星期四, 12月 26, 2013
ZigBee
ZigBee SEP 2 is here. Now what?
http://www.freaklabs.org/index.php/FreakZ-Open-Source-Zigbee-Stack.html
星期三, 12月 25, 2013
gt
http://translate.google.com.tw/translate_tts?q=您好&tl=zh
input type="text" x-webkit-speech="" />
http://slides.html5rocks.com/#web-sockets
input type="text" x-webkit-speech="" />
http://slides.html5rocks.com/#web-sockets
星期四, 12月 19, 2013
Cam
Study
- http://www.skybell.com/
- https://www.dropcam.com/open_source
- 3S Market 寶島監控應用市場資訊網
Study
- MyOOPS開放式課程
- https://diy.org/skills/physicist/challenges/393/make-a-cosmic-ray-detector/achievement
- http://www.amnh.org/education/resources/rfl/web/einsteinguide/activities/cloud.html
標籤:
【新東西、新發現】
星期日, 12月 08, 2013
希爾伯特-黃變換
昨天來學校看到樓下,一堆旗子,上面打著黃鍔星期一 17:00~19:00的演講,題目What is Frequency,想說應該是知名人物,下午好奇的查了一下他的研究,發現他的來頭真的不小,本來星期六要來K書的,結果一個下午 + 晚上在研究他在1998年發表的(Hilbert-Huang Transformation簡稱HHT)跟應用。中央大學校長李羅權指出,HHT為一高效率應用數學演算法,這項方法可適用於分析非線性、非穩定性過程所產生的數據。
HHT的發明被認為是「NASA史上最重要的應用數學發現之一」
HHT優點主要在非線性。HHT 由三個部分組成 ( IMF + EMD + 希爾伯特轉換 ), 其中前兩者是他發明的一個IMF function + 一個EMD方法,第三個希爾伯特轉換是希爾伯特的,對於非穩態及非線性看來是非常有用的,HHT 到最後會生成 n個IMF和一個趨勢函數,這個對我們的應用應該很有幫助,但他整個結構應該很吃重IMF的準確性,該用何種原始 Data數據要想一下。
另外昨天也順道去分析了一下他跟線性回歸, 非線性回歸的差異點,本來感覺上是差不多的東西,但後來發現回歸線並沒辦法做到他的功能,非線性回歸方程一般很難求,不然就是先測定它是何種波形,再回頭推,自然界複雜波形沒辦法用單一非線性函數去歸納出趨勢函數,線性回歸就更不用講了,兩者用途也不太相同。
回頭我又看了一下DCT 跟傅立葉轉換,都類似轉Frequency domain,概念上有相近,對於應用上,結果就是得到一個DC + n個AC,在我們的應用上應該是很有幫助的。直到昨天我才搞懂DC 這個值的物理意涵,重點在下面那張圖的「線性組合」[6],大多文章都在講DCT的流程、怎麼算,很少文章講到這件事。
EMD 的運算如下:將一原始訊號做若干次 Sifting 後,訊號上、下包絡線的平均線會漸漸和水平軸重合,直至訊號的上、下包絡線對稱於水平軸。此新訊號即為第一個 IMF,故稱為 IMF1。將 IMF1 從原始訊號減去,得到第一個殘餘訊號( First Residual ),稱為 r1,將 r1 依同樣方式做若干次 Sifting,可獲得 IMF2,再將 IMF2 從 r1 扣除,得到第二個殘餘訊號 r2,依此規則重複計算,則可將原始訊號拆解成數個 IMF 和最後的殘餘訊號,此即為 EMD 的運算流程。
Reference:
- 希爾伯特-黃轉換
- 黃鍔院士領航 世界級「數據分析方式研究中心」成立 文 /陳如枝
- 希爾伯特黃轉換簡介 (Hilbert Huang Transform) 高雄海洋大學助理教授 謝志敏 Chih-Min Hsieh 2007/7/12
- 黃鍔教授-《黃鍔教授-隨波逐流》
- Discrete cosine transform WIKI
- 二維影像離散餘弦轉換原理(DCT, Discrete Cosine Transform)
- 離散餘弦變換
- 離散傅立葉變換
- What is Frequency
- http://www.ancad.com.tw/VS_Online_Help/ch03s07.html
訂閱:
文章 (Atom)