一、什么是阻抗匹配   阻抗匹配是微波电路设计领域中必不可少的一部分。在一段微波传输线上，电压与电流的比值称为特性阻抗；在传输线的终端，即负载两端，电压和电流的比值就等于负载阻抗。当负载阻抗与特性阻抗不同时，传输线上的电压电流与负载上的电压电流不连续，此时，就会产生一部分反射波。当负载阻抗等于特性阻抗时，便不会产生反射，负载吸收全部能量。   阻抗匹配的目的便是使得某一段传输线的特性阻抗等于等效的

一、什么是RFPA   射频功率放大器(radio frequency power amplifier，RFPA)，是通信系统中必不可少的一部分，它位于发射机的末端，其作用是放大调制后的信号，将其输送到天线并馈送到空中。由于空间中电磁波会发生损耗，因此射频功率放大器的性能直接决定着通信距离的远近。 二、RFPA的设计步骤   这个系列的文章我们将使用ads软件设计RFPA并完成其工作特性的仿真，设

一、为什么需要分析稳定性   我们知道，在高频电路中，所有元件都会表现出不同程度的容性和感性。容性的元件会因其两端的交变电压而快速充放电，从而产生周期性的电流，而感性元件可以根据通过自身周期性变化的电流产生感应电动势。对于微波电路也是如此，在周期性的电压作用下，微波电路中的容性元件会产生周期性的交变电流，从而使得感性元件产生额外地感应电动势，再反过来作用于容性元件，从而引起电路振荡。射频功率放大器

一、问题背景   随着我国人口老龄化问题的日益加重以及独居老人数量的日益增加，无人监管情况下老人摔倒导致的死亡案例也在日益增加，一款非可穿戴被动式的摔倒检测工具成为必要以保证老人的安全。随着Wi-Fi设备的日益普及，使用Wi-Fi来进行摔倒检测可以大大地降低我们的研制成本，而且相比于其他相应的可穿戴设备，不会对老人的生活便利性产生任何影响，而且老人们不用刻意地穿戴专门的设备，实现随时随地的摔倒检测

一、贝叶斯分类算法介绍   按照贝叶斯的理论，我们在判断一个事物有多大可能性发生时，是基于两个概率来进行的，一个是先验概率，另一个是类的条件概率。举个简单的例子，当你想要判断同事今天中午会不会吃鸡排饭，如果我们已经知道，鸡排饭相比于其他饭菜是最美味的，那么先验概率就与午饭的美味程度有关。而类的条件概率就是在我们已经知道鸡排饭最美味的条件下，同事吃鸡排饭的概率。这样，我们可以通过统计同事最近一段时间

  Hello 各位小伙伴，上篇文章我们展示了如何进行CSI数据的导入，本文我们正式开始我们数据处理环节。实际测试得到的数据都是‘脏’的，不能直接使用，必须用数学方法进行‘清洗’才能继续使用。所以本文讲述如何将最明显的噪声滤除掉-Hampel.   由于商用WiFi设备的硬件缺陷以及环境中的电磁干扰以及不可避免的白噪声导致原始的CSI数据有很多噪声成分，这些噪声后续会严重影响我们进行摔倒特征的提取

一、前言   我们在之前的一篇文章中简单介绍了关于贝叶斯分类器的原理以及二分类的Matlab实现，这篇文章开始，我们将对贝叶斯分类器进行一个完整的剖析。本篇文章我们介绍统计决策方法和概率密度估计。   统计决策方法是基于概率论和数理统计的一种模式识别方法，主要方法有Bayes决策、聚类分析等。我们之前那篇文章介绍的是最小错误率Bayes决策，它使用类的条件概率和先验概率的乘积作为判别函数，将样本归

一、前言   在之前的一篇文章贝叶斯分类器之统计决策方法和概率密度估计中，我们介绍了统计决策方法以及贝叶斯分类的概率密度估计，这篇文章，我们将使用之前介绍的概率密度的几种方法，进行实战，并观察它们之间的差别。 二、使用参数估计方法   这一部分，我们已经在之前的一篇文章《贝叶斯二分类算法的实现》中实现了，下面只贴出代码以及运行结果。 源代码： file_name='2-Class data.mat

一、从二分类到多分类   我们可以回顾一下进行二分类决策的流程：首先估计每一类的先验概率，然后使用参数估计方法或者非参数方法估计待决策样本对于每一类的条件概率密度，将先验概率和类的条件概率密度的乘积作为判别函数，比较两类相应的判别函数，将待决策样本归类到判别函数较大的一类中。多分类决策方法可以从二分类的方法中推广而来。和二分类方法类似，先估计所有类别对应的先验概率，然后估计待决策样本对于每一类的条

一、前言   在之前的文章中，我们已经实现了使用参数估计类的条件概率密度来进行多分类，这篇文章，我将继续使用非参数估计方法，并与参数估计方法的效果进行对比，以及对之前所有的算法进行一个性能方面的总结。本篇将是这个系列最后一篇文章。 二、使用非参数估计方法进行多分类   与参数估计方法类似，只不过在估计类的条件概率密度时使用相应的非参数估计方法。此外，还需要对数据进行适当缩放，防止运算溢出。 a.

