- 综合排序
- 最热优先
- 最新优先
- 来自专栏自动控制原理
第十四讲 采样控制系统
采样控制系统与连续控制系统的根本区别在于采样系统中既包含有连续信号，又包含有离散信号，是一个混和信号系统。分析和设计采样系统的数学工具是Z变换，采用的数学模型是差分方程、脉冲传递函数。 知识要点： 采样控制系统的特点，连续信号的离散化，采样定理，信号的恢复，保持器，Z变换，差分方程，脉冲传递函数，采样系统的稳定性。 为了建立线性离散控制系统的数学模型，我们引进了Z变换理论及差分方程。Z变换在线性离散控制系统中所起的作用与拉普拉斯变换在线性连续控制系统中所起的作用十分类似。
21711编辑于 2024-11-15 - 来自专栏全栈程序员必看
负采样_欠采样
这个时候我们就需要用到负采样（negative sampling）的技术。 下面通过Skip-Gram来讲解负采样技术。 为了提升训练的速度，减少更新权重的数量，我们就需要对节点进行负采样。首先来了解两个概念 postive word 和 negative word。 负采样的目的就是在 negative word 中，找出一部分节点进行权重的更新，而不需要全部都更新。 负采样的本质：每次让一个训练样本只更新部分权重，其他权重全部固定；减少计算量；（一定程度上还可以增加随机性） 参考1 参考2 参考3 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn
73920编辑于 2022-08-03 采样
采样的作用： 采样的本质是对随机现象的模拟，根据给定的概率分布，来模拟产生一个对应的随机事件。采样因此可以让人们对随机事件及其产生过程有更直观的认识。 比如，通过二项分布采样，可以模拟抛硬币出现正面还是反面，这个随机事件，进而模拟产生一个多次抛硬币出现的结果序列，或者计算多次抛硬币后出现正面的频率。 采样所得到的样本集本身也可以看作是一种非参数模拟，即用较少量的样本点来近似总体分布，并刻画总体中的不确定性。从这个角度来说，采样也是一种信息降维，可以用于模型训练，在总体分布有无穷多个点的情况下。 对当前数据进行重采样，如自助法和刀切法，可以充分利用已有数据，挖掘更多信息，可以通过多次重采样来估计统计量的偏差，方差等。 而且还可以通过重采样，可以保持特定的信息下，有意识地改变样本分布，以更适应后续模型训练和学习。例如用重样本来处理分类模型的训练样本不均衡问题。
37610编辑于 2024-09-10- 来自专栏全栈程序员必看
过采样和欠采样_欠采样有几种情况
一、采样定理 只要采样频率高于信号最高频率的两倍，就可以从采样信号中恢复出原始信号。 二、过采样和欠采样 1、采样频率高于信号最高频率的两倍，这种采样被称为过采样。 2、采样频率低于信号最高频率的两倍，这种采样被称为欠采样。 三、基带信号和频带信号的采样 1、对基带信号进行欠采样是无法从采样信号中恢复出原始信号的，因此基带信号的采样都是过采样。 2、对频带信号进行采样可以是过采样，也可以是欠采样。只要保证采样频率高于原始信号带宽的两倍，就可以从欠采样信号中恢复出原始信号。 “低通采样定理”可简称“采样定理”在进行模拟/数字信号的转换过程中，当采样频率fs.max大于信号中最高频率fmax的2倍时(fs.max>=2fmax)，采样之后的数字信号完整地保留了原始信号中的信息 “低通采样定理”可简称“采样定理”在进行模拟/数字信号的转换过程中，当采样频率fs.max大于信号中最高频率fmax的2倍时(fs.max>=2fmax)，采样之后的数字信号完整地保留了原始信号中的信息
5K50编辑于 2022-11-01 - 来自专栏Java架构师必看
python 下采样和上采样
前言 由于工作数据量较大，训练模型很少直接单机python，一般都采用SparkML，最近把SparkML的工作使用python简单的写了一下，先写个上下采样，最终目的是为了让正负样本达到均衡（有人问： /test.csv') # 获取正样本的数量 z = data[data['label'] == 1] # 获取负样本的数量 f = data[data['label'] == 0] 上采样 就是不断复制样本少的数据达到和样本多的数据平衡 frac = int(len(f) / len(z)) # 创建一个数据结构和之前一致，但空的dataframe zcopy = z.iloc[0:0].copy() # 上采样就是复制少量的样本直到和多量的达到平衡 = frac: zcopy = zcopy.append(z) sample_data = pd.concat([zcopy,f]) 查看采样的结果： 下采样 下采样就是从多量的样本中抽取一部分数据直到和少量的样本达到平衡 利用dataframe的sample方法 frac = float(len(z) / len(f)) # 下采样就是从多量的样本中抽取一部分数据直到和少量的样本达到平衡 sample_data = pd.concat
