光学常用非初等函数
Z
y
)x
1
≤和1
y
≤Z
circ
3、两维非初等函数一般形式函数的比例
平移
自变量线性变换：坐标变换，x ’y ’z ’to x ，y ，z
)
,(),(by ax cf y x f ?a,b表示x，y方向上缩小的倍数c表示z方向上放大的倍数
00),(),(z y y x x f y x f +???x 0, y 0,z 0表示x，y,z 方向上的平移量
2
22111''c y b x a y c y b x a x ++=++=
Z
Z
Z
+c y )
)
（b）函数序列极限形式定义普通函数g
n
(x):
δ函数定义：
1
)
(
)
(
lim
=
∞
=
∫∞
∞
?
∞
→
dx
x
g
x
g
k
n
n
1
)
(
)
(
lim
,0
)
(
lim
)
(
=≠
=
=∞
=
=
∫∞∞?∞
→
∞
→dx x
g
x
x
g
n
x
x
g
x
k n
n
n
n
正整数
δ
2、δ函数性质：
（a）积分性质推论：
（b）筛选性质：f(x)连续函数,
意义：通过δ(x)与连续函数的相乘积分,筛选出连续函数在脉冲所在位置的函数值f(0).
1)(=∫
∞
∞
?dx x δ1
)(0
=±∫∞
∞
?dx x x δ)
0()()(f dx x f x =∫∞
∞
?δ
推论1：
推论2：f(x)是(a,b)中函数.
（b）乘法性质
推论:
)
()()(0
x f dx x f x x ?=±∫∞
∞
?δ???<<=?∫∞
∞
?其他,0),()()(000b
x a x f dx x f x x δ)
()()()(000x f x x x f x x ?=?δδ??
?=≠=?0
,0
0)()(000x x x x x 无定义，δδ
信息光学复习重要知识点
1.常用的非初等函数：矩形函数、Sinc函数、三角形函数、符号函数、阶跃函数、圆柱函 数。 2.δ函数的定义：a.类似普通函数定义b.序列极限形式定义c.广义函数形式定义 δ函数的性质：a.筛选性质 b.坐标缩放性质 c.可分离变量性 d.与普通函数乘积性质 4.卷积，性质：线性性质、交换律、平移不变性、结合律、坐标缩放性质 5.互相关，两个函数f(x,y）和g(x,y)的互相关定义为含参变量的无穷积分 6.惠更斯-菲涅尔原理：光场中任意给定曲面上的诸面元可以看作是子波源，如果这些子 波源是相干的，则在波继续传播的空间上任意一点处的光振动都可看作是子波源各自发出的子波在该点相干叠加的结果。 7.基尔霍夫理论：在空域中光的传播，把孔径平面上的光场看作点源的集合，观察平面上 的场分布则等于他们所发出的带有不同权重的因子的球面子波的相干叠加。 8.角谱理论：孔径平面和观察平面上的光场分布都可以分别看成是许多不同方向传播的单 色平面波分量的线性组合。 9.点扩散函数：面元的光振动为单位脉冲即δ函数时，这个像场分布函数叫做~。 10.菲涅尔衍射成立的充分条件： 传递函数： 11.泰伯效应：当用单色平面波垂直照明一个具有周期性透过率函数的图片时，发现在该透 明片后的某些距离上出现该周期函数的现象，这种不用透镜就可以对周期物体成像的现象称为~。 12.夫琅禾费衍射： 13.衍射受限系统：不考虑系统的几何像差，仅仅考虑系统的衍射限制。 14.单色信号的复表示：去掉实信号的负频成分，加倍实信号的正频成分。 多色信号的复表示： 16.如果两点处的光扰动相同，两点间的互相干函数将变成自相干函数。 18.光学全息：利用干涉原理，将物体发出的特定光波以干涉条纹的形式记录下来，使物光 波前的全部信息都储存在记录介质中，做记录的干涉条纹图样被称为“全息图”，当用光波照射全息图时，由于衍射原理能能重现出原始物光波，从而形成与原物体逼真的三维像，这个波前记录和重现的过程成为~ 19.+1级波（虚像），-1级波（实像），±1级波（赝像） 20.从物光与参考光的位置是否同轴考虑：同轴全息、离轴全息。 从记录时物体与全息图片的相对位置分类：菲涅尔全息图、像面全息图、傅里叶变换全息图。 从记录介质的厚度考虑：平面全息图、体积全息图。 21.菲涅尔全息图：记录平面位于物体衍射光场的菲涅尔衍射区，物光由物体直接照到底片 上 傅里叶全息图：物体或图像频谱的全息记录。
BP神经网络实验——【机器学习与算法分析 精品资源池】
实验算法BP神经网络实验 【实验名称】 BP神经网络实验 【实验要求】 掌握BP神经网络模型应用过程，根据模型要求进行数据预处理，建模，评价与应用； 【背景描述】 神经网络：是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。其基本组成单元是感知器神经元。 【知识准备】 了解BP神经网络模型的使用场景，数据标准。掌握Python/TensorFlow数据处理一般方法。了解keras神经网络模型搭建，训练以及应用方法 【实验设备】 Windows或Linux操作系统的计算机。部署TensorFlow，Python。本实验提供centos6.8环境。 【实验说明】 采用UCI机器学习库中的wine数据集作为算法数据，把数据集随机划分为训练集和测试集，分别对模型进行训练和测试。 【实验环境】 Pyrhon3.X，实验在命令行python中进行，或者把代码写在py脚本，由于本次为实验，以学习模型为主，所以在命令行中逐步执行代码，以便更加清晰地了解整个建模流程。 【实验步骤】 第一步：启动python： 1
