<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[田sir的超大芝士矩阵]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qbhf8686</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qbhf8686]]></copyright><item><title><![CDATA[[碎碎念5]工作与学校中的代码学习完全不同]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/143906648</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/143906648</guid><author>qbhf8686</author><pubDate>Wed, 20 Nov 2024 11:34:48 +0800</pubDate><description><![CDATA[明基属于非常专业的编程屏显示器，显示屏有快捷触键，可自定义设置各种模式参数，个性化打造适合每个程序员的编程体验，配套软件也很贴心，我最喜欢这个自动旋转功能，打开就能自动匹配竖屏界面，非常方便~还有夜间防护、隐私保护等功能可以很好的保护我们打工人的眼睛和颈椎，打造舒适的沉浸式编程环境。于是我发现在学校里接触到的代码和在实际工作中接触到的代码是全然不同的，在学校中书本里按顺序一节一节过基础、在本学期快结束的阶段才开始实际运行一个简单的小项目。但在实际的工作中，我发现学习顺序全然相反。代码是手段，而非目的。]]></description><category></category></item><item><title><![CDATA[【微信小程序开发】前端入门]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/139003543</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/139003543</guid><author>qbhf8686</author><pubDate>Fri, 17 May 2024 15:15:07 +0800</pubDate><description><![CDATA[注：真实项目中我们最好不要将图片资源存贮在小程序的目录中，将图片资源存放在服务器上，让小程序通过网络来加载图片资源会更好。WXML中包含很多组件，如：view、text、image等，如果我们想进一步调整各个组件的排版，需要现在WXML中加入。align-items是用来设置交叉轴上的排列方式的，比如当我们选定row时，垂直方向就是我们的交叉轴。它提供了一种灵活的方式来控制子元素在容器中的位置和大小，并能够适应不同的屏幕大小和设备尺寸。Flex布局中有一个概念：轴，也就是排列的方向。]]></description><category></category></item><item><title><![CDATA[【碎碎念4】向上社交]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138763283</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138763283</guid><author>qbhf8686</author><pubDate>Sun, 12 May 2024 22:50:55 +0800</pubDate><description><![CDATA[好久没写碎碎念系列了，最近关注到身边一些社交关系，想要和大家聊聊向上社交这件事情。首先小田认为向上社交或者仅仅是社交本身是无论什么年纪都需要关注的，因为处理好关系不仅仅会帮助我们把握好机会，同时也能让我们更好的建立自己的底层自我认知，好了开始我们的正文。小田最近关注到一些朋友和我的分享，大致意思是这样的，我的朋友在五一回家的车上旁边坐着一位姐姐，她们在一段时间的交流过后我的朋友发现这个姐姐是在一所985读博士，也获得过很多荣誉。]]></description><category></category></item><item><title><![CDATA[【机器学习】逻辑化讲清PCA主成分分析]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138669374</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138669374</guid><author>qbhf8686</author><pubDate>Fri, 10 May 2024 19:47:51 +0800</pubDate><description><![CDATA[小编去年数学建模比赛的时候真的理解不了主成分分析中的“主成分”的概念！！但是，时隔两年，在机器学习领域我又行了，终于搞明白了！且看正文！再分享一个今天听到的播客中非常触动我的一句话吧：“人生也许没有诗和远方，你脚下的苟且就是你没有发现的诗和远方。”来自钱婧老师的新书《我有自己的宇宙》]]></description><category></category></item><item><title><![CDATA[【概率论基础】 一篇文章缕清概率论常见概念关系]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138663501</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138663501</guid><author>qbhf8686</author><pubDate>Fri, 10 May 2024 15:31:30 +0800</pubDate><description><![CDATA[（即所有样本点构成的集合），值域需要根据具体题目去确定。随机变量将随机随机事件数字化，使得每一个样本点都有一个实值对应，同时样本空间里的每个事件都有一个数确定。那为什么要引入这个随机变量呢？因为样本点（即我们看到的现象）是很难描述的，所以通过将样本点定量化，使得我们一看样本点的取值就知道实际对应情况且方便我们进一步进行统计分析。