作者查詢 / PPguest
作者 PPguest 在 PTT 全部看板的留言(推文), 共825則
限定看板:全部
看板排序:
2F推: 恭喜!Asa果然厲害03/05 22:37
8F推: 電腦是頁籤在下 手機是頁籤在上03/01 23:05
18F推: 推薦Deskmini用Fan Control控制風扇轉速02/12 20:41
19F→: 可以用多個溫度感測器來控制轉速,也可以用time average02/12 21:51
20F→: 讓跳動的cpu溫度變平緩些02/12 21:51
24F→: 原po應該知道用AMD原廠扇的話要拆風扇外殼(?)吧02/12 22:14
25F→: 多個溫度感測器,例如主機板CPU溫度(可能是soc vrm那邊的)02/12 22:21
26F→: 主機板axillary溫度,SSD溫度02/12 22:22
27F→: 若用5600g,注意一下deskmini有沒有支援,不然請他們刷bios02/12 22:34
28F→: 舊的X300 bios是1.40,不支援5000系列 也許現在的都是新的02/13 00:13
12F→: b大的意思是按OSD的選單 看選單畫面是否正常01/29 15:02
14F→: 好奇問問 Deskmini的變壓器有離螢幕很近嗎?01/29 16:06
25F推: 不知道原po的簡訊app有沒有用即時通訊功能?01/22 19:28
99F推: remember the milk+112/22 21:26
23F推: 看到"用隨機過程建模...某個x_n出來的結果是錯誤",11/11 21:39
24F→: "某個抽樣x_n不符合理論推導結果",有點好奇什麼是11/11 21:40
25F→: "結果錯誤"和"不符合理論推導結果"11/11 21:41
26F→: 是我後面想到簡單例子的這種嗎?公平骰子的期望值是11/11 21:43
27F→: 3.5,每次抽樣10個,把x_1~x_10做平均,結果發現結果常11/11 21:45
28F→: 常不是理論值的3.511/11 21:46
34F推: 個人是覺得碰到有隨機性或不確定性的問題時,11/13 16:03
35F→: 用機率來建模是可以理解的。11/13 16:03
36F→: 用隨機過程建模,想出的一個(例如)denoise的方法,11/13 16:03
37F→: 如果有人問為什麼這個方法可以denoise,11/13 16:03
38F→: 通常都至少有一定程度可以說明。11/13 16:03
39F→: 如果不要用到機率統計,只對x_n做實數列假設,11/13 16:04
40F→: 我會好奇那是怎麼對問題做建模的?11/13 16:05
41F→: 雜訊在模型中是什麼?能解釋為什麼方法能denoise嗎11/13 16:05
42F→: 題外話,用實數列來看待,感覺也是很新奇有趣11/13 16:12
43F推: 好奇問一下,方法的理論是不是都沒有講實作的表現能11/13 16:21
44F→: 多好,或者其他跟實作表現有關的任何資訊?11/13 16:22
45F→: 什麼都沒有的話感覺很頭痛,不知道能不能自己估計?11/13 16:27
46F推: 對於原po說的分析方向或者實數列看待,11/14 23:50
47F→: 感覺好像既知道卻同時又不知道到底是在做什麼,11/14 23:51
48F→: 從Wiener filter的例子只看到在理論推導的部分。11/14 23:51
49F→: 想知道原po的實數列看待到底是什麼,11/14 23:51
50F→: 是否能用下面這個更簡單的例子來說明呢?11/14 23:51
51F→: 以下不嚴謹、用詞不精確、很簡略警告!11/14 23:51
52F→: 假設訊號 w_k = s_k + n_k, n_k 是雜訊,是 0 mean11/14 23:52
53F→: 的 Gaussian noise, 有iid。11/14 23:52
54F→: denoise的方法很簡單,除了邊邊要另外處理,11/14 23:52
55F→: 中間的部分 x_k=1/4*[w_(k-1)+2*w_k+w_(k+1)]11/14 23:52
56F→: 用機率很容易可以說明為什麼這個方法可以denoise。11/14 23:53
57F→: 若用Fourier & Spectral Analysis來看同一個程式碼11/14 23:53
58F→: 可以看成捲積,然後發現其實是某種low pass filter11/14 23:53
59F→: 雜訊大概是某種高頻的訊號,因此可以denoise。11/14 23:54
60F→: 感謝11/14 23:54
62F→: 看起來我讓你搞錯了,不是用Wiener filter來denoise11/15 20:07
63F→: 是用 x_k=1/4*[w_(k-1)+2*w_k+w_(k+1)] 這個方法11/15 20:07
64F→: 名詞的話應該是 averaging filter 這一類的11/15 20:23
65F→: 我寫的w,s,n,我是這麼看:對每個k,n_k是隨機變數11/15 20:56
66F→: s是"圖片"(我不知道一維的該怎麼稱呼),s_k是第k個11/15 20:58
67F→: "像素".整個s在想像中是理想沒有被干擾的"圖片"11/15 21:00
68F→: "圖片"本身沒隨機性,把它看成"那個"圖片"發生的機率11/15 21:04
69F→: 是100%",所以s_k也看成是隨機變數,w_k也一樣11/15 21:06
70F→: X_n(w)/X(w_n)/X(n)的部分,原本我以為只是符號的問11/15 21:15
71F→: 題,搞清楚是指什麼就好。不過我剛剛才知道隨機過程11/15 21:24
72F→: 有分離散時間和連續時間。所以……我不知道11/15 21:24
73F→: 啊,本文有講,還請原po幫我刪掉22:17的推文11/15 22:42
75F推: 所以原po的分析學假設,我可以理解成之後會連接到11/16 19:20
76F→: FIR濾波器的理論嗎?11/16 19:22
77F推: 我問得明確一點,相對於統計假設,原po的分析學假設11/17 09:52
78F→: 我是否可以理解成一樣也是用頻率的角度來解釋事情?11/17 09:53
1F推: 看起來BP也變成要顧狀態調整陣容11/04 17:22
1F推: 哇!10/29 14:00
11F推: 推質詢影片10/23 13:58