深入理解 LMS 算法：自适应滤波与回声消除

深入理解 LMS 算法：自适应滤波与回声消除

在信号处理领域，自适应滤波是一种重要的技术，广泛应用于噪声消除、回声消除和信号恢复等任务。LMS（Least Mean Squares）算法是实现自适应滤波的经典方法之一。本文将详细介绍 LMS 算法的原理，包括公式推导，并通过 Python 代码示例展示其在回声消除中的应用。我们还将介绍一些替代算法，比较它们的收敛效果。

收敛效果对比

注：本文参数没有详细调优，效果仅供参考
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

1. LMS 算法介绍

1.1 算法原理

LMS 算法的目标是通过最小化输出信号与目标信号之间的均方误差（Mean Squared Error, MSE）来调整滤波器的系数。我们可以定义以下信号：

  • 参考信号 x(n)：这是我们希望消除的回声信号（例如，来自扬声器的原始信号）。
  • 经过系统的信号 d(n)：这是通过扬声器和麦克风系统接收到的信号，通常包含了回声和噪声。
  • 估计信号 y(n)：这是自适应滤波器的输出信号，用于估计回声。
  • 残余回声 e(n)：这是输出信号与目标信号之间的误差，表示未能消除的回声部分。

1.2 公式推导

LMS 算法的目标是最小化以下均方误差：

E = E { [ d ( n ) − y ( n ) ] 2 } E = \mathbb{E}\{[d(n) - y(n)]^2\} E=E{[d(n)−y(n)]2}

其中，( y(n) ) 是由自适应滤波器生成的输出信号，可以表示为：

y ( n ) = w T ( n ) ⋅ x ( n ) y(n) = w^T(n) \cdot x(n) y(n)=wT(n)⋅x(n)

这里 ( w(n) ) 是滤波器的系数向量。

在每次迭代中，LMS 算法执行以下步骤：

  1. 计算输出：

y ( n ) = w T ( n − 1 ) ⋅ x ( n − 1 ) y(n) = w^T(n-1) \cdot x(n-1) y(n)=wT(n−1)⋅x(n−1)

  1. 计算误差：

e ( n ) = d ( n ) − y ( n ) e(n) = d(n) - y(n) e(n)=d(n)−y(n)

  1. 更新滤波器系数：

w ( n ) = w ( n − 1 ) + μ ⋅ e ( n ) ⋅ x ( n − 1 ) w(n) = w(n-1) + \mu \cdot e(n) \cdot x(n-1) w(n)=w(n−1)+μ⋅e(n)⋅x(n−1)

其中， μ \mu μ 是学习率，控制每次更新的幅度。

1.3 优缺点

优点：

  • 简单易实现，适合实时应用。
  • 能够在线学习，适应信号的变化。
  • 计算复杂度低，适合资源受限的环境。

缺点：

  • 收敛速度可能较慢，尤其在高噪声环境下。
  • 学习率选择不当可能导致不稳定。
  • 可能收敛到局部最优解，而非全局最优解。

1.4. LMS代码介绍

下面是使用 LMS 算法的 Python 示例，展示了如何通过输入信号和目标信号进行自适应滤波。

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
mu = 0.06  # 学习率
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化滤波器系数
order = 10  # 滤波器阶数
w = np.zeros(order)  # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号

# LMS算法迭代
for i in range(order, N):  # 从 order 开始迭代
    # 获取最近的 order 个输入样本
    input_samples = x[i-order:i]  # 当前输入样本

    # 计算输出
    y[i] = np.dot(w, input_samples)  # 使用权重和输入样本计算输出

    # 计算误差
    e[i] = d[i] - y[i]  # 计算误差信号

    # 更新滤波器系数
    w += mu * e[i] * input_samples  # 更新公式

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('LMS Algorithm with Transfer Function Example (Order 8)')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e * e, label='Error Signal rms(e)', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

2. 更好的替代算法

除了 LMS 算法，还有许多其他自适应滤波算法，它们在某些情况下可能表现得更好。以下是一些常见的替代算法及其特点。
是的，除了 LMS（Least Mean Squares）算法，还有许多其他自适应滤波算法，它们在某些情况下可能表现得更好。以下是一些常见的替代算法及其特点：

