上一篇文章，我们介绍了如何使用遗传算法进行特征选择，并且已经选择出最优的40个特征，这篇文章，我们就来看看，这40个特征能否达到良好的分类效果。 一、二分类测试 数据集结构如图： 同时加载已经选择好的40个特征索引（图中红框部分） 测试算法使用最小错误bayes估计算法，概率密度估计方式为参数估计，这个算法在之前的文章中讲过，大家可以点击链接进行查阅。 下面我们进行测试： clear lo

  之前的文章，我们已经介绍了特征选择的概念以及使用遗传算法进行特征选择，这篇文章，我们将讨论另一种特征选择的方法——使用SFS方法进行特征选择。 一、SFS简介   SFS(Sequential forward selection)，前向搜索法。这是一种类似于枚举法的方法，大概思路如下：先从所有特征中挑选一个最优特征，即挑选一个对学习样本分类最有帮助的一个特征，记作特征a，找到这个特征a之后，我

  上篇文章，我们介绍了SFS的基本原理以及matlab的具体实现，并成功选择了40个特征，这篇文章，我们将使用这40个特征进行分类，测试SFS方法的效果。 一、二分类测试   我们去除二分类样本数据中的无关特征，仅保留SFS选择的40个特征，使用bayes分类器进行分类，观察最终的正确率，测试SFS的性能，使用的数据集以及测试方法和第二讲相同（链接）。具体实现如下： （1）读取数据集，计算先验概

一、PCA基本原理介绍   之前的文章中，我们提到，数据降维大体可以分为两类：特征选择和特征提取。前面的四篇文章我们介绍了特征选择的方法，从这篇文章开始，我将为大家介绍特征提取的方法。由于特征选择会丢弃大量特征，这些特征虽然对分类影响不大，但是毕竟会包含一些信息，所以丢弃这些特征意味着多少会丢弃较多的对分类有用的信息，所以我们在实际分类任务中往往不会使用特征选择进行特征降维。下面介绍的特征提取的方

一、LDA的基本原理   之前的文章中，我们已经介绍了PCA，它在进行数据降维时，不考虑分类的情况，是利用数据自身进行特征提取的一种方法。这就使得PCA经常用于数据的降燥而不是数据的分类任务中。本篇文章要介绍的LDA方法，在进行特征提取时，将学习数据的标签信息也考虑在内，使得分类时的准确率大大增加。   LDA（Linear Discriminant Analysis），即线性判别分析。它的基本原

  本篇文章开始，将为大家介绍口罩佩戴检测的实现方法，识别算法使用SVM算法，编程语言使用matlab。以下是本系列文章的目录安排。 一、问题的提出   2020年2月份中国开始爆发了新冠疫情，所有公共场合都要求所有人员必须佩戴口罩。但是在人群众多的场合，随时监督人群中每个人的口罩佩戴情况，无疑对在场工作人员的工作负荷是一个很大的挑战。所以我们想通过自己在模式识别课程上所学的知识，来建立一个解决

1 为什么需要降维   因为我们通过CSI tool 在802.11n协议下获取到的CSI信号是在OFMD正交频分复用信号56个子载波中每隔一个采样的子载波的幅度和相位信息。采样子载波共30个。这些子载波的中心频率为5G Hz 载波之间的保护频率间隔是150k Hz左右。所以在短时间内就能获取到大量的CSI信息。但是由于我们最终的目的是实现一个实时系统，所以我们要将短时间内获取到的大量CSI信息

  由于图像向量有100X100 维，维度相对比较高，所以为了提高分分类的效率和分类器的准确度 在分类前需要进行维度约减，   维度约减分为两种思路：直接删除贡献率很小的维度：或者将高纬向量映射降维到需要的维度空间。 一 特征选择   找出对分类贡献大也就是能直接反应样本性质的维度的维度删去对分类结果产生负面影响的维度。由于问题是区别是否带口罩 而不是精确识别人脸，所以有冗余的维度。但是维度样本是

  在进行完数据降维后，我们将设计svm支持向量机作为分类器 一、为何选用SVM：   首先相较于人工神经网络，支持向量机解决的是一个有线性约束的二次优化问题，有唯一的最优解。2、其次对于口罩识别问题我们最关心的是分类器的推广能力（generalization）。支持向量机能够在样本数先对较少且特征维数很高的情况下实现很好的推广性。3、图像向量维度很高，支持向量机可以采用核函数方法避免高维度运算。

本篇文章，主要是为上篇文章作补充，给出完整代码即效果。 clear all clc csi_trace = read_bf_file('sample_data/lie1.dat'); pac_num=size(csi_trace,1); subcarrier=zeros(1,990); Hall=zeros(990,30); Z=zeros(990,30); Zk=zeros(990

  本篇文章主要对svm分类器的性能进行对比评估，对比算法为bp算法，然后用自己的照片进行实际识别与评估 一、与BP神经网络对比 对比算法matlab代码如下： （1）导入数据并处理，建立神经网络，网络有一个隐藏层，大小为30个神经元。隐藏层传递函数为’tansig’函数，输出层传递函数为’logsig’函数，优化方法使用GDA，最大迭代次数设为1000， clear load('dataset_

