积化和差

cos⁡αcos⁡β=12[cos⁡(α+β)+cos⁡(α−β)]\cos \alpha \cos \beta = \frac{1}{2}[\cos (\alpha + \beta ) + \cos (\alpha - \beta )]cosαcosβ=21[cos(α+β)+cos(α−β)]sin⁡αcos⁡β=12[sin⁡(α+β)+sin⁡(α−β)]\sin \alpha \cos \beta = \frac{1}{2}[\sin (\alpha + \beta ) + \sin (\alpha - \beta )]sinαcosβ=21[sin(α+β)+sin(α−β)]sin⁡αsin⁡β=12[cos⁡(α−β)−cos⁡(α+β)]\sin \alpha \sin \beta = \frac{1}{2}[\cos (\alpha - \beta ) - \cos (\alpha + \beta )]sinαsinβ=21[cos(α−β)−cos(α+β)]cos⁡αsin⁡β=12[sin⁡(α+β)−sin⁡(α−β)]\cos \alpha \sin \beta = \frac{1}{2}[\sin (\alpha + \beta ) - \sin (\alpha - \beta )]cosαsinβ=21[sin(α+β)−sin(α−β)]

自相关与互相关

RX(t2,t1)=RX∗(t1,t2){R_X}({t_2},{t_1}) = R_X^*({t_1},{t_2})RX(t2,t1)=RX∗(t1,t2)RXY(t2,t1)=RYX∗(t1,t2){R_{XY}}({t_2},{t_1}) = R_{YX}^*({t_1},{t_2})RXY(t2,t1)=RYX∗(t1,t2)RX(t2,t1)=RX(τ),τ=t1−t2{R_X}({t_2},{t_1}) = {R_X}(\tau ),\quad \tau = {t_1} - {t_2}RX(t2,t1)=RX(τ),τ=t1−t2

矩阵微分

YYY、BBB和RRR均代表矩阵，zzz和aaa代表向量，上标T表示转置，∗*∗表示共轭，H表示共轭转置。
∂YTB∂B=Y\frac{{\partial {Y^{\mathop{\rm T}\nolimits} }B}}{{\partial B}} = Y∂B∂YTB=Y∂BTY∂B=Y\frac{{\partial {B^{\mathop{\rm T}\nolimits} }Y}}{{\partial B}} = Y∂B∂BTY=Y

规律总结： “前面”为转置，对“不转置”求导，结果为“另一个不转置”

∂BTYTYB∂B=2YTYB\frac{{\partial {B^{\mathop{\rm T}\nolimits} }{Y^{\mathop{\rm T}\nolimits} }YB}}{{\partial B}} = 2{Y^{\mathop{\rm T}\nolimits} }YB∂B∂BTYTYB=2YTYB∂BTB∂B=2B\frac{{\partial {B^{\mathop{\rm T}\nolimits} }B}}{{\partial B}} = 2B∂B∂BTB=2B∂BTWB∂B=WB+WTB\frac{{\partial {B^{\mathop{\rm T}\nolimits} }WB}}{{\partial B}} = WB + {W^{\mathop{\rm T}\nolimits} }B∂B∂BTWB=WB+WTB
特别地，WT=W{{W^{\mathop{\rm T}\nolimits} } = W}WT=W时，
∂BTWB∂B=WB+WTB=2WB\frac{{\partial {B^{\mathop{\rm T}\nolimits} }WB}}{{\partial B}} = WB + {W^{\mathop{\rm T}\nolimits} }B = 2WB∂B∂BTWB=WB+WTB=2WB

复微分

下表给出了标量函数f(w)f(\boldsymbol{w})f(w)和向量函数f(w)\boldsymbol{f}(\boldsymbol{w})f(w)关于可变向量w\boldsymbol{w}w和w∗\boldsymbol{w}^{*}w∗的复数微分结果。

