醉看红尘 2023-07-25 15:56 采纳率: 100%
浏览 14
已结题

关于#java#曲线生成的问题，如何解决？

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

img

  • 写回答

10条回答 默认 最新

  • giser@2011 2023-07-29 14:14
    关注

    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。
    本回答被题主选为最佳回答 , 对您是否有帮助呢?
    评论
查看更多回答(9条)

报告相同问题？

问题事件

  • 系统已结题 8月8日
  • 已采纳回答 7月31日
  • 创建了问题 7月25日

悬赏问题

  • ¥15 Chrome Manifest扩展引用Ajax-hook库拦截请求失败
  • ¥15 用Ros中的Topic通讯方式控制小乌龟的速度，走矩形；编写订阅器代码
  • ¥15 LLM accuracy检测
  • ¥15 pycharm添加远程解释器报错
  • ¥15 如何让子窗口鼠标滚动独立，不要传递消息给主窗口
  • ¥15 如何能达到用ping0.cc检测成这样？如图
  • ¥15 关于#DMA固件#的问题，请各位专家解答！
  • ¥15 matlab生成的x1图不趋于稳定，之后的图像是稳定的水平线
  • ¥15 请问华为OD岗位的内部职业发展通道都有哪些，以及各个级别晋升的要求
  • ¥20 微信小程序 canvas 问题