【2021.02.09更新】数学常用基本公式

泰勒级数

条件不多说了,函数f(x)f(x)f(x)在点x=x0x = {x_0}x=x0出展开为
f(x0)+f′(x0)(x−x0)+f′′(x0)2!(x−x0)2+⋯+f(n)(x0)n!(x−x0)n+⋯f({x_0}) + f'({x_0})(x - {x_0}) + \frac{{f''({x_0})}}{{2!}}{(x - {x_0})^2} + \cdots + \frac{{{f^{(n)}}({x_0})}}{{n!}}{(x - {x_0})^n} + \cdots f(x0)+f(x0)(xx0)+2!f(x0)(xx0)2++n!f(n)(x0)(xx0)n+

超量均方误差(超量MSE)

误差e(k)e(k)e(k),则ξ(k)\xi (k)ξ(k)e(k)e(k)e(k)平方的期望(也是MSE曲面),即
ξ(k)=E[e2(k)]\xi (k) = E\left[ {{e^2}(k)} \right]ξ(k)=E[e2(k)]

e(k)=e0(k)−ΔwT(k)x(k)e(k) = {e_0}(k) - \Delta {{\bf{w}}^T}(k){\bf{x}}(k)e(k)=e0(k)ΔwT(k)x(k)

式中,e0(k)e_0(k)e0(k)为最优输出误差e0(k)=d(k)−w0Tx(k)e_0(k)=d(k)-{\bf{w_0^T} x}(k)e0(k)=d(k)w0Tx(k),其平方的期望为ξmin⁡{\xi _{\min }}ξmin

R=E[x(k)xT(k)]{\bf{R}} = E\left[ {{\bf{x}}(k){{\bf{x}}^{\mathop{\rm T}\nolimits} }(k)} \right]R=E[x(k)xT(k)]

ξ(k)=ξmin⁡+tr{E[x(k)xT(k)]E[Δw(k)ΔwT(k)]}=ξmin⁡+E[Δw(k)ΔwT(k)]\xi (k) = {\xi _{\min }} + {\mathop{\rm tr}\nolimits} \left\{ {E\left[ {{\bf{x}}(k){{\bf{x}}^{\mathop{\rm T}\nolimits} }(k)} \right]E\left[ {\Delta {\bf{w}}(k)\Delta {{\bf{w}}^{\mathop{\rm T}\nolimits} }(k)} \right]} \right\}\\ = {\xi _{\min }} + E\left[ {\Delta {\bf{w}}(k)\Delta {{\bf{w}}^{\mathop{\rm T}\nolimits} }(k)} \right]ξ(k)=ξmin+tr{E[x(k)xT(k)]E[Δw(k)ΔwT(k)]}=ξmin+E[Δw(k)ΔwT(k)]

则MSE的超量定义为

Δξ(k)≜ξ(k)−ξmin⁡\Delta \xi (k) \triangleq \xi (k) - {\xi _{\min }}Δξ(k)ξ(k)ξmin

超量均方误差为

ξexc=lim⁡k→∞Δξ(k){\xi _{{\text{exc}}}} = \mathop {\lim }\limits_{k \to \infty } \Delta \xi (k)ξexc=klimΔξ(k)

重要关系式:tr[R]=E[∣x(k)∣2]{\mathop{\rm tr}\nolimits} \left[ {\bf{R}} \right] = E\left[ {{{\left| {{\bf{x}}(k)} \right|}^2}} \right]tr[R]=E[x(k)2]

G2(fB,τ)G_2(f_B, \tau)G2(fB,τ)τ\tauτ的关系

τ\tauτ为矩形脉冲的宽度,则经过归一化
G2(fB,τ)=sin(πfB∗τ)/πG_2(f_B, \tau)=sin(\pi f_B*\tau)/\piG2(fB,τ)=sin(πfBτ)/π

