活图的峰值检测函数(3)

最新推荐文章于 2023-12-10 17:08:55 发布
最新推荐文章于 2023-12-10 17:08:55 发布
阅读量1.1k 收藏
点赞数
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/sdf000/article/details/4041884

7．（中文版活图ver8.1现在是常州微识自动化科技有限公司产品之一http://www.microverify.com/col.jsp?id=114）

  peak2_num([ix],[iy],对象0-2,x,y)

函数的功能和各参数的含义是:

功能：返回峰值的数目(带滞后)

公式：peak2_num([ix],[ iy],对象(0-2), x,y)

 说明：从输入数值组定义的连续曲线,检出满足滞后条件的指定对象的峰值,,返回峰值数目,按参数的指定,分为极大/极小和其组合的三种类.

 

曲线的始点和终点不能被检出.

 [ix ],[ iy]         曲线的XY坐标输入数值组

对象(0-2)           峰值检出对象0:极大极小双方 1:极大 2:极小

x,y                   指定的XY方向的滞后值,和前后峰值距离小于该值的不能被检出

例　：peak2_num([1],[2],2,0.06,1)

在活图数式窗口中的具体实施例子如图19

                                                      图19

对应结果图如图20

 

                                                           图20

 

对应活图数据窗口如图21

                                                                                               图21

 

8．  peak_cell([ix],[iy],对象0-2,No)

函数的功能和各参数的含义是:

功能：求指定峰值的组元编号

公式：peak_cell([ix],[iy],对象(0-2),No)

说明：对输入数值组[ix],[iy]定义的连续曲线,检出第No编号的峰值(极值),并返回该值.另外,检出的峰值对象可由参数指定成极大极小的三种组合.

一般先用peak_num()将峰值数确定一下较好.

            [ix],[iy] 曲线的XY坐标输入数值组([ix]为自然数时可用@代替)

            对象(0-2) 峰值检出对象0:极大极小双方 1:极大 2:极小

             No                        要求的峰值编号

例　：peak_cell([1],[2],1,3)

在活图数式窗口中的具体实施例子如图22

                                            图22

对应结果图如图23

 

                                                       图23

对应活图数据窗口如图24

                                                      图24

 

9．  peak1_cell([ix],[iy],对象0-2,yd,No)

函数的功能和各参数的含义是:

功能：求指定峰值的组元编号(带阈值)

公式：peak1_cell([ix],[iy],对象(0-2),yd,No)

说明：对输入数值组[ix],[iy]定义的连续曲线,检出满足阈值条件的第No编号的峰值(极值),并返回该值.另外,检出的峰值对象可由参数指定成极大极小的三种组合.

一般先用peak_num()将峰值数确定一下较好.

            [ix],[iy] 曲线的XY坐标输入数值组([ix]为自然数时可用@代替)

            对象(0-2) 峰值检出对象,0:极大极小双方 1:极大 2:极小

             yd                  指定的阈值,小于此阈值的峰值不被检出

            No                        要求的峰值编号

例　：peak1_cell([1],[2],1,3,2)

在活图数式窗口中的具体实施例子如图25

 

                                                    图25

对应结果图如图26

 

                                                  图26

对应活图数据窗口如图27

                                                      图27

10．  Peak2_cell([ix],[iy],对象0-2,x,y,No)

函数的功能和各参数的含义是:

功能：求指定峰值的组元编号(带hysteresis值)

公式：peak2_cell([ix],[iy],对象(0-2),x,y,No)

说明：对输入数值组[ix],[iy]定义的连续曲线,检出满足hysteresis条件的第No编号的峰值(极值),并返回该值.另外,检出的峰值对象可由参数指定成极大极小的三种组合.

一般先用peak2_num()将峰值数确定一下较好.

            [ix],[iy] 曲线的XY坐标输入数值组([ix]为自然数时可用@代替)

             对象(0-2) 峰值检出对象,0:极大极小双方 1:极大 2:极小

            x,y                  指定的X和Y方向的hysteresis值,前后峰值距离小于x和y值的峰值不被检出

            No                         要求的峰值编号

例　：peak2_cell([1],[2],1,0.06,1,3)

在活图数式窗口中的具体实施例子如图28

 

                                                    图28

对应结果图如图29

 

                                                   图29

对应活图数据窗口如图30

                                                   图30

上述10个有关峰值计算的函数,实际应用时,根据具体的条件,在数式窗口输入后进行计算,并可结合活图的其它函数一并进行计算,完成特有的机能.

