基於采樣的演算法

『壹』 an怎麼畫運動路徑

畫運動路徑：點擊下面的那個路徑引導，再用鉛筆工具畫一條你想要物體怎麼運動的線條，點擊路徑層的第一幀把物體放在剛才畫的線條始端 第二幀把物體放到線條的末端。

而基於采樣的演算法是目前主流的演算法，它可以避免局部極值問題，同時在實際實施中效率很高。此外，直接對軌跡進行修正優化的演算法也有不錯的性能。

網格搜索這類演算法直接將構型空間按照一定解析度劃分網格，在每個網格，機器人可以運動到相鄰網格（基於四連通或八連通准則）。只要在自由空間中指定起始點與目標點，我們就可以使用 Dijkstar 和 A* 等圖搜索演算法進行搜索求解。

低維度的問題一般可以採用基於網格的演算法。直接將構型空間按照一定解析度劃分為網格，之後用四連通、八連通准則連接網格，之後在網格上進行搜索求解。

而對於高維度的規劃問題，我們沒辦法顯式地描述構型空間，而直接劃分網格會引入極大的計算量。人工勢場等優化演算法在高維情況下效果不錯，但很容易陷入局部極值。

以上內容參考：網路-健身路徑

『貳』 基於matlab的fft演算法的設計中采樣個數是多少

一個采樣點就可以進行FFT了。

你沒有理解傅立葉變換與數字傅立葉變換的關系。

傅立葉變換（FT）到離散傅立葉變換（DTFT）再到數字傅立葉變換（DFT）之間的關系如下

傅立葉變換(FT)經過采樣變成離散傅立葉變換(DTFT)

離散傅立葉變換(DTFT)經過周期性擴展變成DFT

由於DFT計算較為復雜，因此產生了FFT。

傅立葉變換(FT)是連續的變換，由於計算機得到的信號都是離散信號，因此科學家推倒了離散傅立葉變換（DTFT）。

但是離散傅立葉變換(DTFT)和傅立葉變換一樣，都是無限長度的信號，這種信號在現實生活中不存在。而在實際應用中，我們使用的信號都是有限長度的采樣，因此數學家把有限長度的信號在時間軸上「復制粘貼」，變成無線長度的周期信號，進而推算傅立葉變換，我們管這種變換叫做數字傅立葉變換(DFT) （注意，在很多書中不區分DTFT和DFT，因為DTFT並沒有什麼用處）。

FFT用來計算DFT的快速演算法而已。

因此你問幾個采樣點可以做FFT，那麼1個點就可以！ 只是它並不含有任何原始信號的頻率信息。對於實際應用采樣點取多少的問題，並沒有明確的答案，主要是參考，第一，允許計算的時間多少。第二，盡量包含我們感興趣波形的主要的部分。 就可以了

