== PulseAudio, часть 1: управление из командной строки
https://habr.com/ru/post/106806/
- Card. физическая звуковая карта со всеми её входами и выходами;
- Sink (англ. низина) — «сток», принимающий звуковой поток. Представляет выход звуковой карты: линейный выход, наушники, колонки ноутбука;
- Source (англ. источник) — источник звука, создающий звуковой поток. Представляет вход звуковой карты: линейный вход, микрофон.
сменить девайс. пример
https://habr.com/ru/post/106806/
- Card. физическая звуковая карта со всеми её входами и выходами;
- Sink (англ. низина) — «сток», принимающий звуковой поток. Представляет выход звуковой карты: линейный выход, наушники, колонки ноутбука;
- Source (англ. источник) — источник звука, создающий звуковой поток. Представляет вход звуковой карты: линейный вход, микрофон.
сменить девайс. пример
pactl set-sink-volume 'alsa_output.pci-0000_02_04.0.analog-stereo' 20000
pactl set-sink-port 'alsa_output.pci-0000_02_04.0.analog-stereo' 'analog-output;output-headphones-2'
pactl set-sink-port 'alsa_output.pci-0000_02_04.0.analog-stereo' 'analog-output;output-headphones-1'
Хабр
PulseAudio, часть 1: управление из командной строки
Одним из новшеств Ubuntu 10.10 стал переход с «голой» ALSA на PulseAudio. Ранее постилось много советов прибить и удалить его для решения проблем, однако теперь...
== ПИД регулятор
https://youtu.be/rIbWnB26dp0
выход = сумма(
Пропорциональная составляющая,
Интегральная составляющая (зависит от прошлого),
Диффиренциальная составляющая (зависит от предыдущего),
)
out = P * kp + I * ki + D * kd
out = P * kp
P = setpoint - input
I = I + (setpoint - input) * dt
D = (setpoint - input - prevErr) / dt
prevErr = setpoint - input
out - выхлод
setpoint - целевое значение
input - значение с обратной связи (датчика)
dt - период вычислений
P (пропорциональный) уменьшает статическую ошибку. но может раскачать систему. исправляет текущую ошибку
I - редко используется отельно. медленный. часто перелетает. исправляет прошлые ошибки (копит)
D -
https://youtu.be/rIbWnB26dp0
выход = сумма(
Пропорциональная составляющая,
Интегральная составляющая (зависит от прошлого),
Диффиренциальная составляющая (зависит от предыдущего),
)
out = P * kp + I * ki + D * kd
out = P * kp
P = setpoint - input
I = I + (setpoint - input) * dt
D = (setpoint - input - prevErr) / dt
prevErr = setpoint - input
out - выхлод
setpoint - целевое значение
input - значение с обратной связи (датчика)
dt - период вычислений
P (пропорциональный) уменьшает статическую ошибку. но может раскачать систему. исправляет текущую ошибку
I - редко используется отельно. медленный. часто перелетает. исправляет прошлые ошибки (копит)
D -
YouTube
Уроки Ардуино. ПИД регулятор
В этом уроке разберём такую крутую штуку, как ПИД регулятор! Рассмотрим реализацию в коде и настройку.
► Библиотека ПИД: https://alexgyver.ru/gyverpid/
► Примеры из урока: https://github.com/AlexGyver/tutorials
▼ Огромный стартовый набор GyverKIT ▼
…
► Библиотека ПИД: https://alexgyver.ru/gyverpid/
► Примеры из урока: https://github.com/AlexGyver/tutorials
▼ Огромный стартовый набор GyverKIT ▼
…
== фильтр Калмана
https://habr.com/ru/post/140274/
https://habr.com/ru/post/166693/
не существует однозначного подхода к определению того, что означает, что ошибка минимальна. будем минимизировать среднее значение от квадрата ошибки
На практике очень часто бывает, что вообще ничего не известно о физ.модели того, что фильтруем. - поэтому не можем говорить, что в разные моменты времени ошибки модели независимы друг от друга и что их средние значения равны нулю => теория фильтра Калмана не применима!!! НО МОЖНО УПРОСТИТЬ!
