3d物体转2d放大镜

基本思路哦(两相机分别渲染两个物体)

1.两个“RenderTexture ”在这称R1,R2,两个相同的模型M1,M2,两个相机C1,C2,两个“RawImage”, RIm1,

RIm2

2.UI层将不动模型M1应用相机C1渲染到2d平面R1上作为基准view层,将移动模型M2应用相机C2渲染到2d平面R2上备用

3.新建mask层,子集下放至放大的R2,选好角度,并计算当前ui元素与基准的位置差offet1

4.移动M2使之刚好与基准匹配放大的视角,记录M2与M1的位置差为offet2,求出比值offet2/offet1(正负注意)为N

5.代码控制mask层随鼠标移动,并把移动的物体M2位置=N*(鼠标控制的mask层的RectTransform坐标-view的RectTransform坐标)

using System.Collections;
using System.Collections.Generic;
using UnityEngine;
using UnityEngine.EventSystems;

public class Test_1 : MonoBehaviour,IPointerEnterHandler
{
    //插值
    Vector3 offet;
    //3d 移动的物体
    public GameObject Cube_big;
    //放大镜2d mask 层
    public GameObject big_camera;

    public void OnPointerEnter(PointerEventData eventData)
    {
        big_camera.SetActive(true);
        
    }
    // Update is called once per frame
    void Update()
    {
        big_camera.transform.position = Input.mousePosition;

        offet =  big_camera.transform.GetComponent<RectTransform>().anchoredPosition - transform.GetComponent<RectTransform>().anchoredPosition;



        Cube_big.transform.position = -0.00212f * offet;
    }
}

 

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
评论
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