样本拟合正弦函数? 梯度下降法? NO,比梯度下降还快的算法.

假设样本数据是跟sin函数值相关的.
那么如何求这些数据的相位和振幅?还有频率?
搞了半天的梯度下降算法. 准备拟合出合适的参数值.
代码是人工智能生成的. 跑不通 , 自己改了一下也是跑不通. 因为sin函数的拟合牵扯到求偏导数. .
梯度下降算法的原理是通的. 可不知道是哪里的问题, loss先由大变小,然后由小变大. 最后跑飞了. 如此不稳定.

y = amplitude * sin(phase)

虽然想自己手撕梯度下降算法. 时间来不及,先用笨办法吧.
等有空再自己手撕一下线性函数 y = ax+b 的梯度下降算法的 c语言版本.
最后发现, 笨办法还挺快. 比梯度下降还靠谱.

说下大体流程.
第一步滤波, 把数据滤波成接近正弦曲线的波形. 这里面用到比较牛的算法. 由于牵扯到很多核心技术, 这里就不详细谈我是如何滤波的了.
第二步:求频率. 鉴相法,过零法,最大值法. 这里就不详细说了, 各位自己发挥.
第三步:求振幅. for循环求最大值即可.
第四步:求相位. 知道了前2个, 第三个更好求. 代码如下.
顺序不能乱.

测试下来,精度可以接受. 如果想精度高一些, 提高步进精度. 增加一些范围值的try.
梯度下降算法的运行时间受到初始值和真实值的影响, 运行时长不稳定.
这个算法就稳定多了.

#include <stdio.h>
#include <math.h>#define PI 3.14159265
#define LEARNING_RATE 0.05
#define MAX_ITERATIONS 100000/*** @brief 生成正弦波测试数据* * @param data 存放生成的数据的数组* @param n 数据的长度 一共采样了多少个点* @param sample_rate 采样率 (每秒多少个点)* @param amplitude 正弦波的振幅 * @param phase 正弦波的初始相位* @param frequency 正弦波的频率 
*/
void generateSinData(float data[], int n, float sample_rate , float amplitude, float phase, float frequency) {  float time_step = 1.0f / sample_rate; // 每个样本的时间间隔(秒)  float a; // 角度(弧度制)  float zaosheng; // 噪声项  // 可选:设置随机数种子以确保每次运行都得到不同的随机噪声  // std::srand(static_cast<unsigned int>(std::time(nullptr)));  for (int i = 0; i < n; i++){// 计算时间(秒),并转换为角度  float time = i * time_step;a = 2 * PI * frequency * time + phase;// 添加噪声项(如果需要的话)  // zaosheng = 0.1f * (static_cast<float>(std::rand()) / RAND_MAX - 0.5f);  zaosheng = 0; // 暂时设为0,如果你想添加噪声可以去掉注释  // 计算正弦波加上噪声  data[i] = amplitude * sin(a) + zaosheng;}
}float getAngle( int i, float sample_rate ,   float phase, float frequency) {  float time_step = 1.0f / sample_rate; // 每个样本的时间间隔(秒)  float angle; // 角度(弧度制)    // 计算时间(秒),并转换为角度  float time = i * time_step;angle = 2 * PI * frequency * time + phase;   return angle;
}float generateOneSinData( int i, float sample_rate , float amplitude, float phase, float frequency) {   float angle; // 角度(弧度制)     angle = getAngle( i, sample_rate,  phase, frequency );// 计算正弦波加上噪声  float data = amplitude * sin(angle) ;return data; 
}/*** 定义损失函数* 计算预测值与实际值的差异
*/
float calculateLoss(float data[], float yuce_data[], int data_length ) {float loss = 0;for (int i = 0; i < data_length; i++) {// 计算预测值与实际值的差异 float difference = fabs(data[i] - yuce_data[i]);    loss += difference ; }return loss;
}/*** 计算最大振幅* * @param data 存放生成的数据的数组* @param data_length 数据的长度 一共采样了多少个点* @return 最大振幅
*/
float getMaxAmplitude(float data[], int data_length) {float max_amplitude = 0;for (int i = 0; i < data_length; i++) {if (fabs(data[i]) > max_amplitude) {max_amplitude = fabs(data[i]);}}
}/*** @brief 尝试所有相位和振幅组合,寻找最佳参数* * @param data 存放生成的数据的数组* @param amplitude 存放最佳振幅的指针* @param phase 存放最佳相位的指针* @param frequency 存放最佳频率的指针* @param sample_rate 采样率 (每秒多少个点)* @param sample_length 数据的长度 一共采样了多少个点
*/
void tryAllPhaseAndAmp(float adc_data[],  float *amplitude, float *phase, float *frequency, float sample_rate, int sample_length) 
{// 初始化梯度 float yuce_data[2000] = {0}; // 存放预测的数据的数组, 2000个采样点 一般不会超过这个值float min_loss=1000000; // 损失函数float max_amplitude = getMaxAmplitude(adc_data,sample_length);int step = 10;int phase_start = 1;int phase_end = 360;int phase_iter = phase_start ;int phase_iter_min=1;while(step > 1){// 计算预测值// 遍历360个角度for(phase_iter = phase_start ; phase_iter < phase_end ; phase_iter = phase_iter + step ){  // 角度转弧度float phase_iter_rad = phase_iter * PI / 180;float amp = max_amplitude;// 遍历20个振幅//for (int amp = max_amplitude - 1; amp < max_amplitude + 2; amp++){// 计算预测值generateSinData(yuce_data, sample_length,  sample_rate,  amp,  phase_iter_rad,  *frequency);// 计算预测值与实际值的差异float loss = calculateLoss(adc_data, yuce_data, sample_length);//printf("amp:%d ,phase:%d, loss is %f \n", amp, phase_iter, loss);if(loss < min_loss){// printf("find it %f !\n",min_loss);phase_iter_min = phase_iter;min_loss = loss;*amplitude = amp;*phase = phase_iter;*frequency = *frequency;}} }//第二次迭代, 值迭代10个角度 . 这样可以减少360 - (36+10) = 314 减少314次迭代.如果改成2分法还可以减少计算量,太复杂的算法暂时就不考虑了,目前已经够用了 (给自己攒点头发.)step  = 1;phase_start = phase_iter_min - 5;phase_end =  phase_iter_min + 5; }}#define    demo_sample_length  2000 
#define    demo_sample_rate 1000.0f int main_demo_try_all() 
//int main() 
{float data[demo_sample_length];float amplitude = 44.0; // 初始振幅float phase = 0.5 * PI;  // 初始相位float frequency = 10.0; // 初始频率generateSinData(data, demo_sample_length, demo_sample_rate, amplitude, phase,frequency);//输出data到文件FILE *fp;fp = fopen("data.txt", "w");for (int i = 0; i < demo_sample_length; i++) {fprintf(fp, "%f\n", data[i]);}fclose(fp);printf("Original Amplitude: %f\n", amplitude);printf("Original Phase: %f\n", phase);printf("Original Frequency: %f\n", frequency);amplitude=1;phase=1;//frequency=1;tryAllPhaseAndAmp(data, &amplitude, &phase, &frequency, demo_sample_rate, demo_sample_length);// 找到了最佳参数 printf("Final Amplitude: %f\n", amplitude);printf("Final Phase: %f\n", phase);printf("Final Frequency: %f\n", frequency);return 0;
}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/17987.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【软考】下篇 第19章 大数据架构设计理论与实践