命令行中键入python。 第二步：导入用到的包，并读取数据： (1).导入所需第三方包 import pandas as pd import numpy as np from keras.models import Sequential from https://www.360docs.net/doc/a211346995.html,yers import Dense import keras (2).导入数据源,数据源地址:/opt/algorithm/BPNet/wine.txt df_wine = pd.read_csv("/opt/algorithm/BPNet/wine.txt", header=None).sample(frac=1) (3).查看数据 df_wine.head() 1
数据挖掘常用资源及工具
资源Github，kaggle Python工具库：Numpy，Pandas，Matplotlib，Scikit-Learn，tensorflow Numpy支持大量维度数组与矩阵运算，也针对数组提供大量的数学函数库 Numpy : 1.aaa = Numpy.genfromtxt(“文件路径”,delimiter = “,”,dtype = str)delimiter以指定字符分割，dtype 指定类型该函数能读取文件所以内容 aaa.dtype 返回aaa的类型 2.aaa = numpy.array([5,6,7,8]) 创建一个一维数组里面的东西都是同一个类型的 bbb = numpy.array([[1,2,3,4,5],[6,7,8,9,0],[11,22,33,44,55]]) 创建一个二维数组aaa.shape 返回数组的维度print(bbb[:,2]) 输出第二列 3.bbb = aaa.astype(int) 类型转换 4.aaa.min() 返回最小值 5.常见函数 aaa = numpy.arange(20) bbb = aaa.reshape(4,5)
numpy.arange(20) 生成0到19 aaa.reshape(4,5) 把数组转换成矩阵aaa.reshape(4,-1)自动计算列用-1 aaa.ravel()把矩阵转化成数组 bbb.ndim 返回bbb的维度 bbb.size 返回里面有多少元素 aaa = numpy.zeros((5,5)) 初始化一个全为0 的矩阵需要传进一个元组的格式默认是float aaa = numpy.ones((3,3,3),dtype = numpy.int) 需要指定dtype 为numpy.int aaa = np 随机函数aaa = numpy.random.random((3,3)) 生成三行三列 linspace 等差数列创建函数linspace(起始值，终止值，数量) 矩阵乘法： aaa = numpy.array([[1,2],[3,4]]) bbb = numpy.array([[5,6],[7,8]]) print(aaa*bbb) *是对应位置相乘 print(aaa.dot(bbb)) .dot是矩阵乘法行乘以列 print(numpy.dot(aaa,bbb)) 同上 6.矩阵常见操作
题库深度学习面试题型介绍及解析--第7期
1.简述激活函数的作用 使用激活函数的目的是为了向网络中加入非线性因素；加强网络的表示能力，解决线性模型无法解决的问题 2.那为什么要使用非线性激活函数？ 为什么加入非线性因素能够加强网络的表示能力？——神经网络的万能近似定理 ?神经网络的万能近似定理认为主要神经网络具有至少一个非线性隐藏层，那么只要给予网络足够数量的隐藏单元，它就可以以任意的精度来近似任何从一个有限维空间到另一个有限维空间的函数。 ?如果不使用非线性激活函数，那么每一层输出都是上层输入的线性组合；此时无论网络有多少层，其整体也将是线性的，这会导致失去万能近似的性质 ?但仅部分层是纯线性是可以接受的，这有助于减少网络中的参数。3.如何解决训练样本少的问题？ 1.利用预训练模型进行迁移微调（fine-tuning），预训练模型通常在特征上拥有很好的语义表达。此时，只需将模型在小数据集上进行微调就能取得不错的效果。CV 有 ImageNet，NLP 有 BERT 等。 2.数据集进行下采样操作，使得符合数据同分布。
3.数据集增强、正则或者半监督学习等方式来解决小样本数据集的训练问题。 4.如何提升模型的稳定性？ 1.正则化（L2, L1, dropout）：模型方差大，很可能来自于过拟合。正则化能有效的降低模型的复杂度，增加对更多分布的适应性。 2.前停止训练：提前停止是指模型在验证集上取得不错的性能时停止训练。这种方式本质和正则化是一个道理，能减少方差的同时增加的偏差。目的为了平衡训练集和未知数据之间在模型的表现差异。 3.扩充训练集：正则化通过控制模型复杂度，来增加更多样本的适应性。 4.特征选择：过高的特征维度会使模型过拟合，减少特征维度和正则一样可能会处理好方差问题，但是同时会增大偏差。 5.你有哪些改善模型的思路？ 1.数据角度 增强数据集。无论是有监督还是无监督学习，数据永远是最重要的驱动力。更多的类型数据对良好的模型能带来更好的稳定性和对未知数据的可预见性。对模型来说，“看到过的总比没看到的更具有判别的信心”。 2.模型角度
信息光学习题答案
