问题标签 [sliding-window]

我有滑动窗口问题。具体来说，我不知道我的窗口应该从哪里开始以及应该在哪里结束。我知道我的间隔/窗口的大小。

我需要找到提供最佳（或最差，取决于您如何看待）案例场景的窗口的开始/结束。

这是一个示例数据集：

假设我知道我的间隔需要 5 分钟。所以，我需要知道“价值”之和最高的 5 分钟间隔中包含的价值和时间戳。在我上面的例子中，从 '2013-02-20 00:04:00' 到 '2013-02-20 00:08:00' 的行将给我一个总和 400+500+600+500+400 = 2400 ，这是该表中 5 分钟内的最高值。

如果需要，我不反对使用多个表。但我试图找到一个“最佳情况”区间。结果可以是任何一种方式，只要它们净间隔。如果我在该时间间隔内获得所有数据点，它仍然有效。如果我得到起点和终点，我也可以使用它们。

我发现了几个 SQL 的滑动窗口问题，但还没有发现窗口大小是已知因素的任何地方，并且起点是未知的。

正如您可能知道的那样，我对带有选择性重复 ARQ 实现的滑动窗口有点困惑。如果接收方发送一个数据包的 ACK，但 ACK 丢失了，那么发送方会做什么？发送者是否继续直到没有ACK的数据文件成为窗口底部然后处理它？还是发送方等到收到 ACK 后再继续？

我正在开发一个程序，该程序在染色体上的一系列滑动窗口中估计统计量 Tajima's D。染色体本身也被分为许多具有（希望）功能意义的不同区域。滑动窗口分析由我的脚本对每个区域执行。

在程序开始时，我定义了滑动窗口的大小以及从一个窗口移动到下一个窗口的步长。我导入一个包含每个不同染色体区域坐标的文件，并导入另一个包含我正在使用的所有 SNP 数据的文件（这是逐行读取的，因为它是一个大文件）。程序循环遍历染色体位置列表。对于每个位置，它生成用于分析的步骤和窗口的索引，将 SNP 数据划分为输出文件（与步骤相对应），计算每个步骤文件的关键统计数据，并结合这些统计数据来估计每个窗口的 Tajima 的 D。

该程序适用于 SNP 数据的小文件。它也适用于第一个染色体断点的第一次迭代。然而，对于大文件的 SNP 数据，随着程序遍历每个染色体区域，分析中的步长会莫名其妙地减小。对于第一个染色体区域，步长为 2500 个核苷酸（这是假设的）。然而，对于第二个染色体片段，步长是 1966，第三个是 732。

如果有人对为什么会出现这种情况有任何建议，请告诉我。我特别难过，因为这个程序似乎适用于小文件的大小，但不适用于较大的文件。

我的代码如下：

为什么我们在传输层和数据链路层都需要滑动窗口机制？TCP 有自己的滑动窗口机制来管理流和错误。此外，数据链路层也有类似的机制。这不是多余的吗？

Oracle 11g 到目前为止我在 SQL Fiddle 上的工作

我在 varchar2 列上使用了lead()和lag()函数。使用以下规则，我想生成所需的结果。

1. 如果 lag_val 为空，则 '('
2. 如果 lag_val 与 set_a 相同，则 'and'
3. 如果 lag_val != set_a 那么 'or'
4. 如果lead_val 为空，那么')'

当我使用 nvl() 转换空值以便进行比较时，我得到“无效数字”。

期望的输出

我在表格中有这些数据

当 FIELD_D 中的值发生变化时，它会形成一个组，我需要该组中的最小和最大日期。查询应该返回

到目前为止，我看到的示例中 Field_D 中的数据是唯一的。这里数据可以如图所示重复，首先是“N”，然后变为“P”，然后又变回“N”。

任何帮助将不胜感激

谢谢

我有一个形状为 (6,2) 的 Numpy 数组：

我需要一个具有步长1和窗口大小的滑动窗口，3如下所示：

我正在寻找一个 Numpy 解决方案。如果您的解决方案可以参数化原始数组的形状以及窗口大小和步长，那就太好了。

我找到了这个相关的答案Using strides for an Effective Moving Average Filter但我看不到如何在那里指定步长以及如何将窗口从 3d 折叠到连续的 2d 数组。还有这个滚动或滑动窗口迭代器？但那是在 Python 中，我不确定它的效率如何。此外，它支持元素，但如果每个元素都有多个特征，则最终不会将它们连接在一起。

我有一个 SO_STATUS 表，它为服务订单的每个状态更改写入一条记录（我们将 Service_Order_ID 称为“Job_ID”）。Job_ID 引用 SERVICE_ORDER 表。初始化服务订单时，会为显示日期时间的“打开”状态类型 (StatusType 2) 写入记录。然后在状态表中写入另一条记录，用于“进行中”（StatusType 1）。并且当服务订单“关闭”时，状态表中写入另一条记录（StatusType 3）。还有其他可能发生的状态类型，但这些是最常见的。SO_STATUS 表中的数据如下所示：

我需要能够找到每个 Job_ID 的每次状态更改之间经过的时间。从本质上讲，工作从打开到关闭所花费的时间。

输出看起来像（EmployeeName 将从 EMPLOYEE 表中引用）：

我将如何获得这种类型的输出？谢谢你。

在对象检测文献中，通常使用分类器和滑动窗口方法来检测图像中对象的存在，该方法返回一组检测窗口，并使用非极大值抑制解决检测重叠。

有人可以解释在这些检测窗口上执行非最大抑制的算法吗？

谢谢

所以我一直在为 HoG 及其变体编写我自己的代码来处理深度图像。但是，我坚持在检测窗口部分测试我训练有素的 SVM。

我现在所做的只是首先从原始图像中创建图像金字塔，然后从左上角到右下角运行一个 64x128 大小的滑动窗口。

这是它的视频截图：http: //youtu.be/3cNFOd7Aigc

现在的问题是我得到的误报比我预期的要多。

有没有办法可以消除所有这些误报（除了用更多图像进行训练）？到目前为止，我可以从 SVM 获得“分数”，即到边距本身的距离。我如何使用它来利用我的结果？

有没有人对实现一个好的滑动窗口算法有任何见解？