QCustomplot怎么实现对大数据量的自适应采样显示不卡顿

我在之前使用QCustomplot时候,当时需要特别大的数据量的显示,结果图像显示的特别卡顿,CPU占用率也特别高,然后当时在解决时候是自己写了采样抽取数据的函数,最后解决的。
然后这回在阅读手册时候突然发现QCustomplot提供了一个自适应采样的函数:
在这里插入图片描述以下为函数使用的翻译:
设置在绘制此图时是否应使用自适应采样。 QCustomPlot的自适应采样技术可以极大地提高点数较多(例如10,000以上)的图的重绘性能,而无需显着更改图的外观。
默认情况下,启用自适应采样。即使启用,QCustomPlot也会决定是否应在每幅图的基础上实际使用自适应采样。因此,启用自适应采样在几乎所有情况下都没有缺点。

带有和不带有自适应采样的500,000点线图
可以看出,线图不会因自适应采样而导致视觉下降。离群值以及数据集的整体形状都可以可靠地复制。重绘时间大大减少。这使QCustomPlot可以实时显示大量数据。

带有和不带有自适应采样的100,000点散点图
将高密度散点图与自适应采样结合使用时,必须小心。自适应采样算法比散点图更仔细地处理散点图,这仍然可以显着减少重复打印时间,但不如折线图那么多。这是因为散点图固有地需要保留更多数据点,以便仍然类似于原始的非自适应采样图。如上所示,结果仍然不完全相同,因为外部数据点发生了合并。实际上这是有意的,因此数据云的边界对于查看者保持可见。条带显示的强度取决于点密度,即图中的点数。
因此,对于具有散点图的某些情况,可能需要手动关闭自适应采样。例如,将图保存到磁盘时。这可以通过在发出QCustomPlot :: savePng之类的命令之前将enabled设置为false,然后再将enabled设置回true来实现。

  • 7
    点赞
  • 56
    收藏
    觉得还不错? 一键收藏
  • 11
    评论
Pinn自适应采样是一种用于解决物理问题的方法。Pinn代表物理信息神经网络,是一种结合了传统物理模型和神经网络模型的方法。在Pinn中,神经网络被用于表示未知的物理过程,而传统的物理模型则被用于提供已知的物理特征。 Pinn自适应采样的目的是通过选择最优的样本点来提高模型的准确性和效率。传统的物理模型通常假设已知物理特征在整个物理领域中是均匀分布的,但这种假设在实际问题中往往是不准确的,导致模型的预测结果不准确。Pinn自适应采样的方法通过根据神经网络的预测结果来选择更重要的样本点,从而提高模型的准确性。 在Pinn自适应采样的过程中,首先利用传统的物理模型对一部分样本点进行初始化,然后通过神经网络来预测剩余样本点的物理特征。预测的物理特征与实际物理特征之间的差异被用作选择下一次迭代的样本点的依据。具体而言,Pinn自适应采样根据预测误差的大小来确定下一个采样点的位置和数,以使预测误差最小化。 Pinn自适应采样的优势在于能够自动地选择更加重要的样本点,提高了模型在复杂物理问题上的预测准确性和效率。此外,Pinn自适应采样还能够逐步提升神经网络的表达能力,使其在处理更加复杂的问题上具有更好的性能。 总的来说,Pinn自适应采样是一种结合了物理模型和神经网络模型的方法,通过选择最优的样本点来提高模型的准确性和效率,对于解决复杂的物理问题具有重要的意义。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 11
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值