信息光学习题答案 第一章 线性系统分析 1、1 简要说明以下系统就是否有线性与平移不变性、 (１) (2) (3） (4） (5） 解：（１）线性、平移不变; (2）线性、平移不变; （3）非线性、平移不变; （4）线性、平移不变； （5）线性、非平移不变。 1、２ 证明 证明:左边＝∑∑∑∞ -∞ =∞-∞=∞-∞=-=??? ???-=??? ??-=??? ??n n n n x n x n x x comb )2(2)2(2122δδδ ∑∑∑∑∑∑∞ -∞ =∞ -∞ =∞ -∞=∞ -∞=∞ -∞ =∞ -∞ =--+-= -+-=-+-= +=n n n n n n n n x n x n x jn n x n x x j n x x j x comb x comb ) () 1()() ()exp()() ()exp()()exp()()(δδδπδδπδπ右边 当n 为奇数时，右边=0,当n 为偶数时,右边＝ 所以当n 为偶数时,左右两边相等。 1、3 证明 证明:根据复合函数形式得δ函数公式 式中就是h （x)=０得根，表示在处得导数.于就是 1、4 计算图题1、1所示得两函数得一维卷积。 解:设卷积为g （x)。当—１≤ｘ≤０时，如图题1、1（a ）所示, 图题１、1 当０ < x ≤１时,如图题1、1(b)所示， 即
1、5 计算下列一维卷积。 （1） （２) (3） 解：(1)?? ? ??-=??? ??-*??? ??-=??? ??-*-25.22121232121)32(x rect x rect x x rect x δδ (2)设卷积为ｇ（x)，当x ≤０时，如图题1、2(a ）所示， 当0 〈 x 时,如图题1、2(b ）所示 图题1、2 即 （３） １、６ 已知得傅立叶变换为,试求 （1） （2) 解:设 即 由坐标缩放性质 得 （1)(){}{} )ex p()ex p(/ex p(ex p 2222 2 ξπππππ-=-=-?=-?z y x （2） 1、7 计算积分、(1） （2) 解：应用广义巴塞伐定理可得 （１)3 2)1()1()()()(sin )(sin 1 2 1 2 2 2 = -++=ΛΛ= ???? -∞ ∞ -∞ ∞-ξξξξξξξd d d dx x c x c (2）????????? ?? -Λ+??? ??+Λ=???∞∞ -∞∞-∞ ∞-ξξδξξξδξπd d xdx x c 21)(21)(21cos )(sin 2 １、8 应用卷积定理求得傅里叶变换、 解:{}{}{}?? ? ??*= ?*?=?2)(21)2(sin )(sin )2(sin )(sin ξξrect rect x c x c x c x c
信息光学公式整理1
信息光学公式 1·矩形函数 ? ??? ? ≤-=??? ??-其它 , 021,10 0a x x a x x rect F { a sinc(a x ) } = rect(f /a ) F ?? ? ??Λ= b f b 1 (bx)}{sinc 2 2·inc s 函数 ()()a x x a x x a 0 00sin x x sinc --= ??? ??-ππ 3·三角形函数 ? ????≤-=??? ??Λ其它 , 0,1a x a x a x 4·符号函数 ()?? ? ??<-=>=0,10,00, 1sgn x x x x 5·阶跃函数 ()? ??<>=0,00 ,1x x x step 6·圆柱函数 ?? ???<+=???? ??+其它 ,0, 12 22 2a y x a y x circ 极坐标内 ?? ?><=??? ??a r o a r a r , ,1circ 7·δ函数的定义 普通函数形式的定义 ()()????? ?? =? ? ?==∞≠≠=∞ ∞ -?? 1 ,0,0,0, 0,dxdy y x y x y x y x δδ 广义函数形式的定义 ()()()0,0,,φφδ=∞ ∞ -?? dxdy y x y x 其中()y x ,φ在原点处连续 δ函数的性质 设函数()y x f ,在()00,y x 点出连续，则有 筛选性质 ()()()y x f dxdy y y x x y x f ,,,00=--∞ ∞ -?? δ 坐标缩放性质 ()()y x ab by ax ,1,δδ= 可变性 ()()()y x y x δδδ=, 8·梳状函数性质 ()()()∑∑∞ -∞ =∞∞ -=-= m nx j m x x πδ2exp comb ()∑∞ ∞ -?-?=??? ???x m x x x x δcomb ()∑∞ -∞=?? ? ?? ?-?=?m x m x x δ1 xx comb ()()ξcomb x comb ??→←? ()ξx comb x x comb ????→←?? ? ????x ()()()y x comb comb y x,comb = 9·傅里叶变换 ()()(){}dxdy y x j y x f F ηξπηξ+-=∞ ∞-?? 2exp ,, ()()()[]ηξηξπηξd d y x j F y x f += ∞ ∞ -?? 2exp ,, 10·阶跃函数step(x)的傅里叶变换 (){}(){}()? ?????-= +=??πξξδj 21x sgn 12 1 x step 11·卷积的定义 ()()()()()x h x f d x h f x g *=-= ?∞ ∞ -α αα 定义()x f 和()x h 的二维卷积： ()()()()()y x h y x f d d y x h f y x g ,*,,,,=--= ??∞ ∞ -β αβαβα 卷积的几个重要性质： 线性性质： {) ,(),(),(),(),()},(),(y x g y x bh y x g y x af y x g y x bh y x af *+*=*+卷积符合交换律： ,(),(),(),(y x f y x h y x h y x f *=* 卷积符合结合律： [][] ),(),(),(),(),(),(y x g y x h y x f y x g y x h y x f **=**卷积的坐标缩放：若),(),(),(y x g y x h y x f =*，则