2.1. NLMS（Normalized Least Mean Squares）算法

  • 概述：NLMS 是 LMS 的一种改进版本，通过归一化输入信号的能量来调整学习率。这有助于提高算法的稳定性和收敛速度。
  • 优点：
    • 更加稳定，尤其是在输入信号能量变化较大的情况下。
    • 收敛速度通常比 LMS 更快。
  • 公式：
    w ( n + 1 ) = w ( n ) + μ ∥ x ( n ) ∥ 2 e ( n ) x ( n ) w(n+1) = w(n) + \frac{\mu}{\|x(n)\|^2} e(n) x(n) w(n+1)=w(n)+∥x(n)∥2μ​e(n)x(n)

2.2. RLS（Recursive Least Squares）算法

  • 概述：RLS 是一种基于最小二乘原理的自适应滤波算法，通过递归更新滤波器系数来最小化误差平方和。
  • 优点：
    • 收敛速度快，通常优于 LMS 和 NLMS。
    • 能够处理非平稳信号，适应性强。
  • 缺点：
    • 计算复杂度较高，尤其是在滤波器阶数较大时。
    • 需要更多的内存和计算资源。
  • 公式：
    • 更新公式较为复杂，涉及协方差矩阵的计算。

2.3. Affined LMS（A-LMS）算法

  • 概述：A-LMS 是对 LMS 的一种变体，结合了线性预测和自适应滤波的思想。
  • 优点：
    • 可以更好地处理噪声和信号相位的变化。
    • 在某些应用中表现出更好的性能。

2.4. Sign LMS（S-LMS）算法

  • 概述：S-LMS 是 LMS 的一种简化版本，它只使用符号信息（正负）来更新权重。
  • 优点：
    • 计算复杂度低，适合实时应用。
    • 在某些情况下，能够提供与 LMS 相似的性能。
  • 缺点：
    • 收敛速度较慢，且对噪声的鲁棒性较差。

2.5. Adaptive Filter with Kalman Filter

  • 概述：卡尔曼滤波器是一种基于状态空间模型的滤波方法，适用于动态系统的状态估计。
  • 优点：
    • 能够处理动态变化的系统，适应性强。
    • 提供最优估计，尤其是在高噪声环境下表现良好。
  • 缺点：
    • 数学推导复杂，计算资源消耗大。

2.6. 代码实现

1. NLMS（Normalized Least Mean Squares）

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
initial_mu = 0.06  # 初始学习率
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化滤波器系数
order = 10  # 滤波器阶数
w = np.zeros(order)  # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号

# NLMS算法迭代
for i in range(order, N):  # 从 order 开始迭代
    # 获取最近的 order 个输入样本
    input_samples = x[i-order:i]  # 当前输入样本

    # 计算输出
    y[i] = np.dot(w, input_samples)  # 使用权重和输入样本计算输出

    # 计算误差
    e[i] = d[i] - y[i]  # 计算误差信号

    # 动态学习率
    mu = initial_mu / (1 + 0.01 * np.dot(input_samples, input_samples))  # 归一化学习率

    # 更新滤波器系数
    w += mu * e[i] * input_samples  # 更新公式

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('NLMS Algorithm with Transfer Function Example (Order 10)')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e**2, label='Error Signal (rms[e])', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation (NLMS)')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

2. RLS（Recursive Least Squares）

# RLS算法实现
import numpy as np
import matplotlib.pyplot as plt

# 参数设置
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化滤波器系数
M = 10 # 滤波器阶数
w = np.zeros(M)  # # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号
P = np.eye(M) * 1000  # 初始协方差矩阵

# RLS算法迭代
for i in range(M, N):
    x_vec = x[i-M:i][::-1]  # 获取当前输入信号的向量
    y[i] = np.dot(w, x_vec)  # 计算输出信号
    e[i] = d[i] - y[i]  # 计算误差信号
    k = P @ x_vec / (1 + np.dot(x_vec.T, P @ x_vec))  # 计算增益
    w += k * e[i]  # 更新权重
    P = (P - np.outer(k, k.T) * (1 + np.dot(x_vec.T, k)))  # 更新协方差矩阵