『叄』 聚類演算法的具體方法

k-means 演算法接受輸入量 k ；然後將n個數據對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個「中心對象」（引力中心）來進行計算的。
k-means 演算法的工作過程說明如下：
首先從n個數據對象任意選擇 k 個對象作為初始聚類中心；而對於所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；
然後再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標准測度函數開始收斂為止。
一般都採用均方差作為標准測度函數. k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。 K-MEANS有其缺點：產生類的大小相差不會很大，對於臟數據很敏感。
改進的演算法：k—medoids 方法。這兒選取一個對象叫做mediod來代替上面的中心的作用，這樣的一個medoid就標識了這個類。K-medoids和K-means不一樣的地方在於中心點的選取，在K-means中，我們將中心點取為當前cluster中所有數據點的平均值，在 K-medoids演算法中，我們將從當前cluster 中選取這樣一個點——它到其他所有（當前cluster中的）點的距離之和最小——作為中心點。
步驟：
1，任意選取K個對象作為medoids（O1,O2,…Oi…Ok）。
以下是循環的：
2，將餘下的對象分到各個類中去（根據與medoid最相近的原則）；
3，對於每個類（Oi）中，順序選取一個Or，計算用Or代替Oi後的消耗—E（Or）。選擇E最小的那個Or來代替Oi。這樣K個medoids就改變了，下面就再轉到2。
4，這樣循環直到K個medoids固定下來。
這種演算法對於臟數據和異常數據不敏感，但計算量顯然要比K均值要大，一般只適合小數據量。 上面提到K-medoids演算法不適合於大數據量的計算。Clara演算法，這是一種基於采樣的方法，它能夠處理大量的數據。
Clara演算法的思想就是用實際數據的抽樣來代替整個數據，然後再在這些抽樣的數據上利用K-medoids演算法得到最佳的medoids。Clara演算法從實際數據中抽取多個采樣，在每個采樣上都用K-medoids演算法得到相應的（O1, O2 … Oi … Ok），然後在這當中選取E最小的一個作為最終的結果。 Clara演算法的效率取決於采樣的大小，一般不太可能得到最佳的結果。
在Clara演算法的基礎上，又提出了Clarans的演算法，與Clara演算法不同的是：在Clara演算法尋找最佳的medoids的過程中，采樣都是不變的。而Clarans演算法在每一次循環的過程中所採用的采樣都是不一樣的。
與上面所講的尋找最佳medoids的過程不同的是，必須人為地來限定循環的次數。

『肆』 AD采樣 演算法

可以採用求平均值演算法，按一定的采樣間隔時間﹙間隔時間根據模擬量通道多少決定一般為幾十毫秒到幾百毫秒﹚連續采樣六次，除去其中最大值和最小值求和後再求平均值，最後查表得出相應的溫度值。

『伍』 DEM 的采樣方法

現有的攝影測量采樣方法涉及 DEM 數據採集包括等高線法、規則格網點法、選擇采樣法、漸進采樣法、剖面法、混合採樣法。如果對某一函數 G( X) 以間隔 DX 進行抽樣則函數高於 1/( 2x) 的頻率部分將不能通過對采樣數據的重復而恢復。有三種不同觀點的采樣方法: 基於統計學觀點的采樣、基於幾何學觀點的采樣、基於特徵的采樣。

統計學的觀點采樣: DEM 表面可以看作是點的特定集合( 或采樣空間) ，對集合的采樣有隨機和系統兩種方法( 王妍，2006; 韋玉春，2005) 。

幾何學觀點采樣: DEM 表面可以通過幾何結構來表示，這些結構按其自身性質可以分為規則和不規則兩種形式，而前者能再細分為一維結構和二維結構。用於數據點采樣的不規則結構比較典型的是不規則三角形或多邊形。對規則結構來說，如果在一維空間中表現出規則的特徵，則對應的采樣方法稱為剖面法或等高線法; 二維規則結構通常是正方形或者矩形，也可能是一系列連續的等邊三角形、六邊形或者其他的幾何圖形。

基於特徵采樣: DEM 表面由有限數量的點組成，每一點所包含的信息可能因點在 DEM表面上位置的不同而變化。以這種觀點來研究模型表面上的點，可將所有的 DEM 表面上的點分為兩組: 一組由特徵點和線組成，另一組由隨機點組成。特徵點是指那種比一般地表點包含更多或者更重要信息的地表點，如山頂點、谷底點等; 特徵線是由特徵點連接而成的線，如山脊線、山谷線、斷裂線、構造線等。特徵點、線不僅包含自身的坐標信息，也隱含地表達出了其自身周圍特徵的某些信息，更重要的是如果對整個地表僅採集特徵點、線，仍可獲取地表的主要特徵。從這個意義上說可將采樣方法劃分為選擇采樣和非選擇采樣兩種方法。

『陸』 有哪些應用於移動機器人路徑規劃的演算法

機器人家上了解到，在二維二值地圖（FREE or OCCUPIED）場景下進行路徑規劃的方法。我看之前有同學在回答的時候配上了這幅圖：

這幅圖上的演算法羅列的還是很全面的，體現了各個演算法的出生順序。但是並不能很好的對他們進行一個本質的分類。剛剛那位同學說的graph-based和sampling-based的分類方法我感覺有點概念重疊不能夠對規劃演算法進行這樣的分類，下面通過自己這一年多的研究和實踐對規劃演算法進行一個簡單的分類：

