关于#java#曲线生成的问题，如何解决？

Question

原有信号曲线是720个数字集合组成，利用java，将集合优化为500个数字，并保持图像趋势不变。
0.184615385
0.184615385
0.169230769
0.184615385
0.184615385
0.184615385
0.184615385
0.184615385
0.184615385
0.2
0.2
0.192307692
0.2
0.192307692
0.192307692
0.207692308
0.215384615
0.207692308
0.215384615
0.215384615
0.2
0.207692308
0.207692308
0.207692308
0.207692308
0.2
0.192307692
0.192307692
0.207692308
0.207692308
0.192307692
0.215384615
0.223076923
0.223076923
0.223076923
0.223076923
0.230769231
0.230769231
0.223076923
0.230769231
0.230769231
0.230769231
0.223076923
0.230769231
0.215384615
0.223076923
0.230769231
0.223076923
0.223076923
0.223076923
0.223076923
0.223076923
0.223076923
0.215384615
0.215384615
0.215384615
0.223076923
0.223076923
0.215384615
0.215384615
0.207692308
0.207692308
0.223076923
0.215384615
0.207692308
0.223076923
0.215384615
0.207692308
0.223076923
0.223076923
0.215384615
0.207692308
0.223076923
0.223076923
0.215384615
0.223076923
0.215384615
0.207692308
0.215384615
0.223076923
0.223076923
0.215384615
0.223076923
0.223076923
0.223076923
0.223076923
0.215384615
0.230769231
0.223076923
0.230769231
0.223076923
0.230769231
0.230769231
0.223076923
0.223076923
0.238461538
0.246153846
0.230769231
0.230769231
0.238461538
0.230769231
0.230769231
0.230769231
0.223076923
0.215384615
0.215384615
0.215384615
0.223076923
0.230769231
0.223076923
0.223076923
0.230769231
0.246153846
0.238461538
0.246153846
0.261538462
0.246153846
0.246153846
0.253846154
0.246153846
0.238461538
0.238461538
0.230769231
0.223076923
0.223076923
0.223076923
0.215384615
0.215384615
0.215384615
0.223076923
0.230769231
0.230769231
0.253846154
0.261538462
0.276923077
0.276923077
0.269230769
0.276923077
0.261538462
0.261538462
0.261538462
0.269230769
0.276923077
0.284615385
0.261538462
0.253846154
0.253846154
0.261538462
0.246153846
0.261538462
0.276923077
0.261538462
0.261538462
0.276923077
0.276923077
0.276923077
0.276923077
0.276923077
0.284615385
0.292307692
0.292307692
0.292307692
0.3
0.284615385
0.284615385
0.292307692
0.307692308
0.323076923
0.315384615
0.3
0.284615385
0.3
0.307692308
0.3
0.3
0.284615385
0.276923077
0.284615385
0.292307692
0.284615385
0.3
0.284615385
0.292307692
0.307692308
0.315384615
0.315384615
0.307692308
0.307692308
0.307692308
0.323076923
0.307692308
0.3
0.3
0.3
0.292307692
0.307692308
0.307692308
0.276923077
0.276923077
0.284615385
0.276923077
0.276923077
0.276923077
0.261538462
0.269230769
0.261538462
0.253846154
0.261538462
0.269230769
0.253846154
0.261538462
0.246153846
0.230769231
0.238461538
0.230769231
0.223076923
0.230769231
0.238461538
0.223076923
0.223076923
0.230769231
0.223076923
0.207692308
0.207692308
0.2
0.2
0.192307692
0.184615385
0.192307692
0.192307692
0.192307692
0.2
0.192307692
0.192307692
0.184615385
0.184615385
0.176923077
0.184615385
0.2
0.192307692
0.207692308
0.223076923
0.207692308
0.223076923
0.230769231
0.223076923
0.223076923
0.230769231
0.223076923
0.223076923
0.238461538
0.238461538
0.230769231
0.246153846
0.261538462
0.246153846
0.253846154
0.246153846
0.246153846
0.253846154
0.269230769
0.276923077
0.292307692
0.307692308
0.323076923
0.338461538
0.353846154
0.392307692
0.392307692
0.4
0.430769231
0.461538462
0.469230769
0.492307692
0.515384615
0.530769231
0.553846154
0.584615385
0.576923077
0.576923077
0.569230769
0.553846154
0.553846154
0.569230769
0.553846154
0.530769231
0.530769231
0.507692308
0.461538462
0.438461538
0.438461538
0.415384615
0.392307692
0.384615385
0.376923077
0.369230769
0.369230769
0.361538462
0.353846154
0.353846154
0.346153846
0.330769231
0.353846154
0.353846154
0.330769231
0.330769231
0.338461538
0.330769231
0.315384615
0.315384615
0.315384615
0.323076923
0.330769231
0.307692308
0.3
0.3
0.292307692
0.284615385
0.276923077
0.276923077
0.261538462
0.253846154
0.238461538
0.246153846
0.238461538
0.238461538
0.246153846
0.238461538
0.230769231
0.238461538
0.238461538
0.230769231
0.223076923
0.223076923
0.223076923
0.215384615
0.215384615
0.215384615
0.223076923
0.215384615
0.215384615
0.223076923
0.223076923
0.223076923
0.223076923
0.223076923
0.223076923
0.215384615
0.230769231
0.215384615
0.215384615
0.215384615
0.223076923
0.215384615
0.215384615
