iajin的博客

原创 NUITKA 的shell打包脚本

【代码】NUITKA 的shell打包脚本。

原创 centos8 装MYSQL

7）再次执行firewall-cmd--permanent--zone=public--add-port=3306/tcp，提示success，表示设置成功，这样就可以继续后面的设置了。（1）设置认证方式。MySQL新版本（8以上版本）的用户登录账户加密方式是【caching_sha2_password】，Navicat不支持这种用户登录账户加密方式。使用上面的命令就直接下载了安装用的YumRepository，大概25KB的样子，然后就可以直接yum安装了。此时，数据库就已经安装配置好了。...

原创 centos 自建网盘 nextcloud

简单三步, 搭建全平台私有同步网盘 - 简书 (jianshu.com)第二步: 获取nextcloud镜像, 完成网盘搭建onlyoffice 回调传参数_OnlyOffice 部署与使用_weixin_39963440的博客-CSDN博客第三步:访问主机ip的8080端口,为网盘设置管理员名称和密码比如我的vps主机ip为, 那么我访问的就是 onlyoffice 回调传参数_OnlyOffice 部署与使用_weixin_39963440的博客-CSDN博客Onlyoffice为of

原创 Centos7+搜狗拼音输入法 安装不踩雷

百度+CSDN太多没用的教程了，浪费几个小时，气死，还有各种骗积分下csdn的deb附件什么的。这个才是最佳​​​​​​​本教程只适用于 Centos7 安装搜狗输入法（v2.2.0.0108），支持的桌面环境是 GNOME。注：文章末尾附有搜狗输入法最终的运行效果图...

转载 PyQt+QtDesigner及相关插件的安装和设置

pyqt5、qtdesigner安装和环境设置教程 / 张生荣 (zhangshengrong.com)我使用PyCharm作为程序的编写界面，python的版本是3.6，笔记本的操作系统是win10。这部分内容包括PyQt5+QtDesigner以及其它工具包的安装、将QtDesigner和PyUIC链接到PyCharm的外部工具库、使用QtDesigner生成ui文件并将其转换成py文件并编写主函数来显示该界面。1、PyQt、QtDesigner及其它工具包的安装PyQt和QtDesigner的安装和链

原创 Windows10桌面远程，超流畅连接Centos6图形界面

mobaxterm方案实在太卡了1 先关闭防火墙默认情况下，Xrdp监听3389端口，如果使用的是云服务器（如阿里云、华为云），可以通过安全组规则放行3389端口。--------我试了不行，最后还是把防火墙都砍了。2 装了Anaconda的要注释掉 3.正式安装...

原创 centos7安装docker

先加源#CentOS 7wget -O /etc/yum.repos.d/CentOS-Base.repohttp://mirrors.aliyun.com/repo/Centos-7.repo#或者curl -o /etc/yum.repos.d/CentOS-Base.repohttp://mirrors.aliyun.com/repo/Centos-7.repo#整不了手动下载移动到路径下就行 重命名yum clean all && yum makecache...

原创 FFT中不同频率表示之间的关系

一、四个名词：实际物理频率，角频率，圆周频率，归一化频率l实际物理频率表示AD采集物理信号的频率，fs为采样频率，由奈奎斯特采样定理可以知道，fs必须≥信号最高频率的2倍才不会发生信号混叠，因此fs能采样到的信号最高频率为fs/2。l角频率是物理频率的2*pi倍，这个也称模拟频率。（卢注：由于一个信号周期（如交流电）是360度，即2pi。故角频率就是转了多少个2pi。设置角频率纯粹为了便于计算。）l归一化频率是将实际物理频率按fs归一化之后的结果，最高的信号频率为fs/2对应...

原创 python wrcoef 小波分解 高仿matlab结果(含代码)

网络上错误、失败的尝试千难万险之后，上结果wrcoef('d'，'sym4',....4,3,2,1)对应 fig 1 2 3 4 1-4 matlab 图 5-8 python图wrcoef('a'，'sym4',....4MATLAB代码[C_data, L_data] = wavedec(data, 4, 'sym4');%提取Approximation和4层detailA4_data = wrcoef('a',C_data, L_...

