- 博客(284)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 matlab中的图窗属性和坐标轴的属性
Position 指定窗口的尺寸和窗口在屏幕中的位置。Outerposition 指定窗口外轮廓的大小和位置。两者都是用一个4维向量来定义，格式为[左 底 宽 高]。可通过set函数修改Position和Outerposition，如下：在屏幕左下角，宽高分别为10cm和8cm。或者gcf 表示当前图窗的句柄。
2024-01-31 14:21:06
614
原创 matlab使用PhysioNet的WFDB工具箱
简介：用于MATLAB的WFDB工具箱是用于读取、写入和操作（处理）PhysioNet数据的MATLAB函数的集合，通过Java和MATLAB包装器实现为对WFDB软件包应用程序的系统调用。
2024-01-08 21:29:51
728
原创 Jupyter notebook使用使用多个virtualenv创建的环境
Jupyter notebook使用使用多个virtualenv创建的环境
2023-02-15 17:38:11
282
1
原创 本地使用远程服务器jupyter notebook
在远程服务器安装jupyter notebook并在本地电脑使用下面的步骤中写了配置ssh，个人觉得没必要，因为浏览器可能不信任这个证书或者证书过去得更新。Python ssl socket server SSLV3_ALERT_CERTIFICATE_UNKNOWN issue具体步骤参考：https://www.cnblogs.com/thousfeet/p/10647102.html虚拟环境的切换没使用anaconda建虚拟环境，而是virtualenv。参考这里把这个环境中的kernel
2022-04-14 19:03:36
1825
原创 自注意力 self-attention 笔记
自注意力向量作为模型的输入模型的输出上下文和自注意力点积注意力计算过程实际中计算并行进行多头注意力自注意力的问题自注意力和CNN自注意力和RNN向量作为模型的输入机器翻译任务里，使用词嵌入的方式将每个词表示为一个向量。语音识别任务里，使用通过切分帧获取每一帧的MFCC系数，构建一个特征向量。其他任务也能构造相应的向量形式作为输入。模型的输出4中形式：多对一一对一多对多一对多上下文和自注意力在机器翻译任务中常常需要考虑上下文来判断一个词的词性，给出正确的翻译。自注意力机制考虑整个
2022-04-05 16:02:26
1847
原创 【Transformer】论文总览
Attention is all you needTransformer模型编码器结构解码器结构Scaled Dot-Product注意力Multi-Head Attention注意力的使用Position-wise Feed Forward Networkpositional encoding模型训练优化器正则化Residual DropoutLabel SmoothingTransformer序列转录模型即输入为序列输出为序列的模型。作者认为他们提出一个简单的架构：Transformer，基于注意
2022-04-04 20:12:44
2460
原创 使用单机单机多卡的训练模型时复信号输入问题
项目场景：使用单机多卡的模式训练模型问题描述torch.complex类型数据为模型输入，单卡训练正常，多卡训练报错。原因分析：单机多卡训练过程：解决方案：提示：这里填写该问题的具体解决方案：例如：新建一个 Message 对象，并将读取到的数据存入 Message，然后 mHandler.obtainMessage(READ_DATA, bytes, -1, buffer).sendToTarget();换成 mHandler.sendMessage()。...
