<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Anthony_Wu的博客]]></title><description><![CDATA[通信仿真、数字IC前端设计、机器学习和信号处理算法]]></description><link>https://blog.youkuaiyun.com/anthomy</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; anthomy]]></copyright><item><title><![CDATA[通信专业Simulink---画误码率曲线(使用bertool工具)]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/106515790</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/106515790</guid><author>anthomy</author><pubDate>Wed, 03 Jun 2020 03:29:13 +0800</pubDate><description><![CDATA[疫情期间在家做项目，也忽略了博客的更新，最近有小伙伴给我留言说我上次的坑没填完，突然觉得写的东西还有点意义，马上就要返校了，会逐渐恢复博客的更新，跟大家分享一些学习到的知识，避免有小伙伴跟我一样踩坑。

书接上文：https://blog.youkuaiyun.com/anthomy/article/details/100834943。

QPSK链路搭建完后，Crtl+S保存为QPSK.slx文件

在命令行窗口输入：bertool，回车



得到如下对话框，在Theoretical子菜单下，设置你需要EbNo区间]]></description><category></category></item><item><title><![CDATA[Matlab学习记录（知识点整理）]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/103529136</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/103529136</guid><author>anthomy</author><pubDate>Fri, 13 Dec 2019 16:09:19 +0800</pubDate><description><![CDATA[现在学习中使用Matlab软件较多，又因为Matlab功能强大，知识很多，于是这里对自己使用过程中的一些小知识点进行整理，希望对以后的复习和使用都有一个积极作用吧。之前整理在本地的我也会在近期整理上来。

2019.12.13matlab工作区数据怎么转为excel

在m文件里面用xlswrite函数：如xlswrite('testdata.xls', [12.7 5.02 -98 63.9 ...]]></description><category></category></item><item><title><![CDATA[通信专业Simulink---QPSK链路仿真]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/100834943</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/100834943</guid><author>anthomy</author><pubDate>Sat, 14 Sep 2019 20:36:13 +0800</pubDate><description><![CDATA[简单的QPSK链路仿真,画出误码率曲线：