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('RLS Algorithm with Transfer Function Example')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e**2, label='Error Signal (rms[e])', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation (RLS)')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

3. Affined LMS

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
initial_mu = 0.06  # 初始学习率
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化滤波器系数
order = 10  # 滤波器阶数
w = np.zeros(order)  # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号

# Affined LMS算法迭代
for i in range(order, N):  # 从 order 开始迭代
    # 获取最近的 order 个输入样本
    input_samples = x[i-order:i]  # 当前输入样本

    # 计算输出，增加偏置项
    y[i] = np.dot(w, input_samples) + 0.5 * input_samples[-1]  # 使用权重和输入样本计算输出，增加偏置

    # 计算误差
    e[i] = d[i] - y[i]  # 计算误差信号

    # 更新滤波器系数
    w += initial_mu * e[i] * input_samples  # 更新公式

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('Affined LMS Algorithm with Transfer Function Example (Order 10)')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e**2, label='Error Signal (rms[e])', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation (Affined LMS)')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

4. Sign LMS（S-LMS）

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
initial_mu = 0.06  # 初始学习率
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化滤波器系数
order = 10  # 滤波器阶数
w = np.zeros(order)  # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号

# Sign LMS算法迭代
for i in range(order, N):  # 从 order 开始迭代
    # 获取最近的 order 个输入样本
    input_samples = x[i-order:i]  # 当前输入样本

    # 计算输出
    y[i] = np.dot(w, input_samples)  # 使用权重和输入样本计算输出

    # 计算误差
    e[i] = d[i] - y[i]  # 计算误差信号

    # 更新滤波器系数（只使用符号信息）
    w += initial_mu * np.sign(e[i]) * input_samples  # 更新公式

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('Sign LMS Algorithm with Transfer Function Example (Order 10)')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e**2, label='Error Signal (rms[e])', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation (Sign LMS)')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

5. 卡尔曼滤波器

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化卡尔曼滤波器参数
Q = 1e-6  # 过程噪声协方差
R = 0.2   # 测量噪声协方差
P = 0.2  # 估计误差协方差
M = 10  # 滤波器阶数
w = np.zeros(M)  # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号

# 卡尔曼滤波器迭代
for i in range(M, N):  # 从 M 开始迭代
    # 获取最近的 M 个输入样本
    x_vec = x[i-M:i]  # 当前输入样本

    # 预测更新
    y[i] = np.dot(w, x_vec)  # 预测输出

    # 更新卡尔曼增益
    K = P / (P + R)  # 卡尔曼增益

    # 计算误差
    e[i] = d[i] - y[i]  # 计算误差信号

    # 更新估计
    w += K * e[i] * x_vec  # 更新权重

    # 更新估计误差协方差
    P = (1 - K) * P + Q  # 更新协方差

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('Kalman Filter Algorithm with Transfer Function Example (Order 10)')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e**2, label='Error Signal (rms[e])', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation (Kalman Filter)')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/921550.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

如何在分布式环境中实现高可靠性分布式锁

如何在分布式环境中实现高可靠性分布式锁

目录 一、简单了解分布式锁 （一）分布式锁：应对分布式环境的同步挑战 （二）分布式锁的实现方式 （三）分布式锁的使用场景 （四）分布式锁需满足的特点 二、Redis 实现分…
阅读更多...
socket连接封装

socket连接封装

效果： class websocketMessage {constructor(params) {this.params params; // 传入的参数this.socket null;this.lockReconnect false; // 重连的锁this.socketTimer null; // 心跳this.lockTimer null; // 重连this.timeout 3000; // 发送消息this.callbac…
阅读更多...
基于RM开发板32学习日记

