BLOG域名:programb.blog.youkuaiyun.com

- **通信内聚**：模块中的多个处理过程使用相同的数据输入或输出到相同的数据区，但它们彼此之间不一定构成一个整体功能。这些操作因为操作于同一数据集而被放在一起，而非因为逻辑上的功能统一。例如，一个模块同时更新用户的邮箱和地址，这两个操作都作用于用户对象，但逻辑上是独立的。

过程内聚（Procedural Cohesion）是指一个模块内部的各个处理元素按特定的顺序执行，共同完成一系列相关的步骤。这些步骤必须按照一定的程序流程来执行，前一个操作的输出可能是下一个操作的输入或控制依据。虽然这些操作之间不一定处理相同的数据，但它们被组织在一起是因为它们在执行时存在时间或逻辑上的先后顺序。

- **优先追求功能内聚**：将每个功能拆分为独立模块或类。- **将时间内聚作为“协调者”而非“实现者”**： - 使用主控函数或启动器来调用多个功能内聚模块。 - 不在该模块中实现具体逻辑，只负责调度。- **利用依赖注入、插件机制或事件驱动架构**动态注册和执行初始化任务，提升灵活性。

条件熵（Conditional Entropy）是信息论中的一个重要概念，用于衡量在已知一个随机变量的条件下，另一个随机变量的不确定性。换句话说，它表示在已知随机变量 $ Y $ 的值后，随机变量 $ X $ 仍具有的平均不确定性。

- **Haar小波**：最简单的阶跃型小波，直接响应跳变；- **Daubechies小波（dbN）**：紧支撑、光滑性可控，适合工程应用；- **Morlet小波**：类高斯包络复指数，适合时频分析；- **Mexican Hat / Ricker小波**：二阶导数形式，对尖峰敏感。

| 是否可用于计算机实现 | 否（理论分析用） | 是（实际计算用） || 是否包含全部频域信息 | 是（连续表示） | 是（但仅限于采样点） || 是否有快速算法 | 无 | 有（FFT，快速傅里叶变换） || 应用场景 | 系统分析、滤波器设计、理论推导 | 数字信号处理、频谱分析、通信系统 |

| 信号处理 | 利用相关函数检测周期信号、滤波设计 || 时间序列分析 | 构建 ARMA 模型需估计协方差结构 || 金融建模 | 计算资产收益的波动率和相关性（风险评估） || 通信系统 | 分析噪声特性，优化接收机性能 || 随机模拟 | 根据协方差函数生成具有指定相关结构的样本路径 |

- **基本事件**：只包含一个样本点的事件，如 $\{1\}$。- **必然事件**：整个样本空间 $ \Omega $，一定会发生。- **不可能事件**：空集 $ \emptyset $，永远不会发生。

| **基本组成** | 输入/输出、CPU/控制器、存储器、总线、时钟 || **设计方法** | 自上而下、模块化、状态机、数据通路+控制器、流水线 || **存储器件** | RAM/ROM/Flash，选择依据：速度、容量、非易失性 || **PLD器件** | CPLD适合中小规模控制逻辑；FPGA适合大规模复杂系统 |

1. **编写源代码**（Entity + Architecture）2. **编译**（Syntax Check）3. **功能仿真**（使用 Testbench 验证逻辑正确性）4. **综合**（Synthesis → 转为门级网表）5. **实现**（Place & Route，针对FPGA）6. **时序仿真**（考虑延迟后的最终验证）7. **下载到硬件运行**

- $ \alpha $ 越大 → 过渡带越宽 → 易于实现滤波器设计，抗定时抖动能力强；- 但代价是占用更多带宽 → 频谱效率下降；- $ \alpha = 0 $ 效率最高（2），但无法物理实现；- 实际常用 $ \alpha = 0.25 \sim 0.5 $，折中性能与复杂度。