目录 大数据处理系统架构特征Lambda架构Lambda架构介绍Lambda架构实现Lambda架构优缺点Lambda架构与其他架构模式对比 Kappa架构Kappa架构介绍Kappa架构实现Kappa架构优缺点 常见Kappa架构变形&#xff08;Kappa、混合分析系统&#xff09;Kappa架构混合分析系统的Kappa架构 La…

Golang协程和通道

文章目录 协程&#xff08;goroutine&#xff09;基本介绍GMP模型协程间共享变量 通道&#xff08;channel&#xff09;基本介绍channel的定义方式channel的读写channel的关闭channel的遍历方式只读/只写channelchannel最佳案例select语句 协程&#xff08;goroutine&#xff0…

撤销最近一次的提交,使用git revert 和 git reset的区别

文章目录 工作区 暂存区 本地仓库 远程仓库需求&#xff1a;已推送到远程仓库&#xff0c;想要撤销操作git revert &#xff08;添加新的提交来“反做”之前的更改&#xff0c;云端会残留上次的提交记录&#xff09;git reset&#xff08;相当于覆盖上次的提交&#xff09;1.--…

Maven高级详解

文章目录 一、分模块开发与设计分模块开发的意义模块拆分原则 分模块开发(模块拆分)创建Maven模块书写模块代码通过maven指令安装模块到本地仓库(install指令) 二、依赖管理依赖传递可选依赖排除依赖可选依赖和排除依赖的区别 三、聚合与继承聚合工程聚合工程开发创建Maven模块…

getPopupContainer解决ant-design-vue select组件下拉框偏移错位

getPopupContainer解决ant-design-vue select组件下拉框偏移错位 如何使下拉框跟随select移动解决下拉框偏移和table中下拉框失去焦点问题 <SelectallowClearclass="book-select"@change="value=>handleSelectChange(publish,value)"placeholder=&qu…

老师如何在线发布期末考试成绩查询?