1.7K10编辑于 2022-06-06 - 来自专栏全栈程序员必看
图像降采样原理_降采样滤波
from=search&permalink=1cb3111d_6ee9587 1、先说说这两个词的概念： 降采样，即是采样点数减少。 对于一幅N*M的图像来说，如果降采样系数为k,则即是在原图中 每行每列每隔k个点取一个点组成一幅图像。降采样很容易实现. 升采样，也即插值。对于图像来说即是二维插值。 2、实现 其实在matlab中自带升采样函数(upsample)和降采样函数(downsample)，读者可以查找matlab的帮助文件详细了解这两个函数。 % 输入：采样图片 I, 升采样系数N % 输出：采样后的图片Idown % author:gengjiwen date:2015/5/10 %======= % 输入：采样图片 I, 降采样系数N % 输出：采样后的图片Idown % author:gengjiwen date:2015/5/10 %=======
2.6K10编辑于 2022-09-20 - 来自专栏谓之小一
MCMC采样和M-H采样
下面，我们来总结下MCMC的采样过程 ? 上述过程便是MCMC采样理论，但很难在实际应用，为什么呢? 因为α可能非常小，比如0.1，导致大部分采样值都被拒绝转移，采样效率很低。 可能我们采样可上百万次，马尔科夫链还没有收敛。实际应用中，我们可以通过M-H采样方法进行采样。 3.M-H采样 M-H采样解决了MCMC采样接受率过低的问题，我们首先回到MCMC采样的细致平稳条件 ? 采样效率过低的原因是α(i,j)太小，比如0.1，α(j,i)为0.2，即 ? 通过上述的转换，我们便可在实际应用中使用M-H算法进行采样，M-H采样算法过程如下所示 ? 4.M-H采样总结 M-H采样解决了使用蒙特卡罗方法需要的任意概率分布样本集的问题，因此在实际生产环境中得到广泛应用。
1.3K20发布于 2019-08-14 - 来自专栏工程师看海
过采样系列一：采样定理与过采样率
采样速率是ADC重要参数之一，围绕采样速率，有一条著名的定理：奈奎斯特采样定理。 采样定理： 只要采样频率大于或等于有效信号最高频率的两倍，采样值就可以包含原始信号的所有信息，被采样的信号就可以不失真地还原成原始信号。 为方便介绍，我们统称之为采样定理。 在详细介绍采样定理之前，我们一定要知道一个非常有趣的频率现象：‘任何模拟信号，在离散化后，在频率上都会按照采样率周期性延拓。’ 而这里面就隐含着著名的采样定理。 同样的，我们从时域和频域分别看下采样定理的理解。 采样定理与过采样率 上文中的fa是信号的带限（信号的最大频率范围），2*fa是采样定理的基本要求；M*2*fa中，M就是过采样率，过采样率是对‘采样定理的最低采样频率’而言的。
3.2K30编辑于 2022-06-23 - 来自专栏谓之小一
Gibbs采样
在MCMC采样和M-H采样中，我们讲到M-H采样已经可以很好的解决蒙特卡罗方法需要的任意概率分布的样本集问题。 2.二维Gibbs采样 根据上面提到的状态转移矩阵，我们就可以得到二维Gibbs采样，这个采样需要两维度之间的条件概率，具体过程如下 ? 用下图可以直观的看出，采样是在两个坐标轴上不断变换的。 当然，坐标轴轮换不是必须的，也可以每次随意选择一个坐标轴进行采样。 ? 3.多维Gibbs采样 ? 4.Gibbs采样总结 由于Gibbs采样在高维特征时的优势，目前通常意义上的MCMC采样都是用Gibbs采样。 Gibbs采样要求数据至少有两个维度，一维概率分布的采样无法用Gibbs采样实现，这时可以用M-H方法采样。
92940发布于 2019-08-14 - 来自专栏图像处理与模式识别研究所
均值采样
import numpy as np image=data.coffee() print(image.shape)#显示图像原始大小 print(type(image))#显示图像类型 ratio=20#设置采样比率 k in range(image1.shape[2]): delta=image[i*ratio:(i+1)*ratio,j*ratio:(j+1)*ratio,k]#获取需要采样的图像块 image1[i,j,k]=np.mean(delta)#计算均值，并存入结果图像 plt.imshow(image1)#打印采样后的图像 plt.show() 算法：均匀采样是对图像空间位置的数字化 根据所需分辨率MxN，将图像均匀分为MxN块，然后对每个图像块，使用采样函数S，求得其采样结果值。常用的采样函数是求区域平均值。 然后再对一维扫描线信号按一定间隔采样得到离散信号，即按先沿垂直方向采样，再沿水平方向采样这两个步骤完成采样操作。
