诚朴勇毅

原创 AD9854+STM32正弦波信号发生器

https://pan.baidu.com/s/1oBLHT23-HahRMiAKpZWaZQAD9854使用20M晶振，MCU为STM32F103ZET6，该程序可以在百度网盘免费下载。

原创 matlabR2013B许可证到期激活问题

我安装的Matlab R2013b在使用了不到两个月之后，一直提示要激活。本来想重新安装一个，后来找到了解决办法。在Matlab根目录的license文件夹里，下载以下链接的license.lic文件，替换原来的license.lic文件，重启Matlab即可。R2013a亲测有效。链接: https://pan.baidu.com/s/1mixMy84 密码: 3g59

原创 顺序存储结构的队列（C语言）

队列是一种特殊的线性表，它的特殊性体现在，它只能够从一段进，从另一端出，遵循先入先出的原则。这种独特的规则，可以运用在程序设计中的很多地方，非常的巧妙。下面，我用C语言来实现了循环队列。/*******************************************************************///描述：队列的顺序存储结构，该队列为循环队列，队列的创建，插入，

原创 pytorch深度学习-excle文件读取

深度学习有了网络，还得加载进来，读取进来。常用地方法就是用pandas包比如我们有个excel文件，名叫"test.xlsx"然后我们用panda包进行读取并且打出来可以发现这是一件很奇怪的事情，最左侧对每一行进行了标注序号，从0开始，并且它默认将第一行数据当作了表头，或者说列名。这是因为，pd.read_excel有一个默认的参数"header=0"，0表示第1行，我们可以发现python数据逻辑中的索引都是从0开始的。它自动给每一行每一列都添加了索引。

原创 适合一维信号时间序列分割与窗口检测的问题的深度神经网络架构

适用性：可直接处理一维信号，输出与输入同长度的时间标签（如“是否为RSW”）。改进方向：引入空洞卷积、残差连接，增强多尺度特征提取能力。适用性：编码器提取特征，解码器恢复时间分辨率，适合输出与输入等长的分割掩码。改进方向：在跳跃连接中引入注意力机制，提升对干扰区域的抑制能力。适用性：将信号分段为token，通过自注意力学习全局上下文，输出每个时间点属于RSW的概率。改进方向：轻量化设计（如Linformer、Performer），降低计算复杂度。适用性：适合时序动态变化明显的干扰场景。

原创 采用梯度下降法优化波形的自相关特性

ISL，积分旁瓣电平，ISL，英文全称为intergral sidelobe level，是衡量波形自相关函数旁瓣水平得指标。第一个子图是目标函数值的收敛曲线，第二个是优化后的波形的自相关函数对比图，可以看到，红色曲线为优化后的，整体的旁瓣电平都降低了。雷达发射波形的自相关特性越好，越能够形成良好的主瓣增益，越低的旁瓣电平，主瓣增益能够使得检测性能提升。可以看到经过波形优化后，ISL和PSL都有所下降，这证明了波形优化的有效性。这是优化后的自相关特性，其峰值旁瓣电平达到了-27.75 dB。

原创 积分旁瓣电平-matlab函数

这里生成了128位的随机相位编码波形，经过自相关后再做归一化，可以看到主瓣峰值为0dB，积分旁瓣的整体的平均水平再-25dB左右，峰值旁瓣电平为-16.88dB，与LFM信号的-13.2dB相比还是略低一点的。但是它不如LFM的旁瓣那么平滑，而是有很多凸起。

原创 优化算法入门-梯度下降法

但是有很多函数一阶导很复杂，一阶导数为0，很难解这个方程，还是得不到闭式解。所以就可以采用梯度下降法，我们这里用这个例子，仅仅时展示梯度下降法的工作流程。我们以一元二次函数为例子，进行动手实现，假设目标函数为。图中黑色三角形标记的为全局最优解，采用梯度下降法，

原创 雷达波形优化基础知识

可以看到，LFM的波形的ISL最高，为5.9dB，ISL越高，表示旁帮整体水平越高。而随机相位编码为-0.45。其物理意义是主瓣峰值与最高旁瓣的比值，通常用dB表示。ISL值越小，自相关函数的旁瓣的整体水平就越低。ISL的物理意义，就是所有距离旁瓣的总能量。，旁瓣集合中不包含0。处的值，定义距离维延迟的集合。它表示最高的旁瓣的幅度。时延处的取值，即主瓣。