人工智能实践：Tensorflow笔记 北京大学 7 第七讲卷积网络基础 (7.3.1) 助教的Tenso
Tensorflow笔记：第七讲 卷积神经网络 本节目标：学会使用CNN实现对手写数字的识别。 7.1 √全连接NN：每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果。 参数个数：∑（前层×后层+后层） 一张分辨率仅仅是28x28的黑白图像，就有近40万个待优化的参数。现实生活中高分辨率的彩色图像，像素点更多，且为红绿蓝三通道信息。 待优化的参数过多，容易导致模型过拟合。为避免这种现象，实际应用中一般不会将原始图片直接喂入全连接网络。 √在实际应用中，会先对原始图像进行特征提取，把提取到的特征喂给全连接网络，再让全连接网络计算出分类评估值。
例：先将此图进行多次特征提取，再把提取后的计算机可读特征喂给全连接网络。 √卷积Convolutional 卷积是一种有效提取图片特征的方法。一般用一个正方形卷积核，遍历图片上的每一个像素点。图片与卷积核重合区域内相对应的每一个像素值乘卷积核内相对应点的权重，然后求和，再加上偏置后，最后得到输出图片中的一个像素值。 例：上面是5x5x1的灰度图片，1表示单通道，5x5表示分辨率，共有5行5列个灰度值。若用一个3x3x1的卷积核对此5x5x1的灰度图片进行卷积，偏置项
b=1，则求卷积的计算是：(-1)x1+0x0+1x2+(-1)x5+0x4+1x2+(-1)x3+0x4+1x5+1=1（注意不要忘记加偏置1）。 输出图片边长=（输入图片边长–卷积核长+1）/步长，此图为：（5 – 3 + 1）/ 1 = 3，输出图片是3x3的分辨率，用了1个卷积核，输出深度是1，最后输出的是3x3x1的图片。 √全零填充Padding 有时会在输入图片周围进行全零填充，这样可以保证输出图片的尺寸和输入图片一致。 例：在前面5x5x1的图片周围进行全零填充，可使输出图片仍保持5x5x1的维度。这个全零填充的过程叫做padding。 输出数据体的尺寸=(W?F+2P)/S+1 W：输入数据体尺寸，F：卷积层中神经元感知域，S：步长，P：零填充的数量。 例：输入是7×7，滤波器是3×3，步长为1，填充为0，那么就能得到一个5×5的输出。如果步长为2，输出就是3×3。 如果输入量是32x32x3，核是5x5x3，不用全零填充，输出是（32-5+1）/1=28，如果要让输出量保持在32x32x3，可以对该层加一个大小为2的零填充。可以根据需求计算出需要填充几层零。32=（32-5+2P）/1 +1，计算出P=2，即需填充2
人工智能实践：Tensorflow笔记 北京大学 4 第四讲神经网络优化 (4.6.1) 助教的Tenso
Tensorflow笔记：第四讲 神经网络优化 4.1 √神经元模型：用数学公式表示为：f(∑i x i w i+b)，f为激活函数。神经网络是以神经元为基本单元构成的。 √激活函数：引入非线性激活因素，提高模型的表达力。 常用的激活函数有relu、sigmoid、tanh等。 ①激活函数relu: 在Tensorflow中，用tf.nn.relu()表示 r elu()数学表达式 relu()数学图形 ②激活函数sigmoid：在Tensorflow中，用tf.nn.sigmoid()表示 sigmoid ()数学表达式 sigmoid()数学图形 ③激活函数tanh：在Tensorflow中，用tf.nn.tanh()表示 tanh()数学表达式 tanh()数学图形 √神经网络的复杂度：可用神经网络的层数和神经网络中待优化参数个数表示 √神经网路的层数：一般不计入输入层，层数 = n个隐藏层 + 1个输出层
√神经网路待优化的参数：神经网络中所有参数w 的个数 + 所有参数b 的个数 例如： 输入层 隐藏层 输出层 在该神经网络中，包含1个输入层、1个隐藏层和1个输出层，该神经网络的层数为2层。 在该神经网络中，参数的个数是所有参数w 的个数加上所有参数b 的总数，第一层参数用三行四列的二阶张量表示（即12个线上的权重w ）再加上4个偏置b ；第二层参数是四行两列的二阶张量（）即8个线上的权重w ）再加上2个偏置b 。总参数 = 3*4+4 + 4*2+2 = 26。 √损失函数（loss ）：用来表示预测值（y ）与已知答案（y_）的差距。在训练神经网络时，通过不断改变神经网络中所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型。 √常用的损失函数有均方误差、自定义和交叉熵等。 √均方误差mse ：n 个样本的预测值y 与已知答案y_之差的平方和，再求平均值。 MSE(y_, y) = ?i=1n (y?y_) 2n 在Tensorflow 中用loss_mse = tf.reduce_mean(tf.square(y_ - y)) 例如： 预测酸奶日销量y ，x1和x2是影响日销量的两个因素。 应提前采集的数据有：一段时间内，每日的x1因素、x2因素和销量y_。采集的数据尽量多。 在本例中用销量预测产量，最优的产量应该等于销量。由于目前没有数据集，所以拟造了一套数据集。利用Tensorflow 中函数随机生成 x1、 x2，制造标准答案y_ = x1 + x2，为了更真实，求和后还加了正负0.05的随机噪声。 我们把这套自制的数据集喂入神经网络，构建一个一层的神经网络，拟合预测酸奶日销量的函数。
中山大学信息光学习题课后答案--习题234章作业
