luozhenghao的博客

原创 模式识别与机器学习课程笔记（1）：数学基础

本文介绍了模式识别与机器学习的数学基础，主要内容包括：1）特征矢量的三种类型（物理量、次序量、名义量）及其处理方法；2）随机矢量的概率分布描述，包括联合分布、条件分布和数字特征（均值、协方差等）；3）随机变量间的统计关系（相关性、独立性）；4）随机矢量的变换方法；5）正态分布的性质；6）离散随机变量的分布；7）信息论中的自信息概念。这些数学工具为后续的模式识别与机器学习算法提供了理论基础。

原创 模式识别与机器学习课程笔记（1）：绪论

《模式识别与机器学习》课程笔记（1）：绪论 本课程面向EECS背景的研究生，需具备线性代数、概率统计、数据结构和编程基础。课程内容涵盖贝叶斯决策论、神经网络、深度学习等13个章节。模式识别旨在将对象分类到预定义类别，涉及特征提取、学习训练和分类识别三大核心问题。课程梳理了模式识别的发展历程，从1929年数字阅读机到当前深度学习主流技术。介绍了模式识别基本方法，包括统计模式识别、结构模式识别等主流技术，并区分了监督学习、无监督学习和强化学习等机器学习类型。课程强调特征选择与提取的重要性，以及分类器设计中决策边

原创 图像分析学习笔记（1）

图像分析课程学习内容总体介绍

原创 图像分析学习笔记（2）：图像处理基础

本文系统介绍了图像处理的基础知识，主要包括四大核心内容：图像增强、图像复原、图像分割和形态学处理。图像增强通过直方图均衡化、频域滤波等方法改善视觉效果；图像复原基于退化模型和先验知识恢复原始图像；图像分割采用阈值法、区域生长等方法分离目标与背景；形态学处理通过膨胀、腐蚀等集合运算提取图像特征。全文涵盖了从基础概念到具体算法的完整知识体系，并重点分析了各类方法的数学原理、实现步骤和应用特点，为图像分析领域提供了系统的理论框架和实践指导。

原创 图像分析学习笔记（3）：人工设计图像特征

本文系统介绍了人工设计图像特征的分类与实现方法。主要内容包括：图像特征的概念与目的，对比了人工设计特征和机器学习特征的优缺点。重点阐述了四种人工设计特征：线特征（边缘检测与编组）、点特征（SUSAN、Harris、SIFT等）、形状特征和纹理特征（灰度共现矩阵、LBP、HOG）。详细分析了各种特征提取算法的原理、流程及特性，如Canny边缘检测、Hough变换、相位编组等方法在线特征提取中的应用，以及SIFT特征在尺度不变性方面的优势。文章还探讨了纹理特征的定义、特点和描述方法，展示了人工设计特征在图像分析

原创 图像分析学习笔记（4）：机器学习图像特征与描述

当堆叠更深层次后的CNN性能反而更差-非常深的模型更加爱难以优化-解决思路：利用网络层次拟合残差映射，替代直接拟合一个潜在目标映射-方法：利用skip connections,可以允许利用一个层次的输出，输入给其他人一层次，利用这些层次你和残差，而不是直接你和H(x)残差模块：输入x通过一系列的卷积、relu模块，输出F(X)，将输出结果加到原始的输入x。卷积神经网络（CNN）

原创 图像分析学习笔记（9）：典型图像分析与理解系统

主要内容：遥感图像与理解、智能目标识别、基于内容的图像和视频检索、序列图像中人的行为分析。

原创 图像分析学习笔记（8）：智能序列图像分析

SiamFC:监督数据的稀缺性，算法的实时性，约束深度学习在目标跟踪中的应用。该方法将跟踪任意目标的学习看成是相似性问题的学习。加入空间正则来解决边界效应，SRDCF将图像信号尽量取大一些的尺寸，保留目标更多的真实信息，然后再通过一个空间权值系数w来惩罚距离目标中心比较远的样本；视频目标分割：在视频的每一连续帧中寻找给定感兴趣目标的对应像素，即给定第一帧的mask，将某一特定目标从后续视频帧当中分离出来，实际就是像素级的目标追踪问题。视频目标跟踪：在一个视频的后续帧中找到在当前帧中定义的感兴趣物体的过程。

原创 图像分析学习笔记（7）：图像生成

本文探讨了图像生成的关键技术，主要包括：1）自然图像流形分析，通过线性降维、PCA和自编码器实现非线性降维；2）图生图方法，利用损失函数筛选流形上的图像；3）图像合成技术，重点介绍GAN及其变体Conditional GANs的工作原理和训练目标函数，并列举多种图像转换应用；4）扩散模型，作为解决多类别生成问题的解决方案。文章还分析了高维输出和映射不确定性等挑战，提出使用深度网络和合理性判断的解决方法。这些技术共同构成了现代图像生成的核心方法体系。

