【2020.12.30更新】信号处理常用公式(一)

积化和差

cos⁡αcos⁡β=12[cos⁡(α+β)+cos⁡(α−β)]\cos \alpha \cos \beta = \frac{1}{2}[\cos (\alpha + \beta ) + \cos (\alpha - \beta )]cosαcosβ=21[cos(α+β)+cos(αβ)]sin⁡αcos⁡β=12[sin⁡(α+β)+sin⁡(α−β)]\sin \alpha \cos \beta = \frac{1}{2}[\sin (\alpha + \beta ) + \sin (\alpha - \beta )]sinαcosβ=21[sin(α+β)+sin(αβ)]sin⁡αsin⁡β=12[cos⁡(α−β)−cos⁡(α+β)]\sin \alpha \sin \beta = \frac{1}{2}[\cos (\alpha - \beta ) - \cos (\alpha + \beta )]sinαsinβ=21[cos(αβ)cos(α+β)]cos⁡αsin⁡β=12[sin⁡(α+β)−sin⁡(α−β)]\cos \alpha \sin \beta = \frac{1}{2}[\sin (\alpha + \beta ) - \sin (\alpha - \beta )]cosαsinβ=21[sin(α+β)sin(αβ)]

自相关与互相关

RX(t2,t1)=RX∗(t1,t2){R_X}({t_2},{t_1}) = R_X^*({t_1},{t_2})RX(t2,t1)=RX(t1,t2)RXY(t2,t1)=RYX∗(t1,t2){R_{XY}}({t_2},{t_1}) = R_{YX}^*({t_1},{t_2})RXY(t2,t1)=RYX(t1,t2)RX(t2,t1)=RX(τ),τ=t1−t2{R_X}({t_2},{t_1}) = {R_X}(\tau ),\quad \tau = {t_1} - {t_2}RX(t2,t1)=RX(τ),τ=t1t2

矩阵微分

YYYBBBRRR均代表矩阵,zzzaaa代表向量,上标T表示转置,∗*表示共轭,H表示共轭转置。
∂YTB∂B=Y\frac{{\partial {Y^{\mathop{\rm T}\nolimits} }B}}{{\partial B}} = YBYTB=Y∂BTY∂B=Y\frac{{\partial {B^{\mathop{\rm T}\nolimits} }Y}}{{\partial B}} = YBBTY=Y

规律总结:前面”为转置,对“不转置”求导,结果为“另一个不转置

∂BTYTYB∂B=2YTYB\frac{{\partial {B^{\mathop{\rm T}\nolimits} }{Y^{\mathop{\rm T}\nolimits} }YB}}{{\partial B}} = 2{Y^{\mathop{\rm T}\nolimits} }YBBBTYTYB=2YTYB∂BTB∂B=2B\frac{{\partial {B^{\mathop{\rm T}\nolimits} }B}}{{\partial B}} = 2BBBTB=2B∂BTWB∂B=WB+WTB\frac{{\partial {B^{\mathop{\rm T}\nolimits} }WB}}{{\partial B}} = WB + {W^{\mathop{\rm T}\nolimits} }BBBTWB=WB+WTB
特别地,WT=W{{W^{\mathop{\rm T}\nolimits} } = W}WT=W时,
∂BTWB∂B=WB+WTB=2WB\frac{{\partial {B^{\mathop{\rm T}\nolimits} }WB}}{{\partial B}} = WB + {W^{\mathop{\rm T}\nolimits} }B = 2WBBBTWB=WB+WTB=2WB

复微分

下表给出了标量函数f(w)f(\boldsymbol{w})f(w)和向量函数f(w)\boldsymbol{f}(\boldsymbol{w})f(w)关于可变向量w\boldsymbol{w}ww∗\boldsymbol{w}^{*}w的复数微分结果。

