上一页


第六章_数据预测引擎系统
作者: 罗瑶光, Author:Yaoguang.Luo


基础应用: 元基催化与肽计算 编译机的进制仿生计算机

知识来源,作者人生第一次对坐标计算产生概念理论思维,来自印度基督大学的Dr Fr Joseph Varghese. 作者基于离散数学第六版紫皮书,完成了所有课后习题和记录Varghese留在黑板的所有课堂笔记包含完整的神经网络和坐标思维,曲线思维的欧式计算基础.

作者的坐标计算思维活力来自游戏设计娱乐,如作者的暗夜法师object C设计的游坐标战斗游戏,这里感谢下路德大学卡拉森教授,关于作者设计她的数据挖掘分析课程,作业检查极其严谨,如knn基础,欧拉,欧基里德等 欧式家族权径作业.

作者曾经在章总那关于co-auther图设计用了2维的vector,阅读了很多美国亚利桑那大学的co-worker图模型文章论文,这些基础,得益于作者在国内九年义务教育和高中以上学历教育的良好数学功底(作者高三虽少学了半年课,但浏阳一中此时正在复习高二的立体几何1年,写这本书,作者综合还是赚了,作者有这个技术实力,基础离不开浏阳三中罗佛成老师).

最后作者在设计养疗经智能相诊, 三维词汇花工作中,业余挑战leecode, coderank题目,以及生活中的问题处理,积累了大量数据计算方法的经验,于是开始了数据坐标计算的插件包设计. (作者在长城驾校学重驾, 知识点是考侧方位停车, 单边桥, 压饼, 上坡定点停车, s路, u型倒车, 雨天驾驶, 十字路口通行, 雨雾天行驶,闹市行驶,障碍避险,山林隧道驾驶灯光模拟等,里面也有基于东风货车的后视镜,车灯,车门把手, 车护, 车头线的对点对线对角对表的思维. 但不包含坐标群的轨迹概率路径分类聚类计算. 这里申明. 这里还是要感谢下长沙驾考中心, 当年200元半小时场路训练, 作者亲身经历了花最少钱测试最多的训练科目的挑战,作者把科目的地点当成坐标,怎么进行欧拉环路计算最短时间路线做最多测试哈哈)

关于雷达工学描述: 作者的教研室主任韩桂明先生是 物理专家,是作者的技术导师,虽然作者的毕业设计是文学论文,但是很多计算机物理的基础来自于韩桂明老师的教学,虽然作者在本科的专业没有涉及雷达研究课程,但是关于电工学基本元器件的启蒙,如物理电工, 三项原理, 触发器, 555定时器等知识学的比较扎实. 以及后来作者在上海学了下的Atten2000 等示波器 微焊 以前有一篇文章描述过他的记忆.

Story: Professor HanGuiMing was a good teacher, all year round in the radar field research, he was my engineering department director, he taught me the computer and the physics, I still remembered that one of the sophomore physics classes, really bored I were at that time, I sneaked < > out from the bag and watched it. I' m sorry that Mr. Han was finding what I did. He took my book away and exclaimed:” well!!!, when I was a kid, I wanted to be Einstein, but now the result that I failed. hey~ Mr. Luo, I hope you can do”, I ashamed and face turned red, embarrassed suddenly. Since then I had never deserted, and also from that time, the teacher gave me the particularly "care", especially when the MCU course in the school, Mr. Han selflessly to give me many of his physical micro processor records. Professor Han was my unforgettable teacher. College examination was very difficult. Thanks for the N.A.A School, 4 years of the sculpture care for me. 罗瑶光

api包 函数完整包含2维和3维的空间轨迹算法.

