傅里叶变换及应用(下)
本部分为傅里叶变换及应用(下),我们接着小小收藏夹(I)一文中傅里叶变换及应用(上)部分继续我们关于傅里叶变换及其应用的学习。
-
时延性,尺度变化,卷积;主要介绍傅里叶变换的若干性质。
- Delay;A shift in time corresponds to a phase shift in frequency.
Ff(t−b)=∫∞−∞e−2πistf(t−b)dt=∫∞−∞e−2πis(u+b)f(u)du=e−2πisb∫∞−∞e−2πisuf(u)du=e−2πisbFf(t)
- Stretch;(以下仅给出当a>0时的情形,a的正负会影响积分上下限)
Ff(at)=∫∞−∞e−2πistf(at)dt=1a∫∞−∞e−2πi(s/a)uf(u)du=1aFf(sa)
- Convolution; Ff(t)Fg(x)=(∫∞−∞e−2πistf(t)dt)(∫∞−∞e−2πisxg(x)dx)=∫∞−∞∫∞−∞e−2πiste−2πisxf(t)g(x)dtdx=∫∞−∞(∫∞−∞e−2πis(t+x)f(t)dt)g(x)dx=∫∞−∞(∫∞−∞e−2πisuf(u−x)du)g(x)dx=∫∞−∞(∫∞−∞f(u−x)g(x)dx)e−2πisudu=Fh(u)=F(∫∞−∞f(u−x)g(x)dx)
访谈
- LinkedIn高级分析师王益:大数据时代的理想主义和现实主义(图灵访谈);个人觉得读过之后觉得很受用的一篇文章,从事机器学习相关学习和工作的朋友可以看看。
算法
- Rocchio_classification;一种非常经典的文本分类算法,能够在用户查询时根据用户相关度反馈对Query向量进行调整,以使得搜索引擎返回的文档与搜索词间相关度更强。(Relevance Feedback)
深入了解机器学习
硕士生涯马上就要开始了,在硕士阶段开始之前,想对机器学习相关知识有一个更为深入的了解。
-
Beta/Dirichlet分布。贝叶斯方法为了简化计算量,在计算Posterier时均采用了Conjugate Prior,而Beta/Dirichlet分布则是最为常见的Conjugate Prior.以下几个文章都灰常不错,建议阅读;
-
Gamma函数递归性质的证明;
Γ(x+1)=∫∞0txe−tdt=−∫∞0txde−t=[−txe−t]∞0+∫∞0e−txtx−1dt=xΓ(x)
Comment