桂林电子科技大学2013年硕士研究生入学考试复试试卷考试科目代码：204考试科目名称：通信原理A请注意：答案必须写在答题纸上（写在试卷上无效）。
一、 问答题（每题5分，总共50分）（1） 根据你所学的通信原理知识，请回答下列问题：请画出数字通信系统模型；
简述各个组成部分的主要功能和特点；
回答衡量数字通信系统性能好坏的主要性能指标。
（2） 通信系统的同步需考虑哪些？（3） 调制信道模型用加性干扰和乘性干扰表示信道对于信号传输的影响，根据乘性干扰的不同，信道可分为哪两种？（4） 请写出信道容量的公式，有哪几个主要参数，其相互关系如何？（5） 实际中为了减小码间串扰，需要采用什么措施进行补偿？眼图为直观评价接收信号的质量提供了一种有效的实验方法，它的作用是什么？（6） 二进制的数字调制有那两种基本方式？试比较有效性和可靠性。
（7） 试写出下列英文缩写的中文全称：QAMCDMAOFDMQPSKAWGN。
（8） 模拟信号经过哪几个步骤变成数字信号？其中哪个步骤会带来什么误差？（9） 某数字传输系统的码元速率是1200b/s，接收端在0.5个小时内共收到216个错误码元，试计算该系统的误码率Pe。
（10） 英汉互译：（英译汉）Wedescribedvarioustypesofmodulationmethodsthatmaybeusedtotransmitdigitalinformationthroughacommunicationchannel.Aswehaveobserved,themodulatoratthetransmitterperformsthefunctionofmappingtheinformationsequenceintosignalwaveforms.（汉译英）本章将研究噪声对调制系统可靠性的影响，特别是深入研究各种调制方法的发送信号受到加性高斯白噪声恶化时，最佳接收机的设计和性能特征。

利的申请情况是行业内活跃程度的重要表现特征，同时也是技术发展应用的重要指标，反映各创新主体对知识产权的保护需求，有助于企业发明创造成果推广应用，促进国家科学技术的迅速发展。

VS2010+opencv+libfacedetection，里面包括人脸检测、性别识别、人脸识别、人数检测等小程序，都是借鉴别人的基础上自己改的，全部可以运行。
其中人数检测是用kinect实现的，人脸识别程序可运行，但是可能由于特征选的不对，未能实现，后来不做这个了，也没深入研究。

瑞文测试，全称为瑞文标准推理测验（Raven'sProgressiveMatrices），是由英国心理学家约翰·C·瑞文在20世纪30年代设计的一种非语言智力测验。
这个测试广泛应用于评估个体的逻辑推理能力、抽象思维能力和问题解决能力，而非依赖于特定的语言或文化背景，因此具有较高的普适性。
瑞文测试通常由一系列几何图形组成，测试者需要找出图形之间的规律，并选择正确的图形来完成序列。
瑞文测试主要分为几个部分，包括初级、中级和高级，难度逐级递增。
初级部分主要考察基础的图形识别和推理，而高级部分则涉及更复杂的抽象概念和推理。
每个问题通常有六个备选答案，测试者需在有限的时间内做出选择。
该测验的评分系统基于正确答案的数量，分数越高，表示个体的智力水平和逻辑推理能力越强。
瑞文测试的得分可以用来衡量个体的智商（IQ），但需要注意的是，它只是智力评估的一种工具，不能全面反映一个人的所有能力，如创造力、情绪智力、社交技能等。
在公司环境中，瑞文测试常被用于招聘和人才选拔过程中，以评估候选人的逻辑思维能力和潜在的学习能力。
然而，这种测试也有其局限性，因为它无法完全展示候选人在团队合作、沟通技巧或实际工作经验等方面的才能。
进行瑞文测试时，有几点需要注意：1.保持冷静：不要因为时间压力而慌张，冷静思考往往能帮助找到正确的答案。
2.观察规律：仔细观察图形的形状、颜色、大小、方向等特征，寻找它们之间的联系。
3.跳出常规思维：尝试从不同的角度思考问题，不要局限于已知的模式。
4.练习提升：虽然瑞文测试旨在测试即兴推理，但通过练习类似的题目可以提高解题速度和准确率。
瑞文测试是一种有效的智力评估工具，能帮助了解个体的逻辑推理和抽象思维能力。
在公司中，它可以作为招聘过程中的一个参考，但不应作为唯一的评价标准。
个人应全面发展各种能力，以适应不同工作环境的需求。