基于RM开发板32学习日记

环境配置 芯片选型 STM32F407IGH6 配置时钟 12 168 模块 Led 引脚选择 比对原理图 可查看 设置为Out_Put输出 三色同时点亮 合为白色光 HAL_GPIO_WritePin(LED_R_GPIO_Port, LED_R_Pin, GPIO_PIN_SET);HAL_GPIO_WritePin(GPIOH, GPIO_PIN_10, GPIO_PIN_SET);GPIOH->ODR…
阅读更多...
MacOS下的Opencv3.4.16的编译

MacOS下的Opencv3.4.16的编译

前言 MacOS下编译opencv还是有点麻烦的。 1、Opencv3.4.16的下载 注意，我们使用的是Mac，所以ios pack并不能使用。 如何嫌官网上下载比较慢的话，可以考虑在csdn网站上下载，应该也是可以找到的。 2、cmake的下载 官网的链接&…
阅读更多...
刷题笔记15

刷题笔记15

问题描述 小M和小F在玩飞行棋。游戏结束后，他们需要将桌上的飞行棋棋子分组整理好。现在有 N 个棋子，每个棋子上有一个数字序号。小M的目标是将这些棋子分成 M 组，每组恰好5个，并且组内棋子的序号相同。小M希望知道是否可以按照这…
阅读更多...
stm32 指定变量存储地址

stm32 指定变量存储地址

uint8_t array[10] attribute((at(0x20000000))) 当你使用 attribute((at(地址))) 强制将变量放置在特定地址时，编译器和链接器通常不会自动调整其他变量的地址以避免冲突。这意味着，如果指定的地址已经被其他变量占用，就会发生冲突。 如果…
阅读更多...
性能超越Spark 13.3 倍,比某MPP整体快数十秒 | 多项性能指标数倍于主流开源引擎 | 云器科技发布性能测试报告

性能超越Spark 13.3 倍,比某MPP整体快数十秒 | 多项性能指标数倍于主流开源引擎 | 云器科技发布性能测试报告

云器Lakehouse正式发布性能测试报告 🏅离线批处理：在复杂批处理任务中，云器Lakehouse相较Spark表现出13.31倍性能提升。 🏅即席查询：在交互式分析场景下，云器Lakehouse相较Trino表现出9.84倍性能提升。 &am…
阅读更多...
NIST 发布后量子密码学转型战略草案

NIST 发布后量子密码学转型战略草案

美国国家标准与技术研究所 (NIST) 发布了其初步战略草案，即内部报告 (IR) 8547，标题为“向后量子密码标准过渡”。 该草案概述了 NIST 从当前易受量子计算攻击的加密算法迁移到抗量子替代算法的战略。该草案于 2024 年 11 月 12 日发布，开放…
阅读更多...
论文阅读——Performance Evaluation of Passive Tag to Tag Communications（一）

论文阅读——Performance Evaluation of Passive Tag to Tag Communications（一）

文章目录 摘要一、互耦对监听器标签输入阻抗的影响A. 无限细偶极子互阻抗的理论研究B. 电细偶极子的情况：理论与模拟C. 印刷偶极子的情况：电磁模拟与测量 二、T2T 通信系统的性能评估总结 论文来源：https://ieeexplore.ieee.org/document/970…
阅读更多...
IT人员面试重点底层逻辑概念

IT人员面试重点底层逻辑概念

arrayList的底层原理 ArrayList是个动态数组，实现List接口，主要用来存储数据，如果存储基本类型的数据，如int，long，boolean，short，byte，那只存储它们对应的包装类。 它的…
阅读更多...
PyTorch 分布式并行计算

PyTorch 分布式并行计算

0. Abstract 使用 PyTorch 进行多卡训练, 最简单的是 DataParallel, 仅仅添加一两行代码就可以使模型在多张 GPU 上并行地计算. 但它是比较老的方法, 官方推荐使用新的 Distributed Data Parallel, 更加灵活与强大: 1. Distributed Data Parallel (DDP) 从一个简单的非分布…
阅读更多...
基于MATLAB的超宽带(UWB)信号的仿真和测试系统

