问题标签 [optics-algorithm]

几年来，我一直在使用带有名为optics_dbscan （不再维护）的DBSCAN集群包的Weka OS发行版，但在过去的几个月里它已经停止工作，给我以下错误。

我尝试了一系列 Weka 版本，包括 OSX 和一系列optics_dbscan版本，一两次我让它工作，但重新运行它失败了。

笔记本电脑系统自运行以来发生了变化：更新到 MacOS Catalina

我支持在 Windows 机器上也遇到同样错误的大量用户。

所采取的行动：

• 发布到Weka 论坛上未解决的主题
• 邮寄给创作者

如果有更新会在这里报告

如果有人有任何帮助，我将不胜感激。

我有以下脚本 ( optics.py) 来估计具有预先计算距离的聚类：

查看 htop 结果我可以看到只使用了一个 CPU 内核

尽管 scikit 在多个进程中运行集群：

为什么n_jobs=-1没有导致使用所有 CPU 内核？

如何计算已知尺寸的物体（例如打印在纸上的 0.14m 的 aruco 标记）与相机的距离。我知道相机矩阵（camMatx）和我的 fx,fy ~= 600px 假设没有失真。根据这些数据，我能够计算出 aruco 标记的姿势并获得 [R|t]。现在的任务是获取 aruco 标记与相机的距离。我也知道相机距地平面的高度（15m）。

我应该如何解决这个问题。任何帮助，将不胜感激。另请注意，我也见过类似三角形的方法，但这将有助于了解物体的距离，这不适用于我的情况，因为我必须计算距离。

注意：我不知道相机传感器的高度。但我知道相机离地面有多高。

我知道我的对象正在移动的区域的尺寸（70m x 45m）。最后，我想在按比例绘制的 2D 地图上绘制移动物体的坐标。

我对 OPTICS 算法感到困惑。如果一组点是密度连接的，则可以将它们视为一个簇。如果有一个对象 o 使得 p 和 q 都是从 o wrt epsilon 和 MinPts 密度可达的，则点 p 与点 q 密度连接。

在我的情况下（epsilon=5，minPts=2，L1-norm=Manhattan distance）H 是一个核心点，因为它的 epsilon 距离有 2 个以上的点。H 从 G 到 G 是密度可达的，因为它们共享 E。H 和 S 也是如此，因为它们共享 T。毕竟，E、T、S 和 G 在 H 的 epsilon 范围内。在我的意见 E、G、H、S、T 在同一个集群中。

如果我用它运行它sklearn.optics会给我图片的结果，其中 H 是噪声点。

为什么 E、G、H、S 和 T 不在同一个簇中？

这给了我：

当我打印我arr的值时，我得到了我的二维数组的正确值，但是当我退出 while 循环时，我的值都是错误的。

我不确定我做错了什么。

我有一个关于我的代码的问题，它以数字方式计算 4f 设置的输出字段，中间有一个针孔，用作空间滤波器。我的设置包括两个焦距为 50mm（距离 2f）的镜头，以及两个镜头之间的针孔。输入场具有高斯场分布，其中高斯光束的腰部为 4mm，此外我在输入场中添加了一些噪声。我的目标是看看我能过滤掉不同针孔直径的噪音有多好。

我编写了一个程序，在 4f 设置中模拟空间滤波过程，通常输出场的空间分布具有人们期望的形状（高斯场进入，高斯场出现）。我遇到的唯一问题是输出场的场幅度与输入场的幅度相比非常高（场 4 的最大值与 2000 相比）。

在我的程序中，我使用弗劳恩霍夫近似并通过使用 python 的 FFT/IFFT 函数数值求解弗劳恩霍夫衍射积分（对于从镜头前焦平面开始的场）。我的代码受到 Jason D. Schmidt（第 4 章）一书的启发：“用 MATLAB 中的示例对光波传播进行数值模拟”。我猜 fft/ifft 的比例因子有问题，但我不知道我的代码中的错误在哪里，因为我使用的比例因子与施密特书中的完全相同。

(fft2 -> dl^2, ifft2 -> (N*dl_f)**2，其中 dl_f = 1/(N*dl))

我的代码的功能是：

使用这些函数，然后我计算 4f 设置中的空间滤波过程，如下所示：

这些是我对 0.1 毫米针孔直径的结果图：

（我只能给你这些堆栈溢出链接，因为我还不允许发布图像）

如您所见，过滤过程在我的模拟中有效，但输出场的幅度与输入场相比非常高。有人知道我做错了什么吗？我现在正在寻找这个问题的解决方案，但没有成功。正如我之前所说，我猜我的 fft 比例因子可能有问题。

我真的很感谢任何想帮助我的人，因为现在我不知道我的代码做错了什么。

我使用 CNN 从 2 个类别（猫和狗）的 10 张图像中获得了特征。所以我有一个 (10, 2500) numpy 数组。我在数组上应用了 OPTICS 聚类算法来查找哪个图像属于哪个聚类

现在我正在尝试使用seaborn

但是没有剧情。

我试图集群生产机器的数据。我正在尝试 K-Means、DB-SCAN 和 OPTICS。使用所有算法，结果都非常糟糕（例如轮廓系数为 0.05）。

从我的观点来看，数据的方差非常低。我已经做了 PCA，前两个主要成分仅占数据集方差的 6%。下图显示了前两个主成分的直方图和散点图。

对于数据准备，我尝试了标准化、最小-最大缩放、具有方差阈值的特征选择 (sklearn)、单变量特征选择 (sklearn) 以及 PCA。结果并不令人满意。

所以我的问题是，您是否认为还有其他数据准备方法对我的整理有帮助。或者如果数据根本不适合进行聚类：D

感谢您的每一条评论！

前两个主要成分

具有两个功能的 K-Means++

具有五个特征的 K-Means++

我的目标是根据 xy 点的接近度对它们进行聚类。具体来说，将彼此靠近的点进行分组。我也希望使用一个单独的参考点来对数据进行聚类。

注意：我有多组需要独立聚类的数据。例如，使用下面的每个唯一值Item表示一组不同的数据。我可以有多个独特的数据集，它们的稀疏性都不同。因此，任何通过预定数量的集群的技术都是不现实的，因为我每次都必须手动检查拟合并调整适当的参数。

因此，迄今为止最好的方法是某种形式的密度聚类（DBSCAN、OPTICS）。

但是，虽然我将紧密结合在一起的点聚集在一起，但我希望通过一些截止以保持预期的集群球形。另一方面，我不想过多地减少可到达区域，因为我错过了靠近参考点和核心点的点，但是一个小的差距会丢弃我希望包括的点。

下面显示下面的困境。Item 1表示可达性应该如何降低以确保参考品脱周围的聚集点是球形的。虽然Item 2 显示了可到达区域如何需要更高以允许包含密集区域内的点。

我希望我可以调整一个参数或包含一个单独的功能而不是强制它。因为参考点周围的密集区域可能会有所不同，所以我不愿意强制排除特定半径之外的每个点。

第 1 项：半径右侧的点应从核心点中排除

第2项：半径内的点应包含在核心点中

我正在尝试绘制此图像，它是双曲面和椭圆体的组合（图像来自一篇论文 DOI：10.1038/lsa.2015.101）。我使用了双曲面和椭球的参数方程，我可以分别绘制它们。但是，我无法找到一种方法来以图中所示的方式组合双曲面和椭圆体