Как 'сглаживать' данные и вычислить градиент строки?
Вам нужно будет поместить этот компонент в визуализированный JSX или каким-либо образом внедрить его. Вы вызываете handleSubmit внутри возврата вашего рендера?
Один из вариантов - использовать JQuery внутри этого улова, чтобы вставить этот Snackbar на страницу.
Лучший вариант - как-то вызвать этот компонент внутри возврата вашего рендера, как обычно. Например, установите для переменной localState значение error значение true внутри перехвата, а затем условно визуализируйте снэк-бар внутри рендера, исходя из значения this.state.error, равного true.
6 ответов
Статья в Википедии от moogs является хорошей начальной точкой для сглаживания данных. Но это не помогает Вам в принятии решения.
Все это зависит от Ваших данных и необходимой скорости обработки.
Скользящее среднее значение сгладит главные значения. Если Вы являетесь межотдохнувшими в минимальном и максимальном значении, не используйте это. Также я думаю с помощью скользящего среднего значения, будет влиять измерение ускорения, так как оно сгладит данные (немного), таким образом, ускорение, будет казаться, будет меньшим. Все это сводится к необходимой точности.
Алгоритм FAST Savitzky–Golay. С такой скоростью, как скользящее среднее значение. Это сохранит высоты пиков. Несколько тяжелее реализовать. И Вам нужны корректные коэффициенты. Я выбрал бы этого.
Фильтры Калмана, Если Вы знаете распределение, это может дать Вам хорошие результаты (оно используется в системах навигации GPS). Возможно, несколько тяжелее реализовать. Я упоминаю это, потому что я использовал их в прошлом. Но они - вероятно, не хороший выбор для начинающего в этом виде материала.
Вышеупомянутое уменьшит шум на Вашем сигнале.
Затем необходимо сделать, обнаруживают запуск и конечную точку "ускорения". Вы могли сделать это путем создания Производной исходного сигнала. Точка (точки), где производная пересекает ось Y (нуль), является, вероятно, пиками в Вашем сигнале и могла бы указать на запуск и конец ускорения.
Можно затем создать вторую производную градуса для получения свинцового сурика и самого максимального ускорения.
Вам нужен фильтр сглаживания, самым простым было бы "скользящее среднее значение": просто вычислите среднее число последних точек n.
Вопрос здесь, как определить n, можно ли сказать нам больше о приложении?
(Существуют другие, более сложные фильтры. Они варьируются о том, как они сохраняют входные данные. Хороший список находится в Википедии),
Править!: Для 10 Гц насчитайте последние 100 значений.
В дополнение к вышеупомянутым статьям взгляните на Шлицы Catmull-Rom.
Вы могли использовать скользящее среднее значение для сглаживания данных.
В дополнение к GvSs превосходный ответ выше Вас мог также рассмотреть сглаживание / сокращение ступающего эффекта Ваших усредненных результатов с помощью некоторого общего подбора кривых, таких как кубические или квадратичные шлицы.
Скользящие средние обычно ужасны, но хорошо подходят для белого шума. И скользящие средние, и Савицки-Голей сводятся к корреляции - и поэтому они очень быстрые и могут быть реализованы в реальном времени. Если вам нужна информация более высокого порядка, такая как первая и вторая производные, SG - хороший правильный выбор. Магия SG заключается в постоянных коэффициентах корреляции, необходимых для фильтра - после того, как вы определили длину и степень полинома, подходящие локально, коэффициенты нужно будет найти только один раз. Вы можете вычислить их с помощью R (sgolay) или Matlab.
Вы также можете оценить первую производную зашумленного сигнала с помощью наиболее подходящих многочленов Савицкого-Голея - их иногда называют производными Савицкого-Голея - и обычно дают хорошую оценку первая производная.
Фильтрация Калмана может быть очень эффективной, но она сложнее в вычислительном отношении - по скорости трудно превзойти короткую свертку!
Пол
Вы также можете оценить первую производную зашумленного сигнала с помощью наиболее подходящих многочленов Савицки-Голея - их иногда называют производными Савицкого-Голея - и обычно дают хорошую оценку первой производной.
Фильтрация Калмана может быть очень эффективной, но она сложнее в вычислительном отношении - по скорости трудно превзойти короткую свертку!
Пол
Вы также можете оценить первую производную зашумленного сигнала с помощью наиболее подходящих многочленов Савицки-Голея - их иногда называют производными Савицкого-Голея - и обычно дают хорошую оценку первой производной.
Фильтрация Калмана может быть очень эффективной, но она сложнее в вычислительном отношении - по скорости трудно превзойти короткую свертку!
Пол
Программное обеспечение CenterSpace