Miachel_Z-优快云博客

原创 python快速复习篇（一）

这篇文章总结了Python的基础语法、判断和循环知识。在基础语法部分，介绍了字面量、注释、变量、数据类型转换、标识符命名规则和算术运算符等核心概念。字符串操作部分详细讲解了三种定义方式、拼接、格式化等技巧。判断语句章节涵盖了布尔类型、if-elif-else语句的基本格式及嵌套使用。循环部分重点讲解了while和for循环的语法结构，包括range语句、循环嵌套（以九九乘法表为例）以及中断控制（break和continue的使用）。文章采用代码示例配合文字说明的方式，清晰展示了Python基础编程的关键

2025-07-30 15:22:01 1141

原创 Blender入门笔记——建模篇（二）

本文总结了3D建模中常用的点线面操作快捷键和技巧。主要内容包括：1）模式切换（点/线/面模式及坐标系切换）；2）选择工具（框选、刷选、循环选择等）；3）基础操作（移动、缩放、旋转等）；4）实用扩展功能（对称操作、网格化等）。文末提供完整的快捷键速查表，帮助用户快速掌握建模核心操作，提升工作效率。建议建模时善用快捷键，并养成定期保存的习惯。

2025-07-29 20:07:11 1428

原创语音信号处理—— Fbank和MFCC特征提取(四)

本文介绍了语音信号处理中常用的Fbank和MFCC特征提取流程。首先通过预加重提高高频信号能量，然后进行加窗分帧处理，使用汉明窗减少频谱泄露。接着通过傅里叶变换将信号转换到频域，设计梅尔滤波器组模拟人耳听觉特性，提取对数能量特征。对于MFCC特征，还需进行离散余弦变换(DCT)获取倒谱系数。最后计算动态特征(一阶、二阶差分)和能量特征。典型的39维MFCC特征包含12维基本系数、动态特征和能量特征，适用于GMM模型；而Fbank特征更适合DNN模型。

2025-07-27 20:52:57 1209

原创马尔可夫链

马尔可夫链是一种基于状态转移的概率模型，其核心包括状态空间、无记忆性和转移矩阵三大要素。无记忆性意味着当前状态仅依赖于前一状态。马尔可夫链在自然语言处理、文本生成等领域有广泛应用。当满足常返性、非周期性和连通性三大条件时，马尔可夫链具有遍历性，可达到唯一稳态分布。此外，文章还介绍了随机抽样的基本概念和常见方法，以及逆转换采样技术，该方法通过均匀分布生成复杂分布的样本，利用CDF的反函数实现概率分布转换。这些基础知识为后续蒙特卡洛模拟等高级方法奠定了基础。

2025-07-27 19:24:52 815

原创 Blender入门笔记（一）

本文总结了Blender的核心操作指南，分为三大部分：快捷键、核心概念和编辑模式操作。快捷键部分详细介绍了视角控制、物体控制（移动G/旋转R/缩放S）和视图切换方法；核心概念部分解释了工作流程、游标操作和物体原点的重要性；编辑模式操作涵盖了模式切换、选择技巧和点线面控制（包括删除X、法线操作等）。文中还包含大量高级技巧如精确吸附、关联复制Alt+D、循环选择Alt+左键等，并提供了表格形式的快捷键速查。这些内容是Blender建模的基础操作合集，适合初学者系统学习软件的核心功能。

2025-07-26 16:00:51 2839

原创语音信号处理—— 数字信号处理基础(三)

本文介绍了模拟信号到数字信号转换(ADC)和离散傅里叶变换(DFT)的核心原理。主要内容包括：1) ADC过程中的采样定理，解释了奈奎斯特采样定律和频率混叠现象；2) 四种傅里叶变换的对比分析，重点阐述DFT在时域和频域的离散周期特性；3) DFT的数学定义、矩阵表示和关键性质，包括对称性、线性性和时移性；4) DFT频率轴的计算方法，说明频率分辨率与采样点数N的关系。文章通过数学公式和图表，系统性地介绍了数字信号处理中的基础概念和变换方法，为理解时频域转换提供了理论框架。

2025-07-25 20:49:26 1146

原创语音识别综述（二）

本文系统介绍了语音感知与识别技术的基础原理和发展历程。第一部分阐述人耳听觉机制，包括外耳、中耳和内耳的协同作用，以及物理声学特性与听觉感知属性的对应关系，重点分析了音色、音调的非线性感知特性和掩蔽效应。第二部分探讨语音识别面临的挑战，包括说话人可变性、信道环境噪声等因素对系统性能的影响。第三部分梳理语音识别技术从早期数字识别到现代深度学习的演进过程，并汇总了中英文语音数据集及开源工具包。全文通过声学原理与工程实践相结合的方式，为理解语音技术提供了系统框架。