- 奈奎斯特准则通过设计系统频率响应，使得符号之间在抽样时刻互不干扰。- 理想情况可达极限速率 $ 2B $ 波特，但需使用 sinc 脉冲。- 实际中采用升余弦等滚降滤波器，在可控带宽扩展下保持无 ISI。- 发送端和接收端常采用根升余弦（Root Raised Cosine, RRC）滤波器配合使用，联合满足奈奎斯特准则。

| 范式 | AI Coding 核心落地逻辑 | 类比程序员工作方式 ||---------------|---------------------------------------------------------------------------------------|---------------

**Spring Cloud Skipper** 是一个用于 **管理 Spring Boot 应用程序生命周期的工具**，特别设计用来部署、升级、回滚和监控基于 **Spring Cloud Task** 和 **Spring Cloud Stream** 的微服务应用。它充当了“应用包管理器”的角色，类似于操作系统中的 `yum` 或 `apt`，但在云原生环境中用于微服务。

- **孔径效应是平顶取样固有的高频衰减现象**- 根本原因是零阶保持引入了 $ \text{sinc}(fT) $ 的乘性衰减- 补偿方法主要是采用**频率响应为 $ 1/\text{sinc}(fT) $ 的均衡滤波器**- 在高保真音频、通信和测量系统中必须加以校正

4. **避免突发现象（Click Noise）**： 在传统FM鉴频器中，低信噪比会导致“click”噪声——由噪声引起的相位跳变。而PLL通过平滑的相位反馈机制抑制了这种非线性突变，显著改善听觉质量。5. **可实现相干解调**： 某些高级PLL结构（如正交解调PLL）能重建本地载波，实现近似相干解调，进一步提升解调灵敏度和抗噪能力。

- 发送端：用高通滤波器提升高频（例如 $ \tau = 75\,\mu s $ 的一阶高通）- 接收端：用低通滤波器恢复原频响，同时压制高频噪声

| 频率漂移 | 温度变化、电源波动 | 加恒温槽、稳压电源 || 调制失真 | $ C-V $ 非线性 | 换超突变管、加预失真 || 输出频率不准 | 电感误差 | 微调线圈间距或加可调电容 || 干扰其他频道 | 谐波泄露 | 加低通滤波器（LPF） || 调制度不足 | 变容调节范围小 | 优化偏置点或改用更高灵敏度管 |

| **RC 移相网络** | 单频、音频 | 简单低成本，但带宽窄 || **全通滤波器** | 宽带模拟信号 | 可覆盖语音频段（300–3400 Hz） || **I/Q 调制器 IC（如 SA612）** | 实验与小系统 | 易实现，性能好 || **数字方式（DSP + DAC）** | 高精度系统 | 用 FPGA 或 MCU 实时计算 Hilbert 变换 |

- 当两个同频 FM 信号同时到达接收机时，强信号会“压制”弱信号- 接收机主要解调出较强的那一个- 这有助于减少同频干扰- （而 AM 是叠加，会产生严重串扰）

如果强制让 SSB 和 DSB-SC 使用相同的传输带宽（例如都用 $ 2B $），那么可以在 SSB 中提高发射功率或使用更高调制指数来提升性能，但这不是常规比较场景。通常我们固定 $ m(t) $ 和 $ P_s $，比较哪种调制最高效 —— 此时 **SSB 更优**。

1. **滤波法**：用锐截止带通滤波器滤除一个边带 → 适合语音等有“保护带”的信号2. **相移法**：利用希尔伯特变换生成正交分量，通过正交调制合成 SSB → 适合低频/直流信号，数字系统中更易实现

| 1️⃣ | 将连续时间 AWGN 信道离散化为 $ n = 2BT $ 维向量信道 || 2️⃣ | 利用互信息定义：$ I(X;Y) = h(Y) - h(Z) $ || 3️⃣ | 利用“高斯分布最大化熵”性质，得出最优输入为高斯分布 || 4️⃣ | 计算高斯输入下的最大互信息 || 5️⃣ | 归一化到单位时间，得到香农公式 |