= отфильтрованное значение зависит от всех предыдущих показаний сенсора линейно: Поэтому фильтр Калмана называют линейным фильтром
Задача фильтрации — это НЕ задача сглаживания. Стремимся получить наиболее близкое значение к реальной координате а не сгладить данные !!!!
https://habr.com/ru/post/140274/
https://habr.com/ru/post/166693/
не существует однозначного подхода к определению того, что означает, что ошибка минимальна. будем минимизировать среднее значение от квадрата ошибки
На практике очень часто бывает, что вообще ничего не известно о физ.модели того, что фильтруем. - поэтому не можем говорить, что в разные моменты времени ошибки модели независимы друг от друга и что их средние значения равны нулю => теория фильтра Калмана не применима!!! НО МОЖНО УПРОСТИТЬ!
= отфильтрованное значение зависит от всех предыдущих показаний сенсора линейно: Поэтому фильтр Калмана называют линейным фильтром
Задача фильтрации — это НЕ задача сглаживания. Стремимся получить наиболее близкое значение к реальной координате а не сгладить данные !!!!
фильтр Калмана
== Kalman Filter - Fun & Easy
https://youtu.be/bm3cwEP2nUo
== Tutorial: Kalman Filter with MATLAB example part1
https://youtu.be/FkCT_LV9Syk
== Tutorial: Kalman Filter with MATLAB example part2
https://youtu.be/NT7nYv9Ri2Y
== Tutorial: Kalman Filter with MATLAB example part3
https://youtu.be/rUgKnoiRoY0
== Kalman Filter & Extended Kalman Filter
https://youtu.be/E-6paM_Iwfc
KALMAN FILTER is the Bayes filter for the Gausian linear case.
- Performs recursive state estimation
- Prediction step to exploit the controls
- Correction step to exploit the observations
Linear Model
- the Kalman filter assumes a linear transition and observation model
- zero mean Gaussian noise
==ШИКАРНЕЙШИЙ ПЛЭЙЛИСТ https://www.youtube.com/playlist?list=PLX2gX-ftPVXU3oUFNATxGXY90AULiqnWT
== Kalman Filter - Fun & Easy
https://youtu.be/bm3cwEP2nUo
== Tutorial: Kalman Filter with MATLAB example part1
https://youtu.be/FkCT_LV9Syk
== Tutorial: Kalman Filter with MATLAB example part2
https://youtu.be/NT7nYv9Ri2Y
== Tutorial: Kalman Filter with MATLAB example part3
https://youtu.be/rUgKnoiRoY0
== Kalman Filter & Extended Kalman Filter
https://youtu.be/E-6paM_Iwfc
KALMAN FILTER is the Bayes filter for the Gausian linear case.
- Performs recursive state estimation
- Prediction step to exploit the controls
- Correction step to exploit the observations
Linear Model
- the Kalman filter assumes a linear transition and observation model
- zero mean Gaussian noise
==ШИКАРНЕЙШИЙ ПЛЭЙЛИСТ https://www.youtube.com/playlist?list=PLX2gX-ftPVXU3oUFNATxGXY90AULiqnWT
YouTube
Kalman Filter for Beginners
Why You Should Use The Kalman Filter Tutorial- #Pokemon Example
Want to learn more?
⭐ Join Augmented AI University https://www.augmentedstartups.com/ai-university-signup
======================================
►KALMAN FILTER COURSE -
http://augmenteds…
Want to learn more?
⭐ Join Augmented AI University https://www.augmentedstartups.com/ai-university-signup
======================================
►KALMAN FILTER COURSE -
http://augmenteds…
== Как правильно выбирать очередь
https://youtu.be/hEC8CX8Drac
https://youtu.be/hEC8CX8Drac
YouTube
Как правильно выбирать очередь / Владимир Перепелица (Mail.Ru Group)
Приглашаем на конференцию HighLoad++ 2025, которая пройдет 6 и 7 ноября в Москве!