τ=0.1Ts\tau = 0.1T_sτ=0.1Ts时,G2(fB,τ)=sin(0.1π)/π=0.0984G_2(f_B, \tau)=sin(0.1\pi)/\pi=0.0984G2(fB,τ)=sin(0.1π)/π=0.0984
τ=0.5Ts\tau = 0.5T_sτ=0.5Ts时,G2(fB,τ)=sin(0.5π)/π=0.3183G_2(f_B, \tau)=sin(0.5\pi)/\pi=0.3183G2(fB,τ)=sin(0.5π)/π=0.3183
τ=0.9Ts\tau = 0.9T_sτ=0.9Ts时,G2(fB,τ)=sin(0.9π)/π=0.0984G_2(f_B, \tau)=sin(0.9\pi)/\pi=0.0984G2(fB,τ)=sin(0.9π)/π=0.0984

向量范数

定义一个向量为:a=[-5,6,8,10]。

  • 向量的1范数:向量的各个元素的绝对值之和,上述向量a的1范数结果就是:29。
  • 向量的2范数:向量的各个元素的平方和再开平方根,上述a的2范数结果就是:15。
  • 向量的负无穷范数:向量的所有元素的绝对值中最小的:上述向量a的负无穷范数结果就是:5。
  • 向量的正无穷范数:向量的所有元素的绝对值中最大的:上述向量a的正无穷范数结果就是:10。

三角函数积分公式

在这里插入图片描述

麦克劳林展开式

在这里插入图片描述

幂级数求和、常见不等式

在这里插入图片描述

幂级数展开式

在这里插入图片描述

常见等价关系

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/347175.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

服装商城电商-前端网页技术精美完整源码HTML+CSS+JS

微信公众号:创享日记 发送:服装电商 获取完整源码(打开即可用) 效果①主页首页 效果②登录页 效果③注册页 效果④结算结账页 效果⑤联系页 效果⑥找不到资源页 效果⑦商品列表页 效果⑧商品详情页 效果⑨心愿清单页 其余及源码详…

REST:使用Controller端点?

在一般的REST架构中,基本概念是资源。 在资源之后,下一步是为这些资源开发一个统一接口,这在HTTP领域通常意味着: 创建为POST 阅读就是GET 更新为PUT(或部分更新为PATCH) 删除已删除 在现实世界中&…

【2021.02.09更新】数字信号处理公式推导

卷积 h(t)⊗x(t)∫−∞∞h(τ)x(t−τ)dτh(t) \otimes x(t) \int_{ - \infty }^{ \infty } {h(\tau )x(t - \tau )d\tau }h(t)⊗x(t)∫−∞∞​h(τ)x(t−τ)dτ 令τut2\tau u \frac{t}{2}τu2t​,则 h(t)⊗x(t)∫−∞∞h(ut2)x(−ut2)duh(t) \otimes x(t) …

旅游展示网站-前端网页设计技术完整精美源码HTML+CSS+JS

微信公众号:创享日记 发送:旅游网站 获取完整源码(打开即可用) 效果①首页主页 效果②关于我们页 效果③提供的服务页 效果④我们的能力页 /*页面重置*/ html,body,div,span,applet,object,iframe,h1,h2,h3,h4,h5,h6,p,blockquote…

【2021.01.01】人生中很重要的一个十年,差强人意

回顾整个2020年,是疯狂的一年,也是令人难忘的一年,对于我也是比较励志的一年,绝对是自己人生中的一个里程碑。完成了人生中最重要的一件大事,感谢有你一直陪着我,愿天下有情人终成眷属,最终走到…

数字信号处理实验一 系统响应及系统稳定性

前些天发现了十分不错的人工智能学习网站,通俗易懂,风趣幽默,没有广告,分享给大家,大家可以自行看看。(点击跳转人工智能学习资料) 微信公众号:创享日记 发送:响应及稳定…

BPSK调制下(2,1,3)、(2,1,6)卷积码与QC-LDPC码译码性能和抑制突发噪声性能对比(MATLAB实现)

欢迎同步关注公众号【逆向通信猿】 QC-LDPC码的原理及构造 通过准循环码方式构造低密度校验矩阵 H ⁡ \operatorname{H} H,基础校验矩阵采用 H b = [ 0 1

