技术问题

深度学习问题

1、首先简单地介绍一下你的简历

  各位面试官大家好，我叫XXX，来自河南洛阳；本科毕业于XXX，所学专业是电子信息工程，在本科期间通过了英语四级，并掌握了数电、模电和嵌入式等一些硬件开发专业知识，在2018年参加蓝桥杯比赛，并获得了省赛三等奖。现在是XXX一名研三的硕士生，所学专业是控制理论与控制工程，所学课程有智能控制、线性控制、模式识别等。在硕士期间，共写了5篇期刊论文，其中4篇已录用，3篇和机器视觉相关。目前已参加比赛有全国研究生电子设计大赛商业赛、深创杯全国大学生创新创业大赛等。
  目前我做过比较完整的项目有三个，分别是C语言设计购物网站、多目标追踪项目和XXX内行为识别项目。下面我将会对这三个项目进行简单介绍：

• （1）C语言项目主要分为三个内容，分别是sql数据库的构建、网页的搭建和后端服务器的搭建。这里的数据库我使用的是sqlite3构建，把商品图片和相关叙述对应的放在一起，然后统一调用；网页的搭建我使用的是HTML语言，包括一些图片的插入、UI页面的设计等；后端服务器的搭建我使用的是C语言，主要使用的是TCP协议，三次握手和四次挥手。
• （2）搭建FairMOT多目追踪网络模型，解决连续帧同一目标身份不确定问题。通过连续视频帧检测，可以追踪视频中连续个体，对他们未来的位置和速度进行预测。项目可用于动作与行为分析、智能监控、自动驾驶等领域，
• （3）上海商飞公司行为识别项目是目前我所做的硕士课题，与深度学习有关的可以分为两个内容，分别是身份识别和单人行为识别。身份识别我使用的是2018年提出的strong baseline算法，我在它的基础上对网络模型、学习率衰减算法做出了一些改进，最终利用行人重识别的思想做出了身份识别的效果； 行为识别我使用的是2020年何凯明团队提出的SlowFast双流网络，在完整的复现之后，我针对它的一些缺陷做出改进，最终完成了单人行为识别的效果。

2、你了解的分类算法有哪些？

  一些常见的机器学习分类方法有svm、决策树和随机森林等；深度学习一般使用softmax、全连接层、逻辑回归等对深度网络拿到的特征进行分类；YOLOv3中的最终分类层使用的就是逻辑回归。

3、你了解什么聚类算法吗？

 聚类的目的：为了把不同的数据点按照它们的相似与相异度分割成不同的簇，确保每个簇中的数据都是尽可能相似，而不同簇的数据尽可能相异。
 从模式识别的角度讲，聚类就是通过发现数据中潜在的模式，帮助人们进行分组归类，以更好的理解数据的分布规律。
常见的聚类算法有：
（1）K-Means（基于划分的聚类算法）
（2）BIRCH（基于层次的聚类算法） 利用层次方法的平衡迭代规约和聚类。
（3）DBSCAN（基于密度的聚类算法）
（4）STING（基于网格的聚类算法）

3、除了课题之外，你还了解其他的深度神经网络结构吗？

一些比较大的项目了解的有：

目标检测有：YOLO和FasterRCNN；
多目标跟踪，比较简单的可以通过YOLO+DeepSort算法实现，常被用在检测行人；比较困难的可以通过FairMOT，transforms算法实现，像第二种多目标追踪算法属于比较新的，实时性比较高，所以常被用于检测飞机等。

一些小的基础网络比较熟悉的有：

LENet：被用来做数字识别，是深度学习用于分类问题最开始的探索。（网络简单单意义非凡）
AlexNet：5个卷积层+3个全连接层，选用比较小的卷积核（3X3）：好处1相同感受野计算量小，好处2引入非线性。
shuffleNet：对卷积进行分组，从而减小计算量。
注意力机制：通道注意力、
ResNet34/50/101
RPN网络
VGG16，深度学习比较常用的网络