1 为什么需要校准相位   基于商用WiFi设备获取到的相位信息可靠性不是很高，准确率也不能达到要求。但是相位信息又很能反映环境的变化。所以我们必须将这些由于硬件上的缺陷以及在传输过程中因环境噪声的影响引起的误差进行校准和补偿。这些误差主要是由三个方面组成：采样频率的偏移，检测时延，中心频率偏移。发射端和接收端之间的载波频率无法做到完全同步。 2 相位校准主要步骤：   我们假设这些相位偏差都是

  之前，我们在一篇文章中介绍了匹配网络的概念与简单实现，本篇文章，将为大家介绍匹配网络的微带线实现。 一、微带线简介   我们都知道平行传输线，这是传输线的最初形式，也是最简单的传输线。平行传输线在低频段可以很好地工作，电路实现简单，成本低廉，但是频率升高会带来明显的辐射损耗。后来，同轴线和波导的出现解决了这个问题。封闭的同轴线和波导降低了高频段的辐射损耗。但是同轴线和波导的体积十分庞大，为日后

  上一篇文章，我们实现了微带线形式的单支节匹配网络，这篇文章，我将为大家介绍λ/4匹配网络的微带线设计。 设计指标如下： 中心频率为2GHz 负载为40Ω 特性阻抗为50Ω 微带线参数如下： H=0.5mm Er=9.6 Mur=1 Cond=5.8E+7 Hu=1.0e+033mm T=0.02mm TanD=0.003 Rough=0mm 首先，我们按照公式计算出阻抗变换器的特性阻抗

  这篇文章继续介绍匹配网络的微带线设计方法，这次是双支节匹配网络。双支节网络的设计方法可以参考之前的文章：几种常见匹配电路的设计与仿真，本篇文章主要讲如何将双支节匹配网络转换为微带线形式。 设计的指标如下： 中心频率：1GHz 负载阻抗为（50+j*50）Ω 要求匹配的传输线的特性阻抗为：50Ω 使用的传输线和支节特性阻抗为50Ω 微带线参数如下： H=1mm Er=5.3 Mur=1 C

一、什么是插入损耗法 我们知道，理想低通滤波器的特性如图所示。 我们将来自源的可用功率和传送到负载的功率之比称为插入损耗，即： 用dB表示就是： 因此，理想低通滤波器在通带内的插入损耗为0dB，在阻带内的插入损耗为无穷大（dB）。我们在实际应用中是不能设计出理想低通滤波器的，只能向理想低通滤波器进行逼近。本篇文章开始，我将为大家介绍一种设计低通滤波器的办法：插入损耗法。我们将用插入损耗法设计

  上篇文章，我们介绍了插入损耗法设计低通滤波器的步骤以及用ads设计最大平坦低通滤波器的过程，本篇文章，我们将继续为大家介绍如何设计一个等波纹低通滤波器。   和最大平坦低通滤波器一样，我们可以将滤波器设计成两种形式，即距离信号源第一个元器件是串联电感还是并联电容两种形式。等波纹低通滤波器一般有两种：带内波纹为3dB和带内波纹为0.5dB的等波纹低通滤波器。 一、带内波纹为3dB的等波纹低通滤波

  之前的文章里，我们介绍了如何使用插入损耗法设计低通滤波器。在设计好低通原型滤波器后，我们需要进行参数定标才能够设计出实际需要的低通滤波器。同理，我们也可以通过参数定标将低通原型滤波器转换成高通滤波器、带通滤波器等其他滤波器。下面将为大家介绍具体的定标转换方法以及设计步骤，仿真设计软件同样使用ads。 一、参数的定标   在设计好低通原型滤波器后，我们需要进行阻抗和频率的定标才能将低通原型滤波器

一、带通滤波器参数定标   设w1和w2为所需带通滤波器通带的上下边频，w1为上边频，w2为下边频。则带通滤波器和低通原型滤波器的频率转换公式如下： 其中，为通带的相对带宽。中心频率w0可以按照下式获得： 根据下式确定元件的替换关系： 可以看出，由低通原型滤波器转换到带通滤波器时，串联电感被替换为串联LC电路，并联电容被替换为并联LC电路。其中，串联LC电路中的元件值为： 加入阻抗定标公

一、带阻滤波器的参数定标   前面的文章已经得到了带通滤波器的频率定标公式： 而带阻滤波器是带通滤波器的逆变换，所以有： 低通原型滤波器变换到带通滤波器时，串联电感转换为串联LC回路，而并联电容转换为并联LC回路。带阻滤波器恰恰相反：低通原型的串联电感转换为并联LC回路，并联电容转换为串联LC回路。具体的元件值如下： 并联LC的元件值： 考虑到阻抗定标公式，最终有： 串联LC的元件值：