习题2 把下列函数表示成指数傅里叶级数，并画出频谱。 (1) ()rect(2)n f x x n ∞=-∞ = -∑ (2) ()tri(2)n g x x n ∞ =-∞ =-∑ 证明下列傅里叶变换关系式： (1) {rect()rect()}sinc()sinc()F x y ξη=; (2) 2 2 {()()}sinc ()sinc ()F x y ξηΛΛ=; (3) {1}(,)F δξη=; (4) 11{sgn()sgn()}i πi πF x y ξη???? = ??????? ; (5) {(sin )}F n nx δ; (6) { }222 π()/e x y a F -+。 求x 和(2)xf x 的傅里叶变换。 求下列函数的傅里叶逆变换，画出函数及其逆变换式的图形。 ()tri(1)tri(1)H ξξξ=+-- ()rect(/3)rect()G ξξξ=- 证明下列傅里叶变换定理： (1) 在所在(,)f x y 连续的点上1 1 {(,)}{(,)}(,)FF f x y F F f x y f x y --==--； (2) {(,)(,){(,)}*((,)}F f x y h x y F f x y F g x y =。 证明下列傅里叶-贝塞尔变换关系式： (1) 若0()()r f r r r δ=-，则000{()}2πJ (2π)r B f r r r ρ=; (2) 若1a r ≤≤时()1r f r =，而在其他地方为零，则11J (2π)J (2π) {()}r a a B f r ρρρ -= ; (3) 若{()}()r B f r F ρ=，则21{()}r B f r a a ρ??= ??? ; (4) 2 2 ππ{e }e r B ρ--= 设(,)g r θ在极坐标中可分离变量。证明若i (,)()e m r f r f r θ θ=，则： i {(,)}(i)e H {()}m m m r F f r f r φ θ=- 其中H {}m 为m 阶汉克尔变换：0 {()}2π ()J (2π)d m r r m H f r rf r r r ρ∞ =? 。而(,)ρφ空间频率中的极坐 标。(提示：i sin i e J ()e a x kx k k a ∞ =-∞=∑)
信息光学复习提纲--重点
信息光学复习提纲 信息光学的特点 Ch1. 线性系统分析 1.矩形函数：①定义②图像③作用④傅里叶变换谱函数 2.sinc函数：①定义②图像③作用④傅里叶变换谱函数 3.三角函数：①定义②图像③作用④傅里叶变换谱函数 4.符号函数：①定义②图像③作用④傅里叶变换谱函数 5.阶跃函数：①定义②图像③作用④傅里叶变换谱函数 6.余弦函数：①定义②图像③作用④傅里叶变换谱函数 7. 函数：①三种定义②四大性质③作用 8.； ②图像③作用④傅里叶变换谱函数 9.梳状函数：①定义 10.高斯函数：①定义②图像③作用④傅里叶变换谱函数 11.傅里叶变换（常用傅里叶变换对） 12.卷积：四大步骤，两大效应 13.互相关、自相关的定义、物理意义 14.傅里叶变换的基本性质和有关定理 15.线性系统理论 16.线性不变系统的输入输出关系，脉冲响应函数，传递函数 17.抽样定理求抽样间隔 ~
Ch2. 标量衍射理论 1. 标量衍射理论成立的两大条件 2.平面波及球面波表达式: exp[(cos cos cos )]A ik x y z αβγ++ （求平面波的空间频率） )](2exp[]exp[22y x z ik ikz z A + 3.惠更斯——菲涅耳原理： ()?? ∑ =ds r ikr K P U c Q U )exp()()(0θ ? 4.基尔霍夫衍射理论： ?? ∑ -= ds r ikr r n r n r ikr a j Q U ) exp(]2),cos(2),cos([)exp(1 )(0000 λ 令()()θλK r ikr j Q P h ) exp(1,= 所以()??∑ = ds Q P h P U Q U ,)()(0 当光源足够远，且入射光在孔径平面上各点的入射角都不大时， (),1,cos 0≈r n (),1,cos ≈r n ().1≈∴θK 故()z ikr j Q P h ) exp(1,λ=，]})()[(211{20020z y y z x x z r -+-+≈ 5. 菲涅耳衍射——近场衍射： 0000202000022)](2exp[)](2exp[ ),()](2exp[)exp(),(dy dx yy xx z j y x z jk y x U y x z jk z j jkz y x U +-++= ?? ∞ ∞ -λπ λ6. 夫琅禾费衍射——远场衍射：（根据屏函数求衍射光强分布）
中山大学信息光学习题课后答案--习题4 5 6作业
习 题 4 尺寸为a b ?的不透明矩形屏被单位振幅的单色平面波垂直照明，求出紧靠零后的平面上透射 光场的角谱。 采用单位振幅的单色平面波垂直照明具有下述透过率函数的孔径，求菲涅耳衍射图样在孔径 轴上的强度分布： (1) 00(,)t x y = (2) 001,(,)0,a t x y ??≤=???其它 余弦型振幅光栅的复振幅透过率为： 00()cos(2/)t x a b x d π=+ 式中，d 为光栅的周期，0a b >>。观察平面与光栅相距z 。当z 分别取下述值时，确定 单色平面波垂直照明光栅，在观察平面上产生的强度分布。 (1) 2 2r d z z λ== (2) 22r z d z λ== (3) 2 42r z d z λ== 式中：r z 为泰伯距离。 参看下图，用向P 点会聚的单色球面波照明孔径∑。P 点位于孔径后面距离为z 的观察平面 上，坐标为(0,)b 。假定观察平面相对孔径的位置是在菲涅耳区内，证明观察平面上强度分布是以P 点为中心的孔径的夫琅禾费衍射图样。 方向余弦为cos ,cos αβ，振幅为A 的倾斜单色平面波照明一个半径为a 的圆孔。观察平面位 于夫琅禾费区，与孔径相距为z 。求衍射图样的强度分布。 环形孔径的外径为2a ，内径为2a ε(01)ε<<。其透射率可以表示为： 001,()0,a r a t r ε≤≤?=??其他 用单位振幅的单色平面波垂直照明孔径，求距离为z 的观察屏上夫琅禾费衍射图样的强 度分布。 下图所示孔径由两个相同的圆孔构成。它们的半径都为a ，中心距离为d ()d a >>。采用单 位振幅的单色平面波垂直照明孔径，求出相距孔径为z 的观察平面上夫琅禾费衍射图样的强度分布并画出沿y 方向截面图。