2022-03-20 15:42:16
306
原创 【Effective Python 1】巧用生成器
使用List来存放数据大量数据时会占用大量内存，使用生成器表达式返回一个迭代器，然后逐次产生输出值，可以避免大量内存占用问题。
2022-03-12 17:10:03
822
原创 AttributeError: module ‘torch.onnx‘ has no attribute ‘set_training‘
问题描述import torchimport tensorwatch as twresnet18 = models.resnet18(pretrained=True)tw.draw_model(resnet18, (1, 3, 224, 224))使用tensorwatch展示网络结构时报错。问题原因当前环境中Pytorch版本为1.8。高于1.6的版本中，模块’torch.onnx’去掉了 'set_training’这个属性。解决办法将Pytorch降到1.6以下。Conda 安
2021-06-23 10:23:13
2974
7
原创 Pytorch 轮子1 基本张量的处理
常用张量的定义全零矩阵、全一矩阵和对角矩阵：>>> torch.zeros([2, 4], dtype=torch.int32)tensor([[ 0, 0, 0, 0], [ 0, 0, 0, 0]], dtype=torch.int32)>>> cuda0 = torch.device('cuda:0')>>> torch.ones([2, 4], dtype=torch.float64, device=cuda
2021-06-20 18:03:40
282
原创 归一化频率
模拟频率fff其物理意义就是1s中重复fff次，单位是Hz。比如蜜蜂飞行时每秒振动翅膀200次，可以说振动的频率为100Hz。模拟角频率Ω\OmegaΩ对于转动的例子，如风力发电机的风叶，能不能找一个物理量描述风叶1s转了多大的角度？答案是可以的。那就是模拟角频率Ω\OmegaΩ。定义旋转1圈对应的弧度为2πrad2\pi rad2πrad.模拟频率fff和模拟角频率Ω\OmegaΩ的关系为Ω=2πf\Omega = 2\pi fΩ=2πf模拟角频率的单位是rad/srad/srad/s。采样频率
2021-03-23 16:19:34
13243
3
原创 时域离散随机信号处理 相关函数
相关函数贯穿整个随机信号处理，下面就着重讨论相关函数。自相关函数的定义：集合平均下自相关函数计算公式：时间平均下自相关函数的计算公式：对于***平稳随机信号***相关函数的性质：Rxx(m)=E[Xn∗Xn+m]=E[XnXn−m∗]R_{xx}(m) = E[X_n^*X_{n + m}] = E[{X_n}X_{n - m}^*]Rxx(m)=E[Xn∗Xn+m]=E[XnXn−m∗]Rxx(m)=Rxx(−m)R_{xx}(m) = R_{xx}( - m)Rxx(m)=Rxx
2021-01-26 19:17:14
2953
原创 卡尔曼滤波
基本思想用前一个状态的估计值和当前观测数据估计当前状态变量的值。其中：状态变量 xkx_kxk前一时刻的状态变量xk−1x_{k-1}xk−1第k步状态变量之间增益矩阵的取值AkA_kAk第k步状态变量和输出信号之间的增益CkC_kCk量测噪声vkv_kvk过程噪声wk−1w_{k-1}wk−1当前的观测值yky_kyk状态方程：xk=Ak−1xk−+wk−1x_k=A_{k-1}x_{k-}+w_{k-1}xk=Ak−1xk−+wk−1量测方程：yk=Ck
2021-01-07 21:36:07
265
原创 维纳滤波
什么是滤波？从受到各种噪声干扰的信号中恢复真实信号的过程就是滤波。信号处理一般模型其中x(n)x(n)x(n)直接输入系统，称为系统输入或者观测信号；s(n)s(n)s(n)为真实信号；v(n)v(n)v(n)为噪声；h(n)h(n)h(n)表示滤波系统的单位脉冲响应；y(n)y(n)y(n)为系统输出，也常写成s^(n)\hat{s}(n)s^(n),表示为真实信号的近似或者估计。从观测信号x(n)x(n)x(n)中经过滤波系统得到真实信号s(n)s(n)s(n)的估计信号y(n)y(n
2021-01-06 19:16:05
798
3
原创 离散时间线性时不变系统分析和卷积计算
离散信号分解为冲击信号分析线性系统对给定输入信号响应可以分析线性系统。先将输入信号分解成基本信号的和，然后利用系统的线性特性，将系统对基本信号的响应相加就得到了系统对输入信号的总响应。具体操作时，可以将信号分解为单位采样序列的加权和。为了将信号分解为单位采样序列的加权和，必须先求解系统对单位采样序列的响应。选择基本信号x(k)x(k)x(k)xk(n)=δ(n−k)x_k(n) = \delta(n-k)xk(n)=δ(n−k)kkk表示单位采样序列的延迟将x(n)x(n)x(n)和δ(n−k