 

 

 

 

sdf000
关注
目标检测YOLO实战应用案例100讲-分布式光纤振动传感的深度学习图像检测（续）
qq_36130719的博客
02-22 426
本文篇幅较长，分为上下两篇，上篇详见。
目标检测YOLO实战应用案例100讲-水下图像增强与水下生物目标检测
qq_36130719的博客
09-15 1212
随着海洋环境的不断变化，海洋环境的水下目标检测技术得到了日益普遍的 重视。其工作内容包括：安装水下电缆、海底石油钻井工程的建造和维修、打捞水 底沉积物、捕捞海洋生物、海洋生态学的探索等。鲍鱼、海胆、海参和扇贝等都是 极富营养的水产生物，因此全球对海产品的需求量越来越大。随着我国渔业的迅速 发展，水下生物捕捞技术也日益受到重视。为了克服常规捕捞技术的不足，人们逐 渐利用海洋学探测技术进行渔业捕捞，该技术可以克服危险系数高、工作时间短、 对人体的伤害大等问题。
峰值检测及方法研究
01-10
峰值检测及方法研峰值检峰值检测及方法研究测及方法研究究
活图的峰值检测函数(1)
sdf000的专栏
04-01 1620
  活图（中文版活图ver8.1现在是常州微识自动化科技有限公司产品之一http://www.microverify.com/col.jsp?id=114）的数值函数中，有关峰值检测的函数有10种，它们是： 1．  peak_xiyi([ix],[iy],[ox],[oy],对象0-2) 函数的功能和各参数的含义是: 功能：检出峰值 公式：peak_xiyi([ix],[iy],[ox]...
活图的峰值检测函数(2)
sdf000的专栏
04-01 1438
（中文版活图ver8.1现在是常州微识自动化科技有限公司产品之一http://www.microverify.com/col.jsp?id=114） 4．  peak_fx(F(x),[ox],[oy], x始, x终,对象0-2) 函数的功能和各参数的含义是: 功能：F(X)的峰值检出 公式：peak_fx(F(X),[ox],[oy],x始,x终,x增,对象(0-2)) 说明：对指定...
一种峰值检测算法——AMPD算法（C语言实现）
热门推荐
qq_46329700的博客
03-13 1万+
在数字信号处理中，经常涉及到波峰查找算法，如振动信号分析，样条插值法求包络等。对于周期信号或者准周期信号有一种Automatic multiscale-based peak detection (AMPD)，即自动多尺度峰值查找算法。可以根据AMPD后得到的峰值数组，进行三次样条插值进行原信号包络的获取。
图片曲线数据提取与峰值检测
07-06
这是我图像处理作业"图片曲线数据提取与峰值检测"的源程序。
目标检测YOLO实战应用案例100讲-毫米波辐射图像去模糊重建与目标检测
qq_36130719的博客
09-11 781
最近数年，由于国内外频繁出现的恐怖袭击和暴力犯罪等社会问题，且恐怖作案手 法花样繁多，反恐战争正愈演愈烈。在重要交通站枢纽、繁华商务圈等公众集中地段设 置高精度的安全检查设施尤为重要。目前，我国所有的大型公共场所（如轨道交通、飞 机场、航运等等）的安防检查设备都能够检测乘客行李中携带的违禁物品，但是由于个 人隐私问题无法即时高效的检测出乘客贴身携带的危险物品。目前的安检设备，主要分为两种类型：即X射线安检仪和金属检测仪，分别针对物品和人体进行安全检查。
【图像算法】radon直线检测及绘制直线
尹豆的博客
02-10 3687
说在开始 作业部分需要使用radon进行直线检测，查了许多国内资料和国外资料，发现所有参考资料只给出了如何得到radon变换后的统计图，却没有给出如何计算radon的峰值，以及如何在图像中绘制中检测到的直线。本篇文章即解决此问题，来看看是怎么实现的吧。 作者：憨豆酒（YinDou），联系我yindou97@163.com，熟悉图形学，图像处理领域，本章的源代码可在此仓库中找到： https://g...
目标检测YOLO实战应用案例100讲-基于深度学习的水下图像增强及目标检测算法研究与应用
qq_36130719的博客
06-11 2566
随着海洋强国战略的提出，占地球表面积71%的海洋成为现阶段最热门的探索领域之一。海洋中蕴含着丰富的资源，但是水下可见度低、压力大且环境复杂，人类的下潜深度有限，限制了对海洋的探索与利用。水下机器人[1]可以潜入水下通过视觉系统判断周围的环境信息并获取水下目标的位置，因此被用来进行水下作业，广泛应用于水下目标捕获、石油开发、水下救援等领域。基于光视觉的水下目标检测作为水下机器人作业的关键技术，成为一个研究重点。水下目标检测的目的是定位和识别水下场景中的目标。陆地上的目标检测技术的。
计步器加速度计三轴数据峰值检测算法
05-21
matlab程序，用于检测用于计步器的三轴加速度计的三轴数据中的所有峰值和谷值，可以利用这些峰值或者谷值进行下一步的检测计算。
