PicoScenes学习日志
PicoScenes——使用指南Description：这是一篇快速上手的PicoScenes食用指南，我将从打开、查看配置、配置、以及抓包入手，对完整使用PicoScenes的流程进行一个快速的上手介绍; 指定位置打开终端在你想要保存CSI得文件夹位置，右键空白位置，选择在终端中打开，之后就会在你想要的位置开启终端，并帮你cd到打开时的文件夹位置。 查看信道配置第一步：先查看网卡的物理ID： 第二步：查看到物理ID后先将网卡配置为监听模式，这时候默认配置即可； 这里是给了一个配置，但是不影响，可以直接去掉双引号中的内容 第三步：查看监听模式下的网卡支持什么配置，包括信道以及带宽信息； -h 查看支持的指令，我们选择框起来的指令：array_eval phyid iw PHY info 将phyid改成你的网卡即可； 第四步：查看支持的信道以及带宽； 可以看到，当前支持HT20以及HT40; 以上便是支持的信道中心频率了，由此我们便可以重新对网卡的监听信道进行配置 对PicoScenes进行配置 重新使用该指令 array_prepare_for_picoscenes...
SVM——Python代码实现以及解析
支持向量机(SVM)原理详解与代码解析一、SVM算法原理详解1. 核心思想支持向量机通过最大化分类间隔实现最优分类，其数学本质是求解一个凸二次优化问题。核心思想包括： 最大间隔原则：寻找使类别间距离最大的分类超平面 支持向量：决定分类边界的关键样本点 核技巧：通过核函数将低维不可分数据映射到高维空间 2. 数学基础(1) 线性可分情况$$\min_{w,b} \frac{1}{2}||w||^2 \quad \text{s.t.} \quad y_i(w^T x_i + b) \geq 1$$ $ w $：超平面法向量 $ b $：偏置项 $ y_i \in {-1,1} $：类别标签 (2) 非线性情况（使用核函数）$$K(x_i,x_j) = \phi(x_i)^T\phi(x_j)$$ 常用核函数： 线性核：$ K(x,y) = x^Ty $ 多项式核：$ K(x,y) = (x^Ty + c)^d $ RBF核：$ K(x,y) = e^{-\gamma ||x-y||^2} $ (3) 正则化参数C$$\min_{w,...
Fisher——Fisher投影分类
Fisher投影加速分类线性判别分析（LDA）详解：从理论到代码实现一、引言线性判别分析（Linear Discriminant Analysis, LDA）是一种经典的监督学习降维与分类方法。其核心思想是通过最大化类间散度、最小化类内散度，将高维数据投影到低维空间并实现高效分类。本文以鸢尾花数据集为例，详解LDA的数学原理，并逐行解析代码实现。 二、LDA的核心原理1. 核心目标LDA的目标是找到一个最优投影方向 $ W $，使得以下准则成立： 类内散度最小：同一类样本在投影后的空间尽可能紧凑。 类间散度最大：不同类样本在投影后的空间尽可能分离。 数学表达式为： $$J(W) = \frac{W^T S_B W}{W^T S_W W}$$ 其中： $ S_W $：类内散度矩阵（Within-class Scatter Matrix） $ S_B $：类间散度矩阵（Between-class Scatter Matrix） 2. 数学推导(1) 类均值向量对每个类别 $ c $，计算其特征均值向量 $ \mu_c $： $$\mu_c = \frac{...
基于CIFAR数据集实现的图像分类
CIFAR-10数据集介绍CIFAR10包含有一共60000张32x32的彩色图像，这些图片中一共有10类不同的事物，每一类有6000张样本。这些图片按照5:1的比例随机分为训练集以及测试集。 下面将在这个开源的数据集上实现图像的分类，目前计划通过ResNet-18模型实现上述的分类功能； Python代码实现以及详解导入必要的库以及依赖我们这里使用Pytorch框架实现模型的训练以及结果的预测； 123456import torch import torch.nn as nn from tqdm import tqdm from torchvision import transforms import torchvision from torch.utils.data import DataLoader 导入 tdqm 库将训练的过程可视化，该库能够将训练的进度以进度条的形式显示出来；由于我们要实现的是图片的识别分类功能，这里选择导入 torchvision 库并使用预训练的模型参数提高训练的正确率以及速度； 数据预处理1234567891011121314transfor...
基于贝叶斯决策的分类器
最小错误率贝叶斯决策分类器实战：代码解析与理论详解一、背景与应用场景贝叶斯决策分类器是一种基于**贝叶斯定理**的统计分类方法，其核心思想是通过最大化后验概率来最小化分类错误率。该方法广泛应用于医学诊断、金融风控等场景，尤其适合特征分布符合正态分布的小规模数据集。本文以鸢尾花（Iris）数据集为例，详解如何实现一个基于贝叶斯决策的分类器 。 二、核心代码解析1. 数据准备与划分12from sklearn import datasetsX, y = datasets.load_iris().data, datasets.load_iris().target 功能：加载鸢尾花数据集，包含4个特征（花萼/花瓣长度和宽度）和3个类别（Setosa, Versicolor, Virginica）。 理论基础：数据集需满足独立同分布假设，即样本间相互独立且特征分布一致 。 12X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) 作用：按...
