DeepSeek V4.1 Flash
53b981a2a9
按「性能 / BUG / 错误 / 过期注释 / 命名与实际含义不符」四项对全仓做了一次审查， 四个只读子审查交叉核对后逐条回到源码确认再改。 一、数据层真 BUG - MatH5：U8/U16/U32/U64 用逐字节 Cached() 拼装，而 Cached 只服务「完全落在同一个 64KB 块内」的请求 => 跨块时静默读成 0（U32 整段为 0、U64 高 32 位为 0），分块 B-tree 的 chunk 偏移/子节点地址被破坏且无任何报错。新增 ScalarLE()：命中缓存用缓存， 否则退回一次 ReadAt；U64 顺带从 8 次缓存查找降到 1 次。 - Mf4Loader::IsBlock 未校验链接表是否落在块内 => DataOffset 越界，随后 block_len - (data - offset) 在 uint64 上下溢，得到一个约 2^64 的"可用字节数"， 下游 vector(usable+1) 直接 bad_alloc。同时把 offset + bytes > size 改成不产生回绕的写法。 - DecodeRawValue 的整数路径：bit_offset%8 != 0 且位宽 64 时需 9 个字节，先拼成 64 位 再整体右移会把最高字节静默丢弃 => 改为逐字节带位偏移累加。 - cg_cycle_count 加「数据段总字节 / 记录字节」上限（压缩段按 deflate 最大膨胀比估算）。 - CsvLoader 表头分支同样跳过 #/% 注释行（否则整份文件按 1 列解析并被丢弃）。 - MatLoader：double -> int 的越界转换加了范围检查；普通对象递归加深度上限与成环检测。 - Utf8Util::BuildTicks：double -> long long 越界转换前先判商是否落在 ±9e18 内。 二、界面 BUG - 工具栏按钮永远不显示悬停高亮：Paint 读的 Button::hover 全仓从未赋值，改为按 m_hoverIndex 判断。 - 菜单打开时"取消底层拖拽"对每个消息都执行，把菜单自己的 Target::EDIT_FIELD 也清掉 => 菜单内联输入框无法拖拽框选。排除 EDIT_FIELD。 - GdiplusShutdown 之前未释放 PlotView 的 GDI+ 位图（Application 是进程单例，成员析构在 WinMain 之后）=> 新增 PlotView::ReleaseGraphicsResources() 并在 Shutdown 里调用。 - WM_KILLFOCUS 现在会提交标签页/绘图区编辑并复位捕获与拖拽状态。 - WM_LBUTTONUP 不再抢走中键平移的鼠标捕获。 - TextEdit：被过滤器拒绝的字符返回 false；无选区时 Ctrl+X 只复制、不再清空整段文本。 - SignalPanel::InvalidateRows 作废编辑/待确认/改名计时等行下标状态。 - EndFilterEdit 改走 ApplyFilterText（否则输入纯空格后回车，列表仍停在筛选结果）。 - 新增 SignalBadgeVisible 作为唯一判据（原来命中只看"可见"，绘制还要求"已分配网格"）。 - 折起动画结束后夹取滚动量；双击分组名改名时清掉该组正在播放的折起动画。 - ScrollToSignal 复用 SignalScrollTarget（含悬浮组名避让）。 - RowNameRect 与绘制使用同一最小宽度（原来退化时返回空矩形）。 - 分隔条拖拽上限改用与 Relayout 同一公式；UpdateDragCursor 补 SPLITTER/EDIT_FIELD。 - SignalPanel 里几个守卫改为判断真正被解引用的指针；分组行 ✕ 也返回手型光标。 三、PlotView - FindStyleOnlyLanes 改用完整的 SceneStyleEntry::operator==（原来只比 4 个字段， 另一个网格同时改"调整"时带着旧像素被当成最新）。 - 宽基底图层不再烘焙拖拽光晕（LaneLayerHash 不含它），改由 PaintHoverHighlight 每帧叠加。 - PaintLaneLegend 提前返回前清掉本网格的命中矩形（否则能点中看不见的图例条目）。 - 面板主体改为完全不透明（消除平移后 4% 透出的旧波形，零额外代价）。 - PAN / Shift+滚轮改走 SetTimeView，使"自动点线"判据随平移重算。 - 内联输入框命中字体与绘制统一为 monoSmall。 - 派生曲线取值与窗口按 SourceIndexFor 映射（水平镜像时不再读到镜像另一端）。 - EdgePanelWidth 补 style/axis 空指针守卫；二分结果夹到 count。 四、清理 - 删除 Toolbar::ActionLabel、Theme::statusBg、PopupMenu 的 editResult 死机制、 Toolbar::Layout 的重复 clear()、HitRow 的恒假分支、OnDoubleClick 的重复判定、 PaintUtil 里孤立的注释块。 - 修正一批过期/错误注释（包络带"不做加宽"、LaneLayerHash 的图例说法、 均值滤波曲线的窗口说法、样式区行数与「调整」按钮顺序、FIT_ALL 退出缩放模式、 RemoveSignal 的 ✕ 位置、.mat/.dat 格式文档、MatH5 的"映射视图"、DataModel 的 "点线/被移除文件"、SignalPanel 的"行高连续缩小"、TextEdit 的 PaintUtil 引用等）。 五、二进制体积评估（按要求只评估，未做压缩修改） - release 809,472 字节；.text 652KB、.xdata+.pdata 约 75KB、.rdata 42KB、 .rsrc 20KB、.idata 11.5KB。 - 去掉 -ld3d11 -ldwmapi -ld3dcompiler（仓内无任何调用）实测 0 字节收益 （静态库只拉取被引用的对象）=> 删链接库不是压缩手段，只是配置整洁。 - 仓内已无 <iostream>/<sstream>/<filesystem>/<regex>/<locale> 等体积炸弹。 - 结论：已无明显的浪费可捡；要显著变小只能改变取舍（动态 CRT / UPX / 砍功能）， 需要用户决策，本轮未动。 验证 - editcheck 20/20、round3check 31/31、round4check 34/34、round5check 5/5、convcheck 18/18。 - check 136/137：唯一失败项经 git stash 回到改动前复现同一数值，属该探针自身的既有 不稳定项（取决于前置用例留下的缓存/时序），与本轮改动无关。 - 真实数据：4 个 MF4 => 283/8/18/24 个信号；.mat 样例 8 信号、 带无障碍对照-防夹力曲线数据 8 信号、BIG_MAT.mat 5 信号（私有内存 +741MB）。 - make release / make debug 零警告。 文档：Documents/agent_mem.md 同步 §10 变更日志、§11.2 第 171-180 条硬约束 与文末本轮小节（含体积评估数据）。
1594 lines
52 KiB
C++
1594 lines
52 KiB
C++
// DataModel 实现分片 —— 本文件只包含 DataModel 的**成员函数定义**（纯代码搬移，行为与拆分前完全一致）。
|
||
//
|
||
// 共用的常量与自由函数在 DataModelInternal.hpp（命名空间 `dmdetail`，全部 inline）。
|
||
// 分片按“职责”划分：核心（状态/布局/几何）、渲染、交互与编辑，见各文件名。
|
||
#include "DataModelInternal.hpp"
|
||
|
||
namespace jdi
|
||
{
|
||
|
||
|
||
const wchar_t* DrawModeName(DrawMode mode)
|
||
{
|
||
switch (mode)
|
||
{
|
||
case DrawMode::LINE:
|
||
return L"线段";
|
||
case DrawMode::SCATTER:
|
||
return L"散点";
|
||
