原创 三大牛人看外國文獻的方法

1.牛人一 (從phd 到現在工作半年,發了12 篇paper, 7 篇first author.)我現在每天還保持讀至少2-3 篇的文獻的習慣.讀文獻有不同的讀法.但最重要的自己總結概括這篇文獻到底說了什麼,否則就是白讀,讀的時候好像什

原创 降採樣,過採樣,欠採樣,子採樣,下采樣

降採樣,過採樣,欠採樣,子採樣,下采樣 http://blog.sina.com.cn/s/blog_4b146a9c0100sg57.html 降採樣:2048HZ對信號來說是過採樣了,事實上只要信號不混疊就好(滿足尼奎斯特採樣

原创 對 MMSE 估計器與 Kalman 濾波器的理解

對 MMSE 估計器與 Kalman 濾波器的理解 通常說 Kalman Filter (KF) 是線性動力學模型下的最優估計器,這一說法應當如何解釋?或者更基本的,KF 的理論基礎是什麼?它和常用的低通濾波器 (LPF) 有什

原创 支持向量機通俗導論(理解SVM的三層境界)

       支持向量機通俗導論(理解SVM的三層境界) 鏈接:http://blog.csdn.net/v_july_v/article/details/7624837 作者:July 。致謝:plus

原创 支持向量機SVM-SMO算法

支持向量機(五)-SMO算法 鏈接:http://www.cnblogs.com/jerrylead/archive/2011/03/18/1988419.html 11 SMO優化算法(Sequential minimal opt

原创 OFDM優缺點

OFDM技術的主要優缺點 OFDM除了能夠有效抑制和消除由於信道的時延擴展引起的頻率選擇性衰落、具有較高的頻譜利用率和容易實現調製解調外,還存在以下主要優點: 1.無線數據業務一般都存在非對稱性,即下行鏈路傳輸的數據量要遠遠大於上行鏈路

原创 (C++)i++和++i,哪個效率高一些

鏈接:http://www.cnblogs.com/AndyJee/p/4550391.html 在看《程序員面試筆試寶典》時,發現了這樣一個問題,書中只給出了++i的效率高一些,但並沒有給出具體的解釋和說明。 在網上找到下面的答案

原创 OFDM中的信道估計Channel Estimation

無線OFDM系統中的信道估計 一、OFDM系統通常有相干OFDM系統和非相干OFDM系統之分。 1.非相干OFDM系統 如果發射端使用差分編碼,傳輸的信息調製到子載波間的變化中,接收端可以使用不需要信道狀態信息CSI(Channel S

原创 通信類頂級會議及期刊

  通信類權威會議,A類會議:本學科最頂尖級水平的國際會議; B類會議:學術水平較高、組織工作成熟、按一定時間間隔系列性召開的國際會議。A類會議(序號不表示優先順序)序號/英文名稱/英文簡稱/中文名稱/備註1    IEEE Intern

原创 Advice for New Graduate Students

Advice for New Graduate Students https://freedom-to-tinker.com/2010/09/27/advice-new-graduate-students/ [Ed Felte

原创 管理學十大經典定理

管理學十大經典定理 一、 素養        藍斯登原則:在你往上爬的時候,一定要保持梯子的整潔,否則你下來時可能會滑倒。    提出者:美國管理學家藍斯登。    點評:進退有度,纔不至進退維谷;寵辱皆忘,方可以寵辱不驚。    

原创 交叉驗證(Cross Validation)簡介

鏈接:http://blog.csdn.net/holybin/article/details/27185659 一、訓練集 vs. 測試集 在模式識別(pattern recognition)與機器學習(machine lea

原创 通信類會議期刊排名

1.頂級conference and workshops:ACM sigcomm ==mobicom==Hotnets>mobihoc==sigmetrics>Infocom==Sensys==IPSN==ICNP其中==表示約等於。排

原创 How to Do Great Research-Managing Your Advisor

How to Do Great Research Grad school survival advice from Nick Feamster and Alex Gray Managing Your Advisor Poste

原创 交叉驗證(Cross Validation)簡介

鏈接:http://blog.csdn.net/holybin/article/details/27185659 一、訓練集 vs. 測試集 在模式識別(pattern recognition)與機器學習(machine lea