摘要： 一、Part II：有限自动机（FA / DFA / NFA / 正则语言） 📌 对应考卷：第 1～4 题 1️⃣ DFA（确定型有穷自动机）——【必考中的必考】 PPT 核心内容 DFA 五元组定义 M=(Q,Σ,δ,q0,F)M=(Q,\Sigma,\delta,q_0,F)M=(Q,Σ,δ, 阅读全文

摘要： glass 的 Ratio 明显“左移” glass 基本集中在 0–6 door / speech 大量分布在 10 以上 Ratio=EHPF​Etotal​​ 高频多 → EHPFE_{\text{HPF}}EHPF​ 大 → Ratio 小 高频少 → EHPFE_{\text{HPF}}E 阅读全文

摘要： 这是一个非常专业、而且导师导向非常明确的问题。我先给你一句可以直接当“项目总判断”的结论，然后再拆解“为什么”“你该怎么选”“你这个项目最该从哪里下手”。 一句话结论（你可以记住这一句） 在超低功耗声学传感器里： 👉 “功耗上限由硬件决定， 👉 功耗下限由算法决定。” 换成更工程化的说法： 硬件 阅读全文

摘要： 总体学习路线图（快 + 不绕路） 声音信号是什么 ↓ 运放为什么能放大麦克风 ↓ 为什么要低通 / 高通（混叠 & 频谱） ↓ ADC 采样在干什么 ↓ 为什么 TI 不用 FFT，而用 HPF + 积分 下面我逐块给你精确到“学什么、不学什么”。 模块 1️⃣：声音 & 信号基础（最少 1 天） 阅读全文

摘要： 🧠 一、AFNN 系统结构回顾（你要搭的是什么） 目标：搭建一个4f 光学神经网络系统，实现图像分类（例如 MNIST）或光场模式识别。 光路主要包括 5 个部分： 模块对应物理器件作用 光源 激光器 (Laser) 提供相干光场（单模） 输入编码 DMD 或 SLM1 把输入数字图像调制成光振幅 阅读全文

摘要： 📘 全光学神经网络（All-Optical Neural Networks, AONN）学习清单 ——论文 + 源码 + 学习顺序推荐（适合从你当前AFNN水平向更高层深入） 🥇 阶段 1：入门与经典模型（了解光学实现神经网络的原理） 1️⃣ 《All-Optical Machine Learn 阅读全文

摘要： 入门仿真（零硬件） single_pixel_demo（Matlab + Python） 用 Hadamard 模式做采样，含加噪声与重建的完整最小示例；最适合第一天跑通。 GitHub single-pixel-imaging（教育向示例） 讲清单像素成像基本原理与流程，代码简单，便于改动做小实验 阅读全文

摘要： 一、GIDC 显著提升重建质量，解决传统 DGI 的噪声与模糊问题 从图中 “DGI” 与 “GIDC” 的重建结果对比（如字符 “王”、图案细节）可直接观察到： 传统 DGI 的局限性： 图中 DGI 重建结果存在明显噪声（背景杂点多）、边缘模糊（如字符笔画边缘不清晰），甚至细节丢失（如小尺寸图案 阅读全文

摘要： 这篇论文提出的 “物理增强深度学习（physics enhanced deep learning）” 单像素成像方法，核心是把单像素成像的物理原理（测量过程、信号生成规律）与深度学习的拟合能力结合起来，而不是让深度学习 “凭空” 还原图像。具体来说，物理方法的作用贯穿了从 “信号获取” 到 “图像还 阅读全文

摘要： 根据论文《Single-pixel imaging using physics enhanced deep learning》的内容，以下参数可调整以体现该方法的核心优点（如低采样率下的鲁棒性、泛化性和高保真度）： 1. 采样率（\(\beta = M/N\)） 定义：M为测量次数（编码模式数量）， 阅读全文