AChartEngine应用之LineChart(模拟动态生命特征值图)

R语言 rms 包 4.7.0 绘制校准曲线:Cox回归模型3种分桶策略对比 本文详细解析了R语言rms包4.7.0版本中绘制校准曲线的三种分桶策略(uniform/quantile/custom)在Cox回归模型中的应用。通过肺癌生存数据实战,展示了不同分桶策略的关键差异,并提供了可复用的代码模板与图形优化方案,帮助研究者更准确地评估临床预测模型的校准度。 阅读详情
From:http://blog.youkuaiyun.com/qiuzhping/article/details/18404803
接着上一次写的内容,构建动态曲线图,并产生与用户交互,考虑到数据都是活动的,不可能总是用静态数据,所以我下面的demo就是模拟。项目作用:模拟生命特征值图,动态显示分钟脉搏生命特征值走向每隔1000ms产生50组数据,并填充到表格中,主要使用的到是Handler+Task,因为我是用Activity显示这个表格每次产生的数据都需要快速的填充到主线程UI中,所以我就用Handler,这里的数据我都是采用随机数表示,这个demo可以作为开发医疗设备显示生命症状的表格信息参考,实际项目中如果需要用的每隔XX时间产生XX数据,最好是用Web提供数据,这样可以实现多个客户端 共享数据
构建LineChart图的步骤主要分为以下四步,还需要在项目中引入AChartEngine依赖jar包,在Manifest中添加:<activityandroid:name="org.achartengine.GraphicalActivity" />
1.     设置XYMultipleSeriesRenderer
mXYRenderer = buildRenderer(color, style, true);
                   mXYRenderer.setShowGrid(true);// 显示表格
                   mXYRenderer.setGridColor(Color.GREEN);// 据说绿色代表健康色调,不过我比较喜欢灰色
                   mXYRenderer.setXLabels(20);
                   mXYRenderer.setYLabels(10);
                   mXYRenderer.setYLabelsAlign(Align.RIGHT);// 右对齐
                   // mXYRenderer.setPointSize((float) 2);
                   mXYRenderer.setShowLegend(false);// 不显示图例
                   mXYRenderer.setZoomEnabled(false);
                   mXYRenderer.setPanEnabled(true, false);
                   mXYRenderer.setClickEnabled(false);
                   setChartSettings(mXYRenderer, title, "时间", "数量", 0, X, 0, Y,
                                     Color.WHITE, Color.WHITE);// 这个是采用官方APIdemo提供给的方法
                                                                                                       // 设置好图表的样式
 
2.     构建数据源CategorySeries
series = new XYSeries(title);// 这个类用来放置曲线上的所有点,是一个点的集合,根据这些点画出曲线
mDataset = new XYMultipleSeriesDataset(); // 创建一个数据集的实例,这个数据集将被用来创建图表
mDataset.removeSeries(series);// 移除数据集中旧的点集
                   series.clear();// 点集先清空,为了做成新的点集而准备
 
                   for (int k = 0; k < X; k++) {// 实际项目中这些数据最好是由线程搞定,可以从WebService中获取
                            int y = (int) (Math.random() * Y);
                            series.add(k, y);
                   }
                   mDataset.addSeries(series);// 在数据集中添加新的点集
                   mViewChart.invalidate();// 视图更新,没有这一步,曲线不会呈现动态
 
3.     通过ChartFactory.getLineChartView生成曲线图
mViewChart = ChartFactory.getLineChartView(context, mDataset,
                                     mXYRenderer);// 通过ChartFactory生成图表
 
                   mLayout.addView(mViewChart, new LayoutParams(LayoutParams.FILL_PARENT,
                                     LayoutParams.FILL_PARENT));// 将图表添加到布局中去
4.     构建定时器任务
private final class StartBtn implements OnClickListener {
                   @Override
                   public void onClick(View arg0) {
                            Log.i("qiuzhping", "startBtn onClick");
                            handler = new Handler() {// 简单的通过Handler+Task形成一个定时任务,从而完成定时更新图表的功能
                                     @Override
                                     public void handleMessage(Message msg) {
                                               if (msg.what == 1) {
                                                        Log.i("qiuzhping", "Handler handleMessage");
                                                        updateChart(); // 刷新图表,handler的作用是将此方法并入主线程,在非主线程是不能修改UI的
                                                        super.handleMessage(msg);
                                               }
                                     }
                            };
 
