IMU 原理：加速度计与陀螺仪
运动传感系列开篇。传感器是嵌入式系统感知物理世界的窗口，IMU（Inertial Measurement Unit）是最常用的一类。这篇文章不讲高深理论，只讲 MEMS 传感器怎么工作、怎么接线、怎么读数、读出来的数据长什么样。
Continue reading →物理世界开发
变步长与频域自适应算法
固定步长的收敛矛盾 标准 LMS 算法和 NLMS 算法都使用固定的步长参数 $\mu$。步长大小的选择直接影响算法性能，但存在一个根本矛盾： 大步长：收敛速度快，能够快速追踪环境变化，但稳态误差大，滤波精度低 小步长：稳态误差小，滤波精度高，但收敛速度慢，对突变响应迟缓 这个矛盾在回声消除、主动噪声控制等应用中尤为突出——系统启动时需要快速收敛，稳态后则希望维持低误差。固定步长无法同时满足两阶段的需求。
Continue reading →FXLMS 与主动降噪系统架构
主动降噪（ANC, Active Noise Control）的核心思路是用扬声器发出一个与噪声相位相反、幅值相同的声波，通过相消干涉抵消掉目标区域的噪声。落地到硬件系统，需要解决两个问题：用什么传感器感知噪声，以及用哪种控制策略生成抗噪声。这两点决定了 ANC 系统的架构分类——前馈、反馈和混合式。
Continue reading →图像基础与 OpenCV 起步
数字图像的本质 计算机视觉处理的对象是数字图像。数字图像本质上就是一个二维像素数组。 像素与灰度图 灰度图是最简单的数字图像——每个像素存储一个亮度值，范围 0（纯黑）到 255（纯白）。在 Python 中，一张宽 W、高 H 的灰度图就是一个形状为 (H, W) 的二维数组。
Continue reading →自适应滤波：从 LMS 到 NLMS
LMS 算法 自适应滤波的核心问题是：给定参考信号 x(n) 和期望信号 d(n)，找到一个滤波器系数向量 w，使输出 y(n) 逼近 d(n)。 最小均方（Least Mean Square, LMS）算法是解决这个问题最经典的方法，由 Widrow 和 Hoff 在 1960 年提出。核心思路是每次迭代都沿着误差曲面最陡的方向下降一步——也就是随机梯度下降。
Continue reading →声波与数字信号基础
相消干涉 主动降噪（ANC）的物理基础是声波的相消干涉。两个频率相同、相位相反的声波叠加后会相互抵消。 原始噪声信号： $$ p_n(t) = A \cos(2\pi ft + \phi) $$ANC 系统生成的反向声波：
Continue reading →