[python] كيفية فرز الكفوف الخاصة بي؟



Answers

باستخدام المعلومات التي تستند فقط على المدة ، أعتقد أنه يمكنك تطبيق تقنيات من نمذجة الحركة الحركية ؛ وهما معكوس Kinematics . جنبا إلى جنب مع التوجه والطول والمدة ، والوزن الكلي فإنه يعطي مستوى معين من الدورية ، وآمل أن تكون الخطوة الأولى في محاولة لحل المشكلة الخاصة بك "فرز الكفوف".

يمكن استخدام كل تلك البيانات لإنشاء قائمة من المضلعات المحددة (أو المجموعات) ، والتي يمكنك استخدامها للتصنيف حسب حجم الخطوة ثم بواسطة paw-ness [index].

Question

في سؤالي السابق ، حصلت على إجابة ممتازة ساعدتني على اكتشاف المكان الذي ضربت فيه مخلب صفيحة ضغط ، لكنني الآن أواجه صعوبة في ربط هذه النتائج بمخالبها:

لقد شرحت يدوياً الكفوف (RF = الجبهة اليمنى ، RH = hind الأيمن ، LF = اليسار ، LH = hind).

كما ترون هناك نمط تكرار واضح ويعود في كل قياس تقريبًا. في ما يلي رابط لعرض تقديمي لـ 6 تجارب تم تعليمها يدويًا.

كانت فكرتي الأولية استخدام الأساليب البحثية للقيام بالفرز ، مثل:

  • هناك نسبة ~ 60-40 ٪ في تحمل الوزن بين الكفوف الأمامية والخلفية الخلفية.
  • مخالب الخلفيات تكون عادة أصغر في السطح.
  • وكثيرا ما يتم تقسيم الكفوف مكانيا في اليسار واليمين.

ومع ذلك ، فأنا متشكك بعض الشيء حول أساليب البحث الخاصة بي ، حيث أنهم قد يفشلون مني بمجرد أن أواجه تنوعًا لم أكن أفكر فيه. كما أنهم لن يكونوا قادرين على التعامل مع القياسات من الكلاب العرجاء ، الذين ربما لديهم قواعد خاصة بهم.

وعلاوة على ذلك ، فإن الشروح التي اقترحها جو أحيانًا لا تفسد ولا تأخذ في الاعتبار ما يبدو عليه الأمر بالفعل.

استنادًا إلى الإجابات التي تلقيتها عن سؤالي حول الكشف عن الذروة داخل المخلب ، آمل أن تكون هناك حلول أكثر تقدمًا لفرز الكفوف. خاصة لأن توزيع الضغط والتقدم فيه يختلفان عن كل مخلب منفصل ، مثل بصمة الأصابع. آمل أن تكون هناك طريقة يمكن أن تستخدم هذا لتجميع الكفوف الخاصة بي ، بدلاً من تصنيفها حسب ترتيبها.

لذلك أنا أبحث عن طريقة أفضل لفرز النتائج مع مخلب المقابلة لها.

لأي شخص حتى التحدي ، لقد اخترت قاموسًا يحتوي على كل صفائف الشرائح التي تحتوي على بيانات ضغط كل مخلب (مجمعة بالقياس) والشريحة التي تصف موقعها (موقع على اللوحة وفي الوقت المناسب).

إلى clarfiy: walk_sliced_data هو قاموس يحتوي على ['ser_3' و 'ser_2' و 'sel_1' و 'sel_2' و 'ser_1' و 'sel_3'] ، وهي أسماء القياسات. يحتوي كل قياس على قاموس آخر ، [0 ، 1 ، 2 ، 3 ، 4 ، 5 ، 6 ، 7 ، 8 ، 9 ، 10] (مثال من "sel_1") التي تمثل التأثيرات التي تم استخراجها.

لاحظ أيضًا أنه يمكن تجاهل التأثيرات "الكاذبة" ، مثل المكان الذي يتم فيه قياس المخلب جزئياً (في المكان أو الزمان). فهي مفيدة فقط لأنها يمكن أن تساعد في التعرف على نمط ، ولكن لن يتم تحليلها.

ولأي شخص مهتم ، أحتفظ بمدونة تحتوي على جميع التحديثات المتعلقة بالمشروع!




Links