GitHub - yaoguangluo/Data_Prediction: 快速计算商旅轨迹 非线性坐标数据分析

Java api https://github. com/yaoguangluo/ChromosomeDNA/blob/main/BloomChromosome_V19001_20220108. jar

坐标系统预测

1 数据预测引擎的坐标系统主要用来做离散非线性计算. refer page 566~

2 离散非线性计算主要体现在 降维 商旅TSP路径的线性求解. refer page 629~

3 坐标的降维计算包含 轨迹降维, 趋势降维, 观测降维. refer page 567~

4 降维计算过程可以进行逆向跟踪还原. refer page 570

环境预测

1 数据预测引擎的环境计算主要体现在 压力计算. refer page 570, 573

2 压力计算可理解为 中心向重心的两点间距离. refer page 674

3 两点间距离的长短和方向代表压力的大小和趋势. refer page 574 红蓝点距离

4 趋势大小确定环境的稳定性表达. refer page 574

雷达机

1 数据预测引擎的雷达机主要体现在坐标群的边缘识别和归纳计算. refer page 577

2 坐标群的边缘识别和归纳计算 采用角度 + 中心到点距离进行进行轮循链接. refer page 576

3 链接的面形成 极速计算边缘包含, 确定坐标的团大小面积, 密度. refer page 577

4 极速边缘计算的价值可以迅速利用在所有实时坐标系统中. refer page 593

整理漂亮些, 迫使作者设计这个算法, 最早来自作者的计算机视觉课程关于Reinhart给作者布置作业求坐标的边缘链接算法, 作者当时用的是谷歌搜索的传统经典的切线向量计算, 基于一个个坐标来解边缘的坐标链接, 作者一直在思考切线角度算法, 速度太慢了. 跟作者第一代TSP超过23个坐标点后的计算速度有的一拼, 坐标点越多, 就越慢. 这个算法问世后拔去了作者至少5年的心头刺.

Radar Mechine

The Data Prediction of Side End Radar which is used for the recognition of edging coordinates. The computing of generalisation is circularly to find a ratio collection of vectors between the central weight point and each outer coordinates. Compare to the outer coordinates, because the distance from inner coordinates which is shorter than distance of scale input, hence will be removed by this scale filter. Then makes an arrangement of this vector list more sequence, means sorting them from the ratio of zero to the ratio of 360 (2* Pi). Finally makes the line connections of each two outer adjacent coordinates in this vectorial list. It may get a side end of input coordinates. Then find a density is simply, because the author considers: {Density = Area of Side End / Amout of Coordinates}

Author YaoguangLuo 稍后优化语法

Gitee 20200306 感想, 2011年我在做路德大学计算机视觉的项目时候, 有一个作业题是要我标记坐标边缘集合, 我当时是用斜率梯度与切线比来计算临近两个边缘坐标的小线段系数, 记得当时我只有20来个坐标计算, 得到结果花费了我几秒钟时间, 最近养生软件也遇到相似功能, 需求迫使我重新设计一种新的算法, 于是这个算法就设计出来了. 前后计算10000坐标也就花费了几秒, 速度快了600~3000倍, 于是我将它开源了.

今天来描述下这个函数的运算逻辑:

1需求, 写这个算法, 我的动机是出现不规则的坐标团, 我怎么快速的将团的边缘坐标集合拿出来. 2当时所想, 如果我将团的重心求出, 然后基于重心坐标辐射团的每一个子坐标, 一旦距离小于scale精度, 就过滤掉, 那么这个算法应该比传统的边缘计算速度要快数百甚至数万(指数方)倍, 于是基于这个逻辑开始写论证代码. 3效果, 效果稳定, 可以很好的观测边缘坐标分布. 缺点也有精度不高. 4结论, 精确度会出现点误差, 为了弥补, 我思考了很久, 我将这个算法定义为 重心距过滤边缘算法, 适用于海量坐标团的边缘计算中过滤非主要成份预处理, 减少计算总量, 提高算能. 有效高精度处理模式为: 先重心距过滤边缘算法, 然后斜率梯度与切线比边缘计算(其实还有更好的思想, 比如基于重心和过滤后的坐标距离 排序, 取最长的百分比坐标集, 因为这些坐标往往属于外围坐标. ), 再输出. 6另外, getDistance函数 原理是维度坐标的 向量位移 绝对值总和, 在计算速度上更快. 如果小伙伴在自己的工程中需要高精度, 可以改写成 开方的 欧基里德位移即可.