case DrawMode::LINE_SCATTER:
|
||
return L"点线";
|
||
default:
|
||
return L"线段";
|
||
}
|
||
}
|
||
|
||
// ============================ SignalGroup 构建 ============================
|
||
|
||
/**
|
||
* @brief 粗粒度包络层每个分组覆盖的采样数。
|
||
*
|
||
* 16KB 的双精度分组可覆盖 1024 个采样（内存开销 = 采样数的 1.6%），
|
||
* 但会让"每列采样数略多于分组跨度"的场景退化为逐点扫描。
|
||
* 取 256 时：额外内存约为采样数的 0.8%，最坏情况的扫描量也能压低到
|
||
* 每列 ≤256 个采样（2400 列 ≈ 0.6M 次读取，约 1ms）。
|
||
*/
|
||
const std::size_t kCoarseStride = 256;
|
||
|
||
/**
|
||
* @brief 单条信号的取值范围统计结果。
|
||
*/
|
||
struct SignalStats
|
||
{
|
||
double minValue = 0.0; /**< 有限采样值最小值。 */
|
||
double maxValue = 0.0; /**< 有限采样值最大值。 */
|
||
std::size_t finiteCount = 0; /**< 有限采样点数量。 */
|
||
};
|
||
|
||
/**
|
||
* @brief 为**只有一个有效采样点**的信号设置初始绘制样式。
|
||
*
|
||
* 单个数据点在「线段」模式下完全画不出来，因此初始就用「散点」并取**最大线宽**
|
||
* （散点半径随线宽线性增长，取最大值才能看清那个点）。
|
||
*
|
||
* ⚠️ 用户 2026-10-16 要求：初始绘制方式由「点线」改为「**散点**」，并且信号面板
|
||
* 「样式」行里的「线段」/「点线」两个按钮对该信号**置灰**
|
||
* （见 `SignalPanel::ModeOptionEnabled`）。
|
||
*
|
||
* ⚠️ 曾经还对「有效采样点 2…16」的信号也改用「点线 + 2px」—— 该需求已**作废**
|
||
*（用户 2026-10-15 明确取消：放大后自动切点线的机制已覆盖那个场景）。
|
||
*
|
||
* 只在**新建信号**时调用（用户改过样式后不再覆盖）。
|
||
*
|
||
* @param [IN] finiteCount 有效采样点数量。
|
||
* @param [IN,OUT] style 待初始化的显示外观。
|
||
*/
|
||
void ApplySinglePointDefaultStyle(std::size_t finiteCount, SignalStyle& style)
|
||
{
|
||
if (finiteCount == 1)
|
||
{
|
||
style.mode = DrawMode::SCATTER;
|
||
style.lineWidth = kSinglePointSignalLineWidth;
|
||
}
|
||
}
|
||
|
||
/**
|
||
* @brief 缓存「有效采样点很少」的信号的**全部有效点**（时刻 + 取值，按时间升序）。
|
||
*
|
||
* 供光标吸附（二分查找最近数据点、O(log n) 判定稀疏）与单点信号的初始视图使用。
|
||
* 有效点很多时（> `kSparseTimesLimit`）不做任何缓存（用不到，也没必要占内存）。
|
||
*
|
||
* @param [IN] axis 该信号使用的时间轴。
|
||
* @param [IN,OUT] signal 目标信号。
|
||
*/
|
||
void CacheSparseSamples(const TimeAxis& axis, SignalData& signal)
|
||
{
|
||
signal.sparseTimes.clear();
|
||
signal.sparseValues.clear();
|
||
if (signal.finiteCount == 0 || signal.finiteCount > kSparseTimesLimit)
|
||
{
|
||
return;
|
||
}
|
||
|
||
const std::size_t count = std::min(axis.time.size(), signal.values.size());
|
||
signal.sparseTimes.reserve(signal.finiteCount);
|
||
signal.sparseValues.reserve(signal.finiteCount);
|
||
for (std::size_t index = 0; index < count; ++index)
|
||
{
|
||
const double value = signal.values[index];
|
||
const double time = axis.time[index];
|
||
if (!std::isfinite(value) || !std::isfinite(time))
|
||
{
|
||
continue;
|
||
}
|
||
signal.sparseTimes.push_back(time);
|
||
signal.sparseValues.push_back(value);
|
||
}
|
||
|
||
// 非单调时间轴：按时间排序，保证后续二分查找合法
|
||
//（单调时间轴的采样本身就是升序，无需排序）。
|
||
if (!axis.monotonic && signal.sparseTimes.size() > 1)
|
||
{
|
||
std::vector<std::size_t> order(signal.sparseTimes.size());
|
||
for (std::size_t index = 0; index < order.size(); ++index)
|
||
{
|
||
order[index] = index;
|
||
}
|
||
std::stable_sort(order.begin(), order.end(), [&signal](std::size_t a, std::size_t b)
|
||
{ return signal.sparseTimes[a] < signal.sparseTimes[b]; });
|
||
std::vector<double> times;
|
||
std::vector<double> values;
|
||
times.reserve(order.size());
|
||
values.reserve(order.size());
|
||
for (const std::size_t index : order)
|
||
{
|
||
times.push_back(signal.sparseTimes[index]);
|
||
values.push_back(signal.sparseValues[index]);
|
||
}
|
||
signal.sparseTimes = std::move(times);
|
||
signal.sparseValues = std::move(values);
|
||
}
|
||
}
|
||
|
||
/**
|
||
* @brief 统计一列采样的最小/最大值与有效点数量，并顺带构建粗粒度包络层。
|
||
*
|
||
* 两者在同一个循环内完成，避免为粗粒度层多扫一遍数据（大文件下那是一整趟内存遍历）。
|
||
*
|
||
* @param [IN] values 采样列。
|
||
* @param [OUT] coarseMin 粗粒度分组最小值输出。
|
||
* @param [OUT] coarseMax 粗粒度分组最大值输出。
|
||
* @return 统计结果。
|
||
*/
|
||
SignalStats ComputeStats(const std::vector<double>& values, std::vector<double>& coarseMin,