0.207692308
0.215384615
0.223076923
0.207692308
0.207692308
0.207692308
0.192307692
0.2
0.2
0.192307692
0.2
0.207692308
0.207692308
0.207692308
0.223076923
0.223076923
0.207692308
0.223076923
0.223076923
0.223076923
0.223076923
0.223076923
0.223076923
0.223076923
0.215384615
0.215384615
0.215384615
0.215384615
0.215384615
0.215384615
0.215384615
0.207692308
0.207692308
0.207692308
0.207692308
0.207692308
0.207692308
0.207692308
0.215384615
0.207692308
0.207692308
0.215384615
0.215384615
0.2
0.207692308
0.215384615
0.207692308
0.184615385
0.192307692
0.176923077
0.161538462
0.176923077
0.176923077
0.176923077
0.169230769
0.169230769
0.176923077
0.169230769
0.169230769
0.169230769
0.161538462
0.161538462
0.146153846
0.161538462
0.161538462
0.153846154
0.153846154
0.169230769
0.161538462
0.146153846
0.169230769
0.176923077
0.161538462
0.153846154
0.161538462
0.161538462
0.169230769
0.161538462
0.153846154
0.161538462
0.176923077
0.169230769
0.161538462
0.161538462
0.161538462
0.153846154
0.153846154
0.169230769
0.169230769
0.153846154
0.153846154
0.161538462
0.153846154
0.138461538
0.146153846
0.146153846
0.138461538
0.138461538
0.138461538
0.130769231
0.123076923
0.123076923
0.115384615
0.115384615
0.130769231
0.123076923
0.123076923
0.130769231
0.123076923
0.1
0.1
0.092307692
0.092307692
0.1
0.092307692
0.092307692
0.084615385
0.084615385
0.084615385
0.092307692
0.1
0.1
0.1
0.1
0.107692308
0.092307692
0.115384615
0.130769231
0.123076923
0.123076923
0.115384615
0.123076923
0.115384615
0.123076923
0.123076923
0.123076923
0.123076923
0.138461538
0.123076923
0.138461538
0.146153846
0.146153846
0.138461538
0.146153846
0.153846154
0.146153846
0.153846154
0.153846154
0.153846154
0.161538462
0.161538462
0.161538462
0.176923077
0.176923077
0.184615385
0.184615385
0.192307692
0.184615385
0.184615385
0.176923077
0.184615385
0.184615385
0.2
0.2
0.207692308
0.207692308
0.207692308
0.215384615
0.223076923
0.215384615
0.223076923
0.223076923
0.215384615
0.215384615
0.223076923
0.223076923
0.223076923
0.230769231
0.238461538
0.230769231
0.223076923
0.238461538
0.238461538
0.246153846
0.246153846
0.238461538
0.238461538
0.230769231
0.238461538
0.238461538
0.230769231
0.238461538
0.230769231
0.230769231
0.238461538
0.223076923
0.230769231
0.230769231
0.223076923
0.223076923
0.230769231
0.223076923
0.223076923
0.230769231
0.230769231
0.215384615
0.215384615
0.223076923
0.230769231
0.223076923
0.230769231
0.230769231
0.223076923
0.223076923
0.223076923
0.223076923
0.207692308
0.207692308
0.207692308
0.215384615
0.215384615
0.207692308
0.207692308
0.223076923
0.215384615
0.207692308
0.207692308
0.223076923
0.230769231
0.238461538
0.238461538
0.238461538
0.246153846
0.230769231
0.223076923
0.215384615
0.223076923
0.207692308
0.207692308
0.215384615
0.215384615
0.215384615
0.223076923
0.223076923
0.215384615
0.223076923
0.223076923
0.207692308
0.223076923
0.238461538
0.230769231
0.223076923
0.215384615
0.223076923
0.223076923
0.215384615
0.215384615
0.215384615
0.215384615
0.207692308
0.207692308
0.215384615
0.2
0.2
0.2
0.192307692
0.2
0.2
0.192307692
0.192307692
0.2
0.2
0.2
0.207692308
0.207692308
0.2
0.2
0.2
0.192307692
0.2
0.2
0.207692308
0.215384615
0.230769231
0.238461538
0.269230769
0.284615385
0.284615385
0.307692308
0.323076923
0.338461538
0.330769231
0.338461538
0.338461538
0.346153846
0.353846154
0.346153846
0.330769231
0.315384615
0.292307692
0.269230769
0.238461538
0.223076923
0.207692308
0.184615385
0.146153846
0.092307692
0.053846154
0.007692308
-0.023076923
-0.061538462
-0.115384615
-0.176923077
-0.230769231
-0.3
-0.361538462
-0.423076923
-0.476923077
-0.515384615
-0.515384615
-0.492307692
-0.469230769
-0.476923077
-0.461538462
-0.438461538
-0.430769231
-0.415384615
-0.369230769
-0.346153846
-0.330769231
-0.307692308
-0.269230769
-0.238461538
-0.2
-0.153846154
-0.107692308
-0.069230769
-0.030769231
0.023076923
0.069230769
0.092307692
0.107692308
0.107692308
0.115384615
0.138461538
0.153846154
0.161538462
0.161538462
0.169230769
0.176923077
0.176923077
0.192307692
0.2
0.207692308
0.207692308
0.215384615
0.223076923
0.215384615
0.215384615
0.215384615
0.215384615
0.215384615
0.223076923
0.223076923
0.223076923

