具有首选方向的python numpy偏向概率随机向量
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了具有首选方向的python numpy偏向概率随机向量,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含2581字,纯文字阅读大概需要4分钟。
内容图文
![具有首选方向的python numpy偏向概率随机向量](/upload/InfoBanner/zyjiaocheng/795/bc5d6be291c4474ca5e2a43c218743b2.jpg)
什么是生成偏差概率随机向量的最佳方法.换句话说,给定方向向量’D(dx,dy,dz)’,偏置随机向量生成器仍将在所有方向上生成随机向量,但更有可能在D方向上生成向量
import numpy as np
# generate 1000 vectors in all directions
vectors = np.random.random((1000,3))-np.random.random((1000,3))
# generate biased vectors probability
# proba argument gives the biasing intensity or probability to be close to D vector
vectors = biased_proba_random_vectors(directon=(dx,dy,dz), proba=0.7,size=(1000,3))
# biased_proba_random_vectors is a representation, any other implementation is welcomed
在下图中应该如下所示
解决方法:
一般来说,你应该研究各种循环分布(例如von??Mises,a.k.a.“圆形正态分布”).
作为一个简单的例子:
import numpy as np
import matplotlib.pyplot as plt
# Note higher "kappas" (second arg) result in a _narrower_ distribution
thetas = np.random.vonmises(np.radians(50), 1.5, 100)
# Convert to x, y, dx, dy...
x, y = np.zeros_like(thetas), np.zeros_like(thetas)
dx, dy = np.cos(thetas), np.sin(thetas)
fig, ax = plt.subplots()
ax.quiver(x, y, dx, dy, angles='xy', scale_units='xy', scale=1)
ax.set(xlim=[-1, 1], ylim=[-1, 1], aspect=1)
ax.axis('off')
plt.show()
但是,如果你想要的幅度因你所说的而有所不同,那么就有一种更简单的方法.
快速修复是在距离原点的固定距离(小于标准距离)处创建正态分布点.分布的标准偏差使您可以控制向量中的“偏差”程度.
作为一个简单的例子(我将在2D中执行此操作以便于绘图,但它很容易适应3D):
import numpy as np
import matplotlib.pyplot as plt
# Input, higher bias results in a _narrower_ distribution
bias, num = 1, 100
direction = np.radians(50)
# Shift the distributions from the center
dx, dy = np.random.normal(0, 0.5, (2, num))
dx += bias * np.cos(direction)
dy += bias * np.sin(direction)
# Plot the results
fig, ax = plt.subplots()
x, y = np.zeros_like(dx), np.zeros_like(dy)
ax.quiver(x, y, dx, dy, angles='xy', scale_units='xy', scale=1)
ax.set(xlim=[-1, 2], ylim=[-1, 2], aspect=1)
ax.axis('off')
plt.show()
作为最后的替代方案,如果您希望平滑变化的幅度,您可以使用vonMises分布,然后将幅度作为theta的函数.举个例子:
import numpy as np
import matplotlib.pyplot as plt
bias, num = 1.5, 100
direction = np.radians(50)
# Note higher "kappas" (second arg) result in a _narrower_ distribution
thetas = np.random.vonmises(direction, bias, 100)
# Vary magnitude by theta
mag = np.cos(thetas - direction)
# Convert to x, y, dx, dy...
x, y = np.zeros_like(thetas), np.zeros_like(thetas)
dx, dy = mag * np.cos(thetas), mag * np.sin(thetas)
fig, ax = plt.subplots()
ax.quiver(x, y, dx, dy, angles='xy', scale_units='xy', scale=1)
ax.set(xlim=[-0.5, 1], ylim=[-0.5, 1], aspect=1)
ax.axis('off')
plt.show()
内容总结
以上是互联网集市为您收集整理的具有首选方向的python numpy偏向概率随机向量全部内容,希望文章能够帮你解决具有首选方向的python numpy偏向概率随机向量所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。