目录1先说结论：2Σ几何分布的P(x=n)= P(n次试验至少成功1次)2.1几何分布的概率2.2 这个是可以证明的，下面是推导过程2.3怎么理解呢？3 另外，P(累计成功k次)=ΣP(成功k次的二项分布)3.1 成功k次的概率和累计成功k次概率3.2成功k次的概率和 至少累计成功k次概率3.3 这个不需要像上面需要证明，是不言自明的4 各种概率5应用，暂缺，以后再补吧1先说结论：结论1：Σ几何分布的P(x=n)= P(n次试验至少成功1次) ΣP前n-1次失败最后1次成功(x=n)=P(n次试验至少成功1次)结论2：P(累计成功k次)=ΣP(成功k次)2Σ几何分布的P(x=n)=
1正态分布的参数musigma为数据本身的均值m和标准差，即方差v的根sqrt(v)。2对数正态分布参数mu和sigma，与数据本身均值m和方差v之间存在如下关系：利用如下MATLAB代码，对上述关系进行了验证。clcclearcloseall%----------------------------生产随机数-----------------------------%%对数正态分布随机数mu=1;sigma=0.3;a=lognrnd(mu,sigma,1000,1);%MATLAB采用的是自然对数，即a=e^b%将数据求自然对数，判断是否服从正态分布b=log(a);%----------
主要是想大致了解Sigma-deltaADC是怎么工作的，写了个乱七八糟的代码来简单看下。很粗略的解释，主要给自己参考。SARADCsuccessiveapproximationregisteradc，简单理解为一个采样开关和采样电容。采样开关定时闭合，忽略暂态，则采样电容上的电压等于采样开关闭合时刻的输入电压。因此理想的SARADC相当于一个采样开关，把连续的输入信号变成了离散的采样结果。或者，另一种画图的方法，就是说，[n*Ts,(n+1)*Ts]期间的采样结果恒定为Vin(n*Ts)Sigma-deltaADC核心是sigma-delta调制，如下图。1-bitDAC的输出只有两种电压，
主要是想大致了解Sigma-deltaADC是怎么工作的，写了个乱七八糟的代码来简单看下。很粗略的解释，主要给自己参考。SARADCsuccessiveapproximationregisteradc，简单理解为一个采样开关和采样电容。采样开关定时闭合，忽略暂态，则采样电容上的电压等于采样开关闭合时刻的输入电压。因此理想的SARADC相当于一个采样开关，把连续的输入信号变成了离散的采样结果。或者，另一种画图的方法，就是说，[n*Ts,(n+1)*Ts]期间的采样结果恒定为Vin(n*Ts)Sigma-deltaADC核心是sigma-delta调制，如下图。1-bitDAC的输出只有两种电压，
24BitΣ-ΔADC——AD7124的多通道初始化配置一、前言二、ADC寄存器介绍1.配置寄存器2.滤波寄存器3.偏置寄存器4.增益寄存器5.诊断寄存器三、通道与CONFIG_x的映射多对1映射1对1映射混合映射四、实验数据一、前言AD7124是目前常用的一种24位ADC，在全功率模式、9.4SPS的速率、gain=128的状态运行，均方根（rms）可达到23nV；信号误差在±10uV左右，单片价格在￥135~150，对于测控仪器中采集芯片的选型来说，该芯片价位处于中端层面，性价比较高。AD7124的引脚排布、硬件SPI的驱动方式我已经在上一篇文章发布过，这里不再做过多赘述，链接如下：使用s
我正在使用scikit-learn包中的截断SVD。在SVD的定义中，原始矩阵A近似为乘积A≈UΣV*其中U和V具有正交列，Σ是非负对角线。我需要得到U、Σ和V*矩阵。看源码here我发现V*在调用fit_transform后存储在self.components_字段中。是否可以得到U和Σ矩阵？我的代码:importsklearn.decompositionasskdimportnumpyasnpmatrix=np.random.random((20,20))trsvd=skd.TruncatedSVD(n_components=15)transformed=trsvd.fit_tra
我正在使用scikit-learn包中的截断SVD。在SVD的定义中，原始矩阵A近似为乘积A≈UΣV*其中U和V具有正交列，Σ是非负对角线。我需要得到U、Σ和V*矩阵。看源码here我发现V*在调用fit_transform后存储在self.components_字段中。是否可以得到U和Σ矩阵？我的代码:importsklearn.decompositionasskdimportnumpyasnpmatrix=np.random.random((20,20))trsvd=skd.TruncatedSVD(n_components=15)transformed=trsvd.fit_tra
目录一、理论基础二、核心程序三、测试结果一、理论基础 Sigma-DeltaADC是一种目前使用最为普遍的高精度ADC结构，在精度达到20位以上的场合，Sigma-Delta是必选的结构。通过采用过采样、噪声整形以及数字滤波技术，降低对模拟电路的设计要求，实现了其他类型的ADC无法达到的高精度和低功耗。通常情形下，各种类型ADC的精度与速度关系如图1所示。 Sigma-DeltaADC的运作过程，就是把待测信号Vin与参考电压（±Vref）之间的差值进行不断的累积并通过反馈令这个差值趋于零。实质上ADC就是除法器。Dout=（Vin/Vref）*2^n 一个分辨率为n位的A
我一直试图得到lognormal的结果使用Scipy分发.我已经有了Mu和Sigma，所以我不需要做任何其他准备工作。如果我需要更具体(并且我试图以我对统计数据的有限了解)，我会说我正在寻找累积函数(Scipy下的cdf)。问题是我无法弄清楚如何仅使用0-1范围内的平均值和标准差来做到这一点(即返回的答案应该是0-1的值)。我也不确定应该使用dist中的哪种方法来获得答案。我已尝试阅读文档并查看SO，但相关问题(如this和this)似乎没有提供我正在寻找的答案。这是我正在使用的代码示例。谢谢。fromscipy.statsimportlognormstddev=0.859455801
目录1. 二维随机向量(X,Y)的数学期望EX,EY2.二维随机向量函数z=g(X,Y)的数学期望EZ3.二维随机向量(X,Y)的方差DX,DY4.二维随机向量的性质（和、积的数学期望E与方差D）5.二维随机向量的协方差COV和相关系数ρ5.1协方差COV定义5.2协方差COV的性质 5.3相关系数ρ1. 二维随机向量(X,Y)的数学期望EX,EY离散形式和连续形式，求向量中的单个变量的期望： 2.二维随机向量函数z=g(X,Y)的数学期望EZ3.二维随机向量(X,Y)的方差DX,DY4.二维随机向量的性质（和、积的数学期望E与方差D）5.二维随机向量的协方差COV和相关系数ρ5.1协方差CO