MQTT+LuatOS学习日志
MQTT基础概念：MQTT是一种通信架构；MQTT是一个一对多的通信架构，一个服务端（Broker）可以有多个客户端（Client）； MQTT中有三个概念： 主题（Topic） 发布（Publish） 订阅（Subscribe） 主题是一种寻址方式，类似于Window的文件夹多级目录 例如 factory/line1/machine3/temperature 等等，不同的Topic指向不同的内容以及类别； 客户端Client可以即作为发布的来源也可以订阅发布的内容； 而Broker作为信息的中转站，接收发布的信息并推送给订阅的用户端； 发布者无需担心是否将信息发送给了订阅者，准确来说发布者与订阅者之间不是直连的！ LuatOS中MQTT的API常量： 订阅主题： 1234-- 订阅单个topic, 且qos=0mqttc:subscribe("/luatos/123456", 0)-- 订阅单个topic, 且qos=1mqttc:subscribe("/luatos/12345678", 1)--...
聚类分类—算法以及python实现
🧠 使用 Python 实现高效凝聚层次聚类（Agglomerative Clustering）在本篇博客中，我们将一起探索如何使用 Python 实现一个高效的 凝聚层次聚类（Agglomerative Hierarchical Clustering）算法，并支持三种不同的簇间距离度量方式：single linkage, complete linkage 和 average linkage。我们还将通过可视化展示不同方法的效果，并分析其优劣。 📚 一、什么是凝聚层次聚类？凝聚层次聚类是一种 自底向上的无监督聚类算法，它的核心思想是： 每个数据点初始时都是一个独立的簇，然后逐步合并最相似的两个簇，直到达到预设的簇数。 与 K-Means 不同，它不需要提前指定簇的数量即可构建整个聚类树（dendrogram），因此非常适合探索性数据分析。 ⚙️ 二、代码概述🔍 功能亮点： 支持三种 linkage 方法： 'single': 最短距离法（最近邻） 'complete': 最长距离法（最远邻） '...
3D建模下的参数估计
引言在信号处理领域，参数估计是实现目标识别与定位的核心技术之一。经典论文《ESPRIT: Estimation of Signal Parameters via Rotational Invariance Techniques》提出了基于旋转不变性的超分辨率参数估计算法，而《Multiple Emitter Location and Signal Parameter Estimation》则进一步拓展了多信号源定位的理论框架。本文结合原始思想与最新改进算法，探讨3D建模下的参数估计方法。 ESPRIT算法核心思想旋转不变性原理ESPRIT算法的核心在于利用信号子空间的旋转不变性[[4]]。通过构建两个存在位移关系的传感器阵列，其接收信号满足：$$\mathbf{X}_2 = \mathbf{X}_1 \mathbf{\Phi}$$其中 $\mathbf{\Phi}$ 为包含信号到达角（DOA）信息的对角矩阵。通过对信号子空间进行奇异值分解（SVD），可直接从矩阵 $\mathbf{\Phi}$ 中提取信号参数[[4]]。 子空间分解原始ESPRIT通过以下步骤实现参数...
基于5G通信的定位感知——AOA解算
概述5G-NR，具有⾼速、低延迟的特性，是现代通信强有⼒的技术之一。又因广泛的基站建设，5G逐渐覆盖日常生活中的每个角落，随着覆盖范围的扩张，不仅意味着越来越稳定的通信，感知，更是随之不断的发展。 下⾯，本文将针对无人机向5G基站通信这一应用场景，尝试通过仿真验证利用无人机与5G基站的通信能够实现利用 CSI 解算出无人机的位置信息，如 AOA、AOD、ToF 等参数，验证 MUSIC 算法的可行性。下面是对如何通过通信的 CSI 实现对位置信息感知的理论描述。 理论篇信号在发送端天线的传播特性发送端（无人机）仅考虑单根天线进行收发，且天线是全向极化天线。信号由无人机发出，向四面八方发送信号，这些信号在Tx天线处发出时对应的角度我们称为 AOD（Angle of Departure）。在 Tx 处的AOD有很多不同的值，我们近似认为范围为 [0, 2*pi]。 由于发送端 —> 接收端的距离很远，信号在信道中传输之后在到达5G基站的天线阵列时，我们近似认为这些信号可以被视为平⾏波。 接收端天线阵列接收信号由于信号在信道中传递有多径特性，其中某⼀个单径上的信号在到达天线阵列...
阅读札记——“5G信道的估计与均衡”
5G通信信道估计一、MIMO——OFDM技术简介MIMO：多输入-多输出，即大规模天线阵列用于发送以及接收。 用基站端天线数量的扩展代替基站数量的扩展。 减少基站数量意味着多径效应的削弱，有利于减少小尺度衰减对信号传输的影响。 OFDM：在传统的频分传输基础上，进一步节省频带资源，实现正交频分调制。 虽然OFDM各个子载波存在有频谱交叠的部分，但是由于是正交的，接收端仍能够解调信号并且可以高效的利用频谱。MIMO在空间域上节省资源；OFDM调制在频域上节省资源。 二、mMIMO——Massive MIMOMIMO的信道增益多用户大规模MIMO，面向于多个用户接入，单个基站端配备有几十上百跟天线： 每个用户端只有一根天线，基站端配备有多根天线与用户相匹配。其中，第m根天线接收到来自第K个用户的信号Im,K在信道中的增益等于： 大尺度的衰减与小尺度的衰减相乘得到。其中，小尺度的衰减系数受天线的影响最大，可以认为是多个用户导致的用户间串扰（IUI-interUser interference）对于有M根天线阵列的基站来说，每根天线接收到K个用户传来的信号，将这的信号组成矩阵，对应每...