讲义：什么是遗传算法？ 参考资料： 1. Flappy Learning- https://xviniette.github.io/FlappyLearning 2. 北京大兴国际机场旅客航站楼和综合换乘中心, 北京市建筑设计研究院有限公司 3. Technological overview of the next generation Shinkansen high-speed t

高斯噪声 白噪声 白噪声指噪声信号的功率谱密度函数在频域内符合均匀分布。事实上，完全意义上的白噪声是不可能存在的，因此如果噪声的功率谱密度在系统的工作频段内符合均匀分布，也认为是白噪声。 ### 白噪声的统计特性 白噪声的谱密度函数（双边）可以表示为： \[P_ξ(ω)=\frac{n_0}{2}(-∞<ω<∞)\] 其期望为： \[E_ξ(ω)=∞\] 其自相关函数为：

离散时间傅里叶变换 傅里叶变换的意义 对于一个线性时不变系统，系统任意的输入的信号可以表示为一系列特征函数的线性组合。而傅里叶变换的本质在于求出这个线性组合中每一项的系数和这个线性组合本身的表示。而连续时间域中的傅里叶变换是离散域中线性组合概念的拓展。 离散频域中的线性时不变系统的特征函数是指数函数（序列）:\(e^{jω_kn}\)，因此通过傅里叶变换，任何一个满足狄利克雷条件的离散时间域

TensorFlow 入门项目：训练一个VGG模型 代码环境建议为：Python37/38/39 Tensorflow 2.3.0/2.6.0 同NUS的交通标志分类器项目一样，搭建一个训练器的算法思路基本相同。基本步骤为： 1. 读取数据集，加载数据集中的图像和标签 2. 划分训练集和测试集 3. 定义分类器，此处需要定义使用的Google的VGG模型 4. 将训练集放入分类

Unit 11~15 な行・は行 Unit 11 な・に ないことにはない・ないこともない・ないではない・ないではない 動詞ない形・い形容詞ない形・な形容詞～で＋ないことにはない・ないこともない 【不是不能……】消极 動詞ない形・い形容詞ない形・な形容詞～で＋ないではない・ないではない 【也不是不……】 ながら（も） 動詞ます

数字信号 数字信号是时间离散、幅值离散的信号。但是在本课中为了简化分析，认为时间离散、幅值连续的信号也是数字信号。 数字信号可以由序列进行表示： \[...,x[-1],x[0],x[1],...\] ## 采样 模拟信号是时间连续、幅值连续的信号。使模拟信号转变为数字信号的过程称为采样。采样过程可由如下公式表示： \[x[n]=x(t)|_{t=nT_s}=x(nT_s),n∈Z\]

数字系统 系统的特性 线性 线性系统满足两个特点：齐次性和可加性。 #### 齐次性 如果\(x[n]→T→y[n]\)，有： \[Ax[n]→T→Ay[n]\] 称系统具有齐次性。 #### 可加性 如果\(x_1[n]→T→y_1[n]\)、\(x_2[n]→T→y_2[n]\)，有： \[x_1[n]+x_2[n]→T→y_1[n]+y_2[n]\] 称系统具有可加性。

随机变量和随机过程 由于通信原理所研究的信号是连续的模拟信号，因此本节主要复习连续随机变量/随机过程的性质。 随机变量 概率密度和概率分布函数 对于随机变量\(X\)，概率密度函数(PDF)\(f(x)\)表示当\(X=x\)时候的概率： \[f(x)=P(X=x)\] 概率分布函数/积累分布函数（CDF）\(F(x)\)表示\(X\)小于\(x\)的概率，对于连续随机变量，积

信号 信号的分类 直流信号和交流信号 任意信号可以分解为直流信号和交流信号： \[S(t)=S_{ac}(t)+S_{dc}(t)\] 直流信号是信号在一周期内的平均值： \[S_{dc}=\lim_{T→∞}∫_{-\frac{T}{2}}^{\frac{T}{2}}S(t)dt\] 由于直流信号是一个常量，直流信号不包含任何信息。 确知信号和随机信号 在任意时间上的信号参数为

Unit 6~10 さ行・た行・な行 Unit 6 さ（ざ）・し（じ）・す（ず）・せ・た 際（は）・際に（は） 動詞辞書形・た形・名詞～の＋際（は）・際に（は） 【在……的时候/借着……的时机】 最中（に）・最中だ 動詞て形～ている・い形容詞・名詞～の＋最中（に）・最中だ 【正在……时突然发生了……】 ざるを得ない 動詞ない形＋ざる