随笔
文章平均质量分 84
「已注销」
这个作者很懒,什么都没留下…
展开
-
The property of Gaussian
Assume x∼N(a,A)x∼N(a,A)\boldsymbol{x} \sim \mathcal{N}(\boldsymbol{a},\boldsymbol{A}), prove that Px∼N(Hx,PAPT)(266)(266)Px∼N(Hx,PAPT)\begin{align}\boldsymbol{P}\boldsymbol{x}\sim \mathcal{N}(\bold...原创 2018-08-09 08:58:29 · 276 阅读 · 0 评论 -
深度学习笔记之主成分分析
我们通过一个有损压缩的例子来介绍主成分分析(Principal components analysis, PCA)。 Example 假设我们有mmm个数据点{x(1),⋯,x(m)}{x(1),⋯,x(m)}\left\{{\boldsymbol{x}^{(1)},\cdots,\boldsymbol{x}^{(m)}}\right\},其中数据维度为x(1)∈Rnx(1)∈Rn\bolds...原创 2018-07-13 20:26:09 · 1626 阅读 · 0 评论 -
克拉美-罗下界(Cramer-Rao Lower Bound,CRLB)
对于参数估计问题,目前存在着很多估计算法。那么如何去衡量一个算法的性能,我们主要出于考量三个方面无偏性(unbiased)。对于参数估计问题,设置未知参数θθ\theta,估计器模型θ^θ^\hat{\theta}。则有E[θ^]=θE[θ^]=θ\mathbb{E}[\hat{\theta}]=\theta。对于估计对象为随机变量,则有E[θ^]=E[θ]E[θ^]=E[θ]\mathbb...原创 2018-07-24 22:04:53 · 47323 阅读 · 16 评论 -
复数矩阵相乘的扩展矩阵计算方法
Matlab是矩阵计算语言,其最基本的存储单位就是矩阵。在诸多信号处理领域,我们所涉及到的信号都是复数信号,那么matlab如何处理复数矩阵呢? 假设矩阵AA\boldsymbol{A}和BB\boldsymbol{B}为复数矩阵,当我们运用matlab计算两个矩阵的乘积时(矩阵AA\boldsymbol{A}和BB\boldsymbol{B}满足矩阵相乘的维度条件),我们可以直接在命令窗口输入A...原创 2018-07-04 21:44:18 · 6733 阅读 · 1 评论 -
高斯相除
The distribution of Complex Gaussian is (1)Nc(x|a,A)∝exp[−(x−a)HA−1(x−a)]" role="presentation" style="position: relative;">Nc(x|a,A)∝exp[−(x−a)HA−1(x−a)](原创 2018-01-26 23:20:41 · 2284 阅读 · 0 评论 -
高斯PDF的性质及其推论
0 符号声明(1)粗体字表示矢量或者矩阵,如x\boldsymbol{x}表示NN维矢量。 (2)N(x|μ,Σ)\mathcal{N}(\boldsymbol{x}|\boldsymbol{\mu},\boldsymbol{\Sigma})表示随机矢量x\boldsymbol{x}是服从均值为μ\boldsymbol{\mu}、协方差矩阵为Σ\boldsymbol{\Sigma}的高斯PD原创 2017-12-28 13:27:34 · 3807 阅读 · 3 评论 -
梯度及最小二乘估计器
概念(Notations): (1) f\boldsymbol{f} 表示很多个函数的组合(f1(x),f2(x),⋯,fm(x))(f_1(\boldsymbol{x}),f_2(\boldsymbol{x}),\cdots,f_m(\boldsymbol{x})) (2)△f(x)\triangle f(\boldsymbol{x})表示函数f(x)f(\boldsymbol{x})的梯度原创 2017-05-20 15:25:53 · 1268 阅读 · 0 评论 -
Savitzky-Golay 滤波器在心电数据平滑中的应用
大二的时候做过一个三导联心电的项目,采用的处理器是STM32。当时在中文网站很少存在关于这方面的资料,特别是心电数据平滑这一块。之前在国内某一论坛上分享了一下作品以及作品的全部资源,但是大部分的人对心电数据平滑存在着很大的疑惑。于是今天想总结一下,写一个关于SG滤波器的推导。 首先,我们对NN个数据x[n](n∈[−M,M],N=2M+1)x[n](n\in [-M,M],N=2M+1),用(原创 2017-06-25 10:43:08 · 5575 阅读 · 2 评论 -
矩阵求逆引理的证明
矩阵求逆引理,或者称Sherman-Woodbury-Morrison公式 (A+BC)−1=A−1−A−1B(I+CA−1B)−1CA−1\begin{align}(\boldsymbol{A}+\boldsymbol{BC})^{-1}=\boldsymbol{A}^{-1}-\boldsymbol{A}^{-1}\boldsymbol{B}(\boldsymbol{I}+\boldsym原创 2017-07-26 13:37:39 · 3682 阅读 · 2 评论 -
似然函数与概率密度函数的区别
在统计学中似然函数(Likelihood function)与概率密度函数(Probability density function)都扮演着重要的角色。本文针对的是其在参数估计(Parameter estimation)中的应用。 现代估计理论在许多设计用来提取信息的电子信号处理系统中都可以找到,这些系统包括 在所有的这些系统中,我们都将面对根据连续时间原创 2017-06-04 16:52:41 · 17130 阅读 · 5 评论