63010编辑于 2022-05-28 - 来自专栏技术圈
Gibbs采样
版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。
86010发布于 2019-08-21 - 来自专栏图像处理与模式识别研究所
上下采样
import cv2 o=cv2.imread('C:/Users/xpp/Desktop/Lena.png')#原始图像 down=cv2.pyrDown(o)#图像进行向下采样 up=cv2.pyrUp (down)#图像进行向上采样 diff=up-o#构造diff图像，查看up与o的区别 print("o.shape",o.shape) print("up.shape",up.shape) cv2. ，尺寸变为原来的4倍；向下采样后，尺寸变为原来的1/4，一幅图像在先后经过向下采样和向上采样或者先后经过向上采样和向下采样，所得到的图像尺寸大小和原始图像一致。 =None, dstsize=None, borderType=None) src表示输入图像 dst表示输出图像 dsize表示输出图像的大小 borderType表示图像边界的处理方式 注意：向上采样和向下采样不是互逆运算 在经过两次采样后，得到的结果图像与原始图像的大小一样，但是二者的像素值不一样，无法恢复到原始状态。
99110编辑于 2022-05-28 - 来自专栏微卡智享
C++ OpenCV图像上采样和降采样
其通过梯次向下采样获得，直到达到某个终止条件才停止采样。金字塔的底部是待处理图像的高分辨率表示，而顶部是低分辨率的近似。我们将一层一层的图像比喻成金字塔，层级越高，则图像越小，分辨率越低。 ? 两者的简要区别：高斯金字塔用来向下降采样图像，而拉普拉斯金字塔则用来从金字塔底层图像中向上采样重建一个图像。 该函数执行采样步骤的高斯金字结构虽然它实际上可以用来构建拉普拉斯金字塔。首先，它下采样原图像的行和列，然后用相同的内核卷积的结果作为pyrdown()乘以4。 然后，它再下采样图像的行和列。 先上干货,演示效果 ? 代码里面我们通过了按键来控制效果图采用的上采样还是下采样 ? ? 执行效果 按了U键后效果 ? 按了D键效果 ? ---- -END-
2.3K10发布于 2019-07-24 - 来自专栏全栈程序员必看
运放电流检测采样电路电压采样电路
输入输出电压检测 输入输出电压通过运放LMC6482采用差分电路将输出电压按比例缩小至ADC能够采样的范围，再使用ADC采样，软件解算出输出电压。 输入电压采样是通过MCU内部运放按比例缩小在送到ADC进行采样的，具体电路如图3.5.1所示。输出电压检测电路如图3.4.1所示。 输出电流检测➢ 输出电流检测电路通过运放LMC6482采样差分放大电路实现；采样电阻放在低端，若采样电阻放在高端，会有较大的共模电压使采样电流不准确，采样电阻为10m，由于采样电阻较小，采样电阻上的压降较小 ，不利于直接采样，需要放大后再采样；输出电流检测电路如图3.4.2所示。 /R6； 而又有： V+ = I * R8； 所以有： I =V+ / R8 = VOUT * R6/(R3 + R6)/R8； 电流就这样转换出来了，调整好几个电阻的阻值，Vout 用单片机的ADC采样即可
6.6K31编辑于 2022-09-05 - 来自专栏机器学习算法原理与实践
MCMC(三)MCMC采样和M-H采样
MCMC(一)蒙特卡罗方法 MCMC(二)马尔科夫链 MCMC(三)MCMC采样和M-H采样 MCMC(四)Gibbs采样 在MCMC(二)马尔科夫链中我们讲到给定一个概率平稳分布$\pi 而只要解决这个问题，我们就可以找到一种通用的概率分布采样方法，进而用于蒙特卡罗模拟。本篇我们就讨论解决这个问题的办法：MCMC采样和它的易用版M-H采样。 1. M-H采样 M-H采样是Metropolis-Hastings采样的简称，这个算法首先由Metropolis提出，被Hastings改进，因此被称之为Metropolis-Hastings采样或 M-H采样 M-H采样解决了我们上一节MCMC采样接受率过低的问题。 Gibbs采样解决了上面两个问题，因此在大数据时代，MCMC采样基本是Gibbs采样的天下，下一篇我们就来讨论Gibbs采样。 （欢迎转载，转载请注明出处。
97750发布于 2018-08-14 - 来自专栏超级架构师
【工业控制系统】工业控制系统(ICS） 安全简介