2020-12-31 11:47:37
2033
原创 离散时间系统的结构图表示
常用结构图示举个栗子：y(n)=14y(n−1)+12x(n)+12x(n−1)y(n) = \frac{1}{4}y(n-1)+\frac{1}{2}x(n)+\frac{1}{2}x(n-1)y(n)=41y(n−1)+21x(n)+21x(n−1)
2020-12-31 11:44:44
1397
1
原创 时域离散信号的统计描述
基本概念和研究对象：连续信号：时间变量取连续值的信号。离散信号：时间变量取离散值的信号确定性信号：随时间变化具有规律性的信号。随机信号：随时间变化没有明显规律的信号，不能用确定的数学关系描述。在这一系列的文章中，我们研究的对象：时域离散随机信号随机信号无法用明确的数学关系描述，但是可以用统计分布规律，如数字特征等描述。常用的数字特征：数学期望，方差和相关函数。描述随机信号的数字特征均值（一阶矩）离散形式：μx(n)=E[X(n)]=limN→∞1N∑i=1Nxi(n)\mu
2020-12-31 10:50:26
423
原创 雷达信号处理基础 多普勒频移
假设雷达静止，被检测物体处于运动状态，由于多普勒效应，接收回波的频率F_r不同于发射频率。考虑一个单基雷达，波形x(t)被任意时变距离R(t)处的目标反射回雷达接收机。回波信号表示为y‾(t)=−k⋅[1−2h˙(t)]x‾[2h(t)−t]\overline{y} (t) = -k\cdot[1-2\dot h(t)]\overline x[2h(t) -t]y(t)=−k⋅[1−2h˙(t)]x[2h(t)−t]其中k包含了所有雷达距离方程中与幅度有关的因子；h(t)h(t)h(t)表示时刻，雷
2020-12-22 21:13:52
3841
原创 雷达中的噪声模型和信噪比
噪声源有两个：外部噪声和内部噪声外部噪声包括：天线变化时来自太阳的噪声；没有环境干扰源时的宇宙噪声；内部噪声包括：热噪声，闪烁噪声这些噪声中，热噪声是最主要的。电路中的热噪声的电压是零均值的高斯随机过程，平均能量时kT/2.T-噪声源温度，单位K；k-玻尔兹曼常数，1.38x10^(-23) J/K.传递到匹配负载上的热噪声的功率谱Sn(F)S_n(F)Sn(F)为：Sn(F)=hFexp(hF/kT)−1 W/HzS_n(F) = \frac{hF}{exp(hF/kT)-1 }
2020-12-21 15:26:33
9885
原创 雷达信号处理基础 距离方程
雷达发射的是窄带的带通信号。发射脉冲可以写成xˉ(t)=a(t)sin(2πFt+θ(t)\bar x(t) = a(t)sin(2\pi F_t+\theta(t)xˉ(t)=a(t)sin(2πFt+θ(t)a(t)为幅度恒定的脉冲包络；F_t为雷达载频，θ(t)\theta(t)θ(t)为脉冲的相位调制。通常假设幅度为A，时间长度为τ\tauτ的理想矩形脉冲包络。距离为R0=ct0/2R_0 = ct_0/2R0=ct0/2的物体反射回波可以表示为yˉ(t)=k⋅a(t−t0)ej[2π
2020-12-21 15:23:35
1808
转载 从谱估计方法中得到的一点感悟
转自 海风：http://www.cnblogs.com/sea-wind/最近也在学信号处理和谱估计，感慨也蛮多，无意中看到这篇文章，很多想法无独有偶。—————————————————————————————————————————————————— 谱估计是近代信号处理中的一部分，本文是我看过谱估计方法之后的一点点感悟。这里不对谱估计方法做介绍，仅做总结用。希望自己考试顺利。0. 总结 这篇文章没有写完，考试已经结束两周了。文章可能不会继续写了
2020-12-19 17:19:26
833
原创 一个例子学会自相关互相关的计算
A = [1 2 3 4] ，求A的自相关系数。求解过程如下图：求得结果为：[4 11 20 30 20 11 4]自相关的结果为2N-1个，关于N对称。理解matlab中的xcorr求两个序列的互相关x = [1 2 3 4 5 6 7 8];[r,lags] = xcorr(x); 求得：r = [8 23 44 70 100 133 168 204 168 133 100 70 44 23 8]lags = [-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5
2020-12-18 09:38:45
8802
3
原创 雷达信号处理-雷达应用
信号处理的分类：信号调节和干扰抑制，成像，检测和后处理。雷达的时间尺度：快时间尺度：数字I/Q信号形成，波束形成、脉冲压缩或匹配滤波、灵敏度时间控制。慢时间尺度：相干和非相干累积、各种类型的多普勒处理、合成孔径成像、空-时自适应。现象学：雷达接收到的信号的特性。取决于反射回波的实际物体的特性(物理尺寸、相对于雷达的方向、姿态和速度)和雷达自身的特性(发射波形、极化、天线增益)。信号调节和干扰抑制目的是提高数据的SIR(1) 固定的和自适应波束形成使用阵列天线获取的是多个不同相位中心的信号。
