EDIT : 나는이 답변을 몇 시간 동안 정리해 두었으므로 최신 편집 내용을 놓쳐 곡면 만 필요하다는 것을 알 수 없었습니다. 바라건대,이 대답은 상관없이 도움이 될 것입니다.
커브 피팅을 수행하는 것 외에는 미분을 근사하는 방법은 finite differences을 통해 이루어집니다. 다행히, numpy
지금 각 내부 지점 이전 및 다음 슬로프를 평균 혼자 각 엔드 포인트를 떠나는 세부 사항들을 돌보는, 우리에게 이러한 차이 계산을하는 gradient
방법 등
import numpy as np
a = np.array([ [ 0. , 0. ],[ 0.3 , 0. ],[ 1.25, -0.1 ],
[ 2.1 , -0.9 ],[ 2.85, -2.3 ],[ 3.8 , -3.95],
[ 5. , -5.75],[ 6.4 , -7.8 ],[ 8.05, -9.9 ],
[ 9.9 , -11.6 ],[ 12.05, -12.85],[ 14.25, -13.7 ],
[ 16.5 , -13.8 ],[ 19.25, -13.35],[ 21.3 , -12.2 ],
[ 22.8 , -10.5 ],[ 23.55, -8.15],[ 22.95, -6.1 ],
[ 21.35, -3.95],[ 19.1 , -1.9 ]])
을 가지고, 우리는을 계산 각 변수의 파생물을 함께 넣어 (어떤 이유로 든 우리가 np.gradient(a)
라고 부르는 경우 배열의 목록을 얻습니다 ... 내 머리 꼭대기에서 무슨 일이 일어나는지 확신 할 수 없지만 그저 해결하려고합니다. 지금) :
dx_dt = np.gradient(a[:, 0])
dy_dt = np.gradient(a[:, 1])
velocity = np.array([ [dx_dt[i], dy_dt[i]] for i in range(dx_dt.size)])
이것은에 대해 다음 벡터를 제공합니다.:
a
의 산점도에서이기는 경우 의미가
array([[ 0.3 , 0. ],
[ 0.625, -0.05 ],
[ 0.9 , -0.45 ],
[ 0.8 , -1.1 ],
[ 0.85 , -1.525],
[ 1.075, -1.725],
[ 1.3 , -1.925],
[ 1.525, -2.075],
[ 1.75 , -1.9 ],
[ 2. , -1.475],
[ 2.175, -1.05 ],
[ 2.225, -0.475],
[ 2.5 , 0.175],
[ 2.4 , 0.8 ],
[ 1.775, 1.425],
[ 1.125, 2.025],
[ 0.075, 2.2 ],
[-1.1 , 2.1 ],
[-1.925, 2.1 ],
[-2.25 , 2.05 ]])
.
이제 속도에 대해 우리는 속도 벡터의 길이를 취합니다. 그러나 여기서 우리가 실제로 염두에 두지 않은 한 가지가 있습니다 : 모든 것은 t
의 기능입니다. 따라서 ds/dt
은 실제로 t
의 스칼라 함수입니다 (t
의 벡터 함수와 반대). dx/dt
및 dy/dt
과 같습니다.따라서, 우리는 하나 개의 초 시간 간격의 각각에서 값 numpy
배열로 ds_dt
를 나타내는 것이며, 각 값은 각 초 속도의 근사치에 해당 :
:
ds_dt = np.sqrt(dx_dt * dx_dt + dy_dt * dy_dt)
이것은 다음과 같은 배열을 수득
array([ 0.3 , 0.62699681, 1.00623059, 1.36014705, 1.74588803,
2.03254766, 2.32284847, 2.57512136, 2.58311827, 2.48508048,
2.41518633, 2.27513736, 2.50611752, 2.52982213, 2.27623593,
2.31651678, 2.20127804, 2.37065392, 2.8487936 , 3.04384625])
a
의 산점도에있는 점들 사이의 틈을 보면 약간의 의미가 있습니다. 개체가 속도를 높이고 모서리를 감안하여 속도를 줄인 다음 다시 속도를 높입니다. 그 크기가이 효과적으로하여 벡터 함수 velocity
를 나눌 수있게 해준다 (velocity
의 경우와 동일하도록
이제, 단위 접선 벡터를 찾기 위해, 우리는 ds_dt
에 작은 변화를 만들 필요가 (표현) 스칼라 함수는 ds_dt
) : 012의 각 값 1.
