使用支持向量机 本节将考虑在实际中应用SVM算法的一些问题。 调用函数库实现 求解\(θ\)的过程很繁琐，因此在实际中通常采用调用现有函数库（比如liblinear,libsvm）的方式实现SVM，但仍然需要给这些函数补充参数： 1. 选择参数C。 2. 选择内核参数。 如果不同特征之间的取值差异非常大，需要对特征变量做归一化。 其他的核函数 目前学到的两种核函数： 线性内核：即不

《机器学习》 周志华 1-5章笔记 作者为博主的同事 黄欣迪 第一章 绪论 1.1 引言 什么是机器学习？ 机器学习是致力于研究如何通过计算的手段，利用经验来改善系统自身的性能 经验——数据 模型——算法 通过相应的算法分析数据——得出结论 一些文献用“模型”指全局性结果（决策树） 用“模式”指局部性结果（一条规则） 1.2 基本术语 进行机器学习的前提是要有数据，

img{ width: 40%; padding-left: 20%; } 频谱·非周期信号的傅里叶变换 信号的频谱 已经知道信号可以分解为一系列正弦信号或者是数字数信号的和。 以各分量（称为各谐波（Harmonics））对应的角频率为横坐标，以各分量的幅值或者是相位为纵坐标绘制图像，就能得到信号的频谱图像。 频谱分为两种，单边频谱（描述三角形式的傅里叶级数

img{ width: 40%; padding-left: 20%; } 时域分析方法（微分/差分方程·卷积） 微分/差分方程的解 从本节开始： 名词“系统输入”与“系统激励”等同，系统输出与系统响应等同。 在定积分中\(∫\)表示从-∞到∞的积分，\(∑\)表示从-∞到∞的和。 线

img{ width: 40%; padding-left: 20%; } 能量·周期信号的傅里叶变换·采样 连续信号的能量 巴塞瓦尔定理 信号\(x(t)\)所带有的能量能够用关于其傅里叶变换\(X(jω)\)模（频域上的幅值）的积分函数表示： \[E=∫|x(t)|^2dt=\frac{1}{2π}∫|X(jω)|^2dω\] >\(X(jω)\

Lecture 1 电磁场 以下是刘旭康同学的笔记，他的笔记更为详细。

Lecture 8 非频变天线

信号概述 按照时间特性的信号分类 确定信号和随机信号 确定信号 除了间断点外，对于一个确定的时间\(t\),都能有一个确定的值\(f(t)\)与之对应。 随机信号 又分为稳定的和不稳定的随机信号。 伪随机信号 连续时间信号和离散时间信号 连续时间信号 除了间断点外，在任何时间\(t\)都能找到一个与之对应的值\(f(t)\)。 连续时间信号的值域可以是连续

Lecture 7 环形天线 以下是刘旭康同学的笔记，他的笔记更为详细，而且还有例题。

信号的傅里叶级数 信号变换 分解、响应、叠加是信号与系统中最基础的信号处理方式。对信号的变换思路来源于时域内的信号\(f(t)\)是以时间为变量的函数方程，在时域内噪声和有用信号往往是同时发生的，难以将噪声从信号中剥离，因此需要对信号进行变换，将信号从时域变换到频域（以频率为自变量的空间，频域中的信号可以表示为\(H(ω)\)），通过频率的不同就能利用滤波器将噪声剥离。 ## 正交分解 #