Answer 1

第一步：可以去除不影响曲线趋势的重复点，即是出现连续三个及以上的重复点可以去重，只需保留两个点即可，这样也不影响曲线趋势。
第二步：如果去重后点数还大于500,采用数据抽稀算法进行数据抽稀或数据重采样算法对数据进行重采样。
常见的数据抽稀方法：

1. 定距抽稀（Distance-based simplification）：根据设定的距离阈值，保留离散数据集中的关键点，而移除相邻距离较近的数据点。这样可以减少数据点的数量，同时保留数据集的一定特征。
2. 网格抽稀（Grid-based simplification）：将数据集划分为网格，然后在每个网格中保留一个或多个代表性数据点，而将其他数据点进行抽稀。这种方法适用于密集的数据集，可有效减少数据点的数量。
3. 随机抽样（Random sampling）：通过随机选择一部分数据点来代表整个数据集。这种方法简单直接，但可能会导致一些重要的数据点被忽略或丢失。
4. 簇抽稀（Cluster-based simplification）：将数据点聚类为簇，然后在每个簇中选择一个或多个代表性点。这种方法适用于数据点聚集的情况，可以减少簇的数量，同时保留数据点的关键信息。
5. 基于形状的抽稀（Shape-based simplification）：根据数据点的形状特征进行抽稀。例如，使用曲线拟合或轮廓拟合算法来找到数据点的重要特征点，然后移除多余的点。

常见的数据重采样方法：

1. 下采样（Downsampling）：减少数据点的采样率或时间分辨率，使数据变得更稀疏。例如，可以通过取平均值、最大值、最小值或随机采样等方法，将多个数据点合并为一个数据点。
2. 平滑重采样（Smoothing Resampling）：通过移动窗口、滑动平均或滤波等方法，对原始数据进行平滑处理。这可以减少数据中的噪声，同时保留数据的整体趋势。
3. 子采样（Subsampling）：从原始数据集中按照一定的规则和策略抽取子集。例如，随机抽取数据集的一部分或根据数据的某些特征进行选择。