4、了解YOLO吗？和FasterRCNN有什么区别？？

（1）YOLOv1为了解决目标检测算法实时性不高问题而被提出，因为速度快和使用方法，所以被命名为You ONLY look once。它的核心思想是吧目标检测问题看做是回归问题，利用整张图作为网络的输入，仅仅通过一个神经网络就得到bbox的位置和类别，所以它是属于一阶段目标检测问题。
 骨干网络使用基于GoogleNet的自定义网络。
 它和FasterRCNN的区别还体现在感兴趣区域的划分上，YOLOv1是直接通过划分得到7X7个网格，把这49个网格当做感兴趣，这样就不用像RCNN网络中单独训练一个RPN网络去寻找感兴趣区域了，无形之间减少了很大的计算量。它和FasterRCNN等二阶段检测算法和滑动窗口检测算法相比，最大的优点是实时性强。
 精度的丢失主要体现在定位的坐标上。
（2）YOLOv2在YOLOv1的基础上提升了召回率和定位精度。相比于v1利用全连接层直接检测到bbox，其借鉴RCNN引入了anchor的机制。利用K-means聚类在训练集中计算出更好的anchor模板；除此之外，还集合图像细粒度特征，连接浅层特征和深层特征，有助于小目标物体的检测。
 骨干网络选用DarkNet19
 yolov1将一张图片分为7X7网格，一个网格只能预测一个类，当一个网格有多个类出现时，就无法全部检测出来了。
（3）YOLOv3是原作者在YOLOv2上的一些改进，首先将骨干网络从Darknet19改进为DarkNet-53，利用特征金字塔实现了多尺度检测，使用逻辑回归代替了softmax层。
 Darnet53与19相比，主要做出了如下改进：

• 引入了残差网路的思想
• 在网络中间层和后面某一层的上采样进行张量拼接，达到多尺度特征融合的目的

（4）2020年原作者发表声明，永远退出cv界，但是一些改进者在v3的基础上，引入了很多有用的trick，比如说WRC和CSP等。
它的网络结构由CSPDarknet53（骨干网络）、SPP、PANet、YOLOv3头部组成。

• 将DarkNet53与CSPNet结合，将原有残差块拆分为左右两部分，主干仍是自己，之路部分继续堆叠原来的残差块。
• 使用Mish激活函数代替了原有的Leaky-ReLU。

（5）大量研究人员数千个小时的实践所得。

• 自适应锚框计算
• 自适应灰度填充 （避免在图像处理时的变形问题）

5、你的硕士课题目前的进展？

 硕士课题中身份识别和行为识别都已经大致完成了，目前所剩的工作就是对一些遗留问题进行处理，还有一些收尾工作。

6、对于你硕士课题中的行为识别这个功能？精准度高吗？

 身份识别部分的精准度可以达到95左右；行为识别部分的精准度可以达到80以上。
 这是因为身份识别的任务比较简单，对网络的要求不高；而行为识别的特征提取难度较大，网络偏重，无论是训练还是测试，难度都不小。

7、目前定义的行为种类有哪些？？

 因为课题中选用的背景是上海商飞公司的飞机头组装车间，所以行为也是根据背景自己定义的，目前有打铆钉、打螺丝、行走、搬运、涂胶、粘贴蒙皮等，行为的检测是一个多分类问题。

8、如果视频中出现没有训练的行为，会发生什么情况？？

 当出现没有训练过得行为时：可以检测到人，但是行为大多数会错检，少部分会漏检。

9、错检或者漏检的原因是什么？

（1）背景过于复杂；
（2）动作过于相似，比如打铆钉和打螺丝，动作很相似。
（3）最大的原因是行为识别的机制问题，因为是基于视频检测的，所以要联系多个连续帧之间的特征进行分析，但是考虑到计算量的原因，又不能提取所有连续帧中的特征，只能自己挑选一些关键帧。训练过程和测试过程挑选关键帧的依据都是等间隔挑选。这样很有可能会跳过某些关键帧，而去关注某些无用帧中的信息。

