Mirror
  • 首页
  • 时间线
  • 分类
  • 标签
  • 图库
  • 里世界
  • 关于我

附录1:冲激函数的特性·常见信号的傅里叶/拉普拉斯/Z变换

常见信号的傅里叶/拉普拉斯/Z变换 冲激函数的特性 冲激函数的特性 特性 公式 赋值性 \(∫δ(t)f(t)dt=f(0)\) \(f(t)δ(t)=f(0)δ(t)\) 偶函数 \(δ(t)=δ(-t)\) 缩放 \(δ(at)=\frac{1}{ \vert a \vert }δ(t)\) 冲激偶函数
2021-06-01
学习笔记 > 信号与系统

10. 反馈系统

反馈系统 反馈系统结构 (负)反馈系统框图可以用下图表示: \(G(s)\)是前向系统,\(H(s)\)是反向系统,\(G(s)H(s)\)称为开环传递函数,整个系统的闭环传递函数可以写作: \[CLTF=\frac{G(s)}{1+G(s)H(s)}\] \(1+G(s)H(s)=0\)称为闭环传递函数的特征方程。 放大器的闭环增益就是一个闭环传递函数。
2021-05-31
学习笔记 > 信号与系统

09. 系统方程

系统方程 系统方程概述 对于一个有输入和输出的系统,可以通过观察系统输入和输出的关系来建立描述系统的方程,在拉普拉斯变换的s域下,系统方程可以表述为系统输出与输入之比: \[ H(s)=\frac{R(s)}{E(s)}\] 也可以按照时域分析方法中的理解,当\(e(t)=δ(t)\)时,其拉普拉斯变换为1,因此系统方程也是输入为冲激函数时的系统输出。 类型 策动点方程 当系统是一个单
2021-05-31
学习笔记 > 信号与系统

07. 拉普拉斯变换

拉普拉斯变换 傅里叶变换的局限性 使用傅里叶变换的条件是\(f(t)\)必须要满足狄利赫里条件,即必须要满足有界、绝对可积和有有限个间断点三个条件。 有些信号并不满足绝对可积的条件,因此这些信号不能被应用傅里叶变换。 傅里叶变换中的无穷积分比较困难。 对于不满足狄利赫里条件的信号,可以用拉普拉斯变换进行处理。 拉普拉斯变换的基本原理 拉普拉斯变换的基本思想是将\(f(t)\
2021-05-30
学习笔记 > 信号与系统

08. Z变换

Z变换 Z变换的基本原理 Z变换的本质是通过采样使得离散信号可以被拉普拉斯变换,因此z变换的对象是离散信号/序列。 其具体过程如下: 由第六讲中提到的采样定理,对于连续序列\(x(t)\),对其做自然采样: \[\begin{aligned} x_s(t)&=x(t)δ_T(t) \\ &=x(t)∑δ(t-nT) \\ &=∑x(n
2021-05-30
学习笔记 > 信号与系统

8.4. 使用支持向量机

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: 选择参数C。 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:即不使用
2021-05-11
学习笔记 > 机器学习基础课程——吴恩达 > 08. 支持向量机

《机器学习》 周志华 1-5章笔记

《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,例如
2021-05-10
技术杂谈
#机器学习

Lecture 01 电磁场

Lecture 1 电磁场 以下是刘旭康同学的笔记,他的笔记更为详细。
2021-05-10
学习笔记 > 天线与通信传输原理

Lecture 08 非频变天线

Lecture 8 非频变天线
2021-05-10
学习笔记 > 天线与通信传输原理

05. 时域分析方法(微分/差分方程·卷积)

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
2021-05-10
学习笔记 > 信号与系统
1…2425262728…32

搜索

如果您发现任何错误,可以通过邮箱1017179431@qq.com告知我,谢谢。
本博客所有文章全部为我手工编写。请尊重我的劳动成果,转载请注明出处。
基于Hexo© 和 Fluid搭建的博客。
©OrekiKigiha 2025
总访问量 次 总访客数 人