人工智能tensorflow实验报告
一、软件下载 为了更好的达到预期的效果，本次tensorflow开源框架实验在Linux环境下进行，所需的软件及相关下载信息如下： 1.CentOS 软件介绍： CentOS 是一个基于Red Hat Linux 提供的可自由使用源代码的企业级Linux 发行版本。每个版本的CentOS都会获得十年的支持（通过安全更新方式）。新版本的CentOS 大约每两年发行一次，而每个版本的CentOS 会定期（大概每六个月）更新一次，以便支持新的硬件。这样，建立一个安全、低维护、稳定、高预测性、高重复性的Linux 环境。CentOS是Community Enterprise Operating System的缩写。CentOS 是RHEL（Red Hat Enterprise Linux）源代码再编译的产物，而且在RHEL的基础上修正了不少已知的Bug ，相对于其他Linux 发行版，其稳定性值得信赖。 软件下载： 本次实验所用的CentOS版本为CentOS7,可在CentOS官网上直接下载DVD ISO镜像文件。 下载链接： https://www.360docs.net/doc/a211346995.html,/centos/7/isos/x86_64/CentOS-7-x86_64-DVD-1611.i so. 2.Tensorflow 软件介绍： TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。TensorFlow将完全开源，任何人都可以用。
信息光学总结
第1章 二维傅里叶分析 第一讲 光学中常用的几种非初等函数 δ函数 Ⅰ重要的基本概念和公式 δ函数性质 (1)筛选特性 0000(,)δ(,)d d (,)f x y x x y y x y f x y +∞-∞ --=?? (2)可分离变量 0000δ(,)δ()δ()x x y y x x y y --=-- (3)乘法性质 000000(,)δ(,)(,)δ(,)f x y x x y y f x y x x y y --=-- (4)坐标缩放 1 δ(.)δ(,)ax by x y ab = (5)积分形式 1 1 δ()cos , δ()d 22i x x xd x e ωωωωππ∞∞ ±-∞ -∞ = =?? Ⅱ 例题讲解： 证明：()x df e x x f j x δπ=? ∞ ∞ -±2 ()()[]()()() x x f x f f df x f df x f i x f df e x x x f x x x x x x x f j x x δππππππ===±=∞ →∞ ∞ ∞ -∞ ∞-±??? 22sin 22cos 22sin 2cos lim 20 2 此证明利用了关系式()()Nx c N x f N sin =； ()()y x f x N N ,lim ∞ →=δ Ⅲ 练习题： 一、计算题 1. 已知连续函数f (x )， a >0和b >0 。求出下列函数： (1) ()()()0x ax x f x h -=δ (2) ()()()[]x x comb x f x g 0-= （提出：本题主要复习δ函数的缩放性质和筛选性质；梳妆函数的抽样特征和平移复制功能） 第二讲 卷积和相关 Ⅰ重要的基本概念和公式
信息光学习题答案
信息光学习题答案 信息光学习题答案第一章线性系统分析简要说明以下系统是否有线性和平移不变性. g?x??df?x?;g?x???f?x?dx; dx?g?x??f?x?; g?x??????f????h?x????d?; 2???f???exp??j2????d? 解：线性、平移不变；线性、平移不变；非线性、平移不变；线性、平移不变；线性、非平移不变。证明comb(x)exp(j?x)?comb(x) ???comb????x? ?x??1?证明：左边＝comb???????n?????(x?2n)??2??(x?2n) ?2?n????2?n????2?n??????x??2?右边?comb(x)?comb(x)exp(j?x)?? ?n?????(x?n)??exp(j?x)?(x?n)n?????n???? ??(x?n)??exp(jn?)?(x?n)n???? n?????(x?n)??(?1)n???n?(x?n)?当n为奇数时，右边＝0，当n为偶数时，右边＝
2所以当n为偶数时，左右两边相等。n?????(x?2n) (x) 证明??(sin?x)?comb证明：根据复合函数形式的δ函数公式?[h(x)]??i?1n?(x?xi)h?(xi ),h?(xi)?0 式中xi是h(x)=0的根，h?(xi)表示h(x)在x?xi处的导数。于是??(sin?x)??n?????(x?n)???co mb(x) 1 计算图题所示的两函数的一维卷积。解：设卷积为g(x)。当-1≤x≤0时，如图题(a)所示，g(x)??1?x0(1??)(1?x??)d??111?x?x3 326 图题当0 2??2?2??2?2?2?x?2设卷积为g(x)，当x≤0时，如图题(a)所示，g(x)??0d??x?2 当0 2 图题g(x)??d??2?x x2?x?1?2,x?0 g(x)?2?x?1?,x?0?2即g(x)?2??? ?x??2?(x)?rect(x)?1已知exp(??x2)的傅立叶变换为exp(???2)，试求?exp?x2???exp?x2/2?2
