数学期望、方差和协方差
# 一、数学期望 E (x)
数学期望简称期望或均值,它是随机变量取值的平均值,数学期望的计算公式为
离散型:
E(X)=∑ixipiE\left ( X \right ) =\sum_{i}^{} x_{i}p_{i}
E(X)=i∑xipi
连续型:
E(X)=∫−∞+∞xf(x)dxE\left ( X \right ) =\int_{-\infty }^{+\infty } xf\left ( x \right ) dx
E(X)=∫−∞+∞xf(x)dx
数学期望的性质
性质 1:设 c 是常数,则E(c)=cE(c)=cE(c)=c
性质 2:设 X 是随机变量,c...
more...
格拉姆矩阵判据
# 一、格拉姆矩阵判据
对于线性时不变系统
X=Ax+BuY=Cx+Du\begin {array}{c} X=Ax+Bu\\
Y=Cx+Du\end {array}X=Ax+BuY=Cx+Du
系统完全能控的充分必要条件是对于任意时刻 t>0,都有n×nn\times nn×n 维可控性格拉姆矩阵非奇异(不可逆)
Wc=∫0∞eAτBBTeATτdτW_{c}=\int_{0}^{\infty } e^{A\tau }BB^{T}e^{A^{T}\tau }d\tau
Wc=∫0∞eAτBBTeATτdτ
系统完全能观的充分必要条件是对于任意时刻...
more...
奇异值分解(SVD)
# 一、特征值分解
首先根据特征值与特征向量的定义有Ax=λxAx=λxAx=λx,其中 x 是一个 n 维向量,则我们说 λ 是矩阵 A 的一个特征值,x 是矩阵 A 的特征值 λ 所对应的特征向量,一个矩阵的一组向量是一组正交向量 Q。 特征值分解是将一个矩阵分解成下面的形式:
A=QΣQ−1A=Q\Sigma Q^-1
A=QΣQ−1
# 二、奇异值分解(SVD)
SVD 也是对矩阵进行分解,但是和特征分解不同,SVD 并不要求矩阵为方阵。假设我们的矩阵 A 是一个 m×n 的矩阵,那么我们定义矩阵 A 的 SVD 为:
A=UΣV−1A=U\Sigma V^-1
A=UΣV−1
其中...
more...
使用stm32cubemx新建工程
参考视频:https://www.bilibili.com/video/BV18X4y1M763/?p=15&vd_source=9aecb3bd1c938623930433f860f4a555
# 一、新建工程
点击 ACCESS TO MCU SELECTOR (如红框所示)
在搜索框内输入所需要的芯片型号,在右边搜索结果中双击自己的板子型号,这里我们使用的是 stm32f103zet6
# 二、一些必要的工作
选择 system core 中的 RCC ,将 High Speed Clock(HSE) 定义为 Crystal/Ceramic Resonator
选择...
more...
Github+Hexo+shoka主题搭建个人博客
# 一、git、node.js 与 Hexo 的安装
参考文章:https://zhuanlan.zhihu.com/p/102592286
git 安装
进入 git 官网,进行 git 的安装,自行百度安装教程即可,安装完成后可在命令行运行 git –version 命令,若出现如下图片,则可确定 git 安装成功
node.js 安装
进入 node.js 官网,进行 node.js 安装,自行百度安装教程即可,安装完成后可在命令行运行 node -v 和 npm -v 命令,若出现如下图片,则可确定 node.js 安装成功
Hexo 安装
首先在 C...
more...