原创 overleaf在线编译latex怎办编译中文

左上角选择“file”->“settings”，选择compiler。之后就可以顺利编译了。

原创 深度学习雷达信号参数估计

【代码】深度学习雷达信号参数估计。

原创 深度学习2-pyTorch学习-张量基本操作

可以发现，pytorch中的张量的索引默认是从0开始的，例如，我们取矩阵的第1行，就是tensor.[0,:]当然也可以不写冒号，那就是tensor[0]。其次我们可以发现，pytorch中对张量索引的格式是tensor[]，采用的是方括号，而不是matlab中的圆括号。pytorch的张量，默认的保存格式都是float型，例如，上面我们原始的张量的输入是整数，但最终打印出来的数都带着个小数点，这就在提示我们，它将数据作为浮点型进行了保存。加减乘求和，这些基本运算就是所有运算的基础，操作起来没什么说的。

原创 pycharm加载anaconda环境失败，无pytho解释器解决方案

后面的文件地址是灰色表示的，它正确的指向了python.exe文件，而这个文件就是anaconda配置好的虚拟环境后再env文件夹中生成的虚拟环境的文件夹，里面包含了这个exe文件。我理解的是这个python就是你最终编译程序的时候的python解释器。

原创 深度学习2-pyTorch学习-第一个神经网络

x.y 表示访问对象的属性y。x.y(z1,z2)，这表示调用对象x的方法y，并传入参数z1，z2。注意，这里的y是一个方法（函数）。# 当你想：# 1. 执行函数/方法 → 用括号# 2. 传递函数/方法本身 → 不用括号# 例子：func = torch.relu # 把relu函数赋值给func（不用括号）result = func(tensor) # 使用func计算（用括号）result2 = torch.relu(tensor) # 直接使用（用括号）

原创 Elsevier投稿系统编译latex文件参考文献显示为问号

第一次投稿我落了.cls文件，结果被编辑打了回来，说是无法编译；我承认是我粗心。第二次我仔细检查，在自己电脑上编译能提通，又用在线的overleaf编译器试了一下，也没问题，然后把所有的文件都上传了上去，结果2天后又被打了回来，编辑说参考文献无法编译，我下下来看了一下，文档内容没问题，就是参考文献都显示的是[?

原创 深度学习2-PyTorch基础-张量

PyTorch 基础PyTorch 是一个开源的深度学习框架，以其灵活性和动态计算图而广受欢迎。PyTorch 主要有以下几个基础概念：张量（Tensor）、自动求导（Autograd）、神经网络模块（nn.Module）、优化器（optim）等。

原创 深度学习1.5-pip命令学习

pip使用了安装、卸载、管理各种包的工具，我的理解是python只是一个基本的平台，我们要实现各种功能的时候还需要各种包，这些包就是别人造好的轮子，我们要快速的造汽车，而不是要从头开始造轮子。以上信息可知，这个包是用于浮点运算，它还给出来编写这个包的作者的名字和邮箱，这说明这些包是一些行业专家编写好之后共享给大家使用的。还有一个重要信息，就是包的依赖关系，上面显示这个包是sympy包所必须的，比如我安装了一扇车门，那这扇车门上需要门把手、车窗玻璃等其他包。它列出来了安装好的包的名字的和版本。

原创 深度学习1.4-pytorch安装

PyTorch 官方提供了几种安装方法，可以通过 pip 或 conda 进行安装。

原创 深度学习1.3-软件篇-2025Pycharm添加导入anaconda中虚拟环境的python解释器以及相关Error解决方案

首先用anaconda配置一个所需的环境，然后我们在pyCharm中的编辑好之后需要将之前配置的环境用作解释器。4. 如下图，环境导入成功！

原创 深度学习1.2-软件篇-Anaconda软件常见命令与使用

导出的.yml文件可以共享给团队成员，确保环境一致性。假如拷贝至默认为D:\Anaconda3\envs\myenv\（可修改）。激活环境后使用pip安装的包会自动添加到当前的conda环境中。win+R可以打开windows系统的命令行。配置为国内清华大学的源下载速度会比较快。