10、行为识别目前遇到比较大的难题是什么？

就是关键帧问题

11、对于这个难题有没有解决办法？

（1）引入注意力机制（作用不大）
（2）引入运动仿真流（MERS）

12、对身份识别这个功能，精确度高吗？

精确度可以达到95%以上。

13、把身份识别的网络从ResNet50换到ResNet101，有什么考虑？？

（1）课题背景复杂、特征难以提取，理论上加深网络可以提取到更深层次的特征。但是普通的网络过深会导致难以收敛，何凯明团队最初提出残差块的原因也是为了解决这个问题，所以选用更深层次的ResNet网络
（2）就训练或者推理时间而言，101网络会比50网络的速度慢一倍左右，因此需要对其进行一些优化，加上通道注意力机制（Se-Net），理论上可以让残差结构更加关注关键信息。

14、有什么数据集的扩充方法？？

目前已经在使用的有图像仿射和形状的变换，如把图像镜像翻转。
但还有一些思路没有实现，如背景替换，人物抠图，背景重构等。

15、数据集有多少？？

（1）身份识别数据集是一个混合数据集，初步考虑提升模型泛化性能；其中来自公共数据集的有3000个行人，来自上海商飞项目提供的数据有900个行人，共4000个行人左右。在进行数据扩充之后，大致够用；使用训练出的模型进行推理测试，精确度可以达到95%以上。
（2）行为识别数据集仍然来自上海商飞项目提供，共700分钟有效视频。视频规格为30fps，码率为1080p。

16、深度学习问题中，引入非线性的原因是什么？？

 如果不引入激活函数的话（此时f(x) = x），在这种情况下每一层的输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，与没有隐含层效果相当，这种情况类似最原始的感知机神经网络。
 正是因为上边的原因，我们决定引入非线性函数作为激活函数，这样深度神经网络才有意义（理论上可以逼近任意函数）。

17、对于神经网络中的层，可不可以简单介绍一下？

• 输入层

  输入层就是数据的输入，CNN网络的输入层输入的并不一定是图片。只是因为卷积神经网络在计算机视觉领域用的较广，所以一般默认输入是图片。一般情况下，在计算机中把图片以像素的形式，按照矩阵进行有序排列而成。因为像素是图像最基本的单位，像素值以矩阵的形式保存。

• 卷积层

卷积：
 做深度学习一般会面临数据量比较大的情况，假如输入图片是一个100010003的RGB图片，对于300w的数据量，我们第一个隐藏层有1000个神经元进行全连接时，就会有300w*1000个参数，也就是要训练30亿个参数，这样不仅计算量大，而且还耗时耗力，因此针对这一问题，卷积一概念被提出，并用于特征的提取中。
操作：
 拿2D卷积举例，先从卷积核（kernel）开始，逐步在二维输入数据上“扫描”。卷积核“滑动”的同时，计算权重矩阵、扫描所得数据矩阵的乘积，然后汇总成一个输出像素。把所有扫描得到的输出像素融合一下，就是所得到的的图片卷积所得特征。
Padding：
 很多情况下，输入图像边缘上的像素永远不会位于卷积核中心，而卷积核也办法扩展到边缘区域以外，这样是不理想的，会导致输入出的结果与输入的结果大小不一致。因此提出了padding的概念，在额外的像素填充边缘，这样卷积核在扫描输入数据时，就可以延伸到边缘以外的像素，从而使输入与输出的大小相同。

步长：
 在卷积层中，有时会需要尺寸小于输入的输出。滑动卷积核时，每次左滑一列或者下滑一行的行数和列出被称为stride。它的作用就是成倍缩小尺寸，stride的值就是想要缩小的具体倍数。比如stride=2，那么输出就是输入的1/2。

