news 2026/4/23 20:41:05

找出数组中驻点和拐点

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
找出数组中驻点和拐点

找出数组中驻点和拐点,即一阶导数为零点和二阶导数为零点。代码定义了两个函数:find_first_deriv_zeros和find_second_deriv_zeros,用于找到一阶和二阶导数的零点索引。主函数中有一个示例数据数组,并调用这两个函数来输出零点的索引。
注意:边界点的处理可能需要特别考虑。例如,一阶导数的左边界使用前向差分,右边界使用后向差分,而中间点使用中心差分。同样,二阶导数的计算也需要处理边界点。

// stdafx.cpp : 只包括标准包含文件的源文件 // ConsoleApplication1.pch 将作为预编译头 // stdafx.obj 将包含预编译类型信息 #include "stdafx.h" #include <stdio.h> #include <stdlib.h> #include <time.h> #include <Windows.h> #include <math.h> #define EPSILON 1e-6 // 判断导数为零的阈值 #define MAX_DATA 1000 // 最大数据长度 // 计算一阶导数并返回零点索引 void compute_derivatives(float *data, int n, float *first_deriv, float *second_deriv, int *first_zeros, int *first_count, int *second_zeros, int *second_count) { *first_count = 0; *second_count = 0; if (n < 2) return; // 处理一阶导数 for (int i = 0; i < n; i++) { if (i == 0) { // 左边界前向差分 first_deriv[i] = (data[1] - data[0]) / 1.0f; } else if (i == n-1) { // 右边界后向差分 first_deriv[i] = (data[i] - data[i-1]) / 1.0f; } else { // 中心差分 first_deriv[i] = (data[i+1] - data[i-1]) / 2.0f; } } // 改进的一阶导数零点检测:检查符号变化 for (int i = 0; i < n-1; i++) { // 检查一阶导数是否变号 if (first_deriv[i] * first_deriv[i+1] < 0) { // 一阶导数变号,说明此处有极值点 // 记录i和i+1中函数值更大的点(假设是极大值) int idx = (data[i] > data[i+1]) ? i : i+1; first_zeros[(*first_count)++] = idx; } else if (fabs(first_deriv[i]) < EPSILON) { // 一阶导数恰好为0(平坦区域),直接记录 first_zeros[(*first_count)++] = i; } } // 处理二阶导数 for (int i = 0; i < n; i++) { if (i == 0 || i == n-1) { // 边界使用前向/后向差分 second_deriv[i] = (2.0f*data[i] - 5.0f*data[i+1] + 4.0f*data[i+2] - data[i+3]) / 1.0f; } else if (i == 1) { // 近边界特殊处理 second_deriv[i] = (data[i+1] - 2.0f*data[i] + data[i-1]) / 1.0f; } else if (i == n-2) { // 近边界特殊处理 second_deriv[i] = (data[i+2] - 2.0f*data[i+1] + data[i]) / 1.0f; } else { // 中心差分 second_deriv[i] = (data[i+1] - 2.0f*data[i] + data[i-1]) / 1.0f; } // 记录零点 if (fabs(second_deriv[i]) < EPSILON) { second_zeros[(*second_count)++] = i; } } } int main() { // 示例数据(假设步长h=1) float data[] = {911, 914, 916, 918, 920, 922, 924, 926, 928, 930, 932, 934, 936, 938, 940, 942, 942, 939}; int n = sizeof(data)/sizeof(data[0]); // 导数存储数组 float first_deriv[MAX_DATA] = {0}; float second_deriv[MAX_DATA] = {0}; // 零点索引数组 int first_zeros[MAX_DATA] = {0}; int second_zeros[MAX_DATA] = {0}; int count1 = 0, count2 = 0; // 计算导数和零点 compute_derivatives(data, n, first_deriv, second_deriv, first_zeros, &count1, second_zeros, &count2); // 打印导数信息 printf("索引\t值\t一阶导数\t二阶导数\n"); printf("=====================================\n"); for(int i=0; i<n; i++) { printf("%d\t%.4f\t%.6f\t\t%.6f\n", i, data[i], first_deriv[i], second_deriv[i]); } // 打印零点信息 printf("\n一阶导数零点(驻点)索引: "); for(int i=0; i<count1; i++) printf("%d ", first_zeros[i]); printf("\n二阶导数零点(拐点)索引: "); for(int i=0; i<count2; i++) printf("%d ", second_zeros[i]); return 0; }
版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/23 16:14:07

YOLOv8训练时如何评估验证集性能?

YOLOv8训练时如何评估验证集性能&#xff1f; 在目标检测的实际开发中&#xff0c;一个常见却危险的误区是&#xff1a;只盯着训练损失下降就认为模型“学好了”。然而&#xff0c;真正的挑战在于——模型能否在没见过的数据上稳定输出高质量结果&#xff1f;这正是验证集评估的…

作者头像 李华
网站建设 2026/4/23 17:51:52

YOLOv8训练时如何避免梯度爆炸?

YOLOv8训练时如何避免梯度爆炸&#xff1f; 在深度学习模型的实际训练过程中&#xff0c;你是否曾遇到这样的场景&#xff1a;前几个epoch损失平稳下降&#xff0c;突然某一步Loss飙升至NaN&#xff0c;训练戛然而止&#xff1f;尤其在使用YOLOv8这类高性能但结构复杂的检测模型…

作者头像 李华
网站建设 2026/4/23 14:46:37

书籍-加西亚·马尔克斯《百年孤独》

加西亚马尔克斯《百年孤独》详细介绍 书籍基本信息 书名&#xff1a;百年孤独&#xff08;Cien aos de soledad&#xff09; 作者&#xff1a;加西亚马尔克斯&#xff08;Gabriel Garca Mrquez&#xff0c;1927-2014&#xff09;【哥伦比亚】 成书时间&#xff1a;1967年首次出…

作者头像 李华
网站建设 2026/4/23 14:52:28

2025最新!8个AI论文工具测评:本科生写论文太难了?

2025最新&#xff01;8个AI论文工具测评&#xff1a;本科生写论文太难了&#xff1f; 2025年AI论文工具测评&#xff1a;为何需要一份权威榜单&#xff1f; 随着人工智能技术的不断进步&#xff0c;越来越多的本科生开始借助AI工具辅助论文写作。然而&#xff0c;面对市场上琳琅…

作者头像 李华
网站建设 2026/4/23 10:48:05

YOLOv8镜像内置iotop查看磁盘IO负载

YOLOv8镜像内置iotop查看磁盘IO负载 在现代AI工程实践中&#xff0c;一个“能跑通”的模型训练任务早已不是终点。真正的挑战在于&#xff1a;如何让系统稳定、高效、可持续地运行。尤其是在使用YOLOv8这类高性能目标检测模型进行大规模训练时&#xff0c;GPU算力往往只是冰山一…

作者头像 李华
网站建设 2026/4/23 10:48:51

YOLOv8训练完成后如何保存最佳模型?

YOLOv8训练完成后如何保存最佳模型&#xff1f; 在深度学习目标检测的实际项目中&#xff0c;一个常见的痛点是&#xff1a;明明训练了上百个epoch&#xff0c;日志里也看到某一轮验证精度突然飙升&#xff0c;可最后用的模型却不是那个“巅峰时刻”的版本——因为没人手动去保…

作者头像 李华