在这个数字化时代&#xff0c;教育领域也迎来了翻天覆地的变化。传统的纸质成绩查询方式已经逐渐被在线成绩查询所替代。如何高效、便捷地进行在线期末考试成绩查询&#xff1f; 成绩的录入与上传。教师需要将学生的考试成绩准确无误地录入系统。这一步骤需要细心和耐心&#x…

AI数字人及其应用

本文将简单了解下AI数字人、应用场景。 一、基本认识 AI数字人&#xff1a;使用人工智能技术创建的虚拟数字化人物。这些数字人物可以被设计成具有人类般的外观、行为和交互能力。它们通常用于虚拟现实、视频、游戏、培训模拟、客户服务等领域。 其中AI数字人在视频制作中是…

阻塞、非阻塞、同步与异步IO的区别

IO读取数据的过程 如图所示&#xff0c;进程读取数据的过程主要分为两个步骤 1.内核将数据准备好到内核缓冲区 2.内核将数据拷贝到用户态 在上述这两个过程里&#xff0c;进程首先和内核打交道&#xff0c;之后内核再和硬件&#xff08;如网卡&#xff09;打交道 阻塞IO 如图所…

鹏哥C语言复习——调试

目录 什么是调试&#xff1f; Debug和Release&#xff1a; 调试方法&#xff1a; 环境准备&#xff1a; 调试快捷键介绍&#xff1a; 调试快捷键注意事项&#xff1a; 监视与内存查看&#xff1a; 数组元素的监视&#xff1a; 编译常见错误归类&#xff1a; 编译型错…

代码随想录Day35

122.买卖股票的最佳时机|| 题目&#xff1a;122. 买卖股票的最佳时机 II - 力扣&#xff08;LeetCode&#xff09; 思路&#xff1a;感觉就是找上升区间&#xff0c;定义两个指针&#xff0c;移动终点去找下一个值&#xff0c;一旦发现数值下降&#xff0c;就计算下降前一个数字…

【前端学习笔记】HTML基础

HTML 一、HTML介绍1.HTML概念2.文档声明3.字符编码4. HTML标签5. HTML属性 二、标签1.meta标签2.语义标签3.布局标签4.列表5.超链接6.图片7.字符实体8.内联格式9.HTML 表格10.HTML 表单 三、HTML5新特性1. 本地存储2. Cookie3. 语义化标签4.多媒体元素5.表单增强6.Canvas7.SVG …

使用VUE3+TS+elementplus创建一个增加按钮

一、前言 在上一篇文章中分享了创建table的过程&#xff0c;详见&#xff08;VUE3TSelementplus创建table&#xff0c;纯前端的table&#xff09;&#xff0c;本文在创建好的table的基础上&#xff0c;再创建一个增加按钮。 二、程序展示 1、前面创建table的程序 <templ…

js的学习

什么是JavaScript? JavaScript(简称:JS)是一门跨平台、面向对象的脚本语言。是用来控制网页行为的&#xff0c;”它能使网页可交互。 JavaScript 和Java 是完全不同的语言&#xff0c;不论是概念还是设计。但是基础语法类似。 JavaScript在1995 年由 Brendan Eich 发明&#x…

Matlab-熵权法

文章目录 熵权法一、模型简介二、例题1. 数据标准化2.指标的熵值和变异程度3.权重与评分4.代码实现 熵权法 提示&#xff1a;这里可以添加本文要记录的大概内容&#xff1a; 例如&#xff1a;随着人工智能的不断发展&#xff0c;机器学习这门技术也越来越重要&#xff0c;很多…

英特尔LLM技术挑战记录

英特尔技术介绍&#xff1a; Flash Attention Flash Attention 是一种高效的注意力机制实现&#xff0c;旨在优化大规模 Transformer 模型中的自注意力计算。在深度学习和自然语言处理领域&#xff0c;自注意力是 Transformer 架构的核心组件&#xff0c;用于模型中不同输入元…

electron进程通信

1.渲染进程对主进程通信 主进程 ipcMain.on("saveFile" , ()>{console.log(1) }) //对外暴露api 预加载脚本 //主进程和渲染进程的桥梁 const { ipcRenderer, contextBridge } require(electron)contextBridge.exposeInMainWorld("api" , { //对外…

骆驼大赛

目录 一&#xff0c;主版图 二&#xff0c;骰子 三&#xff0c;初始设置 四&#xff0c;核心规则 五&#xff0c;结算 这是适合5-8人玩的一个概率推理类的回合制桌游。 一&#xff0c;主版图 赛道由16个格子组成&#xff0c;编号为1-16。 一共7个骆驼&#xff0c;其中正…

线程池--thread_pool解析

国外的线程池库&#xff1b; 作者&#xff1a;Barak Shoshany (barakshgmail.com) (http://baraksh.com) BS命名空间 Barak Shoshany这个作者的名字简写。 decltype(std::jthread::hardware_concurrency) concurrency---并发 std::jthread::hardware_concurrency是C20引入的…

上海汉得【面试真题】

上海汉得【面试真题】 前言版权一面二面中间件Java基础框架项目反问 最后 前言 2024-5-22 15:39:51 公开发布于 2024-5-24 12:37:10 以下内容源自《【面试真题】》 仅供学习交流使用 版权 禁止其他平台发布时删除以下此话 本文首次发布于CSDN平台 作者是CSDN日星月云 博客…

【面试八股总结】索引(二):B+树数据结构、索引使用场景、索引优化、索引失效

参考资料&#xff1a;小林coding、阿秀 一、为什么InnoDB采用B树作为索引数据结构&#xff1f; B 树是一个自平衡多路搜索树&#xff0c;每一个节点最多可以包括 M 个子节点&#xff0c;M 称为 B 树的阶&#xff0c;所以 B 树就是一个多叉树。 B 树与 B 树的差异&#xff1a;…