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