                            task = new TimerTask() {// 定时器
                                     @Override
                                     public void run() {
                                               Message message = new Message();
                                               message.what = 1;// 设置标志
                                               handler.sendMessage(message);
                                               Log.i("qiuzhping", "TimerTask run");
                                     }
                            };
                            timer.schedule(task, 1000, 1000);// 运行时间和间隔都是1000ms
                   }
         }
效果图:




Code:
[java] view plain copy print?
package com.qiuzhping.achart.app;  
  
import java.util.Timer;  
import java.util.TimerTask;  
  
import org.achartengine.ChartFactory;  
import org.achartengine.GraphicalView;  
import org.achartengine.chart.PointStyle;  
import org.achartengine.model.XYMultipleSeriesDataset;  
import org.achartengine.model.XYSeries;  
import org.achartengine.renderer.XYMultipleSeriesRenderer;  
import org.achartengine.renderer.XYSeriesRenderer;  
  
import android.app.Activity;  
import android.content.Context;  
import android.graphics.Color;  
import android.graphics.Paint.Align;  
import android.os.Bundle;  
import android.os.Handler;  
import android.os.Message;  
import android.util.Log;  
import android.view.View;  
import android.view.View.OnClickListener;  
import android.view.ViewGroup.LayoutParams;  
import android.widget.Button;  
import android.widget.LinearLayout;  
  
import com.qiuzhping.achart.R;  
  
/** 
 * @项目名称:模拟生命特征值图 
 * @类名称:AnalogPulse 
 * @作者:Qiuzhping 
 * @时间:2014-1-17上午11:46:51 
 * @作用 :模拟生命特征值图,动态显示分钟脉搏走向 
 *     每隔1000ms产生50组数据,并填充到表格中,主要使用的到是Handler+Task,因为我是用Activity显示这个表格 
 *     每次产生的数据都需要快速的填充到主线程UI中,所以我就用Handler,这里的数据我都是采用随机数表示,这个demo可以作为开发 
 *     医疗设备显示生命症状的表格信息参考,实际项目中如果需要用的每隔XX时间产生XX数据,最好是用Web提供数据,这样可以实现多个客户端 共享数据 
 * @说明:环境是android4.0 
 */  
public class LifeEigenvalues extends Activity {  
    private Button startBtn = null;  
    private Button stopBtn = null;  
    private Timer timer = new Timer();// 定时器  
    private TimerTask task;// 任务  
    private Handler handler;// 主要用于更新表格视图  
    private String title = "线性统计图示例";  
    private XYSeries series;// XY数据点  
    private XYMultipleSeriesDataset mDataset;// XY轴数据集  
    private GraphicalView mViewChart;// 用于显示现行统计图  
    private XYMultipleSeriesRenderer mXYRenderer;// 线性统计图主描绘器  
    private Context context;// 用于获取上下文对象  
    private LinearLayout mLayout;  
    private int X = 50;// X数据集大小  
    private int Y = 50;//  
  