Программа, подробности и билеты по ссылке: https://highload.ru/moscow/2025
________
HighLoad++ Весна 2021
Крупнейшая профессиональная конференция для разработчиков высоконагруженных…
Программа, подробности и билеты по ссылке: https://highload.ru/moscow/2025
________
HighLoad++ Весна 2021
Крупнейшая профессиональная конференция для разработчиков высоконагруженных…
== Микросервисы с нуля / Семен Катаев (Авито)
https://youtu.be/eI1QQUrFUZI
просто о том НАФИГА оно вообще надо и какие особенности
- cncf
- kubernates
- api-gateway
- service proxy
https://youtu.be/eI1QQUrFUZI
просто о том НАФИГА оно вообще надо и какие особенности
- cncf
- kubernates
- api-gateway
- service proxy
YouTube
Микросервисы с нуля / Семен Катаев (Авито)
Приглашаем на конференцию HighLoad++ 2025, которая пройдет 6 и 7 ноября в Москве!
Программа, подробности и билеты по ссылке: https://highload.ru/moscow/2025
________
HighLoad++ Весна 2021
Крупнейшая профессиональная конференция для разработчиков высоконагруженных…
Программа, подробности и билеты по ссылке: https://highload.ru/moscow/2025
________
HighLoad++ Весна 2021
Крупнейшая профессиональная конференция для разработчиков высоконагруженных…
== Profile Guided Optimization without Profiles: A Machine Learning Approach
https://arxiv.org/abs/2112.14679
https://arxiv.org/abs/2112.14679
Forwarded from PythonDigest
TalkPython: лучшие пакеты Python по итогам 2021 года
https://habr.com/ru/post/598647/?utm_campaign=598647&utm_source=habrahabr&utm_medium=rss
На КДПВ в гостях у TalkPython вы видите Гвидо ван Россума — создателя Python, Марка Шеннона, план ускорения Python в 5 раз за 4 года и, конечно, автора подкаста. А мы делимся подборкой пакетов Python, о которых шла речь в выпусках за уходящий год.
https://habr.com/ru/post/598647/?utm_campaign=598647&utm_source=habrahabr&utm_medium=rss
На КДПВ в гостях у TalkPython вы видите Гвидо ван Россума — создателя Python, Марка Шеннона, план ускорения Python в 5 раз за 4 года и, конечно, автора подкаста. А мы делимся подборкой пакетов Python, о которых шла речь в выпусках за уходящий год.
== Проектирование систем на основе моделирования и теории массового обслуживания / Максим Юнусов (IT1)
https://youtu.be/i8y0ipnLiCA
просто высший доклад !!!! маст вотч!
https://youtu.be/i8y0ipnLiCA
просто высший доклад !!!! маст вотч!
YouTube
Проектирование систем на основе моделирования и теории массового обслуживания / Максим Юнусов (IT1)
Приглашаем на конференцию Saint HighLoad++ 2025, которая пройдет 23 и 24 июня в Санкт-Петербурге!
Программа, подробности и билеты по ссылке: https://highload.ru/spb/2025
________
HighLoad++ Весна 2021
Крупнейшая профессиональная конференция для разработчиков…
Программа, подробности и билеты по ссылке: https://highload.ru/spb/2025
________
HighLoad++ Весна 2021
Крупнейшая профессиональная конференция для разработчиков…
== BPF для самых маленьких, часть нулевая: classic BPF
https://habr.com/ru/post/493880/
https://habr.com/ru/post/493880/
Хабр
BPF для самых маленьких, часть нулевая: classic BPF
Berkeley Packet Filters (BPF) — это технология ядра Linux, которая не сходит с первых полос англоязычных технических изданий вот уже несколько лет подряд. Конфер...
== The BSD Packet Filter: A New Architecture for User-level Packet Capture
https://www.tcpdump.org/papers/bpf-usenix93.pdf
https://www.tcpdump.org/papers/bpf-usenix93.pdf
== PID Controller Explained
https://realpars.com/pid-controller/
Learn why PID Controllers are used in industrial processes instead of simple ON/OFF Controllers?
наконец абсолютно шикарный ман, что хоть падаванам скидывай
== WHAT ARE PID TUNING PARAMETERS?
https://realpars.com/pid-tuning-parameters/
In this article, you will learn about PID Tuning Parameters through a few practical examples.
== How to Tune a PID Controller
https://realpars.com/pid-tuning/
Let’s discuss what the PID parameters are and how they are used.
- Series
- Ideal
- Parallel
y = kP * P + kI * I + kD *D
kP = Gain
process slow — kP -> HIGH
process fast — kP -> LOW
https://realpars.com/pid-controller/
Learn why PID Controllers are used in industrial processes instead of simple ON/OFF Controllers?