人脸识别是一个非常困难的模式识别问题，具有非常广阔的应用前景。
一个人脸识别系统包括预处理、特征提取和分类器设计三个部分，对输入的人脸图像进行预处理是人脸识别过程中的一个重要步骤。
人脸图像由于在生成、传输或变换过程中会受到各种因素的干扰和影响，从而产生噪声。
为了保证提取的特征对人脸在图像中的大小、位置和偏斜具有不变性，以及对光照条件具有不敏感性，故特别需要对人脸图像进行预处理。
包括人脸识别技术分析研究及各种算法

利用matlab中fuzzy函数对图像进行分类，特征包括图像lab各个色彩通道的熵，以及saturation的熵

书名：无线通信基础原书名：FundamentalsofWirelessCommunication原出版社：CambridgeUniversityPress分类：电子电气＞＞通信作者：DavidTse,PramodViswanath译者：李锵周进等译；
马晓莉审校出版日期：2007-06-30语种：简体中文开本：16开页数：440定价：59.00元人民币目录第1章绪论11.1本书目标11.2无线系统21.3本书结构4第2章无线信道72.1无线信道的物理建模72.1.1自由空间、固定发射天线与接收天线82.1.2自由空间、运动天线92.1.3反射墙、固定天线102.1.4反射墙、运动天线112.1.5地平面反射122.1.6由距离和阴影引起的功率衰减132.1.7运动天线、多个反射体142.2无线信道的输入/输出模型142.2.1无线信道的线性时变系统142.2.2基带等效模型162.2.3离散时间基带模型182.2.4加性白噪声212.3时间相干与频率相干222.3.1多普勒扩展与相干时间222.3.2时延扩展与相干带宽232.4统计信道模型252.4.1建模基本原理252.4.2瑞利衰落与莱斯衰落262.4.3抽头增益自相关函数272.5文献说明312.6习题31第3章点对点通信：检测、分集与信道不确定性363.1瑞利衰落信道中的检测363.1.1非相干检测363.1.2相干检测393.1.3从BPSK到QPSK：自由度研究413.1.4分集433.2时间分集443.2.1重复编码443.2.2超越重复编码473.3天线分集523.3.1接收分集533.3.2发射分集：空时码543.3.3MIMO：一个2×2实例563.4频率分集613.4.1基本概念613.4.2具有ISI均衡的单载波623.4.3直接序列扩频673.4.4正交频分多路复用703.5信道不确定性的影响753.5.1直接序列扩频的非相干检测763.5.2信道估计773.5.3其他分集方案793.6文献说明813.7习题81第4章蜂窝系统：多址接入与干扰管理884.1概述884.2窄带蜂窝系统904.2.1窄带分配：GSM系统914.2.2对网络和系统设计的影响924.2.3对频率复用的影响934.3宽带系统：CDMA944.3.1CDMA上行链路954.3.2CDMA下行链路1054.3.3系统问题1064.4宽带系统：OFDM1074.4.1分配设计原理1084.4.2跳频模式1094.4.3信号特征与接收机设计1104.4.4扇区化1114.5文献说明1124.6习题113第5章无线信道的容量1215.1AWGN信道容量1215.1.1重复编码1225.1.2填充球体1225.2AWGN信道的资源1255.2.1连续时间AWGN信道1255.2.2功率与带宽1265.3线性时不变高斯信道1305.3.1单输入多输出（SIMO）信道1305.3.2多输入单输出（MISO）信道1315.3.3频率选择性信道1315.4衰落信道的容量1365.4.1慢衰落信道1365.4.2接收分集1385.4.3发射分集1405.4.4时间分集与频率分集1435.4.5快衰落信道1465.4.6发射端信息1495.4.7频率选择性衰落信道1565.4.8总结：观点的转变1565.5文献说明1585.6习题159第6章多用户容量与机会通信1676.1上行链路AWGN信道1686.1.1逐行干扰消除获得的容量1686.1.2与传统CDMA的比较1706.1.3与正交多址接入的比较1716.1.4一般K用户上行链路容量1726.2下行链路AWGN信道1736.2.1对称情况：获取容量的两种方案1746.2.2一般情况：叠加编码获取容量1766.3上行链路衰落信道1796.3.1慢衰落信道1796.3.2快衰落信道1806.3.3完整的信道辅助信息1826.4下行链路衰落信道18