• 池化层（下采样层）

 通常在卷积之后，会加上一个池化层，它的作用被认为是：缩小卷积后的特征图，使后续卷积可以更关注图像全局特征而非局部特征。

• 上采样层

• 全连接层

• SoftMax层

18、YOLO中的特征金字塔是什么？？

lueluelue

19、YOLO中的输出特征层有几个？分别是什么？？

20、简述激活函数的分类、作用。

 首先要知道一点：没有绝对好的算法，只有相对匹配的算法。个人理解激活函数的目的主要是为了使网络更具有非线性能力。如果没有激活函数，只有单纯的连接，那么网络不管如何构建都只是一个线性网络，这样深度学习网络就失去了最本质的核心。
它的主要作用可以分为一下几点：

1、模拟人类神经元的传递规则（用来控制神经元活跃度）
2、限制每层之间的输出值范围（如sigmoid函数把神经元输出值限制在0-1之间）
3、为神经网络引入非线性的能力。（最重要的功能）

21、简述深度学习中优化算法的作用于原理，如（梯度下降算法）

梯度下降算法是比较常见的优化算法，它的原理就是通过梯度下降函数使梯度下降，从而使损失函数收敛。

传统图像处理算法

1、传统图像算法了解多吗？

基础知识不是很多，但是可以使用。

2、简述canny算子基本原理。【重要】

 图像边缘检测必须满足两个条件：（1）能有效抑制噪声（2）必须尽量精确确定边缘位置。
 
可细分为以下7个步骤：

• （1）生成高斯滤波系数：通过高斯函数产生k*k的模板，对每个像素进行加权平均。
• （2）求滤波后图像的梯度：
• （3）进行非极大值抑制：必须保留局部梯度最大的点，需要抑制梯度幅值的非极大值。
• （4）统计图像的直方图，对阈值进行判定
• （5）利用函数寻找边界起点 【通常情况下，梯度最大方向与边界方向垂直。】
• （6）根据上一步执行结果，从一个像素点开始搜索，搜索以该像素点为边界起点的一条边界的所有边界点。

3、简述Harris算子的基本原理。

 Harris算子的基本思想是通过图像的局部小窗口观察图像，因为角点的特征是窗口沿任意方向移动都会导致灰度放生明显变化。
（1）比如当局部小窗口在图像区域内部沿着任意方向移动时，灰度值并不会发生变化。
（2）当局部小窗口在图像区域边缘，沿着边缘方向移动时，灰度值同样不会发生变化。
（3）但是当局部小窗口哦在图像区域角点处，沿着任意方向移动，都会有明显的灰度变化。
我们就可以通过局部小窗口在像素点移动时的灰度值变化，来判断像素点是处于什么位置（图像区域、图像边缘、图像角点）。
也可以将其变成数学的形式，来判断像素点是否是角点。
（1）求得局部窗口向各个方向灰度差异总和，其值是窗口函数与平移后图像与原图像的差的平方相乘得到。
（2） 将得到的灰度差异总和按照一阶泰勒展开可以得到一个M矩阵，可以通过M矩阵的两个特征值来判断是否是角点。
（3）可以求得矩阵M行列式与M行列式迹的平方的差（这个值叫做角点响应值R），根据求得的值来判断是否是角点。

• 当R为大数值的正数时是角点；
• R是大数值的负数时是边界；
• R是小数值时被认为是平坦区域。

4、简述霍夫变换基本原理。

 想要检测直线，首先要把直线在坐标轴中的表达式写出来，这里引入了一个 r r r 和一个 θ \theta θ ， r r r默认是垂直于图像中的直线， θ \theta θ 是 r r r 与x轴的夹角。这样就可以得到待检测直线的斜截式和类似极坐标的式子。
 检测的过程类似于投票，首先做一个表格，横坐标就是把r区分为多个区域，纵坐标是吧θ区分为多个区域。
 把待检测图片经过canny二值化处理，得到图像的边缘信息。因为霍夫变换检测到的直线上的点一定是canny检测到的边缘。对边缘上的每一个点进行计算，通过(x, y)坐标值和θ的区分值，给r区分的多个区域进行投票，得到投票数最多的点的直线，就是检测到的直线。
 在代码中实现的局部步骤可以分为几个：