状态机

1 数据预测引擎的状态机主要包含 压力状态, 轨迹状态, refer page 571, 573,

2 压力状态体现在坐标团的之间的距离, 和团中心和重心的距离分析. refer page 571

Gitee 20200305 感想 《通过坐标团的 精度匹配分割的内部坐标聚类团 进行 每个聚类团的 重心和中心距离 求解 获取有效的团稳定观测数据模型》

关于这类算法, 早期思想, 我想设计出一种机器人的视觉观测算法, 能迅速有效通过坐标点集合计算出坐标团的运动轨迹. 用在运动趋势和轨迹判断等领域上. 因为作者开发条件有限, 无法从硬件和物理层来进行实验, 于是最早研发的主要软体观测数据是重心和中心这两个关键词. 一开始作者认为团坐标的中心如果和重心能吻合, 则表示观测对象团趋向于稳定, 于是从这个关键点入手. 发现一个豁然开朗的数据轨迹领域. 如果坐标团的重心和中心有位移段, 作者认为在某种观测角度上属于 势能, 这个势能 一旦解释为向量, 可以定义为运动趋势, 怎么计算这种运动趋势?作者 加入了稳定性, 向量和压强等参考名词来解释这个计算过程如下. 团坐标的中心 意思是团的中心点. 团坐标的重心 意思是团的PCA密度点.

如果中心和重心坐标临近, 则位移短, 作者定义为该坐标团稳定非充能状态. 如果中心和重心有位移, 那么从中心到重心的方向为物体的运动势能方向, 团趋向于该方向运动, 重心区的密度大小和重心中心位移同时确定了运动势能的大小. 如果将该重心区的团坐标集合再次切裂成小团, 计算每个小团的 运动趋势和轨迹, 进行微积分统计, 就能正确的分析出大团的整个运动周期过程. 之后的函数有相关基础编码.

动机, 早期动机为当坐标切裂融聚算法 完成后, 作者想基于此做工程实践, 确定它的使用价值, 于是想在交通领域上模拟, 后来发现这个思想可以在任何运动学和流体力学, 分子力学上施展, 于是有强烈的动机来完善它. ***去主观情绪***

当时所想, 这类函数的观测点毕竟只有3维, 重心, 坐标数和中心, 社会领域适用面已经无比宽广. 如果能再加一维 参数(比如体积等), 那么这类基础算法的社会应用价值将再次无限扩大.

Notes on Gitee 20200305, cords-clusters separation according to the fissile-scale were based on adjacent-distance of each two cords, then found each trend-distance between Its cluster-centre and cluster-weight. In order to make an observation of stable-clusters.

In an early time, the author tried to find an argorithm of vision, to speedly and quickly trace the movement with this argorithm. His purpose was that trended an action and traced a prediciton by using software code. Due to the limited development, he maily used two observable keys with centres and weights. He considered a stable-cluster could be defined as a coincided position of Its centre and weight. Then did a project about cords movement and computation with computer. Then considered a way of observation could be defined as a potential energy. Here the once be explained as a vector, also could mean as a trending movement. He continued to find a computing way of how to make an exploration with these aboves.

The author added a Stability, Vector and Pressure, he considered a central point of each cluster could be defined as a Stable-section. And a weight point of each cluster could be defined as a Stress-section. Then did vectorial connections where from each Stable-section to Stress-section, The author considered these vectors could be defined as PCA densities.

The length of each vectorial link could be defined as a 1 energy-status, 2 trending directions, 3 and ranged densities. Here the ranged of 2 and 3, could also deteminate the statement of 1. The author continued to consider that agained a differential fissile-cluster, then could create a condition with statistics, meant to do a more scaled analyzing of actions, densities, molecules and mechanics.

Finally, he thought this argorithm now only contains number of cords, weights and centres, he considered It could add one more set about area. For example, side end of cords. It might be used widely arround the real world.

The author: YaoguangLuo 稍后优化语法.

3 轨迹状态体现在坐标团的内部欧基里德距离熵增和团中心KNN迁移熵增分析. refer page 569, 570

4 数据预测引擎的状态机应用在非线性坐标计算系统中. refer page

轨迹算法做漂亮些. 这个算法基础思想来自欧基里德mean距离, 讲课教授是M. klassen, Refer下, 当时讲pearson pangningtan教材章节, 讲的很仔细.