- 输入码字限制在功率球面内：$ \|\mathbf{x}\|^2 \leq nP $- 输出落在以真实信号为中心的噪声球内- 计算可容纳的互不重叠的“信号球”数量，得到：

| ✅ **微分熵本身无绝对意义** | 它可以为负、依赖单位，不能单独解释 || ✅ **互信息是有意义的绝对度量** | 它表示实际可传输的信息量（单位：bit） || ✅ **KL散度同样保留** | $ D_{\mathrm{KL}}(p(x)\|q(x)) $ 在量化下也收敛，因为它是密度比的期望 || ✅ **信息瓶颈等方法可行的基础** | 如变分自编码器（VAE）、信息瓶颈法（IB）依赖互信息作为目标函数 |

在 Python 中使用 Elasticsearch（ES）进行数据可视化，核心流程是「**ES 数据查询→结果解析为 DataFrame→用可视化库生成图表**」。ES 负责高效聚合/筛选数据，Python 借助 `Matplotlib`/`Seaborn`（基础可视化）、`Plotly`（交互式可视化）、`Pyecharts`（中国式美观图表）等库，将数据转化为「趋势图、柱状图、饼图、热力图」等直观形式。以下是 **4 类核心可视化场景 + 完整代码 + 优化技巧**，覆盖从基础报表到交互式仪表盘的需求

ESQL 是 Elasticsearch 推出的**原生查询与数据处理语言**，专为 Elasticsearch 生态设计，兼具「查询检索」「数据转换」「聚合分析」能力，语法简洁易读，同时支持复杂的数据处理流水线，替代了传统的 Query DSL 部分场景，成为 Elasticsearch 8.0+ 版本中推荐的核心查询语言之一。

指对任务、流程或问题从发起、执行、监控到结果确认的全流程进行追踪，确保每个环节可追溯、无遗漏，最终形成“发起→处理→反馈→归档”的完整管理循环，核心是**避免流程中断或结果失控**。 例如：项目任务中，从分配任务（发起）、责任人执行（处理）、进度同步（反馈）到任务验收（归档），每个节点都有记录和跟进，即形成跟踪闭环。

| **实时同步** | 源系统触发“元数据变更事件”（如建表、改字段），通过API/WebHook推送到目标平台 | 核心业务库（如交易表）、需实时感知结构变化的场景 | 无滞后，元数据实时一致 | 需源系统支持事件触发，避免高频变更导致性能压力 || **定时增量同步** | 按固定周期（如1小时/1天），仅同步“上次同步后新增/修改的元数据” | 非核心系统（如日志表）、变更频率低的场景 | 资源消耗少，易维护 | 需设计“增量标识”（如更新时间戳），避免漏同步 || **全量同步**

- 提高团队协作效率- 降低沟通成本- 支持自动化工具集成（如静态代码检查、CI/CD）- 易于系统集成与第三方对接- 满足合规性要求（如等保、GDPR）

- 核心：将企业战略拆解为可执行的分层目标，明确各层级的责任与考核标准。 - 示例：通过OKR或KPI体系，将“年度营收增长20%”（公司级目标）拆解为“销售部新增客户300家”“运营部提升老客户复购率15%”（部门级目标），再拆解为“销售岗月度签约5单”（岗位级目标），确保目标层层落地。

- **数据来源不唯一**：同一指标的数据可能来自多个系统（如“用户数”来自CRM系统和APP后台），若系统统计逻辑不同（如是否含测试账号），会导致数据偏差，统一来源需大量协调与改造。

- **主数据管理**：对企业核心、共享数据（如客户、供应商、产品）进行统一创建、审核、分发，确保“单一真实来源（SSOT）”，避免跨系统数据不一致。- **数据标准管理**：制定并推

- 统筹推进数据治理任务落地，跟踪进度（如监控“客户数据清洗”“数据安全合规排查”等项目节点）； - 协调执行层资源（如调度技术团队支持业务部门数据需求），收集治理问题并向决策层反馈； - 组织数据治理培训、宣贯制度，推动全员数据意识提升。