<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ddpiccolo的博客]]></title><description><![CDATA[记录笔记]]></description><link>https://blog.youkuaiyun.com/ddpiccolo</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ddpiccolo]]></copyright><item><title><![CDATA[Python matplotlib绘图 自己的科研风？]]></title><link>https://blog.youkuaiyun.com/ddpiccolo/article/details/89892449</link><guid>https://blog.youkuaiyun.com/ddpiccolo/article/details/89892449</guid><author>ddpiccolo</author><pubDate>Mon, 06 May 2019 21:52:14 +0800</pubDate><description><![CDATA[Python matplotlib绘图 如何科研风？风点线图、散点图、网络图、条形图

dpiccolo,个人绘图笔记

个人常用的内容：绘图风格、字体类型、大小、marker、图例位置
官网最直接、全面：Pyplot function overview
1.绘图风格
matplotlib自带的风格课参考Matplotlib Style Gallery
和Customizing plots wit...]]></description><category></category></item><item><title><![CDATA[基于SIFT特征的图像拼接融合（matlab+vlfeat实现）]]></title><link>https://blog.youkuaiyun.com/ddpiccolo/article/details/89606456</link><guid>https://blog.youkuaiyun.com/ddpiccolo/article/details/89606456</guid><author>ddpiccolo</author><pubDate>Sat, 27 Apr 2019 20:01:58 +0800</pubDate><description><![CDATA[基于SIFT特征的图像拼接融合（matlab+vlfeat实现）

piccolo，之前做的东西，简单整理下，不是做图像方向的，写的不好轻喷
主要原理参看SIFT算法详解和SIFT特征匹配算法介绍——寻找图像特征点的原理

下面简单说下：
SIFT算子特点
主要思想：一种基于图像梯度分布的特征描述子。
特点：具备尺度不变性，抗干扰性好。但维数高，计算复杂度大。
SIFT算法数学原理(简析)
Ste...]]></description><category></category></item><item><title><![CDATA[基于像素点特征的Harris角点检测图像拼接(matlab实现)]]></title><link>https://blog.youkuaiyun.com/ddpiccolo/article/details/89525122</link><guid>https://blog.youkuaiyun.com/ddpiccolo/article/details/89525122</guid><author>ddpiccolo</author><pubDate>Thu, 25 Apr 2019 20:39:04 +0800</pubDate><description><![CDATA[基于像素点特征的Harris角点检测图像拼接(matlab实现)

piccolo，之前做的东西，简单整理下，不是做图像方向的，写的不好轻喷
主要原理参看Harris角点检测原理及实现和Harris角点检测算法优化
下面简单说下：

角点（ Corner Points ）
1.局部窗口沿各方向移动，均产生明显变化的点。这个变化是多样的，如灰度
2.图像局部曲率突变的点
Harris角点检测
Har...]]></description><category></category></item><item><title><![CDATA[python实现的  AWGN信道下QPSK调制信号的平均相位估计]]></title><link>https://blog.youkuaiyun.com/ddpiccolo/article/details/89464575</link><guid>https://blog.youkuaiyun.com/ddpiccolo/article/details/89464575</guid><author>ddpiccolo</author><pubDate>Tue, 23 Apr 2019 02:43:24 +0800</pubDate><description><![CDATA[AWGN信道下QPSK调制信号的平均相位估计

piccolo.用python简单实现的作业
Q1:在Eb/N0（5db~30db，间隔5db）下的加性高斯白噪声，并且假设信道为AWGN信道引入了30度的相位误差，采用QPSK调制信号作为导频信号，试仿真不同情况下的平均相位估计与采样点间曲线。

具体实现
1.QPSK调制的实现
在这里便于仿真实现，采用相位选择法实现QPSK调制

step0：生...]]></description><category></category></item><item><title><![CDATA[龙格-库塔(Runge-Kutta)方法求解Mackey–Glass混沌时间序列]]></title><link>https://blog.youkuaiyun.com/ddpiccolo/article/details/89464435</link><guid>https://blog.youkuaiyun.com/ddpiccolo/article/details/89464435</guid><author>ddpiccolo</author><pubDate>Tue, 23 Apr 2019 02:12:31 +0800</pubDate><description><![CDATA[龙格-库塔(Runge-Kutta)方法求解Mackey–Glass混沌时间序列

Mackey–Glass Chaotic Time Series &amp; Runge-Kutta Method &amp; MATLAB
piccolo的个人笔记，是近期遇到的东西，整理一下

Mackey and Glass(1977)是一篇重要的论文，作者将疾病的发生与建立生理系统模型的一级微分时滞动力学方...]]></description><category></category></item><item><title><![CDATA[TensorFlow模型保存 测试篇]]></title><link>https://blog.youkuaiyun.com/ddpiccolo/article/details/89392108</link><guid>https://blog.youkuaiyun.com/ddpiccolo/article/details/89392108</guid><author>ddpiccolo</author><pubDate>Fri, 19 Apr 2019 03:24:52 +0800</pubDate><description><![CDATA[TF模型保存 测试篇
可参考TensorFlow之CNN图像分类及模型保存与调用
和『TensorFlow』模型保存和载入方法汇总和模型的保存与恢复(Saver)
模型保存——saver
  model_path='E:/model/kdd/model.ckpt' ##绝对路径
  model_path='scnn_model/model.ckpt'##相对路径
  tf.train.Saver....]]></description><category></category></item><item><title><![CDATA[TensorFlow中CNN有关（基础）]]></title><link>https://blog.youkuaiyun.com/ddpiccolo/article/details/89392084</link><guid>https://blog.youkuaiyun.com/ddpiccolo/article/details/89392084</guid><author>ddpiccolo</author><pubDate>Fri, 19 Apr 2019 03:03:07 +0800</pubDate><description><![CDATA[TF中CNN有关（基础）

piccolo(一个正在学的人)
最近开始接触 学习，主要是记录自己好找的东西

input

tf中一般用一个4-D的tensor来表示
其shape为[batch_size, in_width, in_height, channels]，

卷积核

一般也用一个4-D的tensor来表示，其shape为[filter_width, filter_height, i...]]></description><category></category></item></channel></rss>