Tôi đang làm việc trên một thuật toán lấy một vectơ của điểm dữ liệu gần đây nhất từ một số luồng cảm biến và so sánh khoảng cách euclide với các vectơ trước đó. Vấn đề là các luồng dữ liệu khác nhau là từ các cảm biến hoàn toàn khác nhau, do đó, việc lấy một khoảng cách euclide đơn giản sẽ quá tập trung vào một số giá trị. Rõ ràng, tôi cần một số cách để bình thường hóa dữ liệu. Tuy nhiên, vì thuật toán được thiết kế để chạy trong thời gian thực, tôi không thể sử dụng bất kỳ thông tin nào về bất kỳ luồng dữ liệu nào trong toàn bộ quá trình chuẩn hóa. Cho đến nay tôi chỉ theo dõi giá trị lớn nhất được thấy cho mỗi cảm biến trong giai đoạn khởi động (500 vectơ dữ liệu đầu tiên) và sau đó chia tất cả dữ liệu trong tương lai từ cảm biến đó cho giá trị đó. Điều này đang làm việc tốt đáng ngạc nhiên, nhưng cảm thấy rất không phù hợp.
Tôi đã không gặp nhiều may mắn khi tìm thấy một thuật toán có sẵn cho việc này, nhưng có lẽ tôi chỉ không tìm đúng chỗ. Có ai biết về một? Hoặc có bất kỳ ý tưởng? Tôi đã thấy một đề xuất sử dụng một giá trị trung bình đang chạy (có thể được tính theo thuật toán của Wellford), nhưng nếu tôi làm điều đó thì nhiều lần đọc cùng một giá trị sẽ không hiển thị giống nhau, có vẻ như là một vấn đề khá lớn, trừ khi tôi Tôi đang thiếu một cái gì đó. Bất kỳ suy nghĩ được đánh giá cao! Cảm ơn!