|
||
std::vector<double>& coarseMax)
|
||
{
|
||
SignalStats stats;
|
||
double low = std::numeric_limits<double>::infinity();
|
||
double high = -std::numeric_limits<double>::infinity();
|
||
|
||
const std::size_t count = values.size();
|
||
const std::size_t buckets = (count + kCoarseStride - 1) / kCoarseStride;
|
||
coarseMin.assign(buckets, std::numeric_limits<double>::infinity());
|
||
coarseMax.assign(buckets, -std::numeric_limits<double>::infinity());
|
||
|
||
std::size_t bucket = 0;
|
||
std::size_t bucketEnd = kCoarseStride;
|
||
for (std::size_t index = 0; index < count; ++index)
|
||
{
|
||
if (index >= bucketEnd)
|
||
{
|
||
++bucket;
|
||
bucketEnd += kCoarseStride;
|
||
}
|
||
const double value = values[index];
|
||
if (std::isfinite(value))
|
||
{
|
||
++stats.finiteCount;
|
||
low = std::min(low, value);
|
||
high = std::max(high, value);
|
||
if (value < coarseMin[bucket])
|
||
{
|
||
coarseMin[bucket] = value;
|
||
}
|
||
if (value > coarseMax[bucket])
|
||
{
|
||
coarseMax[bucket] = value;
|
||
}
|
||
}
|
||
}
|
||
|
||
if (stats.finiteCount == 0)
|
||
{
|
||
stats.minValue = 0.0;
|
||
stats.maxValue = 0.0;
|
||
}
|
||
else
|
||
{
|
||
stats.minValue = low;
|
||
stats.maxValue = high;
|
||
}
|
||
return stats;
|
||
}
|
||
|
||
bool BuildSignalGroup(LoadedSource&& source, std::size_t paletteBase, SignalGroup& group,
|
||
std::wstring& error, const LoadProgress& progress)
|
||
{
|
||
error.clear();
|
||
group = SignalGroup();
|
||
|
||
if (source.blocks.empty() || !source.HasData())
|
||
{
|
||
error = L"数据源为空。";
|
||
return false;
|
||
}
|
||
|
||
// 分组默认名 = 源文件名（含扩展名），用户可重命名。
|
||
group.name = source.sourceName;
|
||
|
||
int paletteCount = 0;
|
||
const std::uint32_t* palette = SignalPalette(paletteCount);
|
||
|
||
// 时间轴去重表：内容完全相同（长度与全部数值逐位相同）的时间轴只保留一条。
|
||
// 这样 CSV 里多个同刻度的 `time` 列、MF4 里多个同基线的通道组不会重复占内存。
|
||
std::vector<std::size_t> axisHashToIndex;
|
||
std::vector<std::uint64_t> axisHashValues;
|
||
|
||
const auto timeHash = [](const std::vector<double>& time) -> std::uint64_t
|
||
{
|
||
std::uint64_t hash = 1469598103934665603ull;
|
||
for (const double value : time)
|
||
{
|
||
std::uint64_t bits = 0;
|
||
std::memcpy(&bits, &value, sizeof(bits));
|
||
hash ^= bits;
|
||
hash *= 1099511628211ull;
|
||
}
|
||
hash ^= static_cast<std::uint64_t>(time.size());
|
||
hash *= 1099511628211ull;
|
||
return hash;
|
||
};
|
||
const auto sameTime = [](const std::vector<double>& a, const std::vector<double>& b) -> bool
|
||
{
|
||
if (a.size() != b.size())
|
||
{
|
||
return false;
|
||
}
|
||
for (std::size_t i = 0; i < a.size(); ++i)
|
||
{
|
||
const double x = a[i];
|
||
const double y = b[i];
|
||
if (x != y)
|
||
{
|
||
// NaN 视为“相同”（缺失位置一致），其余必须完全相等。
|
||
if (!(std::isnan(x) && std::isnan(y)))
|
||
{
|
||
return false;
|
||
}
|
||
}
|
||
}
|
||
return true;
|
||
};
|
||
|
||
std::size_t blockIndex = 0;
|
||
for (TableBlock& block : source.blocks)
|
||
{
|
||
++blockIndex;
|
||
DataTable& table = block.table;
|
||
if (!table.HasData())
|
||
{
|
||
continue;
|
||
}
|
||
const std::size_t columnCount = table.headers.size();
|
||
if (table.columns.size() < columnCount || columnCount < 2)
|
||
{
|
||
continue; // 只有时间列：没有可绘制信号
|
||
}
|
||
|
||
// 时间列固定为块的第 0 列（加载器已保证）。
|
||
std::vector<double>& timeColumn = table.columns[0];
|
||
|
||
// 统计时间轴的取值范围与单调性。
|
||
TimeAxis axis;
|
||
axis.name = table.headers[0];
|
||
{
|
||
bool monotonic = true;
|
||
bool hasPrevious = false;
|
||
double previousTime = 0.0;
|
||
double low = std::numeric_limits<double>::infinity();
|
||
double high = -std::numeric_limits<double>::infinity();
|
||
std::size_t finiteCount = 0;
|
||
