74、艺术创作中的算法与生理信号应用

艺术创作中的算法与生理信号应用

在艺术创作的领域中,算法和生理信号正发挥着越来越重要的作用。下面将为大家介绍两种独特的艺术创作方式,一种是基于微观画家群体的共识绘画,另一种是利用生理信号来进化艺术作品。

共识绘画:微观画家的艺术世界

在共识绘画的创作中,引入了一种名为 Gaugants 的微观画家群体。每个 Gaugant 都具有简单的社会行为,它们有自己的位置(笛卡尔坐标)、方向(0 - 360 度),只能占据一个对应其坐标取整后的单元格,并且具有一定的速度,这是一个全局参数,表示每一步向前移动的单元格数量。同时,每个画家在创建时都有特定的颜色。

Gaugants 的特性
  • 位置与方向 :每个 Gaugant 有明确的笛卡尔坐标位置和 0 - 360 度的方向。
  • 速度 :全局参数,决定每步移动的单元格数量。
  • 颜色 :创建时赋予特定颜色。
  • 交互行为 :可以单方面与其他画家交互以交换信息,除非受到感知半径的限制。并且,它们会基于力量融入模仿和异议行为。
达成颜色共识的行为步骤
  1. 判断是否成为异议者 :如果计数器数值不小于异议阈值,以概率 dp 转变为异议者(成功则进入步骤 2,否则进入步骤 3)。
  2. 成为异议者 :进行变异,增加 200 单位的力量;随机选择一个
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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