原创 气象类python库安装

cartopy 安装瞎报错，建立新环境也抓瞎conda install --channel conda-forge cartopy

原创 Linux使用问题和解决方法

anaconda1 Aa​​​​​​​c​​​​​​​conda激活环境失败，Your shell has not been properly configured to use 'conda activate'._Tz.的博客-CSDN博客conda deactivate 后 conda activate projectfsearch1搜索安装​​​​​​俄​​​​​​​​​​​​​​​​fsearch：适用于linux的快速查找软件（类似everything）安装教程_bingbing____.

原创 网工学习-01 华为ENSP模拟器

1 依次安装 winpcap 、VirtualBox、eNSP V100R003C00 Setup

原创 Ubuntu踩坑避雷指南总结

【个人备忘】Ubuntu 16.04 忘记开机密码的解决方法 - 程序员大本营 (pianshen.com)

原创 Python 检测分钟级数据传输稳定性

from configparser import ConfigParserimport os, datetime, time# % 读取配置文件def LoadConfig(): conf0 = ConfigParser() conf0.read("config.ini", encoding="utf-8") TxtPath0 = conf0["Folder"]["TxtPath"] ... return ...# % 指定路径后,列表并排序def.

原创 SQL新建实例数据库

mysql 8.0版本+ datagrid的windows10版1 关于表格中无法插入时间的问题CREATE TABLE EMP (EMPNO int NOT NULL, ENAME VARCHAR(10), JOB VARCHAR(9), MGR int, HIREDATE DATETIME, SAL int, COMM int, DEPTNO int)INSERT.

原创 DataGrip 的MySQL实战

习惯jetbrains的模式，因此选择DataGrip而非MySQL的官方客户端。1 新建一个项目2 新建数据源，填写账号密码等3 ctr+enter为执行命令，自动补全很方便。4 新建一个表5 加入表格显示可视化如下：结果：...

原创 mySQL全指令学习记录

新手入门，用微软access帮助学了个大概。后来找到一个网站，可以在线做题自学SQL网(教程 视频 练习全套) (xuesql.cn)。答案XUESQL中文在线SQL练习及其答案 - 知乎 (zhihu.com)现有表如图目录入门级命令1. SELECT2. WHERE3. 查询、过滤和排序4 多函数嵌套5用JOINs进行多表联合查询6外连接（OUTER JOINs）7 NULL的处理入门级命令SQL 关键之如SELECT,W...

原创 重装anaconda

出现错误：RemoveError: 'requests' is a dependency of conda and cannot be removed from尝试了所有更新方法，无效，只能重装。1.下载anaconda比如我现在的python版本是3.7，但是我想安装一个python 3.6的环境，则在anaconda prompt输入：conda create -n py36 python=3.6https://tensorflow.google.cn/install/source_w

原创 互相关和匹配滤波

1 基本概念互相关对于两个连续信号f和g，以g为参考，互相关的定义公式为：卷积相关和卷积的关系即以信号g为参考，f与g的互相关，其频率域结果是信号g的频谱的共轭乘以f的频谱。匹配滤波以发射信号g为参考，回波f和发射信号g做相关。脉冲压缩：匹配滤波+窗函数设计抑制旁瓣...

原创 小波分析Matlab入门

1 查阅 matlab能调用的小波基函数 wavemngr('read',1)ans = 71×44 char 数组 '=================================== ' 'Haar →→haar ' '=================================== ' 'Daubechies →→db

原创 双树复小波

两路平行的DWT对信号分解,一路为变换的实部,一路为变换的虚部,并保持虚部采样位置位于实部中间,实现信息互补。对信号各层所得到的低频小波系数再次进行分解,并运用阈值将所得到的高频小波系数中所含的噪声滤除。在对信号两树分别进行DWT后得到的低频小波系数和阈值处理后的高频小波系数进行信号重构。...