信息光学选择判断题
判断题（画√或×，每题1分） 1、全息技术分为两个过程，第一个过程是利用干涉原理将物光波前以干涉条纹的形式记录下来，再用光波照射全息图，可以再现原始物光波。（） 2、同轴全息是在记录物体的全息图时，参考光和物光波来自同轴方向，光照射全息图的透射光波中包含四项，都在同一方向无法分离。（） 3、离轴全息消除了同轴全息图孪生像的相互干扰，离轴全息图在记录过程中，参考光和信号光不在同一方向。（） 4、当记录介质相对于物体位于远场，引入参考光记录物体的夫琅和费衍射图样，得到物体的夫琅和费全息图。（） 5、光学信息处理是指采用光学方法实现对输入信息的各种交换或处理，来抑制噪声、检出信号或复原失真的图像。（） 6、当物放在透镜前焦面时，可用参考光和物光波干涉，记录物光波的付里叶全息图。( ) 7、衍射分为远场衍射和近场衍射。（） 8、用光学信息处理系统可以实现图像的振幅和位相滤波，图像相关，图像卷积，图像相加和相减运算及微分，边缘检测，消模糊等光学运算及光学图像处理。（） 9、图像识别是指检测和判断图像中是否包含有某一特定的信息，例如大量指纹档案中检查出罪犯的指纹；在病理照片中识别出癌变细胞；在军事侦查照片中检出特定目标，及文字识别等。（）10、匹配滤波器是在频域内对带检信号进行位相补偿，可以用来测量物体或图像尺寸，形状的变化，例如螺钉小零件的尺寸误差分类，测试金属疲劳试验中测试试件的微小变形。 （）1、空间相干照明条件下物体上每一点光的振幅和位相尽管都随时间做无规变化，但所有点随时间变化的方式都是相同的，各物点在象面上的脉冲响应也以同一方式随时间作无规变化，总的光场按光强叠加（√） 2、同轴全息是在记录物体的全息图时，参考光和物光波来自同轴方向，光照射全息图的透射光波中包含四项，因为都在同一方向而无法分离。（√） 3、全息技术分为两个过程，第一个过程是利用干涉原理将物光波前以干涉条纹的形式记录下来，再用光波照射全息图，可以再现原始物光波。离轴全息消除了同轴全息图孪生像的相互干扰，离轴全息图在记录过程中，参考光和信号光不在同一方向。（√） 4、如果光学系统有像差，则入射的球面波经过系统后，由出瞳射出时已不再是球面波，是一个发生了畸变的波面，与理想球面波的位相分布不相同。但像差的存在并不影响相干传递函数的通频带宽度，仅在通频带内引入了位相畸变。（） 5、光学信息处理是指采用光学方法实现对输入信息的各种交换或处理，来抑制噪声、检出信号或复原失真的图像。（） 6、相干系统的截止频率为非相干系统的截止频率的两倍，我们可以得出结论：对同一个光学成像系统，使用相干照明一定要比使用非相干照明能得到更好的象。（） 7、阿贝（ABBE）基于对显微镜成像的研究，他认为成像过程包含了两次衍射过程。物体是一个复杂的衍射光栅，衍射光波在透镜后焦面形成物体的夫郎和费衍射图样，把后焦面上的点看作相干的次级波源，在象面上相干叠加产生物体的象。（） 8、用光学信息处理系统可以实现图像的振幅和位相滤波，图像相关，图像卷积，图像相加和相减运算及微分，边缘检测，消模糊等光学运算及光学图像处理。（） 9、图像识别是指检测和判断图像中是否包含有某一特定的信息，例如大量指纹档案中检查
中山大学信息光学习题课后答案--习题4 5 6作业
习 题 4 4.1 尺寸为a b ?的不透明矩形屏被单位振幅的单色平面波垂直照明，求出紧靠零后的平面上 透射光场的角谱。 4.2 采用单位振幅的单色平面波垂直照明具有下述透过率函数的孔径，求菲涅耳衍射图样在 孔径轴上的强度分布： (1) 220000(,)circ()t x y x y =+ (2) 2200001,1(,)0,a x y t x y ??≤+≤=???其它 4.3 余弦型振幅光栅的复振幅透过率为： 00()cos(2/)t x a b x d π=+ 式中，d 为光栅的周期，0a b >>。观察平面与光栅相距z 。当z 分别取下述值时，确定 单色平面波垂直照明光栅，在观察平面上产生的强度分布。 (1) 2 2r d z z λ== (2) 22r z d z λ== (3) 2 42r z d z λ== 式中：r z 为泰伯距离。 4.4 参看下图，用向P 点会聚的单色球面波照明孔径∑。P 点位于孔径后面距离为z 的观察 平面上，坐标为(0,)b 。假定观察平面相对孔径的位置是在菲涅耳区内，证明观察平面上强度分布是以P 点为中心的孔径的夫琅禾费衍射图样。 4.5 方向余弦为cos ,cos αβ，振幅为A 的倾斜单色平面波照明一个半径为a 的圆孔。观察平 面位于夫琅禾费区，与孔径相距为z 。求衍射图样的强度分布。 4.6 环形孔径的外径为2a ，内径为2a ε(01)ε<<。其透射率可以表示为： 001,()0,a r a t r ε≤≤?=??其他