• 高斯滤波
• 划分r和θ的区域。 划分区域
• 通过斜截式变换的式子计算结果进行投票
• 对投票结果得到的最大值进行阈值化，作用是将大于投票数的点，当做是一条同直线。
• 进行非极大值抑制，因为r和θ可能区分的比较细，投票结果错投到邻近的箱子中。同时检测得到的直线并不只是一条，可能是多条，这样就要排除其他非极大值，得到最适合的直线点。

5、OpenCV中cv::Mat的深拷贝和浅拷贝问题

深拷贝：分配新内存的同时拷贝数据，当被赋值的容器被修改时，原始容器数据不会改变
浅拷贝：仅拷贝数据，当被赋值的容器修改时，原始容器数据也会做同样改变。
OpenCV的Mat，有几种赋值方式分别为：
（1）深拷贝是 b b b = a . c l o n e ( ) a.clone() a.clone()和 a . c o p y T o ( b ) a.copyTo(b) a.copyTo(b)
（2）浅拷贝是 b = a b = a b=a； 和 b ( a ) b(a) b(a)
C++中OpenCV存储图像的结构体使用的是Mat。

6、OpenCV中RGB2GRAY是怎么实现的？

本质就是寻找一个三维空间到一维空间的映射，以R、G、B为轴建立空间直角坐标系，则图片上每一个像素点都可以用一个点表示，那么就可以通过一个公式来完成一维空间的映射：

G r a y = 0.29900 × R + 0.58700 × G + 0.11400 × B Gray = 0.29900 \times R + 0.58700 \times G + 0.11400\times B Gray=0.29900×R+0.58700×G+0.11400×B

7、连续图像转换为数字图像需要进行哪些操作？

（1）取样
（2）量化

8、数字图像中有哪些基本特征？

颜色特征、纹理特征、形状特征、空间关系特征等。

9、图像边缘检测中常用的边缘检测算子有哪些？

Roberts算子、Prewitt算子、Sobel算子、Canny算子、Laplacian算子等。

10、对霍夫变换的理解。

霍夫变换常用来提取图像中的直线和圆等几何形状，它通过一种投票算法检测具有特征形状的物体，就是通过计算累计结果的局部最大值得到一个符合该几何形状的集合作为结果。
算法原理：针对每个像素点，使得 θ \theta θ在 90 − 180 90-180 90−180之间，用极坐标 ρ = x c o s θ + y s i n θ \rho=xcos\theta + ysin\theta ρ=xcosθ+ysinθ计算得到共270组 ( ρ \rho ρ, θ \theta θ)代表着霍夫空间的270条直线。将这270组值存储到H中。如果一组点共线，则这组点中的每个值，都会使得 H ( ρ , θ ) H(\rho, \theta) H(ρ,θ)加一，因此找到最大的H值，就是共线的点最多的直线，也可以通过设定阈值来判定。

11、对HOG特征的理解

其主要思想是：在边缘具体位置位置的情况下，边缘方向的分布也可以很好的表示行人目标的外形轮廓，即梯度的统计信息。而梯度主要位于边缘的地方很好的描述。
HOG特征检测算法的几个步骤：颜色归一化 —— 梯度计算 —— 梯度方向直方图 —— 重叠直方图归一化 —— HOG特征。

12、图像的插值方法有哪些？

最近邻法
双线性插值法
三次内插法

13、Grabcut的基本原理和应用

Graph Cut和Grab Cut算法，两者都是基于图论的分割方法
Graph Cut在计算机视觉领域普遍应用于前背景分割、抠图等
基本原理：根据待分割的图像，确定图的节点与边，即图的形状已确定下来，是给图中所有边赋值相应的权重，然后找到权重和最小的边的组合，就完成了图像分割。

