cca

/* set GPIO0 for RSSI interrupt / CCA */ txbuf[0] = CMD_GPIO_PIN_CFG; txbuf[1] = 27; /* GPIO[0] = 27: CCA or 37: CCA_LATCH */ txbuf[2] = 0; /* GPIO[1] = DONOTHING */ txbuf[3] = 0; /* GPIO[2] = DONOTHING */ txbuf[4] = 0; /* GPIO[3] = DONOTHING */ txbuf[5] = 0; /* NIRQ = behavior not modified */ txbuf[6] = 0; /* SDO = behavior not modified*/ txbuf[7] = 0; /* GEN_CONFIG = GPIO outputs will have the highest drive strength*/ si446x_SendCommand(8, txbuf); si446x_WaitForCTS(); /* set RSSI threshold */ txbuf[0] = CMD_SET_PROPERTY; txbuf[1] = PROP_MODEM_GROUP; txbuf[2] = 0x03; /* num of property */

1 CCA 　　CCA（空间信道评估）在CSMA/CA中比较非常重要，事关整机吞吐量，所以对其实现进行简单分析。CCA好像应该有2种：CCA-CS，是属于PLCP层的，捕获到能量且能量值高于-82dB后，确定空间忙；CCA-ED，属于协议层，捕获到-62dB信号后，需要判定空间忙，并等待。 　　修改CCA等级，可以让它对“弱信号”失聪，从而可以在干扰环境中提高吞吐量。 2 具体实现 ar9300_update_cca_threshold(struct ath_hal *ah, int16_t nfarray[NUM_NF_READINGS], u_int8_t rxchainmask) 　　nf=ah->nf_2GHz.max OR ah->nf_5GHz.max 频段噪底 　　nf_max_primary = nf_max_extension = nf; 主信道噪底=辅信道噪低=频段噪底 　　chainmask = rxchainmask & ahpriv->ah_caps.hal_rx_chain_mask; 天线数 　　for (chan = 0; chan < 2 /*ctl,ext*/; chan++) 基于nfarry[]获得最高nf，利用nf更新 nf_max_primary 和nf_max_extension 　　nf_nominal = -101（HT20） OR

CCA(典型相关分析) 随机建立数据,对两组数据进行典型相关分析(CCA) import numpy as np import matplotlib.pyplot as plt from sklearn.cross_decomposition import CCA #设置随机种子 np.random.seed(0) n = 500 l1 = np.random.normal(size=n) l2 = np.random.normal(size=n) # print(l1.shape, l2.shape) latents = np.array([l1, l1, l2, l2]).T # print(latents.shape) #加噪处理 X = latents + np.random.normal(size=4 * n).reshape((n, 4)) Y = latents + np.random.normal(size=4 * n).reshape((n, 4)) print(X.shape) #划分数据集 X_train = X[:n // 2] Y_train = Y[:n // 2] X_test = X[n // 2:] Y_test = Y[n // 2:] # print(X_train.shape) # print(Y_train.shape) # print(X

CCA典型相关分析 （canonical correlation analysis）利用综合变量对之间的相关关系来反映两组指标之间的整体相关性的多元统计分析方法。它的基本原理是：为了从总体上把握两组指标之间的相关关系，分别在两组变量中提取有代表性的两个综合变量U1和V1（分别为两个变量组中各变量的线性组合），利用这两个综合变量之间的相关关系来反映两组指标之间的整体相关性。 Canonical Correlation Analysis典范相关分析/Canonical Correspondence Analysis典范对应分析 简单相关系数描述两组变量的相关关系的缺点:只是孤立考虑单个X与单个Y间的相关，没有考虑X、Y变量组内部各变量间的相关。两组间有许多简单相关系数，使问题显得复杂，难以从整体描述。典型相关是简单相关、多重相关的推广。典型相关是研究两组变量之间相关性的一种统计分析方法。也是一种 降维技术 。 1936年，Hotelling提出典型相关分析。考虑两组变量的线性组合, 并研究它们之间的相关系数p(u,v).在所有的线性组合中, 找一对相关系数最大的线性组合, 用这个组合的单相关系数来表示两组变量的相关性, 叫做两组变量的典型相关系数, 而这两个线性组合叫做一对典型变量。在两组多变量的情形下, 需要用若干对典型变量才能完全反映出它们之间的相关性。下一步,

原文地址： https://www.cnblogs.com/pinard/p/6288716.html 典型关联分析(Canonical Correlation Analysis，以下简称CCA)是最常用的挖掘数据关联关系的算法之一。比如我们拿到两组数据，第一组是人身高和体重的数据，第二组是对应的跑步能力和跳远能力的数据。那么我们能不能说这两组数据是相关的呢？CCA可以帮助我们分析这个问题。 1. CCA概述 　　　　在数理统计里面，我们都知道相关系数这个概念。假设有两组一维的数据集X和Y，则相关系数 ρ ρ 的定义为: ρ ( X , Y ) = c o v ( X , Y ) D ( X )−−−−−√ D ( Y )−−−−−√ ρ(X,Y)=cov(X,Y)D(X)D(Y) 　　　　其中 c o v ( X , Y ) cov(X,Y) 是X和Y的协方差，而 D ( X ) , D ( Y ) D(X),D(Y) 分别是X和Y的方差。相关系数 ρ ρ 的取值为[-1,1],　 ρ ρ 的绝对值越接近于1，则X和Y的线性相关性越高。越接近于0，则X和Y的线性相关性越低。 　　　　虽然相关系数可以很好的帮我们分析一维数据的相关性，但是对于高维数据就不能直接使用了。拿上面我们提到的，如果X是包括人身高和体重两个维度的数据，而Y是包括跑步能力和跳远能力两个维度的数据