2020-11-09 21:05:58
906
原创 雷达信号处理基础-基本概念
1.4 雷达信号处理的共同主线影响雷达检测、跟踪和成像的因素：目标、环境和雷达自身的特性；物体反射回波的方式最基本最重要的信号质量测度：SIR和分辨率。基本思想：相干和非相干累积、目标相位历程建模、带宽扩展和最大似然估计信干比离散信号x[n]x[n]x[n]由期望信号s[n]s[n]s[n]和噪声w[n]w[n]w[n]组成: x[n]=s[n]+w[n]x[n]= s[n] + w[n]x[n]=s[n]+w[n]信干比(信噪比、SIR)定义为期望信号的功率与干扰信号的功率之比。有些情况会使用
2020-11-05 17:25:16
3842
原创 Visual Studio 2017离线安装包下载、安装
最近配置离线深度学习开发环境，显卡还有一些python package需要用到visual studio的东西。尝试离线安装Visual Studio 2017。路牌：https://blog.csdn.net/u012195214/article/details/79052256
2020-10-21 15:19:15
515
原创 重读经典卷积神经网络-ResNet
ResNet 论文1.目的为了解决随着网络层次加深带来的训练困难问题而提出了一个新的残差神经网络。随着网络层次的加深，训练的时候出现梯度消失/爆炸，这导致了网络难以收敛。通过标准化后的初始化和中间初始化层（normalized initialization and intermediate normalization layers）可以使网路开始收敛，但是网络开始收敛之后，又出现其他问题：“with the network depth increasing, accuracy gets satura
2020-08-12 10:54:32
252
原创 jupyter notebook 每次运行自动重新导入模块
使用jupyter不方便的一个地方就是，每次只在当前运行时环境运行代码。比如第一次导入了test_module.py中的某个函数test_func()，在运行的时候发现test_func()需要做一些改动，才能用。于是做了修改，然后重新 运行jupyter中对应的cell，你会发现，你在test_module.py中做的修改没有被导入。解决办法：（1）重启Jupyger（2）重新载入需要的模块import importlibimportlib.reroad(模块名)（3）在cell中添加如下
2020-08-02 11:27:48
3884
1
原创 大量时间序列数据切分的效率问题
最近对时间序列，发现切分成帧的时候效率很低。找了找原因，发现是使用了numpy的concatenate拼接，花了很多时间。这就是没有深入了解底层工作原理犯的错误。看代码：import numpy as npimport randomimport timeitimport matplotlib.pyplot as pltdef cut_frame(x, len_frame, hop_len): """ define my own method to cut a sequen
2020-07-31 22:19:09
506
原创 论文阅读：Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks
简介建立了一个病人数量是现有数据集500倍以上数据集；一个34层的卷积神经网络；在敏感度和准确度方面都超过了心脏病专家的平均表现。数据的不平衡问题是这么解决的：“We intentionally select patients exhibiting ab- normal rhythms in order to make the class balance of the dataset more even and thus the likelihood of observing un- usual
2020-07-27 18:20:23
902
原创 Keras中那些学习率衰减策略
神经网路的训练绕不开的调参，调参中学习率至为重要。下面聊聊Keras中提供的学习率策略。四种学习率衰减策略指数衰减
2020-07-26 13:30:44
12153
4
原创 站在巨人的肩膀上-keras迁移学习