函数类型函数变量w\boldsymbol{w}w变量w∗\boldsymbol{w}^{*}w
标量f(w)f(\boldsymbol{w})f(w)re⁡[wHx]\operatorname{re}\left[\boldsymbol{w}^{\mathrm{H}} \boldsymbol{x}\right]re[wHx]12x∗\frac{1}{2}\boldsymbol{x}^{*}21x12x\frac{1}{2}\boldsymbol{x}21x
标量f(w)f(\boldsymbol{w})f(w)wHx\boldsymbol{w}^{\mathrm{H}} \boldsymbol{x}wHx0{\bf{0}}0x\boldsymbol{x}x
标量f(w)f(\boldsymbol{w})f(w)xHw\boldsymbol{x}^{\mathrm{H}} \boldsymbol{w}xHwx∗\boldsymbol{x}^{*}x0{\bf{0}}0
标量f(w)f(\boldsymbol{w})f(w)wHRw\boldsymbol{w}^{\mathrm{H}} \boldsymbol{R} \boldsymbol{w}wHRwRTw∗=(RHw)∗\boldsymbol{R}^{\mathrm{T}} \boldsymbol{w}^{*}=\left(\boldsymbol{R}^{\mathrm{H}} \boldsymbol{w}\right)^{*}RTw=(RHw)Rw\boldsymbol{R} \boldsymbol{w}Rw
矢量f(w)\boldsymbol{f}(\boldsymbol{w})f(w)H1w+H2w∗\boldsymbol{H}_{1} \boldsymbol{w}+\boldsymbol{H}_{2} \boldsymbol{w}^{*}H1w+H2wH1T\boldsymbol{H}_{1}^{\mathrm{T}}H1TH2T\boldsymbol{H}_{2}^{\mathrm{T}}H2T

一个计算小技巧

已知基向量两两正交

∫−∞∞fm(t)fn∗(t)dt=δ(m−n)\int_{ - \infty }^\infty {{f_m}(t)f_n^*(t)dt} = \delta (m - n)fm(t)fn(t)dt=δ(mn)

s(t){s(t)}s(t)可由基向量线性组合近似

s^(t)=∑k=1Kskfk(t)\hat s(t) = \sum\limits_{k = 1}^K {{s_k}{f_k}(t)}s^(t)=k=1Kskfk(t)

由误差与基向量正交,有

⟨s(t)−s^(t),fn(t)⟩=0⇒sn=⟨s(t),fn(t)⟩\left\langle {s(t) - \hat s(t),{f_n}(t)} \right\rangle = 0 \Rightarrow {s_n} = \left\langle {s(t),{f_n}(t)} \right\rangles(t)s^(t),fn(t)=0sn=s(t),fn(t)

则误差的二范数为

εe=∫−∞∞(s(t)−s^(t))(s(t)−s^(t))∗dt{\varepsilon _e} = \int_{ - \infty }^\infty {(s(t) - \hat s(t)){{(s(t) - \hat s(t))}^*}dt}εe=(s(t)s^(t))(s(t)s^(t))dt

=∫−∞∞∣s(t)∣2dt−∫−∞∞∑k=1Kskfk(t)⋅s∗(t)dt−⟨s(t)−s^(t),s^∗(t)⟩= \int_{ - \infty }^\infty {|s(t){|^2}dt} - \int_{ - \infty }^\infty {\sum\limits_{k = 1}^K {{s_k}{f_k}(t)} \cdot {s^*}(t)dt}- \left\langle {s(t) - \hat s(t),{{\hat s}^*}(t)} \right\rangle=s(t)2dtk=1Kskfk(t)s(t)dts(t)s^(t),s^(t)

=∫−∞∞∣s(t)∣2dt−∑k=1Ksk[∫−∞∞s(t)fk∗(t)dt]∗= \int_{ - \infty }^\infty {|s(t){|^2}dt} - \sum\limits_{k = 1}^K {{s_k}{{[\int_{ - \infty }^\infty {s(t)f_k^*(t)dt} ]}^*}}=s(t)2dtk=1Ksk[s(t)fk(t)dt]

=∫−∞∞∣s(t)∣2dt−∑k=1Ksksk∗= \int_{ - \infty }^\infty {|s(t){|^2}dt} - \sum\limits_{k = 1}^K {{s_k}s_k^*}=s(t)2dtk=1Ksksk

