TODO LIST提出思想及发展提出对于图（pictures）的处理，CNN是一件大法宝；但是由于CNN处理的对象都是Euclidean Structure，无法对Non Euclidean Structure数据进行处理。图（graph）就是典型的Non Euclidean Structure数据。所以GCN（Graph Convolutional Network）应运而生。研究GCN的原因，主要可以

2020-08-06 12:08:32 450

原创 Novel Robust Band-Limited Signal Detection Approach Using Graph

Novel Robust Band-Limited Signal Detection Approach Using Graph目录Novel Robust Band-Limited Signal Detection Approach Using GraphPaper DownloadAbstractImplemention一、信号的生成二、计算功率谱X(m)X(m)X(m),并归一化三、量化四、构建邻接矩阵Paper Download原文百度云提取码：AbstractAbstract— In th

2020-08-05 22:13:13 779 4

原创安装Anaconda+pytorch+pycharm配置，并创建新的环境

这里写自定义目录标题提前准备下载并安装Anaconda下载Anaconda安装Anaconda换国内镜像源创建新环境安装Pytorchpycharm配置提前准备检查一下系统是否已经安装了python，建议删除，不然容易遇到一些奇怪的问题。如果需要卸载已有的python，先查询自己python版本，再下次相同版本，点击运行时选择uninstall即可。如果想完全卸载anaconda，参考如何彻底的卸载anaconda（包括配置文件）下载并安装Anaconda下载Anaconda直接官网下载.安

2020-07-30 18:56:49 2351

CCjoffrey的博客