函数类型	函数	变量w\boldsymbol{w}w	变量w∗\boldsymbol{w}^{*}w∗
标量f(w)f(\boldsymbol{w})f(w)	re⁡[wHx]\operatorname{re}\left[\boldsymbol{w}^{\mathrm{H}} \boldsymbol{x}\right]re[wHx]	12x∗\frac{1}{2}\boldsymbol{x}^{*}21x∗	12x\frac{1}{2}\boldsymbol{x}21x
标量f(w)f(\boldsymbol{w})f(w)	wHx\boldsymbol{w}^{\mathrm{H}} \boldsymbol{x}wHx	0{\bf{0}}0	x\boldsymbol{x}x
标量f(w)f(\boldsymbol{w})f(w)	xHw\boldsymbol{x}^{\mathrm{H}} \boldsymbol{w}xHw	x∗\boldsymbol{x}^{*}x∗	0{\bf{0}}0
标量f(w)f(\boldsymbol{w})f(w)	wHRw\boldsymbol{w}^{\mathrm{H}} \boldsymbol{R} \boldsymbol{w}wHRw	RTw∗=(RHw)∗\boldsymbol{R}^{\mathrm{T}} \boldsymbol{w}^{}=\left(\boldsymbol{R}^{\mathrm{H}} \boldsymbol{w}\right)^{}RTw∗=(RHw)∗	Rw\boldsymbol{R} \boldsymbol{w}Rw
矢量f(w)\boldsymbol{f}(\boldsymbol{w})f(w)	H1w+H2w∗\boldsymbol{H}_{1} \boldsymbol{w}+\boldsymbol{H}_{2} \boldsymbol{w}^{*}H1w+H2w∗	H1T\boldsymbol{H}_{1}^{\mathrm{T}}H1T	H2T\boldsymbol{H}_{2}^{\mathrm{T}}H2T

一个计算小技巧

已知基向量两两正交

∫−∞∞fm(t)fn∗(t)dt=δ(m−n)\int_{ - \infty }^\infty {{f_m}(t)f_n^*(t)dt} = \delta (m - n)∫−∞∞fm(t)fn∗(t)dt=δ(m−n)

s(t){s(t)}s(t)可由基向量线性组合近似

s^(t)=∑k=1Kskfk(t)\hat s(t) = \sum\limits_{k = 1}^K {{s_k}{f_k}(t)}s^(t)=k=1∑Kskfk(t)

由误差与基向量正交，有

⟨s(t)−s^(t),fn(t)⟩=0⇒sn=⟨s(t),fn(t)⟩\left\langle {s(t) - \hat s(t),{f_n}(t)} \right\rangle = 0 \Rightarrow {s_n} = \left\langle {s(t),{f_n}(t)} \right\rangle⟨s(t)−s^(t),fn(t)⟩=0⇒sn=⟨s(t),fn(t)⟩

则误差的二范数为

εe=∫−∞∞(s(t)−s^(t))(s(t)−s^(t))∗dt{\varepsilon _e} = \int_{ - \infty }^\infty {(s(t) - \hat s(t)){{(s(t) - \hat s(t))}^*}dt}εe=∫−∞∞(s(t)−s^(t))(s(t)−s^(t))∗dt

=∫−∞∞∣s(t)∣2dt−∫−∞∞∑k=1Kskfk(t)⋅s∗(t)dt−⟨s(t)−s^(t),s^∗(t)⟩= \int_{ - \infty }^\infty {|s(t){|^2}dt} - \int_{ - \infty }^\infty {\sum\limits_{k = 1}^K {{s_k}{f_k}(t)} \cdot {s^*}(t)dt}- \left\langle {s(t) - \hat s(t),{{\hat s}^*}(t)} \right\rangle=∫−∞∞∣s(t)∣2dt−∫−∞∞k=1∑Kskfk(t)⋅s∗(t)dt−⟨s(t)−s^(t),s^∗(t)⟩

=∫−∞∞∣s(t)∣2dt−∑k=1Ksk[∫−∞∞s(t)fk∗(t)dt]∗= \int_{ - \infty }^\infty {|s(t){|^2}dt} - \sum\limits_{k = 1}^K {{s_k}{{[\int_{ - \infty }^\infty {s(t)f_k^*(t)dt} ]}^*}}=∫−∞∞∣s(t)∣2dt−k=1∑Ksk[∫−∞∞s(t)fk∗(t)dt]∗