原创 图像分析学习笔记（6）：智能图像语义分割

本文介绍了图像语义分割的基本概念、应用领域及面临的挑战。语义分割需对每个像素进行分类，与实例分割、全景分割有所区别，主要应用于自动驾驶等领域。评价指标采用平均交并比(mIOU)。当前面临目标大小差异、类别不均衡等挑战。典型方法包括FCN（全卷积网络）、U-Net（医学图像分割）、DeconvNet（反池化与反卷积结合）以及DeepLab系列（采用空洞卷积缓解信息丢失）。这些方法通过多尺度信息融合、上采样等技术提升分割效果，但仍存在小目标漏检等问题。

原创 图像分析学习笔记（5）：智能目标检测与识别

原创 文献阅读笔记：Radar Signal Deinterleaving Based on Hidden Markov Chains and Residual Fence Networks

在先验已知情况下，首先考虑了固定PRI的处理（SPL），然后处理了多种调制类型(GSL)，然后进一步考虑了PRI jitter条件下多种调制类型的处理(TAES)，最后考虑了先验未知条件下的处理（DS处理，子序列提取以及图论合并，TAES）.就是说研究之前还是要把逻辑定下来，以免之后的工作存在返工，或者在研究过程中过于犹豫，迟迟不知道研究什么。）的乘积，量化了雷达脉冲流分选算法在复杂环境中（存在干扰、噪声脉冲）的综合性能，值越高表明算法分选结果越接近真实脉冲流，漏检和虚警的综合影响越小。

原创 文献阅读笔记：Deinterleaving method for radar signals with dwell and switch pulse repetition intervals~

袁硕提出了语义编码方法；信工大的谢敏这几年井喷式的发表论文，而且论文中解决问题的思路和方法颇为巧妙，说明作者具有很强的联结能力和方法运用能力，而且经过这几年的学术练习，创新思路和写作方法越来越炉火纯青，值得学习和模仿。后面的论文是先验已知的情况：本篇论文是针对DS的先验未知处理，2025年的那篇TAES还没看，到时候就能理解他的论文体系了，看看别人是怎么组织自己博士论文框架体系的。基于了哪些：可能之前的研究也有先提取子序列，然后进行合并的思想，作者主要是修改了序列提取、以及序列判断和序列合并的策略。

原创 文献阅读笔记：Radar Signal Deinterleaving Based on Markov Chains in Scenarios Known a Priori

有没有问题或者可以借鉴的地方：创新的扩展思路很巧妙，就是说找到一一篇论文，比如FSC，这种方法能解决的范围有限，那么我就扩展它的应用范围，就是说用提出了一个新的问题，并针对性的设计新的方法；另一篇分选的论文（基于图论的方法），主要是考虑到之前的方法并不是一次性提取所有的，不是全局最优解，所以就采用这种图论方法一次性考虑整体，从而实现综合评估性能最优，针对的是老问题，同时发现老问题中存在的缺陷（漏脉冲和PRI抖动对分选的影响），采用更优的方法。针对多种调制的序列，设计了一种基于马尔科夫链方法。

原创 文献阅读笔记：Separation of Interleaved Pulse Stream Based on Directed Acyclic Graphs

基于有向无环图的交叠脉冲流分选方法研究 摘要：针对现有脉冲分选方法在漏脉冲和PRI抖动情况下的不足，本文提出一种基于有向无环图(DAG)的新型分选算法。该方法首先通过PRI估计构建脉冲关系图，将分选问题转化为最长路径搜索问题。相比传统容差法和动态序列搜索法，本方法能一次性提取完整脉冲序列，显著提升了对漏脉冲(最高达20%)和PRI抖动(±5%)的适应能力。实验表明，在干扰脉冲率50%、PRI 300-400us条件下，该方法的精准率和召回率综合性能优于对比方法。虽然计算复杂度增至O(L^3)，但分选效果显著

原创 雷达辐射源识别综述

雷达辐射源识别综述

原创 NUDT学位论文参考文献csl文件模板

完全按照国防科大学位论文参考文献格式进行调整，根据不同的语言设置不同的符号格式，与GB7714及其他学校的csl模板不同的地方主要在以下几个方面：1. 中文“等”前面没有逗号和空格,采用的分隔号均为英文2. 中文分隔符后面无空格3.参考文献表编号后面无Tab键，而是空格 4. 英文文献标识符前的空格

原创 脉冲神经网络学习笔记（Tempotron）

对于基于脉冲神经网络的时序模式分类器，我们采用漏积分发射脉冲神经元模型（LIF）。与RNN中的神经元非常类似，LIF神经元也是有状态的，或者说是有记忆，它的状态变量，一般是它的膜电位。在该神经网络模型中，每个神经元的动力学函数可以通过如下公式来进行概括：其中，表示膜时间常数，C是膜电容，𝑅是膜电阻。𝑉代表膜电压， 是静息电位。当膜电压𝑉超过设定的常量阈值Vthr时，神经元激发一个脉冲，然后𝑉在不应期内会被重置到Vreset, 𝐼是突触前输入电流。