array([[ 1. , 0. ],
[ 0.99681528, -0.07974522],
[ 0.89442719, -0.4472136 ],
[ 0.5881717 , -0.80873608],
[ 0.48685826, -0.87348099],
[ 0.52889289, -0.84868859],
[ 0.55965769, -0.82872388],
[ 0.5922051 , -0.80578727],
[ 0.67747575, -0.73554511],
[ 0.80480291, -0.59354215],
[ 0.90055164, -0.43474907],
[ 0.97796293, -0.2087786 ],
[ 0.99755897, 0.06982913],
[ 0.9486833 , 0.31622777],
[ 0.77979614, 0.62603352],
[ 0.48564293, 0.87415728],
[ 0.03407112, 0.99941941],
[-0.46400699, 0.88583154],
[-0.67572463, 0.73715414],
[-0.73919634, 0.67349 ]])
두 가지 주 :
tangent = np.array([1/ds_dt] * 2).transpose() * velocity
이는 다음 numpy
어레이를 얻을, tangent
은 velocity
과 같은 방향을 가리키며, 2는 t
의 각 값에서 tangent
은 단위 벡터입니다. 실제로 :
는 [12]과
: 지금
In [12]: np.sqrt(tangent[:,0] * tangent[:,0] + tangent[:,1] * tangent[:,1])
Out[12]:
array([ 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1.])
우리는 단위 법선 벡터를 얻기 위해 길이가 접선 벡터 및 분할의 유도체를 가지고 있기 때문에, 우리는 같은 트릭을 (성분을 분리 편의를 위해 tangent
)의 :
array([[-0.03990439, -0.9992035 ],
[-0.22975292, -0.97324899],
[-0.48897562, -0.87229745],
[-0.69107645, -0.72278167],
[-0.8292422 , -0.55888941],
[ 0.85188045, 0.52373629],
[ 0.8278434 , 0.56095927],
[ 0.78434982, 0.62031876],
[ 0.70769355, 0.70651953],
[ 0.59568265, 0.80321988],
[ 0.41039706, 0.91190693],
[ 0.18879684, 0.98201617],
[-0.05568352, 0.99844847],
[-0.36457012, 0.93117594],
[-0.63863584, 0.76950911],
[-0.89417603, 0.44771557],
[-0.99992445, 0.0122923 ],
[-0.93801622, -0.34659137],
[-0.79170904, -0.61089835],
[-0.70603568, -0.70817626]])
0 :
tangent_x = tangent[:, 0]
tangent_y = tangent[:, 1]
deriv_tangent_x = np.gradient(tangent_x)
deriv_tangent_y = np.gradient(tangent_y)
dT_dt = np.array([ [deriv_tangent_x[i], deriv_tangent_y[i]] for i in range(deriv_tangent_x.size)])
length_dT_dt = np.sqrt(deriv_tangent_x * deriv_tangent_x + deriv_tangent_y * deriv_tangent_y)
normal = np.array([1/length_dT_dt] * 2).transpose() * dT_dt
이 우리에게 normal
에 대한 다음과 같은 벡터를 제공합니다
법선 벡터는 곡선이 선회하는 방향을 나타냅니다. 위의 벡터는 a
의 산점도와 함께 볼 때 의미가 있습니다. 특히, 우리는 다섯 번째 지점 이후로 돌아서기로 돌기부터 시작하여 12 번째 지점 이후에 (x 축에 대해) 왼쪽으로 돌기 시작합니다.
마지막으로, 가속도의 접선 및 일반 부품을 얻기 위해, 우리는 t
에 대한 s
, x
및 y
의 두 번째 파생 상품을 필요로하고 우리는 곡률과 우리의 나머지 구성 요소는 (염두에두고 얻을 수 있습니다 그들은 t
모든 스칼라 함수)임을 : 당신은 내가 당신이 믿지 않는 곡선 파라 메트릭 방정식()의 좋은 시스템을 가지고하지 않는 한
이
d2s_dt2 = np.gradient(ds_dt)
d2x_dt2 = np.gradient(dx_dt)
d2y_dt2 = np.gradient(dy_dt)
curvature = np.abs(d2x_dt2 * dy_dt - dx_dt * d2y_dt2)/(dx_dt * dx_dt + dy_dt * dy_dt)**1.5
t_component = np.array([d2s_dt2] * 2).transpose()
n_component = np.array([curvature * ds_dt * ds_dt] * 2).transpose()
acceleration = t_component * tangent + n_component * normal
글쎄, 당신은 바꿔야합니다는, 예를 들어' (델타 x)/(델타 t)'(SO가 LaTeX를 지원하지 않기 때문에 조잡한 수학 표기법을 용인하십시오). 간격은 모두 1 초 간격이므로 '델타 t'는 1이므로 'x'를 델타 x로 바꾸고 y를 마찬가지로 쓸 수 있습니다. 이것은 근사치 일 것입니다. 그러나 곡선 피팅을 시도하지 않는 한, 여러분이 가지고있는 데이터 셋으로 할 수있는 최선의 방법입니다. –
죄송합니다. 죄송합니다. 제 응답은 너무 오래되었습니다. 다행히도 여전히 도움이됩니다. –