在我们的栗子里我们可以规定白雪公主每次可以取三个苹果，随机变量的取值对应取到的红苹果的数目。比如取到{红苹果，绿苹果，绿苹果}则有随机变量X=1；]]></description><category></category></item><item><title><![CDATA[【抽样调查】分层抽样上]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138561102</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138561102</guid><author>qbhf8686</author><pubDate>Wed, 08 May 2024 21:06:14 +0800</pubDate><description><![CDATA[我们先不看课本上那一长串的符号描述，我们来看国家统计局分层抽样（stratified sampling）也称类型抽样，它首先将要研究的总体按某种特征或某种规则划分为不同的层（组），然后按照等比例或最优比例的方式从每一层（组）中独立、随机地抽取个体，最后将各层的样本结合起来对总体的目标量进行估计。分层、抽样、估计。那我们就按照这个顺序来展开这项工作。]]></description><category></category></item><item><title><![CDATA[【大模型】高中生都能看懂的AIGC科普]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138460907</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138460907</guid><author>qbhf8686</author><pubDate>Tue, 07 May 2024 16:11:57 +0800</pubDate><description><![CDATA[之前了解AIGC都是碎片化的从抖音、小红书、知乎这些平台上随机学到的，但说实话跟没看过一样，了解到的太过表面，而且由于知识不成框架体系很容易在看到新的观点时动摇。在试了非常多错后，小田的感觉是在科技科普、生物、生命科学这些科普上还是要系统的翻阅学习一下书籍。现在非常多的大众科普书籍语言不再那么“高大上”，“接地气”的书籍越来越多，那些前沿的知识也在慢慢的惠及到我们每一个普通人，在读书的渠道上真的非常推荐微信读书（因为不用花钱就可以看到很多书）。]]></description><category></category></item><item><title><![CDATA[【自动驾驶|毫米波雷达】逻辑化讲解测角全流程]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138490392</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138490392</guid><author>qbhf8686</author><pubDate>Tue, 07 May 2024 11:49:53 +0800</pubDate><description><![CDATA[其中，3D-FFT(三维快速傅里叶变换)和DBF(数字波束形成技术)做DOA估计是最简单且运算复杂度最低的方法，但是这两方法并不能实现超分辨，其角分辨率受限于阵列的孔径，MUSIC算法是实现超分辨的一种算法。(目标所处方向的回波与导向矢量相干叠加，这些方向的能量会得到增强，而噪声是非相干的，能量得到增强的方向，对应极大值的位置，也即信号的方向)由于阵列响应在不同方向上是不同的，导向矢量与信源的方向是相互关联的，这种关联的独特性依赖于。为初始发波频率，Δd为相邻接收天线的距离差，Δτ为时间差，λ为波长。]]></description><category></category></item><item><title><![CDATA[【自动驾驶|毫米波雷达】卡尔曼滤波]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138471750</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138471750</guid><author>qbhf8686</author><pubDate>Sun, 05 May 2024 21:04:07 +0800</pubDate><description><![CDATA[卡尔曼滤波（Kalman filter）是一种高效率的递归滤波器（自回归滤波器），它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。卡尔曼滤波会根据各测量量在不同时间下的值，考虑各时间下的联合分布，再产生对未知变数的估计，因此会比只以单一测量量为基础的估计方式要准确。这个估计可以是对当前目标位置的估计（滤波），也可以是对于将来位置的估计（预测），也可以是对过去位置的估计（插值或平滑）。此时k时刻的位置表达式就是由上一时刻估计的位置与占一定权重的误差（测量值与估计值）所构成的。]]></description><category></category></item><item><title><![CDATA[【自动驾驶|毫米波雷达】非相参积累与恒虚警率检测]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138471166</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138471166</guid><author>qbhf8686</author><pubDate>Sun, 05 May 2024 18:55:06 +0800</pubDate><description><![CDATA[非相参积累是指不利用信号的相位关系直接进行幅度或功率叠加的积累方法。，然后与目标信号的功率进行比较，从而确定是否存在虚警信号。作为参考值，并与目标信号的功率进行比较。在每个采样周期内，信号和噪声的幅值相加，并进行平均，以获得更好的信噪比。是噪声功率的估计值，α是缩放因子，也叫阈值因子。