数据集在IT行业中，特别是在机器学习和计算机视觉领域，扮演着至关重要的角色。
"各种病虫害的高清数据集"是一个专门针对农业病虫害识别的图像数据集，它包含了五个不同类别的高清图片，这些图片是jpg格式，非常适合用于训练和测试深度学习模型。
我们来详细了解一下数据集的概念。
数据集是模型训练的基础，它包含了一系列有标记的样本，这些样本用于训练算法学习特定任务的特征和模式。
在这个案例中，数据集中的每个样本都是一张病虫害的高清图片，可能包括农作物上的疾病症状或害虫。
这些图片经过分类，分别属于五个不同的类别，这意味着模型将需要学习区分这五种不同的病虫害类型。
在计算机视觉任务中，高清图片通常能提供更多的细节，有助于模型更准确地学习和理解图像特征。
jpg格式是一种常见的图像存储格式，它采用了有损压缩算法，能在保持图像质量的同时，减少文件大小，适合在网络传输和存储中使用。
对于这样的数据集，可以进行以下几种机器学习任务：1.图像分类：训练一个模型，输入一张病虫害图片，输出图片所属的类别。
例如，输入一张叶片有斑点的图片，模型应该能够判断出这是哪种病害。
2.目标检测：除了识别类别，还需要确定病虫害在图片中的位置，这要求模型能够定位并框出病虫害的具体区域。
3.实例分割：进一步细化目标检测，不仅指出病虫害的位置，还能精确到每个个体，这对于计算病虫害数量或者分析病害程度非常有用。
4.异常检测：训练模型识别健康的农作物图像，当出现病虫害时，模型会发出警报，帮助农民尽早发现并处理问题。
构建这样的模型通常涉及以下几个步骤：1.数据预处理：包括图片的缩放、归一化、增强（如翻转、旋转）等，目的是提高模型的泛化能力。
2.模型选择：可以使用经典的卷积神经网络（CNN），如AlexNet、VGG、ResNet等，或者预训练模型如ImageNet上的模型，再进行微调。
3.训练与验证：通过交叉验证确保模型不会过拟合，并调整超参数以优化性能。
4.测试与评估：在独立的测试集上评估模型的性能，常用的指标有准确率、召回率、F1分数等。
5.部署与应用：将训练好的模型部署到实际系统中，如智能手机APP或农田监控系统，实时识别并报告病虫害情况。
"各种病虫害的高清数据集"为开发精准的农业智能识别系统提供了基础，通过AI技术可以帮助农业实现智能化、精准化管理，提升农作物的产量和质量，对现代农业发展具有重要意义。

MeanShift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.Comaniciu等人[3][4]把MeanShift成功的运用的特征空间的分析,在图像平滑和图像分割中MeanShift都得到了很好的应用.Comaniciu等在文章中证明了,MeanShift算法在满足一定条件下,一定可以收敛到最近的一个概率密度函数的稳态点,因此MeanShift算法可以用来检测概率密度函数中存在的模态.

本文将介绍一种基于深度学习和稀疏表达的人脸识别算法。
首先，利用深度学习框架(VGGFace)提取人脸特征；
其次，利用PCA对提取的特征进行降维；
最后，利用稀疏表达分类实现特征匹配。
我采用CMC曲线评价在AR数据库上的识别性能。
最后我还提供了整个过程的code。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。