基于MATLAB的超宽带(UWB)信号的仿真和测试系统

基于MATLAB的超宽带(UWB)信号的仿真和测试系统 引言 随着无线通信技术的发展，超宽带（Ultra-Wideband, UWB）技术因其高数据传输速率、低功耗、抗多径衰落等优点而受到广泛关注。UWB技术适用于短距离高速数据传输，如个人区域网络、…
阅读更多...
美团面试：有哪些情况会产生死锁

美团面试：有哪些情况会产生死锁

前言 我们首先需要知道，死锁一定发生在并发场景中。为了保证线程安全，有时会给程序使用各种能保证并发安全的工具，尤其是锁，但是如果在加解锁过程中处理不恰当，就有可能适得其反，导致程序出现死锁的情况。…
阅读更多...
如何在Linux上安装Canal同步工具

如何在Linux上安装Canal同步工具

1. 下载安装包 所用到的安装包 canal.admin-1.1.4.tar.gz 链接：https://pan.baidu.com/s/1B1LxZUZsKVaHvoSx6VV3sA 提取码：v7ta canal.deployer-1.1.4.tar.gz 链接：https://pan.baidu.com/s/13RSqPinzgaaYQUyo9D8ZCQ 提取码：…
阅读更多...
百度主动推送可以提升抓取，它能提升索引量吗？

百度主动推送可以提升抓取，它能提升索引量吗？

站长在建站SEO的时候，需要用到百度站长平台（资源平台）的工具，在站长工具中【普通收录】-【资源提交】-【API提交】这个功能，对网站的抓取进行一个提交。 这里估计很多站长就有疑问，如果我主动推送&#xf…
阅读更多...
如何将Latex的文章内容快速用word+Endnote排版

如何将Latex的文章内容快速用word+Endnote排版

1 第一步 Endnote文件是无法直接导入bib文件的。需要将reference.bib的参考文献内容，通过JabRef软件打开并另存为refefence.ris文件 下载JabRef软件：https://www.jabref.org/#download 导出为ris格式文件 2 第二步 通过Endnote导入ris文件&#xff0…
阅读更多...
Telegram bot Mini-App开发实践---Telegram简单介绍与初始化小程序获取window.Telegram.WebApp对象并解析

Telegram bot Mini-App开发实践---Telegram简单介绍与初始化小程序获取window.Telegram.WebApp对象并解析

➡️【好看的灵魂千篇一律，有趣的鲲志一百六七！】- 欢迎认识我～～ 作者：鲲志说 （公众号、B站同名，视频号：鲲志说996） 科技博主：极星会 星辉大使 后端研发：java、go、python、TS，前电商、现web3 主理人：COC杭州开发者社区主理人 、周周黑客松杭州主理人、 AI爱好…
阅读更多...
Hadoop 系列 MapReduce：Map、Shuffle、Reduce

Hadoop 系列 MapReduce：Map、Shuffle、Reduce

文章目录 前言MapReduce 基本流程概述MapReduce 三个核心阶段详解Map 阶段工作原理 Shuffle 阶段具体步骤分区（Partition）排序（Sort）分组（Combine 和 Grouping） Reduce 阶段工作原理 MapReduce 应用场景Map…
阅读更多...
英文版本-带EXCEL函数的数据分析

英文版本-带EXCEL函数的数据分析

一、问题： 二、表格内容 三、分析结果 四、具体的操作步骤： 销售工作表公式设计与数据验证 类别（Category）列公式： 在Category列（假设为D列），根据ProductCode在Catalogue工作表中查找…
阅读更多...
Jmeter数据库压测之达梦数据库的配置方法

Jmeter数据库压测之达梦数据库的配置方法

目录 1、概述 2、测试环境 3、数据库压测配置 3.1 安装jmeter 3.2 选择语言 3.3 新建测试计划 3.4 配置JDBC连接池 3.5 配置线程组 3.6 配置测试报告 3.7 执行测试 1、概述 Jmeter是Apache组织开发的基于Java的压力测试工具，用于对软件做压力测试。 它最…
阅读更多...
最新文章

Copyright @ 2022~2023