=∫−∞∞∣s(t)∣2dt−∑k=1Ksksk∗= \int_{ - \infty }^\infty {|s(t){|^2}dt} - \sum\limits_{k = 1}^K {{s_k}s_k^*}=∫−∞∞∣s(t)∣2dt−k=1∑Ksksk∗

=∫−∞∞∣s(t)∣2dt−∑k=1K∣sk∣2= \int_{ - \infty }^\infty {|s(t){|^2}dt} - \sum\limits_{k = 1}^K {|{s_k}{|^2}}=∫−∞∞∣s(t)∣2dt−k=1∑K∣sk∣2

【2020.12.30更新】信号处理常用公式（一）相关推荐

一篇文章足够你学习蓝牙技术，提供史上最全的蓝牙技术（传统蓝牙/低功耗蓝牙）文章总结，文档下载总结（2020/12/11更新）
本文章目的: 1)给广大蓝牙爱好者提供蓝牙资料下载渠道 2)给广大蓝牙爱好者增加一个蓝牙学习文章导读我们的蓝牙书以及CSDN蓝牙系列的书籍以及视频有以下计划,大家可以根据兴趣爱好或者工作需要挑选特定 ...
蚂蚁森林合种计划(2020.12.26更新,7天有效)
种树,让地球更美丽.更健康宏基因组蚂蚁森林公益合种团队.现诚招队友,带你3000~5000g能量种10~20万能量大树,每天浇水一千,每种树循环种.热爱种树.保证支付宝每天10点前浇水1000g,无 ...
蚂蚁森林合种计划(2020.12.19更新,7天有效)
种树,让地球更美丽.更健康宏基因组蚂蚁森林公益合种团队.现诚招队友,带你3000~5000g能量种10~20万能量大树,每天浇水一千,每种树循环种.热爱种树.保证支付宝每天10点前浇水1000g,无 ...
基于代价函数小波脊相位的MFSK信号符号速率估计MATLAB仿真及代码（2020.12.14更新）
算法来源王勇, 王李福, 邹辉,等. 一种小波脊相位提取方法: 中国专利. 仿真结果引言当前,脊点的选取较准确也较经典的方法是Liu等提出的里程碑式的基于代价函数的小波脊相位提取方法(即代价函数 ...
Linux操作Oracle(17)——linux oracle启动时：各种报错解决方案（2020.07.30更新...）
我们在linux下启动oracle服务: 第一个:启动监听服务时:执行命令:lsnrctl start :此时报command not found(这是我们在linux里见过最多的错误了吧) 原因:那 ...
基于python+uiautomator2，2020.12月最新库的使用方法，更新watcher使用方法
uiautomator2 此库基于2020.12更新版本这里有一份快速参考,适合已经入门的人 import uiautomator2 as u2d = u2.connect("--seri ...
计算机常用函数绝对值,工作中最常用的30个Excel函数公式，帮你整理齐了！
兰色原来参与过很多次单位新员工招聘,问及都熟悉哪些Excel函数时,多数答:Sum.IF.Vlookup.Sumif...一般回答不超过6个.兰色以多年的工作和管理经验,工作中只会这些简单函数,真不知 ...
英语积累知识（二） 2020/1/30 2019年12月六级翻译
英语积累知识(二) 2020/1/30 2019年12月六级翻译简言:笔者在2019年12月份参加的CET6 的翻译题是"梅花",在这里特将三份试卷的翻译及重点词汇做详解,发现三 ...
DayDayUp：2019.12.30吴晓波2020年终秀演讲《预见2020：来海边，拾起信心》读后有感
DayDayUp:2019.12.30吴晓波2020年终秀演讲<预见2020:来海边,拾起信心>读后有感导读:2019年,过的好不好?有人豪情万丈,有人强颜欢笑. 互联网平台带来了方便快 ...

【2020.12.30更新】信号处理常用公式（一）

积化和差

自相关与互相关

矩阵微分

复微分

一个计算小技巧

【2020.12.30更新】信号处理常用公式（一）相关推荐

最新文章

热门文章