for (const double value : timeColumn)
|
||
{
|
||
if (!std::isfinite(value))
|
||
{
|
||
continue;
|
||
}
|
||
++finiteCount;
|
||
low = std::min(low, value);
|
||
high = std::max(high, value);
|
||
if (hasPrevious && value < previousTime)
|
||
{
|
||
monotonic = false;
|
||
}
|
||
previousTime = value;
|
||
hasPrevious = true;
|
||
}
|
||
if (finiteCount < 1)
|
||
{
|
||
continue; // 该块的时间轴完全无效
|
||
}
|
||
axis.monotonic = monotonic;
|
||
axis.finiteCount = finiteCount;
|
||
axis.minTime = low;
|
||
axis.maxTime = high;
|
||
}
|
||
axis.time = std::move(timeColumn);
|
||
|
||
// 去重：命中已有时间轴则复用它，否则新增一条。
|
||
std::size_t axisIndex = group.axes.size();
|
||
{
|
||
const std::uint64_t hash = timeHash(axis.time);
|
||
for (std::size_t candidate = 0; candidate < axisHashValues.size(); ++candidate)
|
||
{
|
||
if (axisHashValues[candidate] == hash &&
|
||
sameTime(group.axes[axisHashToIndex[candidate]].time, axis.time))
|
||
{
|
||
axisIndex = axisHashToIndex[candidate];
|
||
break;
|
||
}
|
||
}
|
||
if (axisIndex == group.axes.size())
|
||
{
|
||
group.axes.push_back(std::move(axis));
|
||
axisHashValues.push_back(hash);
|
||
axisHashToIndex.push_back(axisIndex);
|
||
}
|
||
}
|
||
|
||
// 构建信号列：每列整块移动，随后就地统计取值范围。
|
||
group.signals.reserve(group.signals.size() + columnCount - 1);
|
||
for (std::size_t column = 1; column < columnCount; ++column)
|
||
{
|
||
SignalData signal;
|
||
signal.name = Trim(table.headers[column]);
|
||
if (signal.name.empty())
|
||
{
|
||
signal.name = L"Column" + std::to_wstring(column + 1);
|
||
}
|
||
signal.axisIndex = axisIndex;
|
||
|
||
// 值 → 文本枚举表（MDF4 `cc_type = 7` 等）：与列同下标，缺省为空。
|
||
if (column < table.columnEnumText.size())
|
||
{
|
||
signal.enumText = std::move(table.columnEnumText[column]);
|
||
}
|
||
|
||
signal.values = std::move(table.columns[column]);
|
||
const SignalStats stats = ComputeStats(signal.values, signal.coarseMin, signal.coarseMax);
|
||
signal.coarseStride = kCoarseStride;
|
||
signal.minValue = stats.minValue;
|
||
signal.maxValue = stats.maxValue;
|
||
signal.finiteCount = stats.finiteCount;
|
||
// 有效点很少时缓存全部有效点（光标吸附 / 单点信号初始视图用）。
|
||
CacheSparseSamples(group.AxisAt(signal.axisIndex), signal);
|
||
|
||
// 显示外观随信号一起初始化：调色板按「全局信号序号」取色，
|
||
// 使同一信号在任意标签页中都保持同一默认颜色。
|
||
{
|
||
const std::size_t globalIndex = paletteBase + group.signals.size();
|
||
if (palette != nullptr && paletteCount > 0)
|
||
{
|
||
const std::size_t count = static_cast<std::size_t>(paletteCount);
|
||
const std::size_t slot = globalIndex % count;
|
||
signal.style.color = palette[slot];
|
||
// 自定义色初值取调色板中「向后递进」的下一个颜色。
|
||
// 若初值等于本信号自身的预设色，样式区里点击该预设色块会被判定成
|
||
// “当前用的是自定义色”，高亮会直接跳到自定义色块上（此前的缺陷）。
|
||
signal.style.customColor = palette[(slot + 1) % count];
|
||
}
|
||
else
|
||
{
|
||
signal.style.color = 0xFF268BD2u;
|
||
signal.style.customColor = 0xFF859900u;
|
||
}
|
||
signal.style.opacity = 1.0f;
|
||
signal.style.lineWidth = 1.0f;
|
||
signal.style.mode = DrawMode::LINE;
|
||
// 只有一个有效采样点的信号改用「散点」+ 最大线宽，否则根本看不见。
|
||
ApplySinglePointDefaultStyle(stats.finiteCount, signal.style);
|
||
}
|
||
|
||
group.signals.push_back(std::move(signal));
|
||
}
|
||
|
||
if (progress)
|
||
{
|
||
LoadProgressInfo info;
|
||
const double ratio = static_cast<double>(blockIndex) /
|
||
static_cast<double>(std::max<std::size_t>(1, source.blocks.size()));
|
||
info.ratio = 0.75 + 0.25 * ratio;
|
||
info.hasBytes = false;
|
||
if (!progress(info))
|
||
{
|
||
error = L"已取消加载。";
|
||
return false;
|
||
}
|
||
}
|
||
}
|
||
|
||
if (group.signals.empty() || group.axes.empty())
|
||
{
|
||
error = L"除时间轴外未发现任何数据列。";
|
||
return false;
|
||
}
|
||
return true;
|
||
}
|
||
|
||
// ============================ DataSet ============================