通过本文聊聊怎么将别人用大量数据集训练好的模型、或者模型的权重为我们服务。迁移学习是什么？可以参考民间知乎大神的答案，我理解的就是借力。keras目前提供以下可以使用的模型，直接或者间接使用这些模型能省不少事。keras中applications的代码结构是这样的：其中两处的Functions是一样的，调用某个模型时，直接调用指定模块的函数，就能实例化一个模型。比如使用ResNet50from tensorflow.keras.applications.resnet50 import ResN
2020-07-23 17:54:12
686
原创 论文阅读：Time Series Shapelets: A New Primitive for Data Mining
时间序列分类最简单和稳健的方法是最近邻算法，优点是没有大量参数需要调整，缺点是我们无法深入了解一个特定的对象为什么被分到一个特定的类。图1显示了两类叶子的例子，荨麻（刺荨麻）和马鞭草。这两种植物通常被混淆。为了区分两种叶子，颜色和大小的可变性使类之间的差异性很小，我们最大的希望是基于叶子的形状。但从总体来看还是相差很细微。尝试将每个叶子转换成一维表示，如图2所示。然而，使用（旋转不变）欧几里德距离或动态时间扭曲（DTW）距离的最近邻分类器并没有显著优于随机猜测。原因似乎是数据有点嘈杂（即昆虫咬伤和
2020-07-22 18:49:27
2785
3
原创 论文阅读：A novel multi-kernel 1D convolutional neural network for stress recognition from ECG
背景压力状态和ECG相关，作者想通过神经网络去提取ECG中的有效特征并对提取的特征分类，得到压力状态。压力的判别已经有很多方法，但是还是缺少一种比较客观、可靠的方法去估计压力，尤其是那些刻意隐藏压力表现的。由于生理信号无法被隐藏，可作为可靠的表征。1D CNN也有用在一下ECG的分类中，是不是也可以用在这里？实验过程和细节数据采集来自24个人（7女，14男）；压力分为两类：中性期和压力期，不同的压力期分为4个实验阶段（社会暴露、压力事件回忆、认知负荷、观看压力视频）。详细描述如下表：通过两
2020-07-22 10:21:32
329
原创 一维卷积处理时间序列
一维卷积在以下几个方面能取得很好的效果：Analysis of a time series of sensor data.Analysis of signal data over a fixed-length period, for example, an audio recording.一维卷积核二维卷积的区别从上图可以理解卷积核处理的顺序或者前进方向不相同。一维卷积提取固定长度信号的特征，一个卷积核通常覆盖一段完整的信号。上面左图中是使用1D CNN处理文本。这里的文本已经通过embedin
2020-07-11 10:35:22
6061
原创 重读经典神经网络-VGGNet
VGGNet网络结构VGGNet最大的特点就是反复使用3x3的卷积核和2x2的最大池化层不断探索更加深层的网络结构。可以将VGGNet分段，有5段卷积，每段包含几个卷积层，段末使用池化层缩小尺寸；每段卷积核大小一致，但是随着段增加，卷积核数量增加。使用反复使用3x3的卷积核和2x2的最大池化不断加深网络结构，得到了不同级别的网络：关于卷积核和视野域2个3x3卷积核等价于一层5x5卷积核3个3x3卷积核等价于一层7x7卷积核使用1x1卷积核是有效的，等价于非线性变换经验：经过poolin
2020-07-09 11:11:11
262
原创 librosa库安装
如果直接使用pip成功安装，关掉本文节省时间。这里介绍的是使用pip安装失败后如何使用source安装。当前版本0.7.2，官方网站下载，没梯子在这里下载。1.安装指定版本的numba包：python pip install numba==0.48.02.解压librosa安装包并切换到目录安装tar xzf librosa-0.7.2.tar.gzcd librosa-0.7.2python setup.py installhttps://librosa.org/librosa/inst
2020-07-08 10:59:03
2043
2
原创 INTERSPEECH计算机辅助语言学大赛
记录一下最近发现的一个比赛和一些资源。比赛的名称：The Interspeech Computational Paralinguistics ChallengE (ComParE) (INTERSPEECH计算机辅助语言学大赛)介绍（译文）：Interspeech计算辅助语言学挑战（ComParE）系列是计算辅助语言学领域的一个开放性挑战，涉及说话人的状态和特征，表现在他们的语音信号的性质。自2009年以来，INTERSPEECH每年都会面临挑战。每年，我们都会引入新的任务，因为仍然存在大量尚未涵盖但
2020-07-07 16:43:45
1038
信用卡欺诈检测数据集.zip
2020-04-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人