14、SIFT/SURF的特征提取方法，是如何保持尺度不变性的？

SIFT 算法的实质是在不同的尺度空间上查找关键点（特征点），并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照、仿射变换、噪音等因素而变换的点。如角点、边缘点、暗区的亮点及亮区的暗点等。
如何保持尺度不变性：
（1）尺度空间极值检测
（2）关键点定位
（3）关键点方向确定
（4）关键点描述
SURF算法是SIFT的改进，原理基本类似，在特征点检测这儿，SIFT是先进性非极大值抑制，再去除对比度低的点，最后通过Hessian矩阵去除边缘的点；而SURF是先用Hessian矩阵确定候选点，然后再进行非极大值抑制，该算法提高了SIFT的速度和鲁棒性，且理论上SURF是SIFT速度的三倍。

15、关于FLANN算法

16、Canny边缘检测的流程

17、图像锐化–sharpen

18、图像对比度

对比度：指一副图像中灰度反差的大小；
对比度 = 最大亮度 / 最小亮度
在传统图像算法中，可以使用直方图均衡化来调节图像对比度

19、图像滤波

定义：把滤波当做一个包含加权系数的窗口，当使用滤波器平滑处理图像时，就是把这个窗口放在镜像上，透过窗口看。
滤波的作用：去除图像的噪声
低通滤波器：去除图像的高频部分 —— 模糊化
高通滤波器：去除图像的低频部分 —— 锐化
线性滤波器：方框滤波、均值滤波、高斯滤波
非线性滤波：中值滤波、双边滤波

20、OpenCV中图像加法（cv2.add）与图像融合（cv2.addWeighted()）有何区别？

21、如何检测图片中的汽车，并识别车型，如果有遮挡怎么办？

最好不要将其当做一个单一的分类问题，而是当做细粒度的分类问题。
思路
（1）

22、常用的图像增强算法。

（1）直方图均衡化
（2）对数图像增强算法
（3）指数图像增强算法
（4）加Masaic算法（马赛克）
（5）曝光过度问题处理：
（6）高反差保留
（7）拉普拉斯算子图像增强
（8）Gamma校正

23、数字图像处理中常用图像分割算法有哪些？

（1）多数的图像分割算法
（2）图像边缘分割
（3）图像阈值分割
（4）基于区域的分割
（5）形态学分水岭算法

情商问题

1、你有女朋友了吗？

在哪里工作，女朋友在哪儿。

2、你以后回去哪里工作？

在哪面试，去哪工作。

3、接受出差吗？

接受4-6个月的出差调遣，但最好能固定住。

☆☆☆☆☆图像类找工作面试问题☆☆☆☆☆相关推荐

1. 啥？以后找工作面试求职者的将不是人！那是啥？道翰天琼认知智能机器人平台API接口为您揭秘。

   啥?以后找工作面试求职者的将不是人!那是啥?道翰天琼认知智能机器人平台API接口为您揭秘. 当你正襟危坐在屏幕前,参加公司视频面试的时候,此时盯着你的不仅是面试官,还有背后一整套 AI 算法. 你的表 ...

2. 找工作面试_求职面试和获得Web开发工作的提示

   找工作面试 In this one-on-one episode of the Versioning Show, Tim and David discuss the ins and outs of j ...

3. 软件测试应届生社招找工作面试会遇到哪些坑？（全网最全避坑指南）

   目录 找工作的最佳时间 是否裸辞 我们要做哪些准备工作 准备一段自我介绍 准备一份pdf简历 社招找工作的渠道:内推 找工作的最佳时间 社招找工作的最佳时间是:金三银四.也就是春节后的三月份和四月份. ...