原文地址： https://www.cnblogs.com/pinard/p/6288716.html 典型关联分析(Canonical Correlation Analysis，以下简称CCA)是最常用的挖掘数据关联关系的算法之一。比如我们拿到两组数据，第一组是人身高和体重的数据，第二组是对应的跑步能力和跳远能力的数据。那么我们能不能说这两组数据是相关的呢？CCA可以帮助我们分析这个问题。 1. CCA概述 　　　　在数理统计里面，我们都知道相关系数这个概念。假设有两组一维的数据集X和Y，则相关系数 ρ ρ 的定义为: ρ ( X , Y ) = c o v ( X , Y ) D ( X )−−−−−√ D ( Y )−−−−−√ ρ(X,Y)=cov(X,Y)D(X)D(Y) 　　　　其中 c o v ( X , Y ) cov(X,Y) 是X和Y的协方差，而 D ( X ) , D ( Y ) D(X),D(Y) 分别是X和Y的方差。相关系数 ρ ρ 的取值为[-1,1],　 ρ ρ 的绝对值越接近于1，则X和Y的线性相关性越高。越接近于0，则X和Y的线性相关性越低。 　　　　虽然相关系数可以很好的帮我们分析一维数据的相关性，但是对于高维数据就不能直接使用了。拿上面我们提到的，如果X是包括人身高和体重两个维度的数据，而Y是包括跑步能力和跳远能力两个维度的数据

PCoA ：主坐标轴分析 数值型变量使用各种距离公式，而分类变量看是否相同，比如， Aabbcc || Aaffff 其中，两个相同， 4 个不同，一组 6 个 , 则（ 6+6-2*2 ） =8 。 PC0A 与 PCA 区别在于 PCoA 有多种计算距离公式。 NMDS ： 两者之差比两者之和，得到 similarity 得分，按分排序。所以， S 是 similarity ，值越大越相似。 对差距不敏感只有排序，多一个物种或者类群差距都不大，稳健性。 STRESS 来衡量转换的好坏，低于 0.05 比较好。 RDA or RA 用矩阵解释矩阵，以前是用矩阵解释向量。 Eg ：用生化指标（ 10 项）解释身高、体重和血压。 原理是将矩阵转化为向量，最后用向量解释向量，即得到两个 RDA1 之间的相关系数。 Loading 是每一列的变量，就是每个主成分含有多少轴， score 是每一个 sample 对应的值。即一个主成分中可能有 N 个轴，就是一个主成分占有 N 个变量。 用 RDA 不能解释的部分用 PCA 解释： Triplot ： y 变量， x 变量， score 值 分成两大类之后，分析各类对变量的影响： 散点图判断两两之间的单调性，如果是单调则使用 RDA ，非单调使用 CCA 。 CCA 使用卡方分布，其余与 RDA 相同。 Unimodal 是单峰非线性的

可以将文章内容翻译成中文,广告屏蔽插件可能会导致该功能失效(如失效，请关闭广告屏蔽插件后再试): 由 翻译 强力驱动 问题: I am using CCA for my work and want to understand something. This is my MATLAB code. I have only taken 100 samples to better understand the concepts of CCA. clc ; clear all ; close all ; load carbig ; data = [ Displacement Horsepower Weight Acceleration MPG ]; data ( isnan ( data ))= 0 ; X = data ( 1 : 100 , 1 : 3 ); Y = data ( 1 : 100 , 4 : 5 ); [ wx , wy ,~, U , V ] = CCA ( X , Y ); clear Acceleration Cylinders Displacement Horsepower MPG Mfg Model Model_Year Origin Weight when org subplot ( 1 , 2 , 1 ), plot ( U (:, 1 ), V (:, 1

序言 在之前介绍802.11中DCF工作模式时，我们讨论过信道检测的部分问题。在802.11中，信道检测包含两个部分，物理载波监听和虚拟载波监听，其中物理载波通常我们所述为CCA (Clear Channel Assessment)机制，本文就关于CCA的机制做一些介绍。 Remark：由于本文部分内容比较细节，建议是先阅读《802.11协议精读2：DCF与CSMA/CA》后，进而理解本文的一些内容。 802.11的需求 我们知道802.11协议是基于半双工的物理层进行设计的，半双工的物理层在设计时会有很多的细节问题需要考量，包含单根天线如何切换，如何识别收发时机等。有了这些基本因素的考量，我们才能够进一步设计802.11的MAC层协议，很多情况下，我们对802.11的MAC层协议理解不够彻底，也是因为对于其物理层的设计以及限制了解的不够多。基于此，我们首先谈谈在半双工情况下，802.11协议有什么需求： 需求1： 监听网络中是否有数据包正在发送，并该数据包的信号进行准确的截取。 该需求实际上是从下行的角度考虑的。我们首先考虑一个更简单的场景，一个AP发送，一个节点接收。节点仅仅接收数据包，没有任何的发送功能，从而就不需要引入CSMA/CA的竞争过程。 节点需要接收由AP发送过来的数据包，此时节点仅仅有一根天线接收无线信道，其需要从茫茫信号的海洋中，找到一个数据帧，并且