[Python] كيفية فرز الكفوف بلدي؟


Answers

باستخدام المعلومات بحتة على أساس المدة، وأعتقد أنه يمكن تطبيق تقنيات من النمذجة الكينماتيكا. وهي الديناميات العكسية . جنبا إلى جنب مع التوجه، وطول، والمدة، والوزن الكلي أنه يعطي بعض مستوى التواتر الذي آمل أن تكون الخطوة الأولى في محاولة لحل الخاص بك "فرز الكفوف" المشكلة.

كل هذه البيانات يمكن استخدامها لإنشاء قائمة المضلعات المحصورة (أو توبلز)، والتي يمكنك استخدامها لفرز حسب حجم الخطوة ثم بواسطة باو-نيس [إندكس].

Question

في سؤالي السابق حصلت على إجابة ممتازة ساعدتني على الكشف عن أين ضرب مخلب لوحة الضغط، ولكن الآن أنا تكافح لربط هذه النتائج إلى الكفوف المقابلة:

أنا مشروح يدويا الكفوف (رف = الجبهة اليمنى، ر = يمين هند، لف = الجبهة اليسرى، ل = يسار الخلف).

كما ترون هناك بوضوح نمط مكرر ويعود في كل القياس تقريبا. وإليك رابط إلى عرض تقديمي من 6 تجارب مشروحة يدويا.

كان فكرتي الأولية لاستخدام الاستدلال للقيام الفرز، مثل:

  • هناك ~ 60-40٪ نسبة في الوزن تحمل بين الجبهة و الكفوف الخلفيتين؛
  • وعادة ما تكون الكفوف الخلفية أصغر في السطح؛
  • الكهوف هي (في كثير من الأحيان) مقسمة مكانيا في اليسار واليمين.

ومع ذلك، أنا متشككا قليلا حول بلدي الاستدلال، كما أنها سوف تفشل على لي في أقرب وقت واجهت الاختلاف لم أكن أفكر. كما أنها لن تكون قادرة على التعامل مع القياسات من الكلاب عرجاء، الذين ربما لديهم قواعد خاصة بهم.

وعلاوة على ذلك، فإن الشرح الذي اقترحه جو أحيانا الحصول على خبطت ولا تأخذ بعين الاعتبار ما مخلب يبدو في الواقع.

واستنادا إلى الإجابات التي تلقيتها على سؤالي حول اكتشاف الذروة داخل مخلب ، وأنا على أمل أن هناك حلول أكثر تقدما لفرز الكفوف. خاصة لأن توزيع الضغط والتقدم لها مختلفة لكل مخلب منفصل، تقريبا مثل بصمات الأصابع. آمل أن يكون هناك طريقة يمكن أن تستخدم هذا لتجميع الكفوف بلدي، بدلا من مجرد فرزها في ترتيب حدوث.

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

لأحد ما يصل إلى التحدي، لقد مخلل القاموس مع كل صفائف شرائح التي تحتوي على بيانات الضغط من كل مخلب (المجمعة عن طريق القياس) والشريحة التي تصف موقعها (الموقع على لوحة وفي الوقت المناسب).

تو كلارفي: walk_sliced_data هو قاموس يحتوي على ['ser_3'، 'ser_2'، 'sel_1'، 'sel_2'، 'ser_1'، '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') والتي تمثل الآثار التي تم استخراجها.

نلاحظ أيضا أن الآثار "كاذبة"، مثل حيث يتم قياس مخلب جزئيا (في الفضاء أو الوقت) يمكن تجاهلها. فهي مفيدة فقط لأنها يمكن أن تساعد في التعرف على نمط، ولكن لن يتم تحليلها.

وبالنسبة لأي شخص مهتم، أنا حفظ بلوق مع جميع التحديثات المتعلقة بالمشروع!