文末有福利领取哦~
👉一、Python所有方向的学习路线
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
👉二、Python必备开发工具
👉三、Python视频合集
观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉 四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。(文末领读者福利)
👉五、Python练习题
检查学习结果。
👉六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
👉因篇幅有限,仅展示部分资料,这份完整版的Python全套学习资料已经上传
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
kalman滤波
- 算法细节:
- 代码实现 :
import matplotlib.pyplot as plt
from math import pi
import numpy as np
from numpy import log, exp, sqrt
from numpy.random import normal, randn
def kalman_filter_for_weiner_process(t, X):
''''X is an array'''
n_samples = len(X)
_size = n_samples + 5
sigma2 = 10 # difussion coef
Q = 10 # drift noise variation
K = np.zeros(_size)
P = np.ones([_size,_size]) # P0 = 1
λ_hat = np.zeros(_size) # a0 = 1
y_pred = np.zeros(_size)
for i in np.arange(0, n_samples):
if i == 0:
y_pred[i] = X[i]
else:
# Prediction (expectation)
P[i][i-1] = P[i-1][i-1] + Q
K[i] = (t[i] - t[i-1])**2 * P[i][i-1] + sigma2 * (t[i] - t[i-1]) # kalman 增益
λ_hat[i] = λ_hat[i-1] + P[i][i-1] * (t[i] - t[i-1]) * (X[i] - X[i-1] - λ_hat[i-1] * (t[i] - t[i-1])) / K[i]
# Correction (variance)
P[i][i] = P[i][i-1] - P[i][i-1] * (t[i] - t[i-1])**2 / K[i] * P[i][i-1]
# 基于更新后的λ_hat进行下一步的预测
y_pred[i] = y_pred[i-1] + λ_hat[i] * (t[i] - t[i-1])
print(f"λ_hat:{λ_hat[i]},P:{P[i][i]}")
plt.scatter(t,X, color = 'blue')
plt.plot(t,X, color = 'blue', label = 'actual')
plt.plot(t, y_pred[:len(t)], color = 'red', label='kalman')
plt.scatter(t, y_pred[:len(t)], color = 'red')
print(y_pred)
print(λ_hat)
print(X)
plt.legend()
# data
t = np.arange(1,15)
X = np.sin(np.arange(1,15)) * 100
kalman_filter_for_weiner_process(t, X)
- 输出结果:
改进的kalman滤波
- 算法细节:
- 代码实现:
import matplotlib.pyplot as plt
from math import pi
import numpy as np
from numpy import log, exp, sqrt
from numpy.random import normal, randn
def strong_tracking_kalman_filter_for_weiner_process(t, X):
''''X is an array'''
n_samples = len(t)
_size = n_samples + 5
print("n_samples:", n_samples)
sigma2 = 10 # difussion coef
Q = 10 # drift noise variation
alpha, rho = 0.5, 0.5
V = np.zeros(_size)
gamma = np.zeros(_size)
B = np.zeros(_size)
C = np.zeros(_size)
v = np.zeros(_size)
K = np.zeros(_size)
P = np.ones([_size,_size]) # P0 = 1
λ_hat = np.zeros(_size) # a0 = 0
y_pred = np.zeros(_size)
for i in np.arange(0, n_samples):
if i == 0:
y_pred[i] = X[i]
else:
gamma[i] = X[i] - X[i-1] - λ_hat[i-1] * (t[i] - t[i-1])
if i == 1:
V[i] = gamma[i]**2
elif i > 1:
V[i] = (rho * V[i-1] + gamma[i]**2) / (1 + rho)
B[i] = V[i] - Q * (t[i] - t[i-1])**2 - alpha * sigma2 * (t[i] - t[i-1])
C[i] = P[i-1][i-1] * (t[i] - t[i-1])**2 - alpha * sigma2 * (t[i] - t[i-1])
v0 = B[i] / C[i]
if v0 >= 1:
v[i] = v0
else:
v[i] = 1
# Prediction (expectation)
P[i][i-1] = v[i] * P[i-1][i-1] + Q
K[i] = (t[i] - t[i-1])**2 * P[i][i-1] + sigma2 * (t[i] - t[i-1]) # kalman 增益
λ_hat[i] = λ_hat[i-1] + P[i][i-1] * (t[i] - t[i-1]) / K[i] * (X[i] - X[i-1] - λ_hat[i-1] * (t[i] - t[i-1]))
# Correction (variance)
P[i][i] = P[i][i-1] - P[i][i-1] * (t[i] - t[i-1])**2 / K[i] * P[i][i-1]
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化学习资料的朋友,可以戳这里获取](https://bbs.csdn.net/topics/618317507)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**