    @Override  
    protected void onCreate(Bundle savedInstanceState) {  
        super.onCreate(savedInstanceState);  
        setContentView(R.layout.analog_pulse);  
        startBtn = (Button) findViewById(R.id.startBtn);  
        startBtn.setOnClickListener(new StartBtn());  
  
        stopBtn = (Button) findViewById(R.id.stopBtn);  
        stopBtn.setOnClickListener(new StopBtn());  
  
        context = getApplicationContext();// 获取上下文对象  
        mLayout = (LinearLayout) findViewById(R.id.chart);// 这里获得xy_chart的布局,下面会把图表画在这个布局里面  
        series = new XYSeries(title);// 这个类用来放置曲线上的所有点,是一个点的集合,根据这些点画出曲线  
  
        mDataset = new XYMultipleSeriesDataset(); // 创建一个数据集的实例,这个数据集将被用来创建图表  
        mDataset.addSeries(series);// 将点集添加到这个数据集中  
  
        int color = Color.RED;// 设置颜色  
        PointStyle style = PointStyle.CIRCLE;// 设置外观周期性显示  
        mXYRenderer = buildRenderer(color, style, true);  
        mXYRenderer.setShowGrid(true);// 显示表格  
        mXYRenderer.setGridColor(Color.GREEN);// 据说绿色代表健康色调,不过我比较喜欢灰色  
        mXYRenderer.setXLabels(20);  
        mXYRenderer.setYLabels(10);  
        mXYRenderer.setYLabelsAlign(Align.RIGHT);// 右对齐  
        // mXYRenderer.setPointSize((float) 2);  
        mXYRenderer.setShowLegend(false);// 不显示图例  
        mXYRenderer.setZoomEnabled(false);  
        mXYRenderer.setPanEnabled(true, false);  
        mXYRenderer.setClickEnabled(false);  
        setChartSettings(mXYRenderer, title, "时间", "数量", 0, X, 0, Y,  
                Color.WHITE, Color.WHITE);// 这个是采用官方APIdemo提供给的方法  
                                            // 设置好图表的样式  
  
        mViewChart = ChartFactory.getLineChartView(context, mDataset,  
                mXYRenderer);// 通过ChartFactory生成图表  
  
        mLayout.addView(mViewChart, new LayoutParams(LayoutParams.FILL_PARENT,  
                LayoutParams.FILL_PARENT));// 将图表添加到布局中去  
  
    }  
  
    @Override  
    public void onDestroy() {  
        if (timer != null) {// 当结束程序时关掉Timer  
            timer.cancel();  
            Log.i("qiuzhping", "onDestroy timer cancel");  
            super.onDestroy();  
        }  
    }  
  
    protected XYMultipleSeriesRenderer buildRenderer(int color,  
            PointStyle style, boolean fill) {// 设置图表中曲线本身的样式,包括颜色、点的大小以及线的粗细等  
        XYMultipleSeriesRenderer renderer = new XYMultipleSeriesRenderer();  
        XYSeriesRenderer r = new XYSeriesRenderer();  
        r.setColor(color);  
        r.setPointStyle(style);  
        r.setFillPoints(fill);  
        r.setLineWidth(3);  
        renderer.addSeriesRenderer(r);  
  
        return renderer;  
    }  
  
    protected void setChartSettings(XYMultipleSeriesRenderer renderer,  
            String title, String xTitle, String yTitle, double xMin,  
            double xMax, double yMin, double yMax, int axesColor,  
            int labelsColor) {// 设置主描绘器的各项属性,详情可阅读官方API文档  
        renderer.setChartTitle(title);  
        renderer.setXTitle(xTitle);  
        renderer.setYTitle(yTitle);  
        renderer.setXAxisMin(xMin);  
        renderer.setXAxisMax(xMax);  
        renderer.setYAxisMin(yMin);  
        renderer.setYAxisMax(yMax);  
        renderer.setAxesColor(axesColor);  
        renderer.setLabelsColor(labelsColor);  
    }  
  