一、前言   之前的一系列文章中，我们介绍了Bayes分类器。使用Bayes决策进行分类时，需要确定类的条件概率密度，其形式往往很难确定，即使使用非参数估计，也需要大量样本。所以使用Bayes决策时程序运行耗时长、效率低。我们能不能不使用类的条件概率等概率值作为判别函数，而是根据样本直接设计判别函数呢？答案是肯定的，我们在解决实际问题时，首先给定判别函数的形式，然后根据样本确定判别函数中的未知参数

一、什么是Fisher判别   Fisher线性判别给模式识别问题提供了一个新思路，与Bayes决策以及其他的决策方法直接处理高维问题不同，Fisher线性判别是将d维数据投影到1维空间进行分类。因此，使用Fisher线性判别进行分类就可以归结为寻找最佳投影方向的问题，在这个最佳投影方向上，样本的投影能够分开得最好。   如图，将二维平面中的数据投影到一条直线上之后，分类问题就简单很多，我们只需要

  由于巴特沃斯滤波器具有通频带内最平坦的特性，且在正频率范围内是随频率升高而单调下降的，3DB不变特性等等优良特性使得巴特沃斯滤波器是在数字信号处理中最常用的滤波器之一。所以我们在考虑降噪时首先考虑巴特沃斯低通滤波器。   在使用Butterworth 低通滤波器之前我们简单介绍一下数字滤波器的原理。   首先输入和输出都是数字信号，通过特定的数学算法或者运算关系或是一种数字式处理设备，改变按输

1小波变换的特点及适用性   相较于传统去噪声方法，小波去噪的原理简单，计算速度快。因为有离散小波变换的快速计算方法。所以在这种实时性要求较高的检测系统中更适合使用。由于小波变换的基函数是有尺度区分的，所以其时域和频域分辨率都是可调的，根据使用者对信号分析的要求进行参数的选择和调节。从性能上来说小波去噪很好的保留了信号的原始特征，在滤除噪声后能很好地凸显信号的特征方便后续提取摔倒信息。 2小波变换

一、神经元和大脑   我们最终的目的，就是要创造一个机器，这个机器可以通过对真实世界的学习，从而可以独立地完成所有人类可以完成甚至是不能完成的任务。其实这个机器已经存在，那就是人类的大脑。我们为何不从人类的大脑开始研究，通过模仿大脑的学习过程，实现真正的人工智能。   这个概念很早就被科学家们提出来了，这也就是我们本篇文章要讨论的内容。在讨论神经网络之前，我们可以先从神经元开始。大脑强大的神经网络

一、BP神经网络简介   在上篇文章中，我们介绍了神经网络算法的由来，以及神经网络单元——神经元的Matlab实现。前面也提到过，大脑的学习行为其实就是大脑感知到的信号与大脑记忆之间的差异使得神经元结构发生改变的过程。BP神经网络的原理便是如此。首先，BP神经网络由多个神经元组成，如图所示： 同单个神经元一样，每个神经元都有输入和输出，每个神经元的每个输入都有对应的权值w，数据传入神经元的时候还

一、问题描述   在使用计算机解决实际问题时，我们通常将一个问题用数学方法表示为一个函数描述，通常我们期望得到的是一个函数在一定取值范围内的最值或者极值，例如最大利润或是最大质量。然而由于实际问题的复杂性，我们所抽象出来的函数模型往往不是单变量函数，更多的是二元甚至多元函数。为了更清楚简洁地展示和表达，我们以一个生活中最常见的由三角函数和幂函数组成的二元函数为例。例如利润与广告曝光率x（0<

  上一篇文章我们介绍了遗传算法的基本原理，本节我们介绍如何在matlab中实现遗传算法。 三、实验环境 Matlab R2017b： 四、问题分析 4.1设定参数   其中突变概率指的是某个个体的染色体发生突变的概率。因为实际中并不可能每一个个体都会发生变异，而是存在一定的概率，因此我们在这里定义每一个个体突变发生的概率为0.05。   同理，交叉概率指的就是某个个体与另一个个体发生染色体交

  编写完基本的代码流程后，本节我们进行代码的调试，并分析在不同参数下的结果分析比对。 五、解决过程 5.1 main function: 5.2算法复杂度分析：   以lastmax（N = 1000; N_chrom = 2;iter = 2000;mut = 0.05; acr = 0.8; best = 1;）为例，采用代码运行时间和函数调用次数模糊反应算法复杂度： 六、实验结果

一、前言   在之前的文章中，我们已经接触了一些分类器，在使用这些分类器的时候，我们直接将数据集作为输入，虽然能够达到不错的分类效果，但是程序耗时普遍较高，尤其是多分类任务。毕竟我们使用的数据集维数为190，也就是说我们的数据集中每个数据都有190个特征。聪明的读者可能会想，这190个特征缺一不可吗？我们能不能只使用其中的个别特征就实现性能不错的分类器呢？答案当然是可以，本篇文章开始，我们将介绍数