這幅圖上的演算法羅列的還是很全面的，體現了各個演算法的出生順序。但是並不能很好的對他們進行一個本質的分類。剛剛那位同學說的graph-based和sampling-based的分類方法我感覺有點概念重疊不能夠對規劃演算法進行這樣的分類，下面通過自己這一年多的研究和實踐對規劃演算法進行一個簡單的分類：

兩大類：
1. 完備的（complete)
2. 基於采樣的（sampling-based）又稱為概率完備的

一 完備的規劃演算法

A*演算法

所謂完備就是要達到一個systematic的標准，即：如果在起始點和目標點間有路徑解存在那麼一定可以得到解，如果得不到解那麼一定說明沒有解存在。
這一大類演算法在移動機器人領域通常直接在occupancy grid網格地圖上進行規劃（可以簡單理解成二值地圖的像素矩陣）以深度優先尋路演算法、廣度優先尋路演算法、Dijkstra(迪傑斯特拉)演算法為始祖，以A*演算法(Dijstra演算法上以減少計算量為目的加上了一個啟發式代價)最為常用，近期的Theta*演算法是在A*演算法的基礎上增加了line-of-sight優化使得規劃出來的路徑不完全依賴於單步的柵格形狀（答主以為這個演算法意義不大，不就是規劃了一條路徑再簡單平滑了一下么）。
完備的演算法的優勢在與它對於解的捕獲能力是完全的，但是由此產生的缺點就是演算法復雜度較大。這種缺點在二維小尺度柵格地圖上並不明顯，但是在大尺度，尤其是多維度規劃問題上，比如機械臂、蛇形機器人的規劃問題將帶來巨大的計算代價。這樣也直接促使了第二大類演算法的產生。

二 基於采樣的規劃演算法

RRT-connect演算法
這種演算法一般是不直接在grid地圖進行最小柵格解析度的規劃，它們採用在地圖上隨機撒一定密度的粒子來抽象實際地圖輔助規劃。如PRM演算法及其變種就是在原始地圖上進行撒點，抽取roadmap在這樣一個拓撲地圖上進行規劃；RRT以及其優秀的變種RRT-connect則是在地圖上每步隨機撒一個點，迭代生長樹的方式，連接起止點為目的，最後在連接的圖上進行規劃。這些基於采樣的演算法速度較快，但是生成的路徑代價（可理解為長度）較完備的演算法高，而且會產生「有解求不出」的情況（PRM的逢Narrow space卒的情況）。這樣的演算法一般在高維度的規劃問題中廣泛運用。

三 其他規劃演算法
除了這兩類之外還有間接的規劃演算法：Experience-based（Experience Graph經驗圖演算法）演算法：基於經驗的規劃演算法，這是一種存儲之前規劃路徑，建立知識庫，依賴之進行規劃的方法，題主有興趣可以閱讀相關文獻。這種方法犧牲了一定的空間代價達到了速度與完備兼得的優勢。此外還有基於廣義Voronoi圖的方法進行的Fast-marching規劃，類似dijkstra規劃和勢場的融合，該方法能夠完備地規劃出位於道路中央，遠離障礙物的路徑。答主最近也在研究此類演算法相關的工作。

APF（人工勢場）演算法

至於D* 、勢場法、DWA(動態窗口法)、SR-PRM屬於在動態環境下為躲避動態障礙物、考慮機器人動力學模型設計的規劃演算法。

『柒』 基於采樣的路徑規劃方法是全局規劃還是局部規劃

路徑規劃其實兩種情況已知圖未知圖
於已知圖路徑規劃變全局優化問題用神經網路、遺傳算些
於未知圖主要靠模糊邏輯或者變勢場
於未知環境能自構建圖各種結合

『捌』 壓縮采樣的演算法是怎麼描述的

ADPCM(Adaptive
Differential
Pulse
Code
Molation)，是一種針對
16bits(
或8bits或者更高)
聲音波形數據的一種有損壓縮演算法,它將聲音流中每次采樣的
16bit
數據以
4bit
存儲,所以壓縮比
1:4.
而且壓縮/解壓縮演算法非常簡單,所以是一種低空間消耗，高質量高效率聲音獲得的好途徑。保存聲音的數據文件後綴名為
.AUD
的大多用ADPCM
壓縮。

