2022年8月至9月:补充内容
本笔记写于2023-05-21,捞老旧笔记捞出来的。
stanford课程:Signal Processing for Machine Learning
补充一些复数运算的小技巧
三角函数的补充内容
本笔记写于2023-05-21,捞老旧笔记捞出来的。
stanford课程:Signal Processing for Machine Learning
补充一些复数运算的小技巧
三角函数的补充内容
多普勒效应;救护车多普勒效应的R/python代码音频生成:
多普勒效应
介绍
R语言版本
Python版本(chatgpt)
音频文件
今天从哪里开始?
总结主要内容
信号与系统:采样定理(根本没学进去)
人耳听觉频率和声音信号频率的关系
频率随时间变化的信号
Chirp/啁啾信号
Vibrato/颤音
失败的Vibrato音频:越来越高的频率
所谓“改进的Forward-backward Algorithm”
生成模型和判别模型的区别
Forward和forward-backward之间是否有“准确度”的可比性
为什么covariance使用n-1
有关audiolabs的audio matching项目代码,以及实际使用效果(对应那本《Fundamentals of music processing》的第7章)
(鸽了)昨天(2022-09-04)的笔记里用跳跃的方法搞完了4个信号变换的基本公式(周期连续、周期离散、非周期连续、非周期离散),现在开始查漏补缺:阅ASPMA的slide(week1和week2),看看哪些东西能用公式进行推导。
今天从哪里开始?
非周期离散信号的傅里叶变换
离散时间周期信号的傅里叶级数表示
周期离散信号的例题
非周期离散信号的一些总结和例题
「周期、非周期、离散、连续」4组公式的总结
计算机程式的DFT分析
就一个内容:对2022-08-31(从向量内积理解傅里叶级数)内容的补充。
向量内积包含∞符号,但连续周期信号的傅里叶变换只有符号T,所以我们要正确理解向量内积公式。
今天从哪里开始?
(没完全学明白)(非周期信号)连续时间傅里叶变换
笔记1:对非周期信号的一些想法
对包络的理解
一些临时的结论
一些例题
非周期连续信号的傅里叶变换
周期信号的傅里叶级数
大致顺序应该是:
先补了下概率论(就是那种基本概率论,用条件概率推的)和贝叶斯
然后通过PRML第8章 graphics model学习了一些概率图模型/图网络的推导
然后系统学习了 Markov家族(各种markov变种)以及bayesian filtering(贝叶斯滤波)
最后试图学kalman filter,但没学懂(然后这个系列就结束了)