=∫−∞∞∣s(t)∣2dt−∑k=1K∣sk∣2= \int_{ - \infty }^\infty {|s(t){|^2}dt} - \sum\limits_{k = 1}^K {|{s_k}{|^2}}=s(t)2dtk=1Ksk2

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/347442.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

一个直角三角形的两个直角边是 a,b(a≤b),其斜边是 c,且 a,b,c都是正整数。现在我们已经知道了斜边长度c,请问这个直角三角形的两个直角边的长度是什么?Java

题目描述:一个直角三角形的两个直角边是 a,b(a≤b),其斜边是 c,且 a,b,c都是正整数。现在我们已经知道了斜边长度c,请问这个直角三角形的两个直角边的长度是什么? 输入格式:输入一个整数 c(1≤…

矩阵可逆的一种刻画方式

问题 若矩阵A满足AATIAA^{\rm{T}}IAATI,则A可逆。 证明一 反证法。假设A不可逆,则 ∃x0≠0\exists{x_0}\ne0∃x0​​0,使得Ax00A{x_0}0Ax0​0,则 x0AT(Ax0)T0T{x_0}{A^{\rm{T}}} {(A{x_0})^{\rm{T}}} {0^{\rm{T}}}x0​AT(A…

我们知道计算机的大小单位有 B, KB, MB 等,现在请你编写一个计算器进行大小单位换算。Java洛谷传智杯

题目描述: 我们知道计算机的大小单位有 B, KB, MB 等,现在请你编写一个计算器进行大小单位换算。 输入格式:输入一个字符串,由一个 0 到 1023 之间的整数,一个单位名称(大写字母),一…

eclipselink_EclipseLink MOXy和用于JSON处理的Java API –对象模型API

eclipselink用于JSON处理的Java API(JSR-353)是作为Java EE 7的一部分引入的用于生成和使用JSON的Java标准。JSR-353包括对象(类似于DOM)和流(类似于StAX)API。 在本文中,我将演示我们在Eclipse…

传智杯Java志愿者传智专修学院总共召集了n位志愿者来负责打扫活动,现在需要你负责帮忙统计每位志愿者的工作情况,用来制作光荣榜,给他们发小花花

Java实现思路:创建一个志愿者内部类,包括编号、服务时长、难度、贡献度属性。使用ArrayList将多个志愿者对象联系在一起。使用Collection的sort方法,重写compare方法进行按规则比较。 Java代码: import java.util.ArrayList; im…

将可见的电子签名添加到PDF

我知道这将是一个非常特殊的话题。 电子签名PDF远不是主流用例。 但是,我将其编写的原因有两个:第一,我认为它对真正需要它的人非常有用;第二,我认为随着eIDAS法规的普及,它将变得越来越普遍。电子签名在欧…

高斯白噪声下基于EM的多径时延估计

本文主要来源于复现文献的部分内容,有一定的参考价值: [1] 刘波. 基于EM的突发通信参数估计技术研究[D]. 2009. 文末有代码和参考文献网盘下载地址,有问题欢迎留言交流! 1 引言 对于多径传播,接收信号是由源信号与它…

传智杯Java终端有一天您厌烦了电脑上又丑又没用的终端,打算自己实现一个 Terminal

Java思路&#xff1a;使用String的字符串处理以及ArrayList的列表处理。 Java代码&#xff1a; import java.util.ArrayList; import java.util.Scanner; public class Main{public static ArrayList<String> list new ArrayList<>();public static void main(S…

新年迈出Java后台服务器与数据库交互第一步2022最新通用Java8jdbc8连接mysql8数据库进行增删改查等基本操作详解(IDEA),jar包导入,图片等文件流,批量操作

文章目录一、JDBC下载与导入二、获取连接三、PreparedStatement类操作数据库四、操作BLOB类型字段&#xff08;图片视频等&#xff09;五、Batch批量插入&#x1f646;&#x1f3fb;‍♀️&#x1f646;&#x1f3fb;‍♀️文末最新版jdbc jar包下载 &#x1f646;&#x1f3fb…