原创 换能器的带通滤波器特性

换能器的带宽决定了滤波器特性，用hamming窗来做。发射是正弦脉冲，仿真实际发出的信号clc;clear all;close all;%% 100KHz方波加载到1MHz的余弦波上，求fft 脉冲调制n = 7;% 脉冲数f_square = 1/n*1e6/2; %100KHzf_cosine = 1e6; %1MHzFs = 5e7; %采样率Ts = 1/Fs; %采样周期L = 1e3; .

原创 匹配滤波接收

多看教材，博客只能随便看看 《通信原理》7th错误概率最小作为最佳接收的准则，输出信号噪声比最大,并且将令输出信噪比最大的线性滤波器称为匹配滤波器。 时域法和频域法的联系 9.8.8 上 9.8.12下。例子编程思路：回波信号 FFT 代入匹配的传递函数H，或冲击响应，再计算。发射信号fft（频谱特性）——>共轭后即为滤波器系数——>ifft得h(t)回波信号fft——>ifft注意的一点 其余置零对比 相...

原创 某信号展开成傅里叶级数，再恢复

clc,clear all,close all%% 正确dFs = 50e3;M = 80;Fs = dFs*M*2 + 1;%采样频率T = 1/Fs; %采样时间L = 80+1; %信号长度t = (0:L-1)*T; %时间x = sin(2*pi*1e5*t ) .*sin(2*pi*1e6*t ); %cos为底原始信号y = x ;%+ randn(size(t)); %添加噪声figure;plot(t,y)Fy = fft(y,163)/163*2;Fy...

原创 去除数字滤波器后的相位延迟（内有实操代码和效果图）

参考链接https://ww2.mathworks.cn/help/signal/digital-filter-analysis.htmlhttps://ww2.mathworks.cn/help/signal/ug/compensate-for-delay-and-distortion-introduced-by-filters.html?s_tid=srchtitleFIR 线性相位延迟　　FIR滤波器是有限长单位冲激响应滤波器，又称为非递归型滤波器，是数字信号处理系统中基本的元件..

原创 Task3 特征工程

Task3 特征工程此部分为零基础入门金融风控的 Task3 特征工程部分，带你来了解各种特征工程以及分析方法，欢迎大家后续多多交流。赛题：零基础入门数据挖掘 - 零基础入门金融风控之贷款违约项目地址：https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl比赛地址：https://tianchi.aliyun.com/competition/entrance/53

原创 Task 2 数据分析

目的：1.EDA价值主要在于熟悉了解整个数据集的基本情况（缺失值，异常值），对数据集进行验证是否可以进行接下来的机器学习或者深度学习建模.2.了解变量间的相互关系、变量与预测值之间的存在关系。3.为特征工程做准备2.2 内容介绍1、数据总体了解：1）读取数据集并了解数据集大小，原始特征维度；2）通过info熟悉数据类型；3）粗略查看数据集中各特征基本统计量；2、缺失值和唯一值：1）查看数据缺失值情况2）查看唯一值特征情况3、深入数据-查看数据类型1）类别型数据2）数值型数据①

转载 Datawhale零基础入门金融风控 Task1 赛题理解

零基础入门金融风控之贷款违约预测挑战赛。 赛题以金融风控中的个人信贷为背景，要求选手根据贷款申请人的数据信息预测其是否有违约的可能，以此判断是否通过此项贷款，这是一个典型的分类问题。赛题以预测金融风险为任务，数据集报名后可见并可下载，该数据来自某信贷平台的贷款记录，总数据量超过120w，包含47列变量信息，其中15列为匿名变量。为了保证比赛的公平性，将会从中抽取80万条作为训练集，20万条作为测试集A，20万条作为测试集B，同时会对employmentTitle、purpose、postCode和tit

转载 组队学习：基于支持向量机的分类预测

介绍Step1:库函数导入Step2:构建数据集并进行模型训练Step3:模型参数查看Step4:模型预测Step5:模型可视化

转载 组队学习：基于决策树的分类预测

流程输入： 训练集D={($x_1$,$y_1$),($x_2$,$y_2$),....,($x_m$,$y_m$)}; 特征集A={$a_1$,$a_2$,....,$a_d$} 输出： 以node为根节点的一颗决策树 过程：函数TreeGenerate($D$,$A$) 1. 生成节点node 2. $if$ $D$中样本全书属于同一类别$C$ $then$: 3. ----将node标记为$C$类叶节点；$return$ 4. $if$ ...

