疑问《光纤通信》

M40合波之后的信号，是用单薄光纤传输？

光纤通信（第五版）

单模光纤与多模光纤的区别？
- 《光纤通信》（第五版） P74 例4.1
对半导体激光器的直接调制可能会改变其输出波长，增加其线宽（这种现象称为啁啾）

ODL 新建maven项目骨架

mvn archetype:generate -DarchetypeGroupId=org.opendaylight.controller -DarchetypeArtifactId=opendaylight-startup-archetype -DarchetypeRepository=https://nexus.opendaylight.org/content/repositories/public/ -DarchetypeVersion=1.3.1-Carbon

深度学习

对角矩阵受到关注的部分原因是对角矩阵的乘法计算很高效。计算乘法 $diag(v)x$ ,我们只需要将 $x$ 中的每 $x_i$ 放大 $v_i$ 倍。对角方阵的逆矩阵存在，当且仅当对角元素都是非零值，在这种情况下， $diag(v)^{-1}=diag([1/v_1,...,1/v_n]^T)$
正交矩阵指行向量和列向量是分别标准正交的方阵，即
$A^TA = AA^T = I$
这意味着
$A^{-1} = A^{T}$
正交矩阵受到关注是因为求逆计算代价小。
特征向量是使用最广的矩阵分解之一，即我们将矩阵分解成一组特征向量和特征值。
方阵 $A$ 的特征向量是指与A相乘后相当于对该向量进行缩放的非零向量 $v$
$Av = {lambda}v$
其中标量 $lambda$ 称为这个特征向量对应的特征值，通常我们更关注右特征向量。（备注：左特征向量 $v^TA = {lambda} v^T$ ）
如何理解矩阵特征值？
相似矩阵有什么用？
假设矩阵 $A$ 有n个线性无关的特征向量 ${v^{(1)},...,v^{(n)} }$ ,对应着特征值 ${ lambda_1,...,lambda_2 }$ 。我们将特征向量连接成一个矩阵。使得每一列是一个特征向量； $V = {v^{(1)},...,v^{(n)} }$ 。类似地，我们也可以将特征值连接成一个向量 $lambda = [ lambda_1,...,lambda_2 ]^T$ 。因此 $A$ 的特征分解可以记作
$A = Vdiag(lambda)V^{-1}$
证明:
$AV = A[v^{(1)},...,v^{(n)}]= [Av^{(1)},...,Av^{(n)} ]$
$V diag(lambda)= [v^{(1)},...,v^{(n)}] diag(lambda)= [v^{(1)}{lambda}_1,...,v^{(n)} {lambda}_n]$
$AV = V diag(lambda)$
$A: 1*1$
$V:1*n$
$diag(lambda) : n*n$
线性代数（同济大学第六版）第五章第3节定理 4 n阶矩阵 $A$ 与对角矩阵相似(即 $A$ 能对角化)的充分必要条件是 $A$ 有n个线性无关的特征向量
奇异值分解详解
奇异值分解的物理意义
- 矩阵乘法运算律:
  $(AB)C = A(BC)$
  $lambda (AB)=(lambda A)B=A(lambda B)$
  $A(B+C)=AB+AC, (B+C)A=BA+CA$
- $(A^TA)^T=A^TA$
  $(AA^T)=AA^T$
  $AA^T$ 和 $A^TA$ 是实对称矩阵，可以相似三角化。
- $A=XY=sum_{i=1}^{k}{delta _i u_i v_i^T} = sum_{i=1}^{k}{Av_i v_i^T} = A sum_{i=1}^{k}{v_i v_i^T} = AE$
- 点乘 $Av_i$ 是列向量
  $Av_i cdot Av_i= (Av_i)^TAv_i$

所谓职业发展看三条

1.有好的职业前景：说白了就是能升职有好人脉，是可持续的；

2.有好的薪酬：拿好多钱，而且是可持续的，不是三天打鱼，两天晒网；

3.能学到东西：不受岗位和管理体系的影响，持续的学习技能，当然也有胶片。

自己衡量，都要持续性，那你就好好考虑你能在这里持续多少时间吧，不然，早点了断。