作为参考值，并与目标信号的功率进行比较。，以提高信号的信噪比。在非相参积累中，每个采样的时间和幅度不一定相同，因此。噪声功率估计方法不是唯一的，因此产生了各种恒虚警率检测方法。CA-CFAR通过计算邻域内的信号功率的。]]></description><category></category></item><item><title><![CDATA[【自动驾驶|毫米波雷达】逻辑化讲清快时间与慢时间傅里叶变换]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138464837</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138464837</guid><author>qbhf8686</author><pubDate>Sun, 05 May 2024 14:08:35 +0800</pubDate><description><![CDATA[实习过程中发现在进行雷达知识交流时，大部分同事都会用英文简称代替中文的一些称呼，比如Chirp、FFT等等。起初我觉得是因为很多英伟达、TI芯片的开发教程都是英文的，所以看得多了大家都习惯这样称呼，后来在和指导我的前辈交流时发现是因为国内对于一个步骤都有很多称呼，比如说我们接下来讲的，但他们的英文专有名称只有一个，分别是和。用英文称呼的原因更是为了精确性，也不用让大家记那么多名词。同时前辈也告诫我在学习时候不要怕麻烦，要把每一个缩写的全程都要标注好记忆好，才能对于系统更加熟悉。图中可以发现。]]></description><category></category></item><item><title><![CDATA[【自动驾驶|毫米波雷达】初识毫米波雷达射频前端硬件]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138453196</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138453196</guid><author>qbhf8686</author><pubDate>Sat, 04 May 2024 23:55:20 +0800</pubDate><description><![CDATA[完整的毫米波雷达系统包含：发送（TX:Transmit）、接收（RX:Receive）以及射频（RF :Radio Frequency）等模拟组件；数字信号处理(ADC:Analog to Digital Converter）、微控制单元（MCU:Microcontroller unit)以及数字信号处理（DSP:Digital signal processing)等数字组件。在信号与数据处理之前的射频（RF）前端硬件可以分为两部分：发射机部分和接收机部分。重要硬件的基本框架如下：发射机部分。]]></description><category></category></item><item><title><![CDATA[【碎碎念3】数学建模到底在做什么？]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138448502</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138448502</guid><author>qbhf8686</author><pubDate>Sat, 04 May 2024 21:45:46 +0800</pubDate><description><![CDATA[我知道很多人会说那些网课里讲的回归模型、聚类模型不都是模型吗，这有什么好说的。是这样但也不完全是这样，要了解什么是模型我们需要先来思考一下为什么需要模型？假设你想知道从比萨斜塔各层掉落的炮弹分别需要多长时间才能落地，你可以通过在不同情况下测量并记录结果的方式来得出结论。对于只有8层的比萨斜塔这个做法是完全可行的，如果去测量高达127层的上海中心大厦呢？这种方式会变得费事又费力。]]></description><category></category></item><item><title><![CDATA[【多元统计】逻辑化讲清判别分析(上）]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/138190371</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/138190371</guid><author>qbhf8686</author><pubDate>Mon, 29 Apr 2024 20:52:08 +0800</pubDate><description><![CDATA[在对于数据的分类中，我们在上一篇文章中详细讲解了朴素贝叶斯分类器这一模型，朴素贝叶斯是一种典型的生成模型；与之相对的是判别模型，那我们继续来阐述一下判别模型分类的主要思想。，以简化问题或获得更有效的特征，比如可以对特征进行降维，或者通过特征交叉等方式构造新的特征，对于生成模型原始数据再处理就很难识别概率分布函数。，常见的判别规则分为两类：确定性的判别规则，统计性（又称概率性）的判别规则。相比于生成模型，判别模型。判断一个模型是生成模型还是判别模型的唯一标准就是该模型学习的是联合概率分布还是条件概率分布，]]></description><category></category></item><item><title><![CDATA[【机器学习】逻辑化讲述朴素贝叶斯算法]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/137957358</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/137957358</guid><author>qbhf8686</author><pubDate>Fri, 26 Apr 2024 12:19:24 +0800</pubDate><description><![CDATA[最近在学习机器学习时偶然读到了这篇文章，博主很好的为机器学习的后闻道者梳理了学习方法，学习顺序。我在微信读书中也粗略的浏览了博主的著作，非常适合初学者。在本科期间的学习中我也有与作者一样的感触：先抓主干，再看枝节。