python – 具有numpy的参数方程 -清零世界

概述

我想使用参数方程生成轨迹,然后训练我的神经网络对这些轨迹进行分类,就像本文中的Mickael Hüsken & Peter Stagge,Recurrent Neural Networks for Time Series Classification一样.最后,我想比较我的ESN和它们的RNN之间的性能.
好吧,我遇到了其中一个轨迹的问题.

以下是根据本文的三个类：

哪个应该生成这样的东西：

我生成每个类的50个轨迹,alpha是固定为0.7的浮点数,beta和t0是在0和2 * pi之间随机选择的.轨迹包含30个点,因此时间步长为(2 * pi)/ 30.

这是我的代码,我知道它不是最pythonic的方式,但它完成了第一和第三类的工作.但是,第二类仍然被窃听:(

import numpy as np
import sys,getopt,random

timestep = 2.0*np.pi / 30.0
alpha = 0.7

def class1(t,beta):
    return alpha*np.sin(t+beta)*np.abs(np.sin(t)),alpha*np.cos(t+beta)*np.abs(np.sin(t))

def class2(t,beta):
    return alpha*np.sin(t/2.0+beta)*np.sin(3.0/2.0*t),alpha*np.cos(t+beta)*np.sin(2.0*t)

def class3(t,beta):
    return alpha*np.sin(t+beta)*np.sin(2.0*t),alpha*np.cos(t+beta)*np.sin(2.0*t)

def generate():
    clazz = {
            '1' : class1,'2' : class2,'3' : class3
            }

    for classID in clazz :
        for i in xrange(50):
            fd = open("dataset/%s_%s"%(classID,i+1),'w')
            beta = 2*np.pi*np.random.random()
            t = 2*np.pi*np.random.random()
            for _ in xrange(30):
               fd.write("%s %s\n"%clazz[classID](t,beta))
               t += timestep
            fd.close()

当我绘制第二类的轨迹(使用matplotlib)时,我得到一个奇怪的结果……例如：

观察第1类和第3类的等式,很容易猜出一个参数方程,它会产生一个带有三个“花瓣”的图形：

def class2(t,beta):
    return alpha*np.sin(t+beta)*np.sin(3*t),alpha*np.cos(t+beta)*np.sin(3*t)

然后做：

for beta in [0,np.pi/3,np.pi/2]:
    pylab.plot(*class2(np.linspace(0,np.pi,100),beta),label='$\\beta={:.3f}$'.format(beta))
pylab.legend()

得到：

总结

以上是编程之家为你收集整理的python – 具有numpy的参数方程全部内容，希望文章能够帮你解决python – 具有numpy的参数方程所遇到的程序开发问题。

如果您也喜欢它,动动您的小指点个赞吧

python – 具有numpy的参数方程

概述

总结

分类汇总

您的鼓励是对我最大的支持