Gitee 20200307 感想 《2维 3维 坐标集 切裂 重心 轨迹 跟踪算法JAVA源码》

1 最近我总是被一些计算思想困扰我很久, 比如数据团的切裂和融聚的模拟过程如果没有按预期的算法执行怎么办?

比如坐标团的运动趋势, 因为一些误差导致最终结果变形, 站在运维的角度我怎么及时可控, 可观测?

2 2012年上卡教授的数据分析课, 坐在赵川童鞋旁边, 想起那一副老实巴交的样子, 我问题一下子多到爆炸. 特别是rosemead去thousand oaks学校的商旅路径计算, 先走10 101高速还是先走105405~101高速.. ?要满足我不堵车, 既看海, 又跨山需求. 2个小时到学校不迟到, 重点是60美金汽油能开1个星期. knn的增量我一定要进行轨迹可控, 不然100万次计算如果是最后10万次出错, 我只要按轨迹把后面10万 次修正, 而不是再做一次100万次计算. 提高算能是我的核心思想.

动机, 一大堆数学问题堆在一起, 我头皮发麻, 我急切需要一种算法, 来保证(计算可控, 趋势可控, 观测透明)

我定义为算能挖掘体系. 于是开始设计这类算法. 论证, 这个算法最终完善了当前版本, 能将KNN的划分重心轨迹按时间顺序记录了, 这个轨迹不但可以计算加速度, 还可以提高观测和轨迹趋势预判的准确性. 结果, 这个算法特别适用于金融领域, 运动领域加速度计算, action游戏领域, 空间几何领域等 做轨迹坐标趋势和预测计算. 不足, 因为循环计算轨迹坐标的, 团的坐标数越多, 计算量增大, 这个做算法之前先执行PCA重心团筛选函数可以大幅减少循环计算量, 提高算能.

离散模型预测

1 数据预测引擎的离散模型预测, 作者主要用在商旅计算中. refer page

2 作者主要用在商旅计算中的 小坐标分子群计算中. refer page 568

3 作者的商旅计算最大价值主要体现在 欧拉环路的分析中. refer page 568

4 作者的 欧拉环路为破解 十六进制 十六元基进制编码 起到了基础研究作用. refer page 下册56, 下册125

概率机

1 数据预测引擎的概率机比较简单, 仅仅贝叶斯系统. refer page

2 贝叶斯系统在作者的工程中很少用到, 如线性回归, 衰变失效就不包括. refer page

3 贝叶斯系统作者有设计交叉概率机, 关于数据挖掘pangningtan教材的质量分析. 讲课教授 卡拉森. refer page 616

4 作者设计概率机, 主要是之后做图片识别预测用. refer page

向量机

1 数据预测引擎的向量机作者主要设计了团中心和重心的距离向量. refer page 595

2 距离向量 可以作为路径猜测, 运动趋势, 和轨迹判断用途. refer page 621, 624, 634

3 距离向量理解为斥力, 可以表达坐标团的稳定性评估. refer page 601

4 距离向量理解为压力, 与雷达机结合, 可以计算表达坐标团的密度. refer page 610, 613, 605, 593

德塔坐标团的密度 一般指, 将坐标进行 观测距离的区间进行划分后的坐标融聚小团, 的坐标数和团数的比值举例 如果划分有5个区间, 每个区间坐标数是 1, 3, 4, 3, 6,, 那么比值是1/5, 3/5, 4/5, 3/5, 6/5 这里的观测距离是可以精度调节的. 通过排序可以迅速计算 用于确定压力的位置. 定义归纳人 罗瑶光, 稍后优化.

商旅TSP

1 数据预测引擎的商旅TSP, 主要计算随机坐标集的欧拉环路. refer page 625.

2 数据预测引擎的商旅TSP, 作者设计动机为极速小分子团间的欧拉2阶图研究. refer page 630.