|
||
|
||
bool DataSet::AddGroup(SignalGroup&& group, int& groupIndex)
|
||
{
|
||
groupIndex = -1;
|
||
if (group.signals.empty() || group.axes.empty())
|
||
{
|
||
return false;
|
||
}
|
||
m_groups.push_back(std::move(group));
|
||
groupIndex = static_cast<int>(m_groups.size()) - 1;
|
||
return true;
|
||
}
|
||
|
||
bool DataSet::InsertDerivedSignal(int groupIndex, int afterSignalIndex, SignalData&& signal,
|
||
int& newSignalIndex)
|
||
{
|
||
newSignalIndex = -1;
|
||
if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
|
||
{
|
||
return false;
|
||
}
|
||
|
||
SignalGroup& group = m_groups[static_cast<std::size_t>(groupIndex)];
|
||
if (afterSignalIndex < -1 || afterSignalIndex >= static_cast<int>(group.signals.size()))
|
||
{
|
||
return false;
|
||
}
|
||
|
||
// 1. 采样值统计与粗粒度包络层：与正常加载路径使用同一套统计逻辑，
|
||
// 否则派生信号在大文件下会退化成逐点扫描（包络构建变慢）。
|
||
const SignalStats stats = ComputeStats(signal.values, signal.coarseMin, signal.coarseMax);
|
||
signal.coarseStride = kCoarseStride;
|
||
signal.minValue = stats.minValue;
|
||
signal.maxValue = stats.maxValue;
|
||
signal.finiteCount = stats.finiteCount;
|
||
// 有效点很少时缓存全部有效点；派生信号沿用源信号的时间轴。
|
||
CacheSparseSamples(group.AxisAt(signal.axisIndex), signal);
|
||
|
||
// 2. 显示外观按「全局信号序号」取调色板颜色（与普通新信号完全一致的规则）。
|
||
const int insertPos = afterSignalIndex + 1;
|
||
{
|
||
// 新信号的全局序号 = 本组之前的信号总数 + 它在组内的下标。
|
||
std::size_t globalIndex = static_cast<std::size_t>(insertPos);
|
||
for (int index = 0; index < groupIndex; ++index)
|
||
{
|
||
globalIndex += m_groups[static_cast<std::size_t>(index)].signals.size();
|
||
}
|
||
|
||
int paletteCount = 0;
|
||
const std::uint32_t* palette = SignalPalette(paletteCount);
|
||
if (palette != nullptr && paletteCount > 0)
|
||
{
|
||
const std::size_t count = static_cast<std::size_t>(paletteCount);
|
||
const std::size_t slot = globalIndex % count;
|
||
signal.style.color = palette[slot];
|
||
signal.style.customColor = palette[(slot + 1) % count];
|
||
}
|
||
|
||
// 采样点极少的派生信号同样改用「散点」并加粗（与普通加载路径同一规则）。
|
||
ApplySinglePointDefaultStyle(stats.finiteCount, signal.style);
|
||
}
|
||
|
||
group.signals.insert(group.signals.begin() + insertPos, std::move(signal));
|
||
|
||
// 3. 全局选中引用：同一组内位于插入点之后的信号下标整体后移。
|
||
if (m_selected.groupIndex == groupIndex && m_selected.signalIndex >= insertPos)
|
||
{
|
||
++m_selected.signalIndex;
|
||
}
|
||
|
||
newSignalIndex = insertPos;
|
||
return true;
|
||
}
|
||
|
||
bool DataSet::RemoveGroup(int groupIndex)
|
||
{
|
||
if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
|
||
{
|
||
return false;
|
||
}
|
||
|
||
// 用移动到末位后弹出的方式移除，使被移除**分组**的时间轴与全部信号缓冲区在本调用内
|
||
// 立即析构归还操作系统，不再等待后续插入覆盖；最后收缩容量，避免残留空闲块。
|
||
const std::size_t position = static_cast<std::size_t>(groupIndex);
|
||
for (std::size_t index = position; index + 1 < m_groups.size(); ++index)
|
||
{
|
||
m_groups[index] = std::move(m_groups[index + 1]);
|
||
}
|
||
m_groups.pop_back();
|
||
m_groups.shrink_to_fit();
|
||
return true;
|
||
}
|
||
|
||
bool DataSet::RemoveSignal(int groupIndex, int signalIndex)
|
||
{
|
||
if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
|
||
{
|
||
return false;
|
||
}
|
||
SignalGroup& group = m_groups[static_cast<std::size_t>(groupIndex)];
|
||
if (signalIndex < 0 || signalIndex >= static_cast<int>(group.signals.size()))
|
||
{
|
||
return false;
|
||
}
|
||
|
||
// 与 RemoveGroup 同一思路：先把待移除项移到末位（move 赋值时其原有缓冲当场析构），
|
||
// 再 pop_back + shrink_to_fit，使该信号的全部采样内存在本调用内立即归还给系统，
|
||
// 而不是留在容量里等后续插入覆盖。
|
||
std::vector<SignalData>& signals = group.signals;
|
||
const std::size_t position = static_cast<std::size_t>(signalIndex);
|
||
for (std::size_t index = position; index + 1 < signals.size(); ++index)
