- 博客(29)
- 收藏
- 关注
RSS订阅原创 gnuradio-windows11-使用（6）周期信号傅里叶级数ak确定
的周期是 5 个采样点，得到的精度还算可以，但是到了N很大的时候，也就是例 3.12 的 方波的时候，用 线性方程组求解的方式其实就存在很大的误差.第一个是从 3.94 出发，如果得到了 N - 1 个 不同的采样值x[n]，我们 就能解出所有的 ak，类似于求解线性方程组的思路。这里我的预设的参数是，N=40, N1=5, 也就是一个周期的采样点是 40 ，高电平占5个。比如标准的解都是实数，但是我的求解却有虚部，但是只把实部画出来，其实也还大致看得出样子。这里对于正弦的求解，我预设的。
2025-01-24 10:27:59
187
原创 gnuradio-windows11-使用（5）离散时间傅里叶级数对
因为复数不会是1，所以分母不会是 0，又发现1-q^N = 0, 所以证毕。当 k 是 0 或者 N 的倍数的时候，积分内的复数是1，所以求和后是N，这里主要是记录一下 3.94 和 3.95 的导出。
2025-01-17 15:04:45
118
原创 gnuradio-windows11-使用（3）离散卷积的结合律证明
这两个等式在写的时候，有个小 trick，就是用卷积的交换律，把 n-k 的项 都放在 h1的内部，因此左右两边再对比的时候，能够统一起来。其余的还好，也就是结合律并不是很好证，此外，似乎很多的证明都是用。，不管用刀横着切了，一行一行吃，还是竖着切了，一列一列的吃，最终都能吃完这块蛋糕。，第一个求和是先 k2 再 k1，而第二个求和是先 k1 再 k2。因此，等式左右两边的求和区间 和 求和内容，全部相等，结合律证毕。这里需要注意的是，k1 的积分限是从 0 到 n-k2。说个好理解的，就比如这是一块。
2025-01-16 15:29:28
232
原创 sscanf 中的 hhx 与 hx 使用
sscanf 的功能是从字符串中格式化读出内容。hh 指的是 8 位 而 h 指的是 16 位，因此由于一个mac地址确实只要8位，因此用的是 hx。同样的，用 hx 写入 unsigned char 也是错误的匹配。输出则可以看出问题。改回hx 输出正常。
2025-01-07 10:54:31
340
原创 gnuradio-windows11-使用（1）指数衰减信号
可以模模糊糊的知道，大概是这个自己的block块会有一个线程在跑，然后gnuradio 的调度器会根据python块前面的 输入buffer 和 后面的输出 buffer 的 size 决定一个大小，然后把输入和输出作为参数传给 work 函数， 具体自己在实现的时候就要用 c 的引用的写法，在python 中就是 [:] 这种切片的形式。虽然 gnuradio 也很复杂，但是只从用的角度是没有难度的，细节慢慢以后慢慢再看。这次先做信号的衰减。
2025-01-04 17:29:38
220
原创 gnuradio-windows11-使用（0）软件安装与vscode配置
在文件的后面加一个自己的code.exe的位置就ok了。windows下的安装在conda下最方便，参考。vscode配置主要是用于写python块，主要。，修改conda环境中的。
2025-01-03 15:26:13
230
原创 1456. 定长子串中元音的最大数目-双变量和单变量
自己想到的是之前的贪婪的写法，用的是左右两个变量，但是0x3F题解给的是1个变量。想了一想，发现，这里的区别其实在于，因为这个题是固定滑动窗口，那么一个窗口的端点，就已经足够了，使用 r - k + 1就可以找到窗口左端的 l 的位置。的单个子字符串中可能包含的最大元音字母数。定长串口滑过字符串，找aeiou最多的个数。
2025-01-03 14:22:51
112
原创 729. 我的日程安排表 I - 二分法 - lower_bound 使用
此外，可以发现如果把lower bound 函数 换成 upper bound 函数，提交就会失败，但其实 upper bound 函数就是少了一个等于的情况，具体刷题的时候，允不允许等于就要看实际情况了。当然，找到第一个右端点小于start time 的区间，也是可以的，只不过map 的存储方式要变一变。找到的正是第一个左端点大于endtime 的区间，那么 --item 也就是左边最容易出问题区间了，题解的思路是找到插入区间右边，不冲突的第一个，那么这个找到区间左边的那个就是最有可能出问题的。