原创 深度学习1.1-软件安装-Anaconda软件与pyCharm软件安装

为了研究深度学习与信号处理的结合，我又开始搞起了深度学习，博一的时候浅试过一次都失败了，这次打算学习一下Pytorch和一些最新的网络，好好做几篇论文。首先就是搭环境。我先安装了一个Anaconda，从网上搜了一大堆，我的理解是，Anaconda就是一个包管理器，因为pythoh版本太多了，而且要装的包也很多，各种包之间容易产生冲突，为了杜绝这个问题，我们可以安装一个Anaconda，它就像一个虚拟机，可以创建不同的操作系统，我们创建的不同任务和工程可以跑在不同的环境下。

原创 CD算法相位编码信号设计

算法伪代码参考文献：Wang K, Xu J, Liao G, et al. Waveform design for detection and jamming integrated multifunctional radar [J]. Digital Signal Processing, 2026, 168: 105570.信号模型：信号模型部分的参考文献是SP上的一篇论文：Yang R, Su H, Jia C, et al. A robust waveform optimization me

原创 matlab构造带通巴特沃斯滤波器进行滤波

【代码】matlab构造带通巴特沃斯滤波器进行滤波。

原创 matlab编程实现脉冲数量计算

【代码】matlab编程实现脉冲数量计算。

原创 matlab绘图背景为透明

【代码】matlab绘图背景为透明。

原创 聚类分离度计算公式

【代码】【无标题】

原创 采用Otsu（最大类间方差法）大津算法进行信号检测

【代码】采用Otsu（最大类间方差法）大津算法进行信号检测。

原创 峰值检测方法

findpeaks高斯平滑预处理是一种常用的图像处理和信号处理技术，用于抑制噪声。在边缘检测的上下文中，我们通常使用高斯平滑来滤除高频噪声，同时尽量保留真实的边缘特征。

原创 多尺度自适应差分盒滤波

理论支撑：利用干扰切片的脉冲特性（陡峭边沿）与幅度波动的低频特性差异。self.scales = scales # 多尺度检测窗口。动态阈值：基于局部窗口（如50采样点）的极差自适应计算阈值。方案1：多尺度自适应差分盒滤波器（MS-ADBF）多尺度检测：小尺度捕捉锐利边沿，大尺度抑制幅度波动。

原创 脉内频率捷变LFM信号

可以看到，频率捷变之后旁瓣升高了。

原创 带约束的高斯牛顿法求解多音信号分离问题

将待估计参数定义为向量形式：$$$$

原创 小波变换检测信号突变位置

【代码】小波变换检测信号突变位置。

原创 word如何插入高清晰的matlab绘图

在matlab中画好的图另存为emf格式，保存到本地，然后在word中选择插图图片，注意不要复制粘贴。

原创 Latex公式排版，大括号cases环境使用

就是采用cases命令，它可以使用大括号包裹两行，且将条件对其，很方便，特此记录，供自己使用，也分享给给人参考。

原创 Latex参考文献中作者姓名显示为横线解决办法

从网上寻找原因，原来是因为有一篇参看文献的作者和这一篇一模一样导致的。

原创 恒虚警检测自适应门限计算方法

最近看到一篇文献，他给出的自适应门限计算方法效果还不错，特此记录。

原创 线性调频脉冲雷达信号的匹配滤波输出公式推导

原创 时域匹配滤波、频域匹配滤波以及自相关

上图可以看到经过脉压之后LFM信号被压缩成了一个尖峰。LFM信号的实部和匹配滤波器的实部是一样的。今天闲来无事，想看一下雷达信号匹配滤波的过程中匹配滤波器的时频特性。上面是频谱图，可以看大3者的带宽是一样的。假设，雷达发射的线性调频脉冲信号为。表示共轭，匹配滤波的频谱为。

原创 匹配滤波器的实现-时域卷积法和频域法

【代码】匹配滤波器的实现-时域卷积法和频域法。

原创 不同窗口宽度对应的短时傅里叶变换的结果

根据测不准原理，可知，时间窗越宽，频率分辨率越高，但是时间分辨率越低；时间窗越窄，频率分辨率越低，时间分辨率越高。下面给出一个例子，展示不同窗口宽度下的时频分布，窗函数统一采用hanning窗。图3 128点的时窗下时频分布。图4 256点的时窗下时频分布。图1 32点的时窗下时频分布。图2 64点的时窗下时频分布。