实验四 峰值检测
05-05
峰值检测这是一个峰值检测。峰值检测。大家互相交流
心电信号R波峰值检测算法
09-12
心电信号R峰检测代码，用于检测R峰MATLAB代码，可供大家学习
python获得曲线峰值的个数
themingyi的博客
12-10 1493
常见的峰值检测算法包括基于阈值的方法、基于波形形状的方法（如基于导数的方法、基于小波变换的方法）、基于统计特征的方法等。选择合适的方法取决于数据的特性以及具体的分析目的。总的来说，获得曲线峰值的个数的方法涉及到信号处理、数据分析和统计学等多个领域的知识，需要综合考虑数据的特性和分析的要求来选择合适的方法。在平滑后的曲线上，寻找所有的极值点，即局部最大值和局部最小值。根据具体的需求，对极值点进行筛选，例如只保留比周围值大于某个阈值的极值，或者根据极值点的相对大小进行筛选。
基于matlab的高精度信号峰值检测算法
fpga/matlab/simulink算法仿真工程
01-12 8146
所以这些毛刺只是偶尔发生, 并且和主信号不同步。正常采样方式时, 要捕捉窄的毛刺, 示波表必须将收集到的全部采样数据存储到示波表中, 对于快速扫描, 单次触发就涉及到几千个数据, 而慢速的扫描则需要更大的存储器。峰值检测不像正常采样那样给出一个详细的完整波形显示, 而是以最高的采样率捕捉信号, 简单地忽略某些采样, 只记录发生在每个。期间内的最大最小的峰值, 这样就不用增加存储深度, 还可以捕捉毛刺或偶发事件。峰值检测是数字示波表的重要技术之一, 主要用来实现波形的毛刺捕捉, 包络的显示以及限制混叠。
峰值分析的方法总结
jk_101的博客
08-17 9824
目录 查找最大值或峰值 测量峰值之间的距离 寻找裁剪或饱和信号中的峰值 测量峰的幅值 阈值化以找到感兴趣的峰值 此示例说明如何执行基本峰值分析。它将帮助您回答诸如以下的问题：我如何在信号中找到峰值？我如何测量峰值之间的距离？如何测量受趋势影响的信号峰值的幅值？我如何在含噪信号中找到峰值？我如何找到局部极小值？ 查找最大值或峰值 苏黎世太阳黑子相对数测量太阳黑子的数量和大小。使用findpeaks函数查找峰的位置和值。 load sunspot.da............
peaks
御坂御坂001的博客
01-05 4004
文章目录语法说明示例 peaks:包含两个变量的示例函数 语法 Z = peaks; Z = peaks(n); Z = peaks(V); Z = peaks(X,Y); peaks(...) [X,Y,Z] = peaks(...); 说明 peaks 是从高斯分布转换和缩放得来的包含两个变量的函数，在演示 mesh、surf、pcolor、contour 等函数中很有用。 Z = peak...
matlab findpeak函数
weixin_62987187的博客
03-26 7196
findpeaks函数作用是在数据序列中找到局部极大值；原理是判断该点值大于相邻两点值。 比较常用的形式是： （1）[pks,locs]=findpeaks(data) 返回的参数类型是向量（vector）。 pks是返回的峰值；locs是返回峰值点所对应的索引（可以理解为横坐标）；data是需要识别的数据序列。 每个峰值点的坐标和峰宽。 （2）[pks,locs,w,p]=findpeaks(data) 返回的参数类型是向量（vector）。 pks和locs同上；w是返回的峰
MATLAB实现寻找信号中的峰值和谷值
Tristan的博客
10-15 1万+
一、峰值检测函数 1.findpeaks函数 （1）函数调用： （2）范例： clear all; clc; close all; y=load('ffpulse.txt'); % 读入脉搏数据 x=detrend(y); % 消除趋势项 fs=200; % 采样频率 N=length(x); % 数据长度 time=(0:N-1)/fs; % 时间刻度 % 用fin
如何评估不同五子棋计算引擎的准确性？
最新发布
07-19
<think>我们被要求评估不同五子棋AI引擎的准确性与性能，并且需要参考提供的引用内容。引用[1]中提到了AI数据库模块，包括向量存储、图计算等技术，这些可能用于五子棋AI引擎的数据存储和检索。引用[2]是关于下棋的对话，引用[3]是DAN模型的描述，引用[4]是大数据选题。其中引用[1]和[4]可能与我们的话题相关，因为五子棋AI引擎的评估可能涉及大数据处理和性能测试。 评估五子棋AI引擎的准确性和性能，通常可以从以下几个方面进行： 1. **基准测试集（Test Suite）**：使用标准棋局或已知最优解的棋局（如VCT/VCF问题）来测试引擎的准确性。例如，可以构建一个包含不同难度级别的棋局库，每个棋局都有已知的最佳走法或胜负结果。 