4. 全部文章分类与整理（找工作+面试+资源分享），持续更新

   阅读本文大概需要 6 分钟 由于本公众号发表的文章有点多,并且发的文章也不是一个专题一个专题这样发的,所以难免有读者过来找我吐槽说,想搜索历史的文章,不太方便. 鉴于此,为了大家阅读文章方便,我整理了 ...

5. 计算机往届生考研失败找工作,考研考了四年,一直没考上.现在找工作,面试官问起过去几年在干什么,该怎么回答啊？...

   考研考了四年,一直没考上.现在找工作,面试官问起过去几年在干什么,该怎么回答啊?以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一 ...

6. 找工作面试经历——校招、秋招、图像算法、求职面试之路

   找工作的过程很早就结束了,一直没有时间记录一下这宝贵的时间,珍贵的历史.过程是艰辛的,结果还算是美好的.有面试机会的公司大多数都给offer了.最后去了华为,实习留用. 研一的时候还不知道自己到底想干 ...

7. 找工作面试会遇到哪些坑（校招篇）

   前言 我在JD工作已经有四个多月了,加班一直都比较多,不是因为工作量太大,而是因为自己不会的东西太多.电商行业的确是一个很锻炼人的地方. 2018年4月份,我写的那篇文章<裸辞两个月,海投一个月 ...

8. 找工作面试会遇到哪些坑（社招篇）

   前言 今天,我就针对社招找工作写一篇. (温馨提示:今天的社招篇,与上次的校招篇相比,会有一小部分内容的重合,毕竟校招和社招还是有一些共同点的.) 先简单介绍一下我的个人履历:我于2013年6月毕业于 ...

9. 毕业季之找工作——面试小总结+自我激励

   转眼间找工作已经一个月了,现在还没有找到工作,感觉已经很累了.原来找工作可以这么累的,接下来我想对近来的状况作一下简要的总结,以作激励和提醒. 从9月份中旬开学不久,就开始往各大公司的校园招聘网站投简 ...

最新文章

1. Spark 调优之数据倾斜
2. 前端里面如何进行搜索引擎优化(SEO)
3. 如何从0到1搭建电商促销系统？
4. matlab 范德蒙德矩阵,Matlab中fft与fwelch有什么区别？如何用fft求功率谱？
5. python--数据类型bytes
6. mysql 5.6压缩安装_MySQL 5.6 for Windows 解压缩版配置安装
7. SpringSecurity认证流程分析
8. Spark源码分析之Worker
9. 为什么Go中有的自定义error会导致内存溢出
10. scala编程第17章学习笔记（2）——集和映射
11. FISCO BCOS 区块最大最长交易执行时间
12. linux内核分析及应用 -- Linux 网络层数据流分析（上）
13. api64 gta5缺少steam_GTA5无法启动此程序,因为计算机中丢失steam_api64.dll 游戏打不来 现实这个,win7 64位....
14. vue3 composition API
15. 如何把视频和音频合并？手把手教你合并
16. 一维搜索---黄金分割法
17. 巴塞尔协议1、2、3内容总结(转)
18. 网站建设项目管理——8个步骤教你管理网站建设项目
19. 构件3扩大构件法的本质+W3是否等于W2 +角加速度α3是否等角加速度α2+科氏加速度诞生
20. 电偶极子的MATLAB场模拟

热门文章

1. java1到100的阶乘之和
2. STM32MP157 | 基于 Linux SPI 驱动M74HC595数码管显示
3. PCL 三维 CAD 模型 (obj、ply) 转点云 pcd 文件格式
4. swift 计时器timer
5. 基于 VPX 总线的工件台运动控制系统研究与开发-以光刻运动台为例（一）
6. 高并发架构系列：如何从0到1设计一个类Dubbo的RPC框架
7. 二叉树、B树、红黑树
8. java开发的chatGPT机器人系统
9. 光储直流微电网simulink仿真模型 双向变换器 ，独立光伏系统能量管理，最大功率点跟踪mppt 在传统的独立光伏发电系统中
10. 冲突向量求流水线调度策咯