|
||
{
|
||
signals[index] = std::move(signals[index + 1]);
|
||
}
|
||
signals.pop_back();
|
||
signals.shrink_to_fit();
|
||
return true;
|
||
}
|
||
|
||
void DataSet::RemapSelectionAfterSignalRemoval(int groupIndex, int signalIndex)
|
||
{
|
||
if (groupIndex < 0 || signalIndex < 0 || m_selected.groupIndex != groupIndex)
|
||
{
|
||
return;
|
||
}
|
||
if (m_selected.signalIndex == signalIndex)
|
||
{
|
||
// 选中的信号本身被移除：取消选中。
|
||
m_selected = SignalRef();
|
||
}
|
||
else if (m_selected.signalIndex > signalIndex)
|
||
{
|
||
// 其后信号整体前移一位。
|
||
--m_selected.signalIndex;
|
||
}
|
||
}
|
||
|
||
std::size_t DataSet::SignalCount() const
|
||
{
|
||
std::size_t count = 0;
|
||
for (const SignalGroup& group : m_groups)
|
||
{
|
||
count += group.signals.size();
|
||
}
|
||
return count;
|
||
}
|
||
|
||
const SignalGroup* DataSet::GroupAt(int groupIndex) const
|
||
{
|
||
if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
|
||
{
|
||
return nullptr;
|
||
}
|
||
return &m_groups[static_cast<std::size_t>(groupIndex)];
|
||
}
|
||
|
||
bool DataSet::RenameSignal(int groupIndex, int signalIndex, const std::wstring& name)
|
||
{
|
||
if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
|
||
{
|
||
return false;
|
||
}
|
||
|
||
SignalGroup& group = m_groups[static_cast<std::size_t>(groupIndex)];
|
||
if (signalIndex < 0 || signalIndex >= static_cast<int>(group.signals.size()))
|
||
{
|
||
return false;
|
||
}
|
||
|
||
// 统一去除首尾空白；结果为空则忽略（名称是信号的唯一标识性字段，不允许抹空）。
|
||
std::wstring trimmed = Trim(name);
|
||
if (trimmed.empty())
|
||
{
|
||
return false;
|
||
}
|
||
SignalData& signal = group.signals[static_cast<std::size_t>(signalIndex)];
|
||
if (trimmed == signal.name)
|
||
{
|
||
return false;
|
||
}
|
||
signal.name = std::move(trimmed);
|
||
return true;
|
||
}
|
||
|
||
bool DataSet::RenameGroup(int groupIndex, const std::wstring& name)
|
||
{
|
||
if (groupIndex < 0 || groupIndex >= static_cast<int>(m_groups.size()))
|
||
{
|
||
return false;
|
||
}
|
||
|
||
std::wstring trimmed = Trim(name);
|
||
if (trimmed.empty())
|
||
{
|
||
return false;
|
||
}
|
||
SignalGroup& group = m_groups[static_cast<std::size_t>(groupIndex)];
|
||
if (trimmed == group.name)
|
||
{
|
||
return false;
|
||
}
|
||
group.name = std::move(trimmed);
|
||
return true;
|
||
}
|
||
|
||
const SignalData* DataSet::Resolve(const SignalRef& ref) const
|
||
{
|
||
const SignalGroup* group = GroupAt(ref.groupIndex);
|
||
if (group == nullptr)
|
||
{
|
||
return nullptr;
|
||
}
|
||
if (ref.signalIndex < 0 || ref.signalIndex >= static_cast<int>(group->signals.size()))
|
||
{
|
||
return nullptr;
|
||
}
|
||
return &group->signals[static_cast<std::size_t>(ref.signalIndex)];
|
||
}
|
||
|
||
const TimeAxis* DataSet::Axis(const SignalRef& ref) const
|
||
{
|
||
const SignalGroup* group = GroupAt(ref.groupIndex);
|
||
if (group == nullptr)
|
||
{
|
||
return nullptr;
|
||
}
|
||
if (ref.signalIndex < 0 || ref.signalIndex >= static_cast<int>(group->signals.size()) ||
|
||
group->axes.empty())
|
||
{
|
||
return nullptr;
|
||
}
|
||
return &group->AxisOf(group->signals[static_cast<std::size_t>(ref.signalIndex)]);
|
||
}
|
||
|
||
const SignalStyle* DataSet::Style(const SignalRef& ref) const
|
||
{
|
||
const SignalData* signal = Resolve(ref);
|
||
return (signal != nullptr) ? &signal->style : nullptr;
|
||
}
|
||
|
||
SignalStyle* DataSet::Style(const SignalRef& ref)
|
||
{
|
||
const SignalGroup* group = GroupAt(ref.groupIndex);
|
||
if (group == nullptr)
|
||
{
|
||
return nullptr;
|
||
}
|
||
if (ref.signalIndex < 0 || ref.signalIndex >= static_cast<int>(group->signals.size()))
|
||
{
|
||
return nullptr;
|
||
}
|
||