3 作者研究动机为破解元基罗盘的 离散活性邻接矩阵变换. refer page 下册5,

极速高阶欧拉融聚商旅团TSP路径算法的思维来源

作者最早接触轨迹路径算法, 来自高中玩帝国时代, 红色警戒和星际争霸游戏, 里面鼠标右键点击自动生成行军路径很酷炫, 作者的完整欧拉理论基础来自印度基督大学维嘉神父教授的离散数学第六版紫皮书. (当时胡春牛带了本中文的离散数学简化版书来了印度, 记得有欧拉图论的中文, 方便了作者的阅读). 作者第一次听到商旅算法 这个词汇来自亚米Little的口中, 当时一行人出去寻觅圣盖博下馆子, Little说研究商旅算法的都很牛. 而作者第一次看到问题, 是作者在走四方一天晚上加班翻译php那个黄项目的时候, 国内来了个梁总, 莫名在作者旁边起高腔和余总争论一些琐事, 突然把我叫过去说旅行算法计算太慢, 问我怎么解决, 我当时比较懵, 余总说这是国内团队设计的, 不是作者的事. 后作者面试和求职英特尔前, 打发时间, 开始刷leecode, coderank等, 就把23~49个坐标的商旅TSP给 计算了. 后来就逐步优化. 当作者的切裂算法问世了时候, 突然想到, 如果将切裂开的坐标进行密集度融聚, 这时候融聚的坐标就是微分小欧拉, 上层就是大欧拉, 于是这个模型图便诞生了. 作者分享一个今天才揭开的秘密给大家: 切裂的词汇来自作者2012年玩苹果ios游戏 索罗门法师(Solomon Boneyard), 里面的跟踪魔法弹叫 fissile 哈哈. 罗瑶光

A Time Locus of Speed Fissile TSP about Ouler Forest

The author did a sixth foundation of Discrete Mathematics in a college time by following Father of Christ, Dr. Joseph Varghese. Before Mr. Yaoguang went to Folsom Intel, he had finished a simple Ouler TSP Algorithm to deal with the coordinates which amount less than 23 coords, then made an optimization which promoted to 49 coords. Once the Deta Fissile Algorithm had built, the author thought that made a separation of those coordinates by a long distance firstly, then did a Deta Fusional Algorithm by a short distance, and then made an Ouler TSP connection based on short distance, and finally made an Ouler TSP connection based on long distance. It seems like a Ouler Forest, and the inner short TSP distance groups such as tree clusters.

Author YaoguangLuo 稍后优化

4 作者研究结果为十六元基进制 破解 DCPE-THOS-MAXF-VIUQ. refer page 下册5, 下册56, 下册125

十六元基进制 破解 DCPE-THOS-MAXF-VIUQ 文字描述

作者在这里主要感谢印度基督大学的财务官, 离散数学老师, 维嘉神父, 关于作者的图论和欧拉思维, 以及作者的汉密尔顿有向图的rotation变换和 adjacent map 邻接图离散变换思维全部来自维嘉神父基于离散数学第六版紫皮书的知识点传授. 作者至今保留了所有印度基督大学考试笔记卷子在浏阳保险柜中. 具体例子如下图的‘元基肽展公式关系图’与 ‘元基语义肽展活性罗盘’的邻接变换. 描述人 罗瑶光

破解方式, 当作者的欧拉图算法成型后(《数据预测引擎系统 V1. 0. 0》), 首先通过DNA元基编码(《类人DNA与 神经元基于催化算子映射编码方式 V_1. 2. 2》)进行推导出语义肽展公式(《肽展公式推导与元基编码进化计算以及它的应用发现》), 然后进行按公式归纳关联方式得到十七元(《DNA催化与肽展计算和AOPM-TXH-VECS-IDUQ元基解码013026中文版本》)肽展公式关系图(《DNA元基催化与肽计算第二卷养疗经应用研究20210305》), 通过元基语义肽展活性排序罗盘观测, 开始寻找一条十七元基的欧拉路径(《DNA元基催化与肽计算第二卷养疗经应用研究20210305》), 随着全嘌呤F元基(《DNA 元基催化与肽计算 第三修订版V039010912》)的定义, 于是替换掉文中的HE, HC, DD 元基, 重新寻找一条 十六元基的 欧拉路径. 于是发现了DCPE-THOS-MAXF-VIUQ进制(《DNA 元基催化与肽计算 第四修订版V00919》).

The Derivation of Hexadecimal Meta-Base, Initons. DCPE-THOS-MAXF-VIUQ.

