Telason

Python 作用域与闭包机制 LEGB 规则 Python 查找变量时遵循四层作用域链： 层级 名称 说明 示例 L Local 当前函数内部的变量 函数形参或局部定义 E Enclosing 外层函数中的变量 闭包中的自由变量 G Global 当前模块的全局变量 脚本或模块顶层定义 B Built-in Python 内建命名空间 len, print, range 等 ✅ 查找顺序：Local → Enclosing → Global → Built-in UnboundLocalError 的根源 当 Python 发现函数中有对变量的赋值时，它会在编译阶段将该变量标记为“局部变量”。 12def inner(): x = x + 1 # 报错：局部变量 x 在赋值前被引用 简单来说，Python 在编译函数定义阶段（不是运行时）就会先扫描整个函数体，看哪些变量被赋值（=）。凡是出现过赋值的变量，Python 就认定它是局部变量（Local）。 解决方式： 告诉 Python “我想用外层变量”： nonlocal x → ...

Python 函数默认参数机制 默认参数的计算时机 默认参数在函数定义时计算一次，不是在函数调用时。 123def foo(x=[]): x.append(1) return x 每次调用 foo()，都会操作同一个列表对象。 可变对象的陷阱 默认参数如果是 可变对象（如 list, dict, set），就会在多次调用中共享状态。 12345678def add_item(item, bag=[]): bag.append(item) return bagadd_item('apple') # ['apple']add_item('banana') # ['apple', 'banana']add_item('cherry', []) # ['cherry']add_item('date') # ['apple', '...

特别说明 以下所有操作，对于root、user用户，命令前加sudo均为可选项 环境准备 由于服务器端的udp2raw一直挂在后台，需要tmux进行管理 12sudo apt updatesudo apt install -y tmux 获取 udp2raw 二进制 访问官方 Release 页面：https://github.com/wangyu-/udp2raw-tunnel/releases 下载对应平台： * Linux：通常是 `.tar.gz` 或 `udp2raw_x86_64` 或 `udp2raw_amd64` * Windows：通常是 `.zip` 或 `udp2raw_x86_64.exe` 或 `udp2raw_mp.exe` Linux 解压 .tar.gz 123456789# 下载示例wget "https://github.com/wangyu-/udp2raw-tunnel/releases/download/<TAG>/udp2raw_binaries.tar.gz"# 创建文件夹后，解压mkdir udp2...

本文主要介绍了解线频调的原理、公式推导以及与匹配滤波的等价性。

本文详细介绍了WireGuard部署VPN全流程，从服务器端到客户端配置，实现全局网络的代理。

本文主要介绍连续波雷达的三种不同的脉冲形式，以及不同工作方式下的测速原理、测距原理。

针对 空间可变高斯混合模型（Spatially Varying GMM），在带有 拉普拉斯平滑正则化 的最大似然函数上，用 ADMM 分解来更新参数 μk(i),σk2(i),αk(i)\mu_k(i), \sigma_k^2(i), \alpha_k(i)μk​(i),σk2​(i),αk​(i) 1️⃣ 问题重述 目标函数是： Q(Θ∣Θt−1)=∑k=1M∑i=1Nln⁡(αk(i)) p(k∣xi,Θt−1)+∑k=1M∑i=1Nln⁡[pk(xi∣μk(i),σk2(i))] p(k∣xi,Θt−1)−λμ∑k=1M∑N(i)(μk(i)−μk(j))2−λσ∑k=1M∑N(i)(σk2(i)−σk2(j))2−λα∑k=1M∑N(i)(ln⁡αk(i)−ln⁡αk(j))2\begin{aligned} Q(\Theta \mid \Theta^{t-1}) &= \sum_{k=1}^{M} \sum_{i=1}^{N} \ln (\alpha_k(i)) \, p(k \mid x_i, \Theta^{t-1}) \\ &\quad + \su...

1. SVGMM 和 GMM 的核心区别 特性 GMM（Gaussian Mixture Model） SVGMM（Spatially Variant Gaussian Mixture Model） 高斯分布参数 所有样本共享一组固定的混合权重、均值和协方差矩阵 参数是位置依赖的（每个像素/点的位置会影响它的混合分布参数） 适用场景 数据点独立同分布（i.i.d.）的聚类、密度估计 空间数据（如图像）中存在局部统计差异，需要考虑空间位置的上下文 平滑/先验 没有显式空间先验 通常引入空间平滑先验（如 Markov Random Field、Total Variation 等）防止噪声导致过拟合 参数变化 全局参数相同 每个位置的混合权重/均值/方差可随位置变化（但会约束变化的平滑性） 直观理解 GMM：好比说整个图像用同一套高斯混合去解释，不管像素在左上角还是右下角，统计规律是一样的。 SVGMM：允许左上角是一个高斯混合模型，右下角是另一套，但要求它们在空间上变化不能太突兀（这就需要平滑约束）。 2. SVGMM 的平滑方式 SVGMM 在...

空间可变高斯混合模型（拉普拉斯正则化 平滑） 以下推导，理解为在若干张图像中某一像素点的高斯混合模型推导过程。 空间可变高斯混合模型，基础理论认为所有采样点都来自K个不同的分布，但是每一个点上的权重不一样；现阶段采用的高斯混合模型，认为每一个点都有不同的分布，每个分布对应不同的权重。 混合分布是多个概率密度函数的线性组合，形式如下： p(x∣Θ)=∑k=1Mαk pk(x∣θk),  and∑k=1Mαk=1(1.1)p(x \mid \Theta) = \sum_{k=1}^M \alpha_k \, p_k(x \mid \theta_k), \; \text{and} \sum_{k=1}^M \alpha_k = 1 \qquad (1.1) p(x∣Θ)=k=1∑M​αk​pk​(x∣θk​),andk=1∑M​αk​=1(1.1) 对于 Θ=(α1,…,αM,θ1,…,θk)\Theta = (\alpha_1, \ldots, \alpha_M, \theta_1, \ldots, \theta_k)Θ=(α1​,…,αM​,θ1​,…,θk​)，表示该混合分布由 ...

本文先引出线性问题，然后对求解线性问题进行讨论，介绍稀疏线性问题，最后对ISTA算法进行介绍和推导。