наконец абсолютно шикарный ман, что хоть падаванам скидывай
== WHAT ARE PID TUNING PARAMETERS?
https://realpars.com/pid-tuning-parameters/
In this article, you will learn about PID Tuning Parameters through a few practical examples.
== How to Tune a PID Controller
https://realpars.com/pid-tuning/
Let’s discuss what the PID parameters are and how they are used.
- Series
- Ideal
- Parallel
y = kP * P + kI * I + kD *D
kP = Gain
process slow — kP -> HIGH
process fast — kP -> LOW
== Курс лекций «Основы цифровой обработки сигналов»
https://habr.com/ru/post/460445/
https://github.com/hukenovs/dsp-theory
- Сигналы: аналоговые, дискретные, цифровые. Z-преобразование,
- Преобразование Фурье: амплитудный и фазовый сигнала, ДПФ и БПФ,
- Свертка и корреляция. Линейная и циклическая свертка. Быстрая свёртка
- Случайные процессы. Белый шум. Функция плотности вероятностей
- Детерминированные сигналы. Модуляция: АМ, ЧМ, ФМ, ЛЧМ. Манипуляция
- Фильтрация сигналов: БИХ, КИХ фильтры
- Оконная фильтрация. Детектирование слабых сигналов с помощью наложения окна,
- Ресемплинг: децимация и интерполяция. CIC-фильтры, фильтры скользящего среднего
- Непараметрические методы спектрального анализа
- Полифазные схемы преобразования Фурье - усреднение по частоте и по времени
https://habr.com/ru/post/460445/
https://github.com/hukenovs/dsp-theory
- Сигналы: аналоговые, дискретные, цифровые. Z-преобразование,
- Преобразование Фурье: амплитудный и фазовый сигнала, ДПФ и БПФ,
- Свертка и корреляция. Линейная и циклическая свертка. Быстрая свёртка
- Случайные процессы. Белый шум. Функция плотности вероятностей
- Детерминированные сигналы. Модуляция: АМ, ЧМ, ФМ, ЛЧМ. Манипуляция
- Фильтрация сигналов: БИХ, КИХ фильтры
- Оконная фильтрация. Детектирование слабых сигналов с помощью наложения окна,
- Ресемплинг: децимация и интерполяция. CIC-фильтры, фильтры скользящего среднего
- Непараметрические методы спектрального анализа
- Полифазные схемы преобразования Фурье - усреднение по частоте и по времени
Хабр
Курс лекций «Основы цифровой обработки сигналов»
Всем привет! Часто ко мне обращаются люди с вопросами по задачам из области цифровой обработки сигналов (ЦОС). Я подробно рассказываю нюансы, подсказываю нужные...
== Цифровая обработка сигналов
https://www.youtube.com/playlist?list=PLmu_y3-DV2_kpP8oX_Uug0IbgH2T4hRPL
хороший вполне адекватный плейлист для изучения ЦОС
Система = среда прохождения сигнала: атмосфера, эл. цепь, цифровой вычислитель, все что изменяет входной сигнал
основные задачи ЦОС:
- эквализация (задача поиска сигнала, при известных параметрах системы)
- фильтрация сигнала (отделение сигнала от шума)
- идентификация системы (нужно определить параметры среды)
- анализ и оценка параметров сигнала (спектр, огибающая, частоты, и тп)
- сжатие сигнала
https://www.youtube.com/playlist?list=PLmu_y3-DV2_kpP8oX_Uug0IbgH2T4hRPL
хороший вполне адекватный плейлист для изучения ЦОС
Система = среда прохождения сигнала: атмосфера, эл. цепь, цифровой вычислитель, все что изменяет входной сигнал
основные задачи ЦОС:
- эквализация (задача поиска сигнала, при известных параметрах системы)
- фильтрация сигнала (отделение сигнала от шума)
- идентификация системы (нужно определить параметры среды)
- анализ и оценка параметров сигнала (спектр, огибающая, частоты, и тп)
- сжатие сигнала
YouTube
Цифровая обработка сигналов
Наш тренинг "Проектирование систем цифровой обработки сигналов" https://exponenta.ru/products/SLBE-G