2025-01-02 19:01:24
241
原创 rfc1071-校验和
这里带来的好处就是，当我们收到一个报文时，虽然大端机器和小端机器取出 16 位数据的方式是不一样的，但是字节序可换的性质保证了计算结果并不会影响到，校验时得到的结果是否全是 1， 或者取反全是 0。这里有点思维跳跃的，其实还好理解，比如 [A,B]+[C,D]，如果AC有进位，根据反码和的要求，这个进位会传给BD， 同样，BD如果有进位就会传给AC；字节交换顺序后 [B,A]+[D,C] 的进位方式仍然不变，仍然是BD进位给AC， AC进位给BD，所以最后的结果也只是存在一个字节之间的交换而已。
2025-01-01 10:48:13
768
原创 Kruskal‘s algorithm 证明理解
所以只能是 f == e 的情况了，也就是 T - f +e也是一个最小生成树。（因为算法保证e+F不会成环，而e+T有环，所以一定多个边）那么 比较 f 和 e， 因为f在T中，所以 f 一定要
2024-12-31 15:44:47
262
原创 rfc1700-网络传输字节序-位序-小端CPU-位域
“假设小端 cpu 的 字节内部 位的顺序也是沿着地址增大方向，每一bit 从小到大放置的”。
2024-12-31 11:01:20
432
原创 力扣-自递归-1367. 二叉树中的链表
如果把题改成，只从树的跟节点开始匹配，那么问题就很简单了， 就一个简单的dfs，只要到了边界就false，不相等也是false，相等就继续比较下一个，也就是使用 dfs 进行深度搜索。但是现在问题是，不止从根节点开始，而是任一节点开始，那么就引入自递归，在 isSubPath 函数中 继续调用自己的左右子树，进而把所有的节点当作根节点进行遍历。如果在二叉树中，存在一条一直向下的路径，且每个点的数值恰好一一对应以。一直向下的路径的意思是：从树中某个节点开始，一直连续向下的路径。为第一个节点的链表。
2024-12-30 14:41:57
196
原创 2024-11-21-QUANTAXIS-windows-docker配置
然后是去docker desktop 把qa点开，找到qaweb restart， 或者整个qa 重启，我的qaweb 就不再不错了，应该是显示一些 ready 或者 welcome 字样的就算ok了，然后是最坑的，卡在 localhost:81 怎么都进不去，最后发现是只需要修改最下面的地址，前两个不要改，并且是。更新这两个库之后，我就可以成功save stock_list了,大致的步骤google 可以找的到，主要参考前两个链接。加上之后，就能点进去了。大概率会qaweb的出问题，解决方案见。
2024-11-21 16:25:45
271
原创 python multiprocessing.Pipe的close()问题-windows
我的结果显示子进程创建时 管道或者说 管道的端口应该是被特殊的拷贝了一份，因此，需要分别父子进程的发送端需要分别close， 才能让接收端收到 EOF。这个结论可以把代码的倒数第二行注释掉，发现，子进程的join 怎么也结束不了。
2024-11-08 11:07:09
226
1
原创 数值最优化定理5.3
他这里使用了一个条件，其实不是n=k时，假设成立能得出的，而是n=1，2，,,,，k都成立才有的这几个p互相共轭。虽然也不太一样，但同样的其实也没什么问题，感觉就像是归纳法的一种变体，首先n=1等式成立，然后假设，n=1, ...，k时等式都都成立，证明n=1, ... , k, k+1时等式都成立。这个说法以前其实是没见过的，第一次见同时一下子假设两个的，但细想一下，确实没什么问题。第一个地方是，假设两个等式5.17，5.18在n=k时，同时成立，然后证明5.17在n=k+1成立；
2023-10-20 15:20:54
106
1
原创 数值最优化-定理5-2
所以如果没推导错的话，可以看到，由于A的正定的性质，在开区间（0，1）里，只有x=y会满足等号成立，其余全是>大于号。第一，用共轭方向算法5.6，5.7生成的那一组x_k会保证5.11成立，也就是r_k总是和之前所有的p_k正交；第二，每次生成的x_k都会保证，这时的\phi(x_k)是 5.12式张成空间的最小值；凸函数的内容大概都知道，这个严格凸指的则是当x!=y时，一定是不等号，首先，由于5.6，5.7的计算\alpha_k的方法其实是通过。，进而就可以利用\phi本身的严格凸推导出h的严格凸了。