    /** 
     * @方法名: updateChart 
     * @作者:Qiuzhping 
     * @作用: 主要工作是每隔1000ms刷新整个统计图 产生50组数据,完全填充表格 
     */  
    private void updateChart() {// 主要工作是每隔1000ms刷新整个统计图  
        Log.i("qiuzhping", "updateChart ok");  
        mDataset.removeSeries(series);// 移除数据集中旧的点集  
        series.clear();// 点集先清空,为了做成新的点集而准备  
  
        for (int k = 0; k < X; k++) {// 实际项目中这些数据最好是由线程搞定,可以从WebService中获取  
            int y = (int) (Math.random() * Y);  
            series.add(k, y);  
        }  
        mDataset.addSeries(series);// 在数据集中添加新的点集  
        mViewChart.invalidate();// 视图更新,没有这一步,曲线不会呈现动态  
    }  
  
    private final class StartBtn implements OnClickListener {  
        @Override  
        public void onClick(View arg0) {  
            Log.i("qiuzhping", "startBtn onClick");  
            handler = new Handler() {// 简单的通过Handler+Task形成一个定时任务,从而完成定时更新图表的功能  
                @Override  
                public void handleMessage(Message msg) {  
                    if (msg.what == 1) {  
                        Log.i("qiuzhping", "Handler handleMessage");  
                        updateChart(); // 刷新图表,handler的作用是将此方法并入主线程,在非主线程是不能修改UI的  
                        super.handleMessage(msg);  
                    }  
                }  
            };  
  
            task = new TimerTask() {// 定时器  
                @Override  
                public void run() {  
                    Message message = new Message();  
                    message.what = 1;// 设置标志  
                    handler.sendMessage(message);  
                    Log.i("qiuzhping", "TimerTask run");  
                }  
            };  
  
            timer.schedule(task, 1000, 1000);// 运行时间和间隔都是1000ms  
        }  
  
    }  
  
    private final class StopBtn implements OnClickListener {  
        @Override  
        public void onClick(View arg0) {  
            Log.i("qiuzhping", "stopBtn onClick");  
            LifeEigenvalues.this.finish();  
        }  
    }  
}  


对应项目:http://download.youkuaiyun.com/detail/qiu_11/6858385
未完待续。。。。
AChartEngine应用系列文章
(一)AChartEngine简介
(二)AChartEngine应用之PieChart(饼图)
(三)AChartEngine应用之BarChart(柱形图)
(四)AChartEngine应用之PieChart(动态饼图,允许产生动态数据并显示)
(五)AChartEngine应用之LineChart(模拟生命特征值图)
(六)AChartEngine应用之LineChart(模拟三角函数sin,cos)

(七)AChartEngine高级应用CombinedXYChart(组合统计图)



Android平行线绘制实例:动态移动的X轴数据 在Android应用中,使用achartengine库可以实现绘制平行线,并且可以动态地移动X轴的数据。首先,确保你的Android项目已经集成了achartengine库。希望本文能够帮助你理解如何使用achartengine库绘制平行线图表,并实现动态移动的X轴数据。通过以上步骤,我们就可以在Android应用中实现一个动态移动的平行线图表。然后,在你的Activity类中,初始化并配置achartengine库。接下来,在你的Activity布局文件中添加一个用于显示图表的控件。 阅读详情

相关推荐

frontend-design skills

frontend-design skills

RecyclerChart其它图表绘制

之前章节介绍了RecyclerChart 中一些通用的图表的相关绘制逻辑,本章节介绍两种Special的Chart的绘制,一种是心电图,一种是睡眠图。首先我们来看下心电图EcgChart的绘制。

Android 开发架构 399

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?.docx

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?

模拟ECG心电图

最近项目中遇到实现ECG心电图效果,此示例只是模拟效果,还不能对接真实数据。

sonic 2047

用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)