ADPCM
主要是針對連續的波形數據的，保存的是波形的變化情況，以達到描述整個波形的目的，由於它的編碼和解碼的過程卻很簡潔，列在後面，相信大家能夠看懂。

8bits采樣的聲音人耳是可以勉強接受的，而
16bit
采樣的聲音可以算是高音質了。ADPCM
演算法卻可以將每次采樣得到的
16bit
數據壓縮到
4bit
。需要注意的是，如果要壓縮/解壓縮得是立體聲信號，采樣時，聲音信號是放在一起的，需要將兩個聲道分別處理。
PCM是脈沖編碼調制的意思。AD是自適應增量的意思。
嚴格說來，ADPCM不是壓縮方法。他的主要思想是，用差值替代絕對值。舉個例子，全班同學平均身高175CM：其中，我的身高170CM，這就是PCM方法；我的身高和平均值相比為-5cm，這就是DPCM，我的身高跟前一位同學相比為-10CM，前一位同學有多高我不知道他多高，你問他，這是ADPCM。比方不是太准確，大概就是這個意思。
在大多數情況下，數據值與平均值相差不大，所以用差值替代絕對值可以節省空間。
很高興回答樓主的問題
如有錯誤請見諒

『玖』 為什麼機器學習中需要采樣演算法

學習機器學習十大演算法，相當於電腦的中級水平。演算法（Algorithm）是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸

『拾』 數據挖掘不同領域中的采樣方法有哪些

1，關聯規則的采樣
挖掘關聯規則的任務通常與事務處理與關系資料庫相關，該任務需要反復遍歷資料庫，因此在大數據集上將花費大量的時間。有很多的演算法可以改進關聯規則演算法的效率與精度，但在精度保證的前提下，采樣是最直接與最簡單的改進效率的方法。
2.分類的采樣
分類一般分為三種類型:決策樹、神經網路及統計方法(如無偏差分析)，在這些演算法中均有使用采樣的案例。分類的采樣一般有四種，一種是隨機采樣，另外三種是非隨機采樣，分別是「壓縮重復」、「窗口」及「分層」。
3.聚類的采樣
在聚類中進行采樣有若乾的用途。有些聚類演算法使用采樣進行初始化工作，例如，利用采樣得到的樣本得到初始化的參數，然後再對大數據集進行聚類。當處理大數據集時，需要降低演算法使用的空間。為了得到較好的聚類，根據數據的分布情況需要採用不同的采樣方法。隨機采樣仍然是一種常規的方法，在隨機采樣忽略了小的聚類的情況下，一般採用非隨機采樣的方法。非隨機采樣的方法中最常用的是分層采樣。例如，在密度差別很大的數據集中，根據密度的不同，采樣的樣本數量可以不同，在密度較高的區域采樣的次數少一些，而在密度稀疏的區域，采樣的次數多一些。
4.擴充(Scaling-Up)的數據挖掘演算法的采樣
擴充是指利用已有的數據挖掘演算法能夠高斂地處理大數據集。當數據挖掘的演算法初期是處理小數據集的情況下，處理大數據集就會受到限制。在這種情況下，一般會採用分而抬之的方法:將大數據集分解成較小的互不重疊的數據集，利用己有演算法進行處理，然後，將小數據集得出的結果合並成最終的結果。需要注意的是，這種方法等價於將困難轉嫁到合並步驟，即需要復雜的處理才能得到正確的結果。因此，整體的復雜性沒有降低。