2. **胜率预测准确性**：在一些关键局面下，比较AI预测的胜率与人类专家或顶级AI的胜率判断的差异。可以使用均方误差（MSE）等指标来衡量：$$MSE = \frac{1}{n}\sum_{i=1}^{n}(p_i - \hat{p_i})^2$$其中$p_i$是参考胜率，$\hat{p_i}$是待评估引擎的预测胜率。 3. **走子一致性**：让不同引擎对同一局面进行搜索，比较它们推荐的最佳走法是否一致。如果多个高水平引擎推荐相同走法，则可以认为该走法正确。 4. **性能指标**： - **搜索速度**：每秒计算节点数（Nodes Per Second, NPS） - **搜索深度**：在给定时间内能达到的最大搜索深度 - **内存占用**：引擎运行时的内存消耗 5. **自对弈测试**：让不同版本的引擎相互对弈（或与已知强引擎对弈），通过Elo等级分来评估其相对强度。Elo分差可以转换为预期胜率：$$E = \frac{1}{1+10^{(R_B - R_A)/400}}$$其中$R_A$和$R_B$分别为两个引擎的Elo等级分。 6. **特定战术测试**：测试引擎对特定战术（如冲四、活三、双三等）的识别能力。例如，设计一系列包含VCT（Victory by Continuous Threat）路径的测试局面，检测引擎能否在规定步数内找到必胜路径。 7. **实时分析能力**：参考引用[1]中提到的向量数据库和图数据库，可以评估引擎在实时对局中利用这些技术进行快速检索和分析的能力。例如，引擎是否能够快速匹配当前局面与数据库中的相似局面，从而加速搜索。 8. **资源消耗与效率**：结合引用[1]中提到的分布式数据库和云原生数据库技术，评估引擎在分布式环境下的扩展性和资源利用效率。例如，在分布式计算框架下，引擎的加速比（Speedup）和扩展性（Scalability）如何。 9. **鲁棒性测试**：测试引擎在非正常局面（如禁手规则、边缘情况）下的表现，确保其不会崩溃或产生非法走法。 10. **用户交互体验**：对于手机应用，还需考虑实时性（响应时间）和电池消耗等。 为了系统地进行评估，我们可以设计一个评估框架，包括以下步骤： - **步骤1：构建测试数据集** 收集或生成大量五子棋局面，包括开局、中局和残局，并为每个局面标注最佳走法或胜负结果。可以使用人类专家对局、引擎自对弈生成的棋局，以及经典棋谱。 - **步骤2：定义评估指标** 确定准确性指标（如最佳走法命中率、胜率预测误差）和性能指标（如响应时间、内存占用、CPU/GPU利用率）。 - **步骤3：执行测试** 在相同硬件环境下运行不同引擎，使用统一的测试数据集进行测试。记录每个引擎的走法推荐、胜率预测、资源消耗等数据。 - **步骤4：结果分析** 比较各引擎的准确性指标和性能指标。可以使用统计方法（如t检验）判断差异是否显著。 - **步骤5：生成评估报告** 汇总测试结果，包括各引擎的优缺点分析，以及在不同场景（如手机端、服务器端）下的适用性建议。 此外，引用[1]中提到的向量数据库和图数据库可能用于局面特征的存储和检索，我们可以评估引擎是否利用这些技术来提升搜索效率。例如，使用向量数据库存储局面的特征向量，通过相似度搜索快速找到相似局面，从而减少搜索树的分支。 最后，我们可以参考引用[4]中关于大数据选题的内容，将五子棋AI引擎的评估作为一个大数据处理问题，利用分布式计算框架（如Spark）进行大规模测试，并利用可视化技术展示评估结果。 **示例评估代码片段（Python）** 以下是一个简单的评估脚本框架，用于测试引擎在给定局面下的走法准确性： ```python def evaluate_engine(engine, test_suite): correct_moves = 0 total_positions = len(test_suite) for position, expected_move in test_suite.items(): engine_move = engine.get_best_move(position) if engine_move == expected_move: correct_moves += 1 accuracy = correct_moves / total_positions return accuracy # 示例测试集（局面：最佳走法） test_suite = { "局面1": "H8", "局面2": "G7", # ...