内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开研究,深入探讨了卡尔曼滤波在动态系统状态估计中的核心作用。文章系统阐述了卡尔曼滤波的数学基础,包括状态空间模型的建立、先验与后验状态估计、协方差矩阵的递推更新,以及最优增益矩阵的推导过程,确保在高斯白噪声环境下实现对系统状态的最小均方误差估计。结合Matlab代码实现,完整展示了算法从理论建模到仿真实验的全流程,涵盖系统建模、噪声设置、滤波迭代、状态更新与误差分析等环节,并通过仿真实验验证了算法在噪声干扰下对系统真实状态的高精度跟踪能力。该研究为控制工程、导航系统、信号处理及自动化领域中的状态估计问题提供了坚实的理论依据与高效的数值实现方案。; 适合人群:具备一定控制理论、概率统计基础和Matlab编程能力,从事自动化、电子信息、航空航天、机器人、导航定位等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①掌握卡尔曼滤波的基本原理及其在状态估计中的数学推导过程;②学习如何利用Matlab实现卡尔曼滤波算法并进行系统仿真与性能评估;③应用于目标跟踪、传感器融合、惯性导航、故障诊断、时间序列预测等实际工程中的动态状态估计问题。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过调整系统模型参数、过程噪声与观测噪声强度,观察滤波效果的变化,深入理解卡尔曼增益的自适应调节机制与MMSE估计的收敛特性。同时可进一步拓展学习扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等非线性滤波方法,以应对更复杂的非线性系统状态估计挑战。

【SOC估计】基于EKF与二阶RC等效电路模型的锂电池SOC在线估计算法实现与仿真分析

本文详细介绍了基于扩展卡尔曼滤波(EKF)与二阶RC等效电路模型的锂电池SOC在线估计算法。通过Matlab仿真分析,展示了该算法如何实现高精度SOC估计,相比传统方法显著提升估计精度与鲁棒性,适用于电动汽车、储能系统等关键领域。

1115

Achartengine画分段动态曲线

最近实验室做到的项目,需要在手机上实时显示从WIFI模块传过来的频谱数据,通过对比网上图库,最终选了achartengine,经过这两天的研究终于搞定,在此与大家分享。 频谱图的要求如下:                  1,由于是实时数据,因此需要曲线能动态更新;                   2,数据上传的速度不快,中间还有可能缺失,因此需要分段显示

sangsa的博客 1563

手把手教你用UM982搭建厘米级RTK定位系统(附避坑指南)

本文详细介绍了如何使用UM982模组搭建厘米级RTK定位系统,涵盖硬件连接、软件配置和深度优化技巧。UM982支持BDS、GPS、GLONASS和Galileo等多系统全频点信号,特别适合精准农业、无人机导航等高精度应用场景。通过实战案例和避坑指南,帮助开发者快速实现厘米级定位精度。

y7z8a的博客 1450

曲线图视图库:高效绘制Android图形的秘密武器

曲线图视图库:高效绘制Android图形的秘密武器 在移动应用开发中,数据可视化是至关重要的一个环节,特别是对于科学、金融或健康类应用程序而言。今天我们要介绍的是一个专为Android平台设计的开源项目——,它是一个轻量级且高度可定制化的曲线图视图库,可以帮助开发者轻松地创建动态和美观的数据图表。 项目概述 CurveGraphView 是由Swapnil1104开发的一个Android库,它的主...

gitblog_00065的博客 405

华为L420X/L540X信创笔记本从麒麟系统安装Windows ARM版实操指南

在计算机系统生态中,指令集架构决定了软件运行的基础,其中ARM作为精简指令集(RISC)的代表,与x86的复杂指令集(CISC)存在根本差异,因此操作系统与驱动的兼容性成为软硬件协同的关键。ARM架构处理器凭借低功耗与高能效比,在移动计算和桌面领域持续扩展,微软也为此提供了专用的Windows ARM版本。对于信创笔记本用户而言,当专业软件、考试环境或内部工具仅支持Windows平台时,在ARM设备上完成系统切换便具有明确的工程实践价值。本文以华为L420X/L540X搭载麒麟9000C芯片的信创笔记本为实

weixin_30444111的博客 614

数字频率计设计中的常见误区:从VHDL代码到硬件实现的避坑指南

本文深入探讨了数字频率计从VHDL代码到FPGA硬件实现过程中的关键误区与解决方案。重点分析了闸门时间生成的精度与资源平衡、控制时序设计中的竞争冒险规避,以及如何利用EDA工具进行综合、时序约束与调试,确保设计稳定可靠。文章为开发者提供了从仿真成功到硬件可用的实战避坑指南。

spark7igniter的博客 213

AChartEngine当用之LineChart(模拟动态生命特征值图)