After the Derivation of Deta Ouler TSP,《数据预测引擎系统 V1. 0. 0》. The author according to the DNA Encoding,《类人DNA与 神经元基于催化算子映射编码方式 V_1. 2. 2》. Then finds a PDN Extension, PDE formula,《肽展公式推导与元基编码进化计算以及它的应用发现》. Then continuing does the DNA Decoding to find seventeen Meta-Bases, Initons. AOPM-TXH-VECS-IDUQ-HE-HC,《DNA催化与肽展计算和AOPM-TXH-VECS-IDUQ元基解码013026中文版本》. Then try to build PDE map relationships. Base of the compass of arrangements, the author finds a septendecimal Meta-Bases, Initons. DCPE-H(HC)XA-MSO(HE)T-VIUQ. 《DNA元基催化与肽计算第二卷养疗经应用研究20210305》. After finding a definition of Meta-Base, Initon of F, 《DNA 元基催化与肽计算 第三修订版V039010912》. The author removed the Initons of HE and HC, and by using F instead. Finally finds a new TSP link to Hexadecimal Meta-Base, Initons. DCPE-THOS-MAXF-VIUQ. 《DNA 元基催化与肽计算 第四修订版V00919》. The author YaoguangLuo 稍后优化语法.

应用

早期应用实例, 不仅在德塔自己的坐标插件可以灵活应用, detaETL 也可以集成 awt+ weka第三方插件研发 进行数据显示实现. 如下图的pilot例子. 作者早期用swt+knime进行weka设计, 自从自己写了ETL Unicorn后, 发现SWT插件都不需要了.

图中weka技术来源描述

因为章鑫杰送给作者联想电脑被牛怡然同学 拿卡拉森的usb烧录操作系统给格盘了, 地点(作者和刘熠同学, 谢晨然同学, 牛怡然同学的合租房内), 西数硬盘又砸了的环境下(作者在rosemead Del Mar AVE路的租房内), 作者2013年冬在rosemead Falling Leaf设计出ETL Unicorn后, 用313699483的qq 问赵川同学 当时卡拉森的课 用的knime节点还有吗, 准备翻译成unicorn节点试试, 赵川说不见了, 于是作者当时说那就算了, 再重新写过就是了, 用poi + hssf + arff + weka api. 如上图展示, 发现效果不错. 罗瑶光

另外函数分类方法如 切裂, 融聚, 隔离, 簇类, 就不介绍了数据挖掘的聚类思想作者个人表达方法而已.

眼睛团坐标识别

像素团处理

这个算法 动机很明显, 为了满足我的图片模式识别的工程应用.

问题: 之前做眼睛识别的算法时候, 我遇到了一个问题, 就是高斯噪. 比如我先做一层粗卷积匹配, 再做精度筛选匹配(为什么要这样设计, 因为速度. 如果直接1024x 768的视频处理做50x 50的卷积, 这速度让我痛苦因为循环次数是1024x 768x 50x 50次, 我迫切需要加速, 于是先通过5x5粗卷积识别眼珠, 再10x 10细卷积识别眼白, 再25x 25.. . 识别眼眶), 发现眼睛的识别是准了, 速度快到爆炸(循环词次数是 1024x 768x 5x 5x(条件概率事件), 最大比值是2500/ 25, 100倍的差值), 但是总有那么几个噪声同样被识别出来, 我需要 把这些东西给过滤了, 迫切需要一种模式识别算法.

解决: 常规的算法和高斯模糊算法我都组合尝试遍了, 结果还是没有令我满意, 我觉得有必要基于燥的小分子团的大小 观测面上进行过滤这些噪声成份, 这是最早的动机.

论证: 算法设计完后, 的确可有效删除某特定像素的 分子团, 因为一些卷积特征相同的 区域就很好的被过滤了.

不足: 因为是基于scale距离来划分分子团的, 所有一些环形的同色分子团因为重心距仍很长, 不能有效的过滤. 之后会专门讨论这种情况. 另外计算过程观测时 发现卷积计算之前就用该算法过滤, 动态视频处理速度无影响, 如果在粗卷积匹配后再做这个算法过滤, 速度无法保障, 这是缺陷, 我会进一步完善, 或者研发更有效的分子团过滤算法.

算法搜索的NLP匹配打分