|
||
// 这里需要写入，因此借助非 const 路径重新定位信号。
|
||
SignalGroup& mutableGroup = m_groups[static_cast<std::size_t>(ref.groupIndex)];
|
||
return &mutableGroup.signals[static_cast<std::size_t>(ref.signalIndex)].style;
|
||
}
|
||
|
||
double DataSet::MinTime() const
|
||
{
|
||
double value = std::numeric_limits<double>::infinity();
|
||
for (const SignalGroup& group : m_groups)
|
||
{
|
||
double low = 0.0;
|
||
double high = 0.0;
|
||
if (group.TimeRange(low, high))
|
||
{
|
||
value = std::min(value, low);
|
||
}
|
||
}
|
||
return std::isfinite(value) ? value : 0.0;
|
||
}
|
||
|
||
double DataSet::MaxTime() const
|
||
{
|
||
double value = -std::numeric_limits<double>::infinity();
|
||
for (const SignalGroup& group : m_groups)
|
||
{
|
||
double low = 0.0;
|
||
double high = 0.0;
|
||
if (group.TimeRange(low, high))
|
||
{
|
||
value = std::max(value, high);
|
||
}
|
||
}
|
||
return std::isfinite(value) ? value : 1.0;
|
||
}
|
||
|
||
void DataSet::RemapSelectionAfterGroupRemoval(int groupIndex)
|
||
{
|
||
if (groupIndex < 0)
|
||
{
|
||
return;
|
||
}
|
||
if (m_selected.groupIndex == groupIndex)
|
||
{
|
||
m_selected = SignalRef();
|
||
}
|
||
else if (m_selected.groupIndex > groupIndex)
|
||
{
|
||
--m_selected.groupIndex;
|
||
}
|
||
}
|
||
|
||
bool DataSet::ValidateSelection()
|
||
{
|
||
if (!m_selected.IsValid())
|
||
{
|
||
return false;
|
||
}
|
||
if (Resolve(m_selected) != nullptr)
|
||
{
|
||
return false;
|
||
}
|
||
m_selected = SignalRef();
|
||
return true;
|
||
}
|
||
|
||
// ============================ 采样辅助 ============================
|
||
|
||
namespace
|
||
{
|
||
/**
|
||
* @brief 滑动平均的共用实现（输入只要可转成 double）。
|
||
*
|
||
* 窗口 = [max(0,i-N), min(count-1,i+N)]，每前进一步只增减边界处的两个采样点，
|
||
* 整体 O(n)，不额外占用前缀和内存。
|
||
*/
|
||
template <typename T>
|
||
void MovingAverageImpl(const std::vector<T>& values, int radius, std::vector<float>& out);
|
||
} // namespace
|
||
|
||
void ComputeMovingAverage(const std::vector<double>& values, int radius, std::vector<float>& out)
|
||
{
|
||
MovingAverageImpl(values, radius, out);
|
||
}
|
||
|
||
namespace
|
||
{
|
||
template <typename T>
|
||
void MovingAverageImpl(const std::vector<T>& values, int radius, std::vector<float>& out)
|
||
{
|
||
const int window = std::max(0, radius);
|
||
const std::size_t count = values.size();
|
||
out.assign(count, std::numeric_limits<float>::quiet_NaN());
|
||
if (count == 0 || window == 0)
|
||
{
|
||
// 半径 0 表示不平滑：原样复制（中心点无效处仍为 NaN）。
|
||
for (std::size_t index = 0; index < count; ++index)
|
||
{
|
||
const double value = static_cast<double>(values[index]);
|
||
if (std::isfinite(value))
|
||
{
|
||
out[index] = static_cast<float>(value);
|
||
}
|
||
}
|
||
return;
|
||
}
|
||
|
||
// 滑动窗口求和：每前进一步只增减边界处的两个采样点，整体 O(n)。
|
||
double sum = 0.0;
|
||
std::size_t finiteCount = 0;
|
||
std::size_t windowLow = 0;
|
||
std::size_t windowHigh = 0; // 闭区间右端。
|
||
|
||
const auto addValue = [&sum, &finiteCount](double value)
|
||
{
|
||
if (std::isfinite(value))
|
||
{
|
||
sum += value;
|
||
++finiteCount;
|
||
}
|
||
};
|
||
const auto removeValue = [&sum, &finiteCount](double value)
|
||
{
|
||
if (std::isfinite(value))
|
||
{
|
||
sum -= value;
|
||
--finiteCount;
|
||
}
|
||
};
|
||
|
||
for (std::size_t index = 0; index < count; ++index)
|
||
{
|
||
const std::size_t low = (index > static_cast<std::size_t>(window))
|
||
? (index - static_cast<std::size_t>(window))
|
||
: 0;
|
||
const std::size_t high =
|
||
std::min(count - 1, index + static_cast<std::size_t>(window));
|
||
|
||
if (index == 0)
|
||
{
|
||
windowLow = low;
|
||
windowHigh = high;
|
||
for (std::size_t i = windowLow; i <= windowHigh; ++i)
|
||
{
|
||
addValue(static_cast<double>(values[i]));