在繁杂庞大的知识海洋中，我经常有学完就忘的情况存在，需要一遍一遍的回看目录。现在看来就是缺乏主干框架，课本的顺序或是老师授课的顺序未必是适合每一个人的顺序，建立起自己的知识框架，知识矩阵也许是我们学到一门知识真正要走的路。]]></description><category></category></item><item><title><![CDATA[【机器学习】逻辑化搭建机器学习框架]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/137139264</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/137139264</guid><author>qbhf8686</author><pubDate>Sun, 07 Apr 2024 11:26:44 +0800</pubDate><description><![CDATA[在数据分析建模的时候时常看到机器学习、监督学习、深度学习、半监督学习等等（超级多学习），所以这写“学习”之间到底有什么关系呢？说这些“学习”究竟是算法还是模型呢？到底研究的是哪些问题呢？这篇文章不讲原理，先系统的搭建小编自己的学习框架及思路，并且来讲讲这些“学习”的区别及基础知识框架。]]></description><category></category></item><item><title><![CDATA[【抽样调查 】 简单随机抽样]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/137244386</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/137244386</guid><author>qbhf8686</author><pubDate>Wed, 03 Apr 2024 11:06:27 +0800</pubDate><description><![CDATA[小编在本科期间参加了大部分的比赛，诸如数学建模、正大杯、互联网+等，大部分比赛中对于统计学科的知识都有一定的要求。大部分统计的科目都相对枯燥难懂，北大复旦教材入门都较为困难，很幸运小编的一些授课老师较为负责耐心，一些科目讲的深入浅出，让我受益很多。所以想要把一些关键适用的科目原理及框架搭建起来和大家分享。]]></description><category></category></item><item><title><![CDATA[【碎碎念2】之多角度看问题]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/136309085</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/136309085</guid><author>qbhf8686</author><pubDate>Mon, 26 Feb 2024 21:24:40 +0800</pubDate><description><![CDATA[起初我对于这部电影并不感兴趣，我原以为是固有套路中的努力拼搏后终于击败对手获得掌声和成功的故事，但令我触动颇深的是：即便日复一日的训练，但终究没有战胜专业对手的现实。而杜乐莹在比赛结束后发的那句“终于赢了一次”也恰恰论证着她由内而外的蜕变与胜利。很久以来，我们被桎梏于排名、绩效、成绩等等规则中，于是“胜利”以及“战胜别人”似乎对于大部分人而言是一种默认的社会规训。]]></description><category></category></item><item><title><![CDATA[【碎碎念1】之主动]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/136087675</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/136087675</guid><author>qbhf8686</author><pubDate>Mon, 12 Feb 2024 15:24:04 +0800</pubDate><description><![CDATA[但不知道为什么我始终坚信我可以拿到我想要的成绩，无论旁人甚至于亲人如何看待我，我的大脑和人生是由我来选择的，所以我并没有很沮丧，而是不断的摸索不断的试错。但我还是毅然决然的想去看看有没有我认知以外的”更好“的学校，幸运的是我找到了，但那所小学也许不是最好的，但当时我遇到的老师知识渊博且非常负责，而最后我也如愿的转学到了这个老师的班级，开启了我真正意义上的求学生涯。但，生活是我们的，是我自己的，什么是适合我的，什么的是我热爱的比什么是他们认为”最好的“对于我们的一生更为重要。我会经历这样的事情吗？]]></description><category></category></item><item><title><![CDATA[【信号与系统】逻辑化讲述傅里叶级数与傅里叶变换]]></title><link>https://blog.youkuaiyun.com/qbhf8686/article/details/136086746</link><guid>https://blog.youkuaiyun.com/qbhf8686/article/details/136086746</guid><author>qbhf8686</author><pubDate>Fri, 09 Feb 2024 15:52:12 +0800</pubDate><description><![CDATA[周期函数是什么形式的？——常数形式或者为什么要是周期函数？——只有周期函数的频域图是离散的，也就是可以被分解的；非周期函数的频域图是连续的，无法直接通过傅里叶级数展开。（时域的周期性对应于频域的离散性）。连续周期函数的时域图（左）、频域图（右）非周期信号的时域图非周期信号的频域图注：实际生活中由于一般信号的长度是有限的，故“非周期“信号更为常见。常见的非周期信号有：单边指数信号、举行脉冲信号、符号函数、单位脉冲信号、直流信号、单位阶跃信号。具体频域时域图见。]]></description><category></category></item></channel></rss>