干嘛非得亲历亲为啊！说例子，为钱啊！哈
一说‘亲历亲为’，许多孙子笑，因为亲力亲为有违大旱文化，汉文化，讲究人伺候，就是‘有福之人人服侍，无福之人服侍人’，明白吗？传统文化就是这个，不可改变，我怎么会自己费力开发一个啥？傻逼了，人家弄出来，我山寨，躺赢！有时，非得亲力亲为，人家把生意送到门槛前面，还有钱啊！都搁下了，可人家有要求啊！哈哈，比如这东西五天要写好了，你像李爷一装孙子，立即被揭露，人家哈哈笑，说，看见你以前写的了，你签字的，我们看见了，哈哈，想加钱是吧！开价！一下噎死了，老老实实給人家玩东西了，此时你说，交给秘书啊！哈哈，你死了，秘书还活着，
早年印尼项目，620万米，就一个问题，说吧！大老板说，知道那是多少钱啊？阿拉说，不知道，没有概念，哈哈，
大量的东西，就是这样的，长协，钱先给你了，你都买房了，时候到了，你跑路？往哪里跑？
而有些项目，是你不可以主动打听的，你说话，人家点头儿要哪个，你不可以主动问话，人家可以问你，这是规矩，必须谨记的，
你可以问，533吗？人家点头儿，不回答你其它东西，这样就定系列了，你说深度，比如5000米，人家点头确认，
可人家可以肆意插话问你啊！比如停下现在话题，暂时不停壳体稳定性了，先搁下，人家问，现在都是防区外空投吧！都有什么方式的！
就得马上放下现在你嘚瑟的单元体计算，吹牛逼空射‘偷屁兜’，哈哈，
骚鸟预警机，开出一个净空，F35或者X47，过来，空投，偷屁兜在一个载体上，就是凯瑞尔，航母，哈，涡扇的，俩孙子拴一起，驴驼耗子，就出发了，到规定海域，降高度，开伞，落水前，解离连接，入水，定深，攻击龙骨啊！就是马克50模式，
生活就是这样，你比如阿拉，许多事情不自己做？找谁啊！
有些情况，你比如李爷自己怕感染，出钱雇人去医院排队拿针剂，你说行不行啊？理论上可以，平常时候就行，一小时35，没问题，出钱啊！萨斯时候你敢，你雇人，人家感染而哏屁了，就是不找你麻烦，后半辈子你还做梦吗？哈哈梦里都是那个，
8爷好啊，上次论坛跟一位玩噪声振动信号的大侠侃完傅立叶变换浅显的理解，后来趁着年前上班的发呆状态期自己又缕了缕自己学习的思路，就拿一个傅立叶变换本身公式去拆解，里面有虚数单位i，它呢不断跟它自己相乘，四次后又回到自己，其本身代表了一种旋转变换；再把其放到了以自然常数e为底数指数函数的指数位置的指数函数就代表了一个旋转的单位圆（在大学绿皮高数书上，指数函数是用一个极限定义的），这时就联想到了欧拉恒等式，那个有自然常数，虚数单位，圆周率，自然数1和0通过最简单的加号和等号连在一起的等式，是多么自然的事。回到傅立叶变换，就是把一个函数和一个复指数函数做了乘积再积分，看到函数相乘再积分就想到函数内积形式，向量内积是各对应坐标元素相乘再相加，函数可以看成无限维向量，无限维相加那就是积分啊，这就是向量空间到函数空间的转换。想到向量空间，就想到正交分解和空间基底，从空间向量变换角度看傅立叶变换，就是对一个函数从无限空间（专业术语叫希尔伯特空间），就是一个向量啊，其坐标无限维，变换到复指数为基底的空间里，这就是抽象空间一个坐标变换而已，所以傅立叶变换本质上是一个坐标变换，傅立叶级数呢则是把这个变换具体表现了出来，把一个函数表达成由所有基底乘以系数的形式，这个每项傅立叶系数其实就是在希尔伯特空间里这个函数的向量在这个基底方向的正交投影。这样捋下来就把复数，内积， 向量空间，正交投影，统统串联起来。理解了，以变换的角度这个再理解拉普拉斯变换就是把三角函数基底乘了个指数衰减函数，把对基底做了下变换。在后面就理解小波变换的出现，因为傅立叶变换这个只能识别出来这个波形由哪些频率的波组成的，没有时间信息，也就是说不知道这频率的波形在哪个时间放入的，那有频率随时间变化的时候就不灵了，后来又出现了短时傅立叶变换，就是给分析的信号加窗截断再看频率，但是窗的大小是固定的，窗太大分辨率不够，太小计算量大，这又发展了随频率变换而窗宽变换的小波变换，来做时频分析，也是在傅立叶基础上对基底的一种操作，也是一种变换。想完有种贯通豁然开朗的感觉，我得先去喝一杯，，， 本帖最后由 04031161 于 2023-1-13 19:04 编辑
冯唐成事心法，里面有个说法，终极领导力，就是遇到事情别人搞不定的时候自己能顶上去保障成事
难怪八爷认可冯唐
我们公司，多一事不如少一事。别人负责的部分出了问题，如果自己知道这事，领导就会说你知道为什么不帮他解决，，你不敬业，态度不好。因此，遇到不关自己事情，躲得远远的。 什么事都能亲力亲为 你真是爱上这行当啦属于梦想 大旱是这是风口上的猪我才注意他的 yinalan 发表于 2023-1-13 21:25
8爷好啊，上次论坛跟一位玩噪声振动信号的大侠侃完傅立叶变换浅显的理解，后来趁着年前上班的发呆状态期自 ...
毕总，数学我得跟您混。线性无关就是所谓正交啊，或者说一个向量投影到另一个向量只能得到一个点，一个向量A减去其在一个向量方向的投影就会得到向量B的正交投影，其实在求解多项式时做的线形变换就是一个不断减去向量投影得到彼此达到彼此正交从而解耦的过程，这也是Gram-Schmidt 正交化求正交基底的逻辑及最小平方近似算法的核心。
页:
[1]