2025-07-23 10:49:43 1256

原创语音识别综述（一）

语音识别技术概述本文系统介绍了语音识别（ASR）的基本概念、评估指标和分类方法。语音是语言的声学表现形式，ASR的核心任务是将语音信号转化为文本。评估指标包括词错误率（WER）、字错误率（CER）和实时率（RTF）等。语音识别系统可按说话人类型（特定/非特定）、语言种类（单语/多语）等维度分类。文中还推荐了经典教材和学习资源，为语音识别研究提供了系统的知识框架。

2025-07-21 21:26:07 1429

原创支持向量机SVM系统推导（三）：软间隔数学思想

支持向量机(SVM)是一种监督学习算法，通过寻找最优超平面进行分类。文章重点讨论了硬间隔和软间隔两种SVM策略：硬间隔要求完全线性可分但易过拟合，软间隔通过引入松弛变量允许一定误分类，提升模型鲁棒性。详细阐述了软间隔的数学优化过程，包括铰链损失函数的定义和优化目标的构建，其中参数C用于控制对误差的惩罚力度——C越大模型越严格，C越小模型越宽松。通过平衡超平面宽度和分类误差，软间隔SVM能更好地处理线性不可分数据。

2025-07-16 22:10:17 1054

原创支持向量机SVM系统推导（二）：核函数

本文系统介绍了支持向量机(SVM)中核函数的核心原理与应用。重点阐述了核技巧如何通过将低维数据映射到高维特征空间实现非线性分类，避免了显式计算高维映射。详细推导了多项式核函数$K(\vec{x}_i, \vec{x}_j) = (c + \vec{x}_i \cdot \vec{x}_j)^d$的数学形式，分析了常数项$c$和阶数$d$对特征空间的影响：$c>0$可增强非线性能力，而$d$控制多项式阶数。通过对比$c=1,d=2$和$c=0,d=2$两种情况，说明常数项对保留原始特征信息的关键作用。最

2025-07-16 19:03:27 875

原创支持向量机SVM系统推导（一）：从几何直觉到对偶优化

本文系统推导了支持向量机(SVM)的核心数学原理，从几何直观到严格数学公式，完整呈现了SVM决策超平面的求解过程。主要内容包括：1) 通过向量推导建立正负超平面距离公式，得出最大化间隔等价于最小化权重向量模长的优化目标；2) 引入拉格朗日乘子法处理带约束的凸优化问题，将原始问题转化为对偶形式；3) 详细推导KKT条件及其在SVM中的应用。文章强调理解而非记忆，通过向量计算、优化理论等构建完整知识体系，为后续核方法等高级内容奠定基础。推导过程辅以几何图示和关键步骤说明，适合系统学习或复习SVM理论。

2025-07-16 13:20:03 1030

原创 Markdown 结合Typora 基础使用 —— 补充扩展（5）

本文介绍了Markdown结合Typora使用时关于数学符号的高级应用，主要包括希腊字母和特殊字符的输入方法。文章使用表格详细展示了24个希腊字母的大小写命令及显示效果（如α、β、Γ等），并特别说明物理常用符号（如ℏ、∂）。在特殊字符部分，列举了关系运算符（±、×、÷等）和调整字体大小的LaTeX命令。配套资源包含Typora软件教程链接、GitHub项目地址和系列教程导航，适合需要精确数学排版的用户参考。

2025-07-14 09:56:44 900 1

原创 Markdown 结合Typora 基础使用 —— 数学公式（4）

本文介绍了在Markdown中使用Typora编写数学公式的高级技巧，主要包括：矩阵表达：涵盖无边框矩阵、带不同类型括号（圆/方/花括号等）的矩阵、带分割线的增广矩阵，以及行内小矩阵的写法。方程式序列：详细讲解多行公式对齐方法（align环境），包括自动编号、取消编号、手动标注公式编号等技巧，并说明KaTeX环境下标签引用的替代方案。数组与表格：介绍如何在公式中使用array环境创建数组结构，控制列对齐方式（居中/左/右）和添加垂直分割线。文章还提供了相关软件版本、教程链接和项目源码地址，方便读者进

2025-07-13 21:26:34 1234

2302_77872181的博客