subplot(a,b,c)中a代表所画图形的行数 b代表所画图形的列数 c代表所画图形的序号. plt.figure(facecolor='w', figsize=(9, 10)) plt.subplot(311) plt.plot(data['TV'], y, 'ro') plt.title('TV') plt.grid(b=True, ls=':') plt.subplot(312) plt.plot(data['Radio'], y, 'g^') plt.title('Radio') p

一.按时间抽选的基-2 FFT实现原理 观察DIT(基2)FFT的流图(N点,N为2的幂次),可以总结出如下规律: (1)共有\(L=\log_2⁡N\)级蝶形运算: (2)输入倒位序,输出自然顺序: (3)第\(m\)级(\(m\)从1开始,下同)蝶形结对偶结点距离为\(2^{m-1}\): (4)第\(m\)级蝶形结计算公式: \(X_m (k)=X_{m-1} (k)+X_{m-1 } (k+2^{m-1} ) W_N^r\) \(X_m (k+2^{m-1} )=X_{m-1} (k)-

机器学习 机器学习 概述 什么是机器学习 机器学习是一门能够让编程计算机从数据中学习的计算机科学.一个计算机程序在完成任务T之后,获得经验E,其表现效果为P,如果任务T的性能表现,也就是用以衡量的P,随着E增加而增加,那么这样计算机程序就被称为机器学习系统.自我完善,自我增进,自我适应. 为什么需要机器学习 自动化的升级和维护 解决那些算法过于复杂甚至跟本就没有已知算法的问题 在机器学习的过程中协助人类获得对事物的洞见 机器学习的问题 建模问题所谓机器学习,在形式上可这样理解:在数据对象中通过统

软件安全课程的一次实验,整理之后发出来共享. 什么是KD树 要说KD树,我们得先说一下什么是KNN算法. KNN是k-NearestNeighbor的简称,原理很简单:当你有一堆已经标注好的数据时,你知道哪些是正类,哪些是负类.当新拿到一个没有标注的数据时,你想知道它是哪一类的.只要找到它的邻居(离它距离短)的点是什么类别的,所谓近朱者赤近墨者黑,KNN就是采用了类似的方法. 如上图,当有新的点不知道是哪一类时,只要看看离它最近的几个点是什么类别,我们就判断它是什么类别. 举个例子:我们将k取3

http://www.matlabsky.com/thread-43937-1-1.html   <量化投资:以MATLAB为工具>连载(3)基础篇-N分钟学会MATLAB(下)     <量化投资:以MATLAB为工具>简介          <量化投资:以MATLAB为工具>是由电子工业出版社(PHEI)下属旗舰级子公司——北京博文视点资讯有限公司出版的<量化投资与对冲基金丛书>之一,丛书主编为丁鹏博士,<量化投资:以MATLAB为工具>由李

http://cn.mathworks.com/help/signal/examples/measuring-signal-similarities.html Open This Example     This example shows how to measure signal similarities. It will help you answer questions such as: How do I compare signals with different lengths or

作者:桂. 时间:2017-03-03  23:57:29 链接:http://www.cnblogs.com/xingshansi/articles/6498913.html 声明:转载请注明出处,谢谢. 前言 Hilbert通常用来得到解析信号,基于此原理,Hilbert可以用来对窄带信号进行解包络,并求解信号的瞬时频率,但求解包括的时候会出现端点效应,本文对于这几点分别做了简单的理论探讨. 本文内容多有借鉴他人,最后一并附上链接. 一.基本理论 A-Hilbert变换定义 对于一个实信号$

作者:桂. 时间:2017-03-10  22:13:36 链接:http://www.cnblogs.com/xingshansi/p/6533579.html 声明:欢迎转载,不过记得注明出处哦~ 前言 本文作为:曲线拟合与分布拟合 一文的补充内容,主要介绍MATLAB直方图的绘制,以及对应归一化直方图的实现.全文分三部分简单介绍: 1)直方图(hist)绘制: 2)栅栏图(bar)绘制: 3)归一化直方图实现. 一.直方图(hist) 可以对hist的直方图进行限定,两种途径:个数模式(n

作者:桂. 时间:2017-03-26  10:12:07 链接:http://www.cnblogs.com/xingshansi/p/6621914.html 声明:欢迎被转载,不过记得注明出处哦~  [读书笔记05] 前言 西蒙.赫金的<自适应滤波器原理>第四版第三章,线性预测是Wiener Filter的应用,作为信号识别的特征以及信号编码的一种实现途径.本想着跳过这一章,但想着每一章多少记录一下,直到看到Kalman Filter,也就写写吧.主要包括: 1)前向线性预测原理: 2)

