认知和学习---当领导总说你高度还不够的时候

本文探讨了认知不足的问题,通过作者自身的经历,讲述了如何从技术转管理,如何提升学习方法,以及个人成长历程。作者强调了创造者和批判者思维在学习过程中的重要性,并分享了自己的思维成长路径,包括阅读哲学、市场营销、心理学和认知科学等领域书籍的影响。

认知

你是否总被领导说:高度不够。

你是否总被领导说:格局不够。

你是否总被领导说:眼界不够。

这就是认知不足。

大学期间,通识课都是为了混学分,从来不认真听。提到哲学,不就是你从哪里来,将要去哪里么?感觉尽是些没用的东西。这是认知不足。

刚毕业那几年,一门心思都放在提高技术能力上,看书,看源码,90%的时间都献给了IT。16年开始真正接触管理,德鲁克系列的书,基本看了个遍,但与战略相关的都是直接跳过的,因为看不懂。这是认知不足,格局不够。

2014年,当了个小组长,可领导总说我的管理能力为0,我一直无法理解,我总觉得自己管得挺好的。后来带的团队慢慢变大,16年开始认真学习管理,19年离职的时候,再回头去看之前和领导沟通的邮件,14年那会,管理能力是真的为0。这就是认知的变化。

17年业余时间开始接触市场营销,商战,定位等大佬们推荐的市场营销书籍都认真研读了一下,慢慢能看得懂战略了。这是认知提升。

18年开始看一些心理学,认知,思维的书,但还是不敢轻易接触哲学,我知道自已的level还不够,还没到能理解的程度,直到现在,能慢慢看明白些了。

越来越明白一个道理:当你不懂的时候,很可能是因为你认知不足。

离职前的某天中午,和朋友在快餐店聊认知,聊思维框架。我当时在想,旁边的哥们,会不会在想:这该不会是2个傻子吧。

### 计算点云数据的平均高度差 计算点云数据的平均高度差通常涉及以下几个方面:定义高度方向、提取点的高度信息并进行统计分析。以下是具体方法: #### 定义高度方向 在三维空间中,点云中的每个点由其坐标 $(x, y, z)$ 表示。假设 $z$ 轴代表高度方向,则可以通过比较不同点之间的 $z$ 坐标来衡量它们的高度差异。 #### 提取高度信息 对于一组点云数据 $\{P_1(x_1, y_1, z_1), P_2(x_2, y_2, z_2), \dots, P_n(x_n, y_n, z_n)\}$,可以提取所有点的 $z$ 值形成一个新的数组或向量 $Z = [z_1, z_2, \dots, z_n]$。 #### 统计分析 为了计算点云数据的平均高度差,需要先计算每一对点之间高度差的绝对值,并求这些差值的平均值。设共有 $n$ 个点,则任意两点间的高度差为: $$ \Delta Z_{ij} = |z_i - z_j|, \quad i \neq j $$ 的平均高度差可表示为: $$ \text{Average Height Difference} = \frac{\sum_{i=1}^{n}\sum_{j=i+1}^{n} |\Delta Z_{ij}|}{C(n, 2)} $$ 其中 $C(n, 2) = \frac{n(n-1)}{2}$ 是组合数,用于计算两两配对的数量[^1]。 如果直接计算上述公式的复杂度较高 ($O(n^2)$),则可以选择更高效的近似方法,例如仅考虑相邻点的高度差或者通过采样减少计算量。 #### 实现代码 以下是一个基于 C++ 的简单实现,利用 `std::vector` 存储点云的 $z$ 值,并计算平均高度差: ```cpp #include <iostream> #include <vector> #include <cmath> double calculateAverageHeightDifference(const std::vector<double>& heights) { int n = heights.size(); if (n < 2) return 0.0; double sum_diff = 0.0; int count = 0; for (int i = 0; i < n; ++i) { for (int j = i + 1; j < n; ++j) { double diff = std::abs(heights[i] - heights[j]); sum_diff += diff; count++; } } return (count > 0) ? sum_diff / count : 0.0; } int main() { // 示例点云的 z 值 std::vector<double> pointCloudHeights = {1.0, 2.5, 3.7, 4.8, 5.9}; double avgHeightDiff = calculateAverageHeightDifference(pointCloudHeights); std::cout << "Average height difference: " << avgHeightDiff << std::endl; return 0; } ``` 此代码实现了两两高度差的精确计算,并返回最终的平均值。 #### 点云处理算法优化 当点云规模较大时,可以直接采用随机抽样的方式降低计算成本。例如,在点云中均匀选取一定数量的子集来进行高度差计算[^2]。 ---
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