AChartEngine应用之LineChart(模拟动态生命特征值图) AChartEngine应用之LineChart(模拟动态生命特征值图) 接着上一次写的内容,构建动态曲线图,并产生与用户交互,考虑到数据都是活动的,不可能总是用静态数据,所以我下面的demo就是模拟。项目作用:模拟生命特征值图,动态显示分钟脉搏生命特征值走向每隔1000ms产生50组数据,并填充到表

It_BeeCoder的博客 701

卷积神经网络-猫狗识别(附源码)

利用python实现一个卷积神经网络,训练猫狗数据集,实现对猫狗图片的预测识别

m0_63223213的博客 2万+

安卓图表引擎AChartEngine(四) - 源码示例 嵌入Acitivity中的折线图

前面几篇博客中都是调用ChartFactory.get***Intent()方法,本节讲的内容调用ChartFactory.get***View()方法,这个方法调用的结果可以嵌入到任何一个Activity中,作为Activity的一部分。 XYChartBuilder.java(源码分析见注释) package org.achartengine.chartdemo.demo.char...

www.v5qq.com的技术博客 208

【阅读文献笔记】FoundationStereo: Zero-Shot Stereo Matching

提出首个零样本泛化立体匹配基础模型设计 STA 模块融合单目先验提出 AHCF 模块增强代价滤波构建 100 万合成数据集 FSD + 自净化流程。

qq_46460379的博客 1258

基于YOLOv11的无人机目标检测系统:实现drone、bird、aircraft多类别识别

采用改进的YOLOv11网络结构,平衡检测精度和速度融合VisDrone和UAVDT数据集,增强模型泛化能力设计多尺度特征融合模块,提升小目标检测性能开发直观的UI界面,便于实际部署和应用。

YOLO 326

AChartEngine之动态折线图

public class MainActivity extends AppCompatActivity { private Timer timer = new Timer(); private TimerTask task; private Handler handler; private String title = "随机数"; private XYSe

liner666的博客 678

基于强化学习的多无人机路径规划

我们使用了Dueling Double Deep Q-Network(DDDQN)算法来训练智能体,这个算法在深度Q学习算法的基础上进行了升级,具有更快的收敛速度和更好的性能。本文提出了一种基于强化学习的算法,实现了多无人机路径规划,并提供相应的MATLAB代码。通过基于强化学习的多无人机路径规划算法,我们能够高效地解决复杂环境下的任务需求,并在实际应用中取得了良好的效果。首先,我们定义了状态空间和动作空间。实验结果表明,我们的方法能够有效地解决多无人机路径规划问题,提高了任务完成的效率和准确率。

DjjPython的博客 822

achartengine之折线图---简单用法(续)---图形嵌套在页面

今天刚好在看页面布局,想着怎么把图形也嵌套进来呢,尝试了一下,弄了一个很简单的页面嵌套方法,以后有好的再补充。 如: 1.在布局文件中加入一个布局块: <RelativeLayout xmlns:android="http://schemas.android.com/apk/res/android" xmlns:tools="http://schemas.android.com/t

tianshi1017的专栏 1862

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

AChartEngine: 动态图表绘制的利器

AChartEngine: 动态图表绘制的利器 是一个强大的开源库,专为Android平台设计,用于快速、轻松地创建各种数据可视化图表。无论你是开发数据分析应用还是需要在移动设备上展示复杂信息,AChartEngine都能成为你的得力助手。 技术分析 支持的图表类型 AChartEngine支持多种图表类型,包括折线图、柱状图、饼图、散点图和热力图等。这些图表可以进行自定义,如颜色、标签、图例等,...

gitblog_00062的博客 507

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: android图表工具achartengine之ChartFactory分析
下一篇: Android开发中的AchartEngine及ListView
It_BeeCoder
博客等级 码龄10年 967粉丝 238原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值