定义什么是工业控制系统，它们为何如此重要，以及保护它们的独特挑战。 欢迎阅读关于工业控制系统 (ICS) 网络安全的多部分系列的第一部分：ICS 安全简介。 什么是工业控制系统？ 工业控制系统用于管理、指导和调节自动化工业过程的行为。ICS 是一个涵盖多种控制系统的术语，但所有这些系统都有一些共同的基本特征。 从恒温器到 SCADA 虽然远非复杂，但恒温器是大多数人都熟悉的简单控制系统的一个例子。它监控封闭空间内的温度，并打开加热或冷却装置以保持所需的温度。 很容易理解为什么工业控制系统是组织良好的威胁参与者进行网络攻击的最高价值目标之一。 虽然它们可以处理复杂的工业应用，但工业控制系统具有内在的简单性：它们控制着它们设计的过程，仅此而已。
2.5K21编辑于 2022-03-08 - 来自专栏AI智韵
YoloV8改进策略：下采样与上采样改进|下采样模块和DUpsampling上采样模块|即插即用
然而，为了不断追求更高的精度与更快的推理速度，我们在YoloV8的基础上进行了创新性改进，重点引入了先进的下采样模块和DUpsampling上采样模块。 为了克服这一局限，我们采用了DUpsampling模块来替代YoloV8中的上采样操作。DUpsampling通过一系列精心设计的卷积和特征重塑操作，实现了对特征图的高效上采样。 优点总结 精度提升：下采样模块和DUpsampling上采样模块的引入，使得YoloV8在特征提取和分割精度上实现了质的飞跃。 灵活性与可扩展性：下采样模块和DUpsampling上采样模块作为独立的模块，可以方便地与其他网络架构进行集成和扩展。这为YoloV8的后续研究和应用提供了更多的可能性。 综上所述，通过对YoloV8的下采样和上采样模块进行创新性改进，我们成功打造了一个既高效又精准的实时目标检测模型。
1.5K10编辑于 2024-10-22 - 来自专栏小工匠聊架构
Oracle优化07-分析及动态采样-动态采样
---- 07系列文章 Oracle优化07-分析及动态采样-直方图 Oracle优化07-分析及动态采样-DBMS_STATS 包 Oracle优化07-分析及动态采样-动态采样 ---- 动态采样Dynamic_sampling 这就是动态采样， 尽管看到动态采样的优点，但是它的缺点也是显而易见，否则 Oracle 一定会一直使用动态采样来取代数据分析： （ 1） 采样的数据块有限，对于海量数据的表，结果难免有偏差。 （ 2） 采样会消耗系统资源，特别是 OLTP 数据库，尤其不推荐使用动态采样。 ---- Level 3 采样的表包含满足 Level 2 定义的所有表，同时包括，那些谓词有可能潜在地需要动态采样的表，这些动态采样的数据块为默认数据块，对没有分析的表，动态采样的默认块为默认数据块的 动态采样发生在硬分析时，如果很少有硬分析发生，动态采样的意义就不大.
70020发布于 2021-08-16 - 来自专栏C++开发学习交流
【Matlab】简单控制系统建模（控制系统工具箱）
控制系统应用是MATLAB和Simulink的重点应用领域，它包括了被控对象建模、控制器设计、自动代码生成部署和系统验证全流程。 使用时域和频域中的超调、上升时间、相位裕度、增益裕度及其他性能和稳定性特性，以交互方式分析控制系统性能。 自动调节 PID、增益调度和任意 SISO 和 MIMO 控制系统。 例如，以下控制系统包含预处理 F、传递函数 G 和控制器 C，它们以单回路配置排列。该模型还包括反馈的表示形式 S。 开环响应：open_loop = S*G*C; 闭环响应：T = feedback(G*C,S); 将预处理 F也添加进来，构成整个闭环控制系统： Try = T*F; 构建完成后，可以使用“控制系统工具箱 例如，绘制整个系统的阶跃响应： stepplot(Try) 运行结果如下： 有了这些知识，就可以去创建自己要用的控制系统了。 以上。
92921编辑于 2024-07-24 - 来自专栏开源部署
代码版本控制系统
提交上去不合格，修改之后叫版本2，再修改叫版本3，以此类推，版本控制的工具有很多，从SVN、VSS、CVS、Clearcase到现在使用的比较多的git（注意这个git是本地的库，网络的库是github）等 版本控制系统变迁 本地版本控制系统（CVCS） 许多人习惯用复制整个项目目录的方式来保存不同的版本，或许还会改名加上备份时间以示区别。 为了解决这个问题，人们很久以前就开发了许多种本地版本控制系统，大多都是采用某种简单的数据库来记录文 件的历次更新差异。 集中式的版本控制系统 只有一个中央数据仓库 ，如果中央数据仓库挂了或者不可访问 ，所有的使用者无法使用SVN ，无法进行提交或备份文件。
1.4K10编辑于 2022-09-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号