% 仿真4比特原始数据与星座图的编码映射过程: % 完成16QAM信号的调制解调: % 基带信号符号速率 ps ＝1Mbps: % 成形滤波器的滚降因子 a=0.8: % 载波信号频率fc=2MHz : % 采样频率 Fs=8MHz : % 绘制16QAM信号的频谱及时域波形: % 采用相干解调法仿真其解调过程: % 绘制解调前后的基带信号时域波形: % 将原始基带数据.QAM已调数据.滤波器系数写入相应的文本文件中. clc; close all; ps=1*10^6; %码速率为1MHz a

Python--matplotlib绘图可视化知识点整理 1.折线图: import numpy as np import matplotlib.pyplot as plt from pylab import * x = np.arange(1.,2.,0.2) # 1到2,间隔0.2 y1 = np.arange(1.,2.,0.2) plt.figure(1) # 画一张图 plt.subplot(311) # 3行一列 plt.plot(x, y1,'r*') plt.subplot(31

%%%%%%%%%%%%%%%%%%%%%%%%%%% %AM调制解调系统 %%%%%%%%%%%%%%%%%%%%%%%%%%% clear; clf; close all Fs=800000;%采样频率800k fz=80000;%载波频率80k fj=1000;%基波频率1k i=5000;%采样点数 t=(1:i)/Fs;%时间 B=1;%基波的幅度 A=1;%直流分量 %%%%%%%%%%%%%%%%%%% %产生基波 %%%%%%%%%%%%%%%%%%% Mod_Sig=B*sin

clc;close all;clear all; f0=10; fs=100;     %采样率 t=1/fs:1/fs:2;         %共两秒钟,共200个采样点.采样间隔T=1/100 y1=sin(2*pi*f0*t); y2=square(2*pi*f0*t); noise=rand(1,200); z1=y1+noise; z2=y2+noise; fft_y1=fft(y1); dft200_y1=fft(y1,200); dft100_y1=fft(y1,100); fig

matplotlib 画图 1. 画曲线图       Tompson = np.array([0, 0, 0, 0, 0.011, 0.051, 0.15, 0.251, 0.35, 0.44, 0.51, 0.59, 0.65, 0.68, 0.725, 0.752, 0.8])   ours = np.array([0.00000000e+00, 1.21182744e-04, 4.26563257e-02,   1.76078526e-01, 3.51187591e-01, 5.0266

一.相关知识 官网介绍 matplotlib API 相关博客 matplotlib绘图基础 漂亮插图demo 使用seaborn绘制漂亮的热度图 fig, ax = plt.subplots(2,2),其中参数分别代表子图的行数和列数,一共有 2x2 个图像.函数返回一个figure图像和一个子图ax的array列表. 补充:gridspec命令可以对子图区域划分提供更灵活的配置. 中文显示方框问题 这是由于matplotlib文件夹内没有中文字体包导致的,实际上函数包本身是支持中文的,常见解

常见的激活函数有sigmoid.tanh和relu三种非线性函数,其数学表达式分别为: sigmoid: y = 1/(1 + e-x) tanh: y = (ex - e-x)/(ex + e-x) relu: y = max(0, x) 其代码实现如下: import numpy as np import matplotlib.pyplot as plt def sigmoid(x): return 1 / (1 + np.exp(-x)) def tanh(x): return (np.e

关于matplotlib中一些常见的函数,https://www.cnblogs.com/TensorSense/p/6802280.html这篇文章讲的比较清楚了,https://blog.csdn.net/ouyangjianxiu/article/details/76299171这个也讲的不错 plot函数 plt.plot(x, y, format_string, **kwargs): x为x轴数据,可为列表或数组:y同理:format_string 为控制曲线的格式字符串, **kwa

import pandas as pd import numpy as np import matplotlib.pyplot as plt data = pd.read_csv(r"C:\Users\Oscar\Downloads\Advertising.csv") x = data[["TV","Radio","Newspaper"]] y=data["Sales"] plt.plot(data[&qu

傅里叶变换(fft) 法国科学家傅里叶提出,任何一条周期曲线,无论多么跳跃或不规则,都能表示成一组光滑正弦曲线叠加之和.傅里叶变换即是把一条不规则的曲线拆解成一组光滑正弦曲线的过程. 傅里叶变换的目的是将时域(即时间域)上的信号转变为频域(即频率域)上的信号,随着域的变换,对同一个事物的了解角度也就随之改变,因此在时域中某些不好处理的地方,在频域就可以较为简单的处理.这就可以大量减少处理信号存储量. 例如:弹钢琴 假设有一时间域函数:y = f(x),根据傅里叶的理论它可以被分解为一系列正弦函数

常见的激活函数有sigmoid.tanh和relu三种非线性函数,其数学表达式分别为: sigmoid: y = 1/(1 + e-x) tanh: y = (ex - e-x)/(ex + e-x) relu: y = max(0, x) 其代码实现如下: import numpy as np import matplotlib.pyplot as plt def sigmoid(x): return 1 / (1 + np.exp(-x)) def tanh(x): return (np.e