转载 组队学习：基于逻辑回归的分类预测

一、基本概念1、逻辑回归的介绍逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。而对于逻辑回归而言，最为突出的两点就是其模型简单和模型的可解释性强。逻辑回归模型的优劣势:优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低；缺点：容易欠拟合，分类精度可能不高当z≥0.

原创 球形圆阵换能器 知识点

超声换能器,又称作超声探头,其作用是产生和接收超声波。超声探头的分类依据 有多种,依据探头的工作机理分类,可以划分成磁场式和电场式。目前,用得较多的是单元式的探头,但是其存在着分辨率和帧频率较低的不足。解 决问题的最佳途径是采用阵列换能器。多阵元不仅可 以集体扫描,也可以被单独控制,因此声场更容易被聚焦。分类1.阵列探头是由单阵元以特定方式排布构成的多个阵元换能器。不同形状和...

原创 复现 代码 LFM 远场接收信号

数值解close all,clc,clear allz = 1.5;f1 = 2.5e3;f2 = 15e3;B1 = f2-f1; % 带宽15-2.5=12.5KHzT = 0.719e-3; % 脉宽0.719msk = 1.7e7; % K=B/TFs = 10*15e4; % 采样率N = 1; %控制窗口长度c = 1...

原创 MATLAB：MATLAB的预设项：项目建立、投稿画图

%% add the subfolders to the pathaddpath(sprintf('%s/absorp',pwd))addpath(sprintf('%s/absorp/fig',pwd))addpath(sprintf('%s/direct',pwd))addpath(sprintf('%s/direct/fig',pwd))addpath(sprintf('%s/k...

原创 脱坑指南1：pycharm 实战手写数字 mnist数据集

本人小白实践记录心酸大作业历程：数据集MNIST手写数字数据集（下载地址及相关介绍：http://yann.lecun.com/exdb/mnist/）下载下来是一串这个东西：一脸懵，怎么读取?怎么看？官方example直接扔出来程序，根本不知道怎么写path，也没有专门视频讲这个。【真相1】先得解压.gz 2、pycharm编译器设置Permission...

原创 深度踩坑 tensorflow RCNN

结构总结1.分布式.py调用方法一个文件夹下有多级目录。主程序得调用不同文件夹里的.py，#从文件夹mrcnn里调用utils.pyfrom mrcnn import utils#从文件夹mrcnn里调用model.py，简写成modellibimport mrcnn.model as modellib#从文件夹mrcnn里调用config.py的子函数Configf...

原创 中国科学: 信息科学 中文模板2019 CCT-LaTeX texlive2019 成功编译

Ctex不会用，走了不少弯路。如果有用请在评论区告诉我。下载 cct_dshttps://liam.page/attachment/attachment/LaTeX-useful-tools/CCT_TDS.zip文件夹内容复制 合并到.\texlive\texmf-local 即可，不报错参考文章：https://liam.page/2013/10/15/LaTeX-CCT-t...

原创 模式识别、机器学习、深度学习

如果你想让自己弄清楚机器学习和深度学习的区别，请阅读本篇文章，我将用通俗易懂的语言为你介绍他们之间的差别。下文详细解释了机器学习和深度学习中的术语。并且，我比较了他们两者的不同，别说明了他们各自的使用场景。什么是机器学习和深度学习?让我们从基础知识开始：什么是机器学习？和什么是深度学习？如果你对此已有所了解，随时可以跳过本部分。什么是机器学习？一言以蔽之，由 Tom Mitchel...

转载 LSTM训练词向量：tf.contrib.rnn.DropoutWrapper和 tf.contrib.rnn.BasicLSTMCell、tf.variable_scope、tf.stack、tf.

tf.contrib.rnn.DropoutWrapper 和tf.contrib.rnn.BasicLSTMCelltf.contrib.rnn.DropoutWrapper__init__( cell, input_keep_prob=1.0, output_keep_prob=1.0, state_keep_prob=1.0, vari...

转载 CNN的解释