各模块参数设置为：依次为贝努利发生器，QPSK基带调制器、AWGN信道

需要注意的是贝努利发生器的采样周期与信道符号周期是两倍的关系。







使用bertool 调用仿真模型 画出理论QPSK误码率曲线和仿真曲线（详细步骤下次再说）：





仿真曲线与理论曲线近似，说明链路正确。

点数不够要么是因为仿真时间不够，要么是因为发生器...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》决策树算法原理及实现]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/80975566</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/80975566</guid><author>anthomy</author><pubDate>Mon, 09 Jul 2018 18:54:33 +0800</pubDate><description><![CDATA[一、问题描述人民生活水平越来越高，买车的人也越远越多，根据长期统计出的数据，对不同的车具有不同属性跟购买用户的满意度相互关联，通过数据的分析，可以给用户直接推荐更适合的车型，也可以给汽车销售商提供更好的进货建议。根据这些数据来对具有这些属性的车做预测，给买车的顾客提供测评的结果。测评结果有四种：（unacc，acc，good，vgood）分别代表（不可接受，可接受，好，非常好）二、算法原理原理：I...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》NaiveBayes算法原理及实现]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/80975451</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/80975451</guid><author>anthomy</author><pubDate>Mon, 09 Jul 2018 18:39:33 +0800</pubDate><description><![CDATA[一、问题描述鸢尾花（IRIS)有很多种，但又因为特征很是相近，不好区分，通过大量数据归纳的特征，我们通过花萼长度(Sepal.Length)，花萼宽度(Sepal.Width)，花瓣长度(Petal.Length)，花瓣宽度(Petal.Width)，4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类，从而更加有效地进行区分。二、算法原理朴素贝叶...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》K近邻算法原理及实现]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/80975170</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/80975170</guid><author>anthomy</author><pubDate>Mon, 09 Jul 2018 18:25:14 +0800</pubDate><description><![CDATA[一、问题描述鸢尾花（IRIS)有很多种，但又因为特征很是相近，不好区分，通过大量数据归纳的特征，我们通过花萼长度(Sepal.Length)，花萼宽度(Sepal.Width)，花瓣长度(Petal.Length)，花瓣宽度(Petal.Width)，4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类，从而更加有效地进行区分。二、算法原理原理：已...]]></description><category></category></item><item><title><![CDATA[Kaggle数据竞赛入门-Titanic生存预测]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/80851866</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/80851866</guid><author>anthomy</author><pubDate>Fri, 29 Jun 2018 12:47:05 +0800</pubDate><description><![CDATA[一、问题描述泰坦尼克号，英国白星航运公司下辖的一艘奥林匹克级邮轮，是当时世界上体积最庞大、内部设施最豪华的客运轮船，有“永不沉没”的美誉。然而讽刺的是，在第一次航行中，泰坦尼克号便遭厄运——她从英国南安普敦出发，途经法国瑟堡-奥克特维尔以及爱尔兰昆士敦，驶向美国纽约，船上时间1912年4月14日23时40分左右，泰坦尼克号与一座冰山相撞，造成船破裂，五座水密舱进水。泰坦尼克号要沉了，大家都惊恐逃生...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》PCA简化数据]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/80755734</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/80755734</guid><author>anthomy</author><pubDate>Thu, 21 Jun 2018 10:01:25 +0800</pubDate><description><![CDATA[一、降维技术1.1 数据降维的必要性&amp;lt;1&amp;gt;多重共线性--预测变量之间相互关联。多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯。&amp;lt;2&amp;gt;高维空间本身具有稀疏性。一维正态分布有68%的值落于正负标准差之间，而在十维空间上只有0.02%。&amp;lt;3&amp;gt;过多的变量会妨碍查找规律的建立。&amp;lt;4&amp;gt;仅在变量层面上分析可能会忽略变量之间的潜在联系。例如几个预测变量可能...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》KMeans均值聚类算法]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/80585509</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/80585509</guid><author>anthomy</author><pubDate>Tue, 05 Jun 2018 18:40:01 +0800</pubDate><description><![CDATA[一、引言聚类是一种无监督学习二、K均值聚类算法2.1 算法过程:随机确定K个初始点为质心（簇个数k由用户给定）然后将数据集中的每个点寻找距其最近的质心，分配到对应的簇中，完成后，每个簇的质心更新为该簇所有点的平均值。对testSet.txt进行数据可视化和聚类结果:2.2 后处理提高聚类性能K是一个用户预先定义的参数，但我们并不清楚K的选择是否正确，也不知道这样生成的簇是否是最好的。例如在书中10...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》利用回归预测数值型数据的算法理解及程序调试]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/80490054</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/80490054</guid><author>anthomy</author><pubDate>Tue, 29 May 2018 00:22:32 +0800</pubDate><description><![CDATA[一、引言二、线性回归算法2.1 算法介绍目的：预测数值型的目标值得到求取目标值的回归方程、回归系数求这些回归系数w的过程称为回归数据存放在矩阵X，回归系数存放在向量W中对于给定的输入数据X’，预测结果如何确定权值W的值呢？我们拥有一些x和对应的y，找出使得误差(预测出的y值与真实y值之间的差值)最小的W,使用该误差的简单累加能使得正差值与负差值相互抵消，这里采用平方误差。令上式等于零，解得w的最优...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》AdaBoost方法的算法原理与程序实现]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/80447821</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/80447821</guid><author>anthomy</author><pubDate>Sat, 26 May 2018 10:52:21 +0800</pubDate><description><![CDATA[一、引言提升(boosting)方法是一种常用的统计学习方法，应用广泛且有效，在分类问题中，它通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类的性能。对于分类问题，给定一个训练样本集，比较粗糙的分类规则（弱分类器），要比精确分类规则（强分类器）容易，提升方法就是从弱学习算法出发，反复学习，得到一系列弱分类器，然后组合这些弱分类器，构成一个强分类器，大多数提升方法都是改变...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》支持向量机的数学理解及程序实现]]></title><link>https://blog.youkuaiyun.com/anthomy/article/details/80380070</link><guid>https://blog.youkuaiyun.com/anthomy/article/details/80380070</guid><author>anthomy</author><pubDate>Sun, 20 May 2018 12:48:37 +0800</pubDate><description><![CDATA[一、 引言最近在机器学习课上，学到的《机器学习实战》第六章的支持向量机，这部分内容非常多，不仅要会编程和测试，还要理解它的数学基础，这里对这部分的学习进行一些总结。二、 SVM的数学原理从一个简单的二分问题开始说吧：我们要把这两类不同的点区分开，那么在这个二维平面上就是找条直线，尽量使得这些点更好的分隔开，那么这条直线可以表示为AX+BY+C=0.在数据集中自然是多种属性的，这时候就可以看成是n维...]]></description><category></category></item></channel></rss>