最优化理论与算法笔记

最优化理论与算法笔记

ejb+jpa_使用Arquillian(包括JPA,EJB,Bean验证和CDI)测试Java EE 6

ejbjpa很长时间以来&#xff0c;我听到很多人对Arquillian说好话 。 尽管我一直在阅读有关其用法的文章&#xff0c;但实际上我无法在一篇文章中找到涵盖我认为重要的某些方面的文章。 当然&#xff0c;我看起来还不够努力。 我要讲的要点是&#xff1a; 使用JPA。 我只是在这…

Win32编程之基于MATLAB与VC交互的多项式回归

运行环境 Matlab R2018b x64 or x32 Visual Studio 2017 企业版 程序预览 文末有完整程序代码下载地址,有任何问题欢迎留言,谢谢点赞哟! 程序功能描述 矩阵运算是大多数科学运算的必要工具。通常情况下,Matlab是实现矩阵运算的最佳工具,但是大多数Matlab运算都是基于d…

隔离区别对待?如何捆绑?Java中的jdbc数据库事务及其隔离级别

文章目录一、数据库事务简介二、JDBC事务处理三、事务的ACID属性四、数据库的隔离级别五、设置隔离级别一、数据库事务简介 事务&#xff1a;一组逻辑操作单元&#xff0c;使数据从一种状态变换到另一种状态。 事务处理&#xff08;事务操作&#xff09;&#xff1a;保证所有…

基于VS的连连看小游戏

运行环境 Matlab R2018b x64 or x32 Visual Studio 2017 企业版 程序预览 目前功能只开发了基本模式,也即是基本的连连看功能和帮助功能,文末有完整程序代码下载地址,有任何问题欢迎留言,谢谢点赞哟! 重要设计步骤和思路以及实现如下所示。 设计思路 类设计

idea使用c3p0数据库连接池无法加载配置文件xml,配置文件放置的位置

注意&#xff1a;要把c3p0-config.xml文件放在输出的文件夹里面&#xff0c;即放在out里面&#xff0c;而不是放在src里面。&#xff08;如下图&#xff09; 至于配置文件怎么写&#xff0c;可以参考其他经验教程&#xff0c;这里不再赘述。

spring boo_为您的下一个基于Spring的应用程序考虑使用spring-boot的原因!

spring booSpring-boot提供了一种创建基于Spring的应用程序的快速方法。 对于下一个项目&#xff0c;有一些非常令人信服的理由考虑使用Spring-boot&#xff1a; 原因1&#xff1a;使用spring-boot启动程序项目进行更简单的依赖性管理。 考虑使用CR2是使用h2数据库来实现的&am…

自适应滤波实例之系统辨识

实验模型 x(n):随机信号,服从N(0,1)分布 h(n):未知的系统响应(由5阶FIR低通滤波器模拟) h=[0.2,0.5,0.7,-0.5,0.2]; d(n):期望信号,d(n)=x(n)*h(n) 目标:根据接收端接收信号r(n)(此时即为期望信号d(n))和训练序列x’(n)求未知的h(n) LMS实验结果 设自适应滤波器…

jdbc数据库连接池C3P0和Druid德鲁伊,Java与MySQL数据库交互

文章目录一、 连接池的必要性二、数据库连接池技术三、多种开源的数据库连接池四、C3P0数据库连接池五、Druid&#xff08;德鲁伊&#xff09;数据库连接池六、C3P0和Druid驱动jar包一、 连接池的必要性 在使用开发基于数据库的web程序时&#xff0c;传统的模式基本是按以下步…

使用Spring Boot构建REST Web服务

本教程提供了有关如何使用Spring Boot构建Restfull Web服务的分步指南。 先决条件&#xff1a; Eclipse IDE&#xff08;最新版本&#xff09; Maven的4 Java 1.8 1.创建Maven Web项目 打开eclipse&#xff0c;然后创建一个新的Maven Web项目&#xff0c;并将其命名为Spri…