2023-10-19 23:08:28
121
1
原创 数值最优化引理3-11
条件的第二式 3.6b的思路就是：我还希望下一个迭代点x_k+1的斜率要比现在的x_k点处的斜率要大（因为是负值，其实视觉上看上去因该是，找到不那么倾斜的地方），就比如现在是-2，下一个迭代点处的斜率应该是-1而不是-3从而保证-1 > -2。这里的意思就是，如果下一个地方还是比较"斜"的地方，那么就以为着还有很大的下降空间，但我要是找到了一个没那么"斜"的地方，似乎就很接近目标点了。时，也就有Wolfe条件的第一式；这里保证了的一个主要目的就是，我还是希望我的下一步一定是保证函数值下降而不是上升的。
2023-04-06 10:10:07
274
原创 使用高斯牛顿法和g2o进行曲线拟合
在学习slam14讲的第6讲“”的时候，书中使用了曲线拟合的例子来对最小二乘法问题进行介绍，并使用了多种方法来进行求解，下面记录一下其中的高斯牛顿法和g2o两种方法的理解和遇到的问题。后面使用到的截图也都来自slam14讲的书和g2o的论文。也强烈建议先搜索一下什么是最小二乘法。此外，不仅是书上还是论文里，都会有自己的一套公式的写法和记号，而且都让人很难理解。
2023-03-21 15:25:38
398
原创 g2o曲线拟合中的static_cast
vertices 跳转后发现是在 g2o::HyperGraph::Edge中定义的，类型是：VertexContainer，再跳转VertexContainer发现是typedef std::vector VertexContainer；因此总结下来_vertices是一个存放g2o::HyperGraph::Vertex*类型的vector，那么_vertices[0]也就是一个g2o::HyperGraph::Vertex*的指针对象。
2023-03-01 11:34:30
144
原创 数值最优化---二阶条件
对于第一种情况，正是书上花了很大篇幅论证的，发现与大前提A=0矛盾，但这时反证法还没有结束，因为还有第二种情况没有论证，讨论继续，后面又发现第二种情况也与大前提A=0矛盾，因此，大前提的假设错误，反证法结束。这里我们有必要对critical cone的定义式进行说明，首先要明确的是，线性可行方向。因此，全部的论证过程并不是两个反证法嵌套，而是在反证法中存在一个分类讨论，进行分别论证了而已。首先是最开始的反证法的假设，简单记作A=0；这个式子，加上12.70，发现与反证法的假设相矛盾，因此。
2023-02-05 18:11:57
886
1
原创 数值最优化---引理12.2证明
这个引理的证明看上去十分复杂，因此打算搁置在这里，但在后面的一节用到了证明的一个中间结论，所有提前来学习一下证明过程。然后是熟悉又陌生的，定理A.2，也就是高数中讲到的隐函数定理，引理12.2证明很复杂，很大程度上就是由于要构造和使用这个隐函数定理。被满足，并且由于最开始的假设，我们只考虑有效集中的约束，抛弃有效集之外的约束，进而可以证明出在。推导中的最后一个等号，就相当于在矩阵的下分块处加了一个极限为0的余项，因而不改变原来的零值。这个矩阵的维度，对于n维的空间中的m个有效的线性无关的约束，
2023-02-05 11:39:12
552
原创 数值最优化-有效集法求解含有不等式约束的二次规划问题
前进，那么目标函数值沿这个方向是一定会减少的，因此（博客中还说因此：“算法的迭代可以在有限次数内终止”，我觉得这个结论不太充分，但是先这么认为）算法的收敛应与怎么增加和删除约束无关。因而上面流程图的左右两侧的什么时候增加、删除约束只是一种策略，用来帮助我们实现算法的快速收敛。一种可能的想法是：从向量的角度来说，的最后一段）书中的定理16.6给出了算法的收敛性，即：只要每次沿着。，如果全部非负，那么根据上面提到的定理16.4，此时的。的定义式的分子为零，那么此时的情况是，在原来的迭代点。
2023-02-03 19:07:04
2669
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人