数字信号处理实验二 IIR数字滤波器设计及软件实现

前些天发现了十分不错的人工智能学习网站,通俗易懂,风趣幽默,没有广告,分享给大家,大家可以自行看看。(点击跳转人工智能学习资料) 微信公众号:创享日记 发送:iir滤波器 …

高级java开发_适用于高级Java开发人员的十大书籍

高级java开发Java是当今最流行的编程语言之一。 有很多适合初学者的书籍。 但是对于那些使用Java进行过一段时间编程的人来说,其中有些人看起来有些简单和多余。 初学者的书没有带来新鲜有趣的想法。 但是,高级Java书籍并不总是就在眼前,并非…

数字信号处理实验三 FIR数字滤波器设计与软件实现

前些天发现了十分不错的人工智能学习网站,通俗易懂,风趣幽默,没有广告,分享给大家,大家可以自行看看。(点击跳转人工智能学习资料) 微信公众号:创享日记 发送:fir滤波器 …

一种伪随机交织器的生成方法

欢迎同步关注公众号【逆向通信猿】 线性同余交织+m序列寄存器状态→伪随机交织 线性同余交织 A n + 1 ≡ a A n + c   m

[JDK 11] jcmd中的类加载器层次结构详细信息

自从在JavaOne 2012上听说 jcmd以来,我就一直是命令行诊断工具jcmd的 粉丝 。 从那时起,我已广泛使用此工具,并多次在此博客中发布过此工具: jcmd:一个可以全部统治的JDK命令行工具 确定活动的热点垃圾收集器 程序化…

无线定位技术实验一 TDOA-FDOA联合定位

前些天发现了十分不错的人工智能学习网站,通俗易懂,风趣幽默,没有广告,分享给大家,大家可以自行看看。(点击跳转人工智能学习资料) 微信公众号:创享日记 发送:联合定位 获…

QPSK信号调制之ASCII码

clear;close all;clc; sym_dec(32:126).; sym_bitde2bi(sym_dec,8,left-msb); sym_bitreshape(sym_bit.,1,[]); bits repmat(sym_bit,1,50).; % bit2 reshape(bits,2,[]).; Nlength(bits)/2;M4; pha_qpsk qammod(bits,M,InputType,bit,PlotConstellation,true); % 生成相位 …

无线定位技术实验二 TDOA最小二乘定位法

前些天发现了十分不错的人工智能学习网站,通俗易懂,风趣幽默,没有广告,分享给大家,大家可以自行看看。(点击跳转人工智能学习资料) 微信公众号:创享日记 发送:tdoa最小二…

高阶矩和高阶累积量的换算关系

累积量可以用矩表示为 c x ( I ) = ∑ ⋃ p = 1 q I p = I ( − 1 )

无线定位技术实验三 基于信号强度的位置指纹定位仿真

前些天发现了十分不错的人工智能学习网站,通俗易懂,风趣幽默,没有广告,分享给大家,大家可以自行看看。(点击跳转人工智能学习资料) 微信公众号:创享日记 发送:指纹定位 获…

远程声控系统(MATLAB代码见CSDN资源)

欢迎同步关注公众号【逆向通信猿】 远程声控系统技术报告 一、题目要求 实现一个远程声音控制系统。首先采集不同的语音指示信号,进行适当压缩;然后通过噪声信道实现远程传输,远端接收后再通过适当计算识别出是何指示,最后送入一个处于未知状态、但能控/能观的控制系统,…

信号处理系统综合设计-最小阶数的IIR数字高通滤波器

微信公众号:创享日记 发送:最小阶 获取完整报告(含源代码程序结果分析) 设计一个最小阶数的IIR数字高通滤波器,指标要求如下: 以小于1dB的衰减通过150Hz的分量;以至少40dB抑制100Hz的分量&…

java 设计模式 示例_Java中的策略设计模式-示例教程

java 设计模式 示例策略模式是行为设计模式之一 。 当我们对一个特定的任务有多种算法并且客户决定在运行时使用的实际实现时,将使用策略模式。 策略模式也称为策略模式 。 我们定义了多种算法,并让客户端应用程序将算法用作参数。 此模式的最佳示例之一…