更多局面 } # 测试不同引擎 engine_a = GomokuEngineA() engine_b = GomokuEngineB() acc_a = evaluate_engine(engine_a, test_suite) acc_b = evaluate_engine(engine_b, test_suite) print(f"引擎A准确率: {acc_a*100:.2f}%") print(f"引擎B准确率: {acc_b*100:.2f}%") ``` **相关问题** 根据用户需求，生成以下相关问题：</think>评估五子棋AI引擎的准确性与性能需结合算法原理、实战测试和量化指标，以下是系统化的评估框架： --- ### **一、核心评估维度** #### 1. **准确性验证** - **基准测试集** 使用权威棋谱库（如《Renju Book》或职业比赛数据库）构建测试集，覆盖： - 必胜局面（VCT/VCF）识别能力 - 禁手规则合规性（如三三禁手、四四禁手） - 残局胜率预测误差（与职业棋手决策对比） - 公式：$Accuracy = \frac{\text{正确决策数}}{\text{总测试局面数}} \times 100\%$ #### 2. **性能指标** | 指标 | 计算公式/说明 | 理想值 | |---------------|------------------------------|----------------| | **响应延迟** | $T_{\text{response}} = t_{\text{end}} - t_{\text{start}}$ | <100ms (手机端) | | **节点计算量** | $N_{\text{nodes}} = \sum \text{每层搜索节点数}$ | 10^6 nodes/sec | | **内存占用** | RAM峰值消耗 | <200MB | #### 3. **算法深度分析** - **搜索算法效率** 对比蒙特卡洛树搜索（MCTS）、Alpha-Beta剪枝等算法的收敛速度： ```python # MCTS核心步骤示例 def mcts_simulation(state): while not state.is_terminal(): action = select_action(state) # UCB1算法选择 state = state.apply(action) return state.reward() ``` - **评估函数合理性** 检查威胁检测函数是否覆盖所有棋型（如活四、冲四、双三），权重分配是否符合职业棋理： $$ \text{Score} = \sum_{i} w_i \cdot f(\text{pattern}_i) $$ $w_i$：棋型权重（活四>冲四>活三） $f$：威胁系数函数 --- ### **二、评估工具与方法** #### 1. **自动化测试平台** ```mermaid graph LR A[测试用例库] --> B(引擎A) A --> C(引擎B) B --> D[结果比对系统] C --> D D --> E[准确性报告] D --> F[性能报告] ``` #### 2. **关键测试场景** 1. **开局库一致性** 对比引擎走法与《Yamaguchi》等专业开局库的匹配度 2. **中盘决策压力测试** 注入随机噪声棋步，观察引擎纠错能力 3. **终局求解验证** 使用已知必胜/必败局面验证求解深度（如15步VCT） #### 3. **分布式测试框架** - 利用云原生数据库（如**PolarDB**）存储测试棋局[^1] - 向量数据库（如**infinity**）加速相似局面检索[^1] - 时序数据库（如**QuestDB**）记录引擎响应延迟曲线[^1] --- ### **三、量化评估表示例** | 引擎名称 | 准确率 | 平均延迟 | 内存峰值 | 残局胜率误差 | |------------|--------|----------|----------|--------------| | AlphaGomoku| 98.2% | 68ms | 185MB | ±2.1% | | RenjuBot | 95.7% | 82ms | 210MB | ±3.8% | | MobileGomoku| 92.3% | 105ms | 150MB | ±5.6% | > **评估结论**：顶级引擎需满足： > - 准确率 ≥97% > - 延迟 ≤80ms (骁龙8 Gen2平台) > - 胜率预测误差 ≤±3% --- ### **四、优化建议** 1. **硬件加速**：启用手机GPU加速MCTS（Vulkan API） 2. **模型剪枝**：采用神经网络剪枝技术压缩评估函数 3. **增量计算**：仅重算变动区域（减少90%计算量） $$ \Delta \text{Score} = \text{Score}_{\text{new}} - \text{Score}_{\text{old}} $$ ---
评论
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