用单位振幅的单色平面波垂直照明孔径，求距离为z 的观察屏上夫琅禾费衍射图样的强 度分布。 4.7 下图所示孔径由两个相同的圆孔构成。它们的半径都为a ，中心距离为d ()d a >>。采用 单位振幅的单色平面波垂直照明孔径，求出相距孔径为z 的观察平面上夫琅禾费衍射图样的强度分布并画出沿y 方向截面图。 4.8 参看下图，边长为2a 的正方形孔径内再放置一个边长为a 的正方形掩模，其中心落在 (,)x y ''点。采用单位振幅的单色平面波垂直照射，求出与它相距为z 的观察平面上夫琅禾费射图样的光场分布。画出0x y ''==时，孔径频谱在x 方向上的截面图。 4.9 下图所示孔径由两个相同的矩孔构成，它们的宽度为a ，长度为b ，中心相距d 。采用单 位振幅的单色平面波垂直照明，求相距为z 的观察平面上夫琅禾费衍射图样的强度分布。假定4b a =及 1.5d a =，画出沿x 和y 方向上强度分布的截面图。 4.10 下图所示半无穷不透明屏的复振幅透过率可以用阶跃函数表示，即：
TensorFlow编程指南 嵌入
嵌入 本文档介绍了嵌入这一概念，并且举了一个简单的例子来说明如何在TensorFlow 中训练嵌入，此外还说明了如何使用TensorBoard Embedding Projector 查看嵌入（真实示例）。前两部分适合机器学习或TensorFlow 新手，而Embedding Projector 指南适合各个层次的用户。 有关这些概念的另一个教程，请参阅《机器学习速成课程》的“嵌入”部分。 嵌入是从离散对象（例如字词）到实数向量的映射。例如，英语字词的300 维嵌入可能包括： blue: (0.01359, 0.00075997, 0.24608, ..., -0.2524, 1.0048, 0.06259) blues: (0.01396, 0.11887, -0.48963, ..., 0.033483, -0.10007, 0.1158) orange: (-0.24776, -0.12359, 0.20986, ..., 0.079717, 0.23865, -0.014213) oranges: (-0.35609, 0.21854, 0.080944, ..., -0.35413, 0.38511, -0.070976) 这些向量中的各个维度通常没有固有含义，机器学习所利用的是向量的位置和相互之间的距离这些整体模式。 嵌入对于机器学习的输入非常重要。分类器（更笼统地说是神经网络）适用于实数向量。它们训练密集向量时效果最佳，其中所有值都有助于定义对象。不过，机器学习的很多重要输入（例如文本的字词）没有自然的向量表示。嵌入函数是将此类离散输入对象转换为有用连续向量的标准和有效方法。 嵌入作为机器学习的输出也很有价值。由于嵌入将对象映射到向量，因此应用可以将向量空间中的相似性（例如欧几里德距离或向量之间的角度）用作一项强大而灵活的标准来衡量对象相似性。一个常见用途是找到最近的邻点。例如，下面是采用与上述相同的字词嵌入后，每个字词的三个最近邻点和相应角度： blue: (red, 47.6°), (yellow, 51.9°), (purple, 52.4°) blues: (jazz, 53.3°), (folk, 59.1°), (bluegrass, 60.6°) orange: (yellow, 53.5°), (colored, 58.0°), (bright, 59.9°) oranges: (apples, 45.3°), (lemons, 48.3°), (mangoes, 50.4°) 这样应用就会知道，在某种程度上，苹果和橙子（相距45.3°）的相似度高于柠檬和橙子（相距48.3°）。
中山大学信息光学习题课后答案--习题234章作业
习题2 2.1 把下列函数表示成指数傅里叶级数，并画出频谱。 (1) ()rect(2)n f x x n ∞ =-∞ = -∑ (2) ()tri(2)n g x x n ∞ =-∞ = -∑ 2.2 证明下列傅里叶变换关系式： (1) {rect()rect()}sinc()sinc()F x y ξη=; (2) 22{()()}sinc ()sinc ()F x y ξηΛΛ=; (3) {1}(,)F δξη=; (4) 11{sgn()sgn()}i πi πF x y ξη???? = ? ????? ; (5) {(sin )}F n nx δ; (6) { }222 π()/e x y a F -+。 2.3 求x 和(2)xf x 的傅里叶变换。 2.4 求下列函数的傅里叶逆变换，画出函数及其逆变换式的图形。 ()t r i (1) t r i (H ξξξ=+ -- ()r e c t (/3)r e c G ξξξ=- 2.5 证明下列傅里叶变换定理： (1) 在所在(,)f x y 连续的点上11{(,)}{(,)}(,)FF f x y F F f x y f x y --==--； (2) {(,)(,){(,)}*((,)}F f x y h x y F f x y F g x y =。 2.6 证明下列傅里叶-贝塞尔变换关系式： (1) 若0()()r f r r r δ=-，则000{()}2πJ (2π)r B f r r r ρ=; (2) 若1a r ≤≤时()1r f r =，而在其他地方为零，则11J (2π)J (2π) {()}r a a B f r ρρρ -= ; (3) 若{()}()r B f r F ρ=，则21{()}r B f r a a ρ??= ??? ; (4) 2 2 ππ{e }e r B ρ --= 2.7 设(,)g r θ在极坐标中可分离变量。证明若i (,)()e m r f r f r θ θ=，则： i {(,)}(i )e H {()}m m m r F f r f r φ θ=- 其中H {}m 为m 阶汉克尔变换：0 {()}2π()J (2π)d m r r m H f r rf r r r ρ∞ =?。而(,)ρφ空间频率中的极坐 标。(提示：i sin i e J ()e a x kx k k a ∞ =-∞= ∑ )