|
||
}
|
||
}
|
||
else
|
||
{
|
||
while (windowLow < low)
|
||
{
|
||
removeValue(static_cast<double>(values[windowLow]));
|
||
++windowLow;
|
||
}
|
||
while (windowHigh < high)
|
||
{
|
||
++windowHigh;
|
||
addValue(static_cast<double>(values[windowHigh]));
|
||
}
|
||
}
|
||
|
||
// 中心点本身无效（NaN）时该处不产生有效结果。
|
||
const double center = static_cast<double>(values[index]);
|
||
if (finiteCount > 0 && std::isfinite(center))
|
||
{
|
||
out[index] = static_cast<float>(sum / static_cast<double>(finiteCount));
|
||
}
|
||
}
|
||
}
|
||
} // namespace
|
||
|
||
namespace
|
||
{
|
||
/**
|
||
* @brief `thread_local` 复用缓冲的**保留容量上限**（元素个数，约 4M）。
|
||
*
|
||
* 这些缓冲用 `thread_local` 复用，是为了省掉"每次调用都分配 + 零初始化上千万元素"
|
||
* 的开销（多阶弱峰调整实测 991ms → 577ms）。但**保留容量必须封顶**：
|
||
* 后台派生曲线线程池有 4 条线程，每条各自持有一份 `thread_local` 缓冲；
|
||
* 一条"整段信号"（VERY_BIG_DATA ≈ 2580 万采样）的弱峰调整需要
|
||
* `current` / `next`（float，各 ≈103MB）、极值表与位移表（≈数百 MB），
|
||
* 于是**每条线程常驻数百 MB、4 条线程就是 2GB 以上**，而 `thread_local`
|
||
* 只在**线程退出**时才析构 → 用户报告"启用预览后内存 1.42GB→4.21GB，
|
||
* 关掉预览也不下降，直到关闭整个分组才释放"。
|
||
*
|
||
* 因此只对"中/小规模"（≤ 上限）保留容量；**超大计算**改为一次性分配、用完即释放 ——
|
||
* 这类整段计算本身是秒级的一次性操作（结果会被曲线缓存复用），多一次分配完全可接受，
|
||
* 换来的是内存不再随线程数放大。
|
||
*/
|
||
const std::size_t kReuseBufferMaxElements = 4u * 1024u * 1024u;
|
||
|
||
/** @brief 容量超过上限就释放缓冲内存（`std::vector` 的容量不会随 `clear()` 归还）。 */
|
||
template <typename T>
|
||
void TrimReuseBuffer(std::vector<T>& buffer)
|
||
{
|
||
if (buffer.capacity() > kReuseBufferMaxElements)
|
||
{
|
||
std::vector<T> empty;
|
||
buffer.swap(empty);
|
||
}
|
||
}
|
||
|
||
/**
|
||
* @brief 作用域守卫：离开作用域时对 `thread_local` 复用缓冲做一次容量裁剪。
|
||
*
|
||
* 用它（而不是在每个 `return` 前手写一遍）可以保证**所有**退出路径都会裁剪，
|
||
* 不会因为新增提前返回而漏掉、导致内存再次失控。
|
||
*/
|
||
template <typename T>
|
||
class ReuseBufferScope
|
||
{
|
||
public:
|
||
explicit ReuseBufferScope(std::vector<T>& buffer) : m_buffer(buffer) {}
|
||
~ReuseBufferScope() { TrimReuseBuffer(m_buffer); }
|
||
ReuseBufferScope(const ReuseBufferScope&) = delete;
|
||
ReuseBufferScope& operator=(const ReuseBufferScope&) = delete;
|
||
|
||
private:
|
||
std::vector<T>& m_buffer;
|
||
};
|
||
} // namespace
|
||
|
||
void ComputeMovingAverageIterated(const std::vector<double>& values, int radius, int iterations,
|
||
std::vector<float>& out,
|
||
const std::atomic<bool>* cancel, bool throttle)
|
||
{
|
||
const int stages = std::max(1, iterations);
|
||
// 第 1 阶：从原始采样值出发。
|
||
ComputeMovingAverage(values, radius, out);
|
||
if (stages == 1)
|
||
{
|
||
return;
|
||
}
|
||
|
||
// 后续各阶以上一阶的结果为输入（double 中转，避免 float→double 的精度损失累积）。
|
||
// 中转缓冲复用容量（线程本地），避免每阶重新分配上千万元素的向量。
|
||
// ⚠️ 用 `ReuseBufferScope` 保证离开作用域时对超大容量做裁剪（见其说明）。
|
||
thread_local std::vector<double> bufferBuffer;
|
||
ReuseBufferScope<double> reuseScope(bufferBuffer);
|
||
std::vector<double>& buffer = bufferBuffer;
|
||
buffer.assign(values.size(), std::numeric_limits<double>::quiet_NaN());
|
||
std::vector<float> stage;
|
||
for (int iteration = 1; iteration < stages; ++iteration)
|
||
{
|
||
if (cancel != nullptr && cancel->load(std::memory_order_relaxed))
|
||
{
|
||
return; // 过时任务：立即退出（调用方会丢弃结果）
|
||
}
|
||
for (std::size_t index = 0; index < out.size(); ++index)
|
||
{
|
||
buffer[index] = std::isfinite(out[index]) ? static_cast<double>(out[index])
|
||
: std::numeric_limits<double>::quiet_NaN();
|
||
}
|
||
ComputeMovingAverage(buffer, radius, stage);
|
||
out.swap(stage);
|
||
if (throttle)
|
||
{
|
||
// 低内存设备的“少量多次”：每阶之间小睡一下，把内存带宽与 CPU 让给前台。
|
||
Sleep(1);
|
||
}
|
||
}
|
||
}
|
||
|
||
namespace
|
||
{
|
||
/**
|
||
* @brief 「弱峰调整」内部使用的极值点（波峰 / 波谷）。
|
||
*
|
||
* ⚠️ **字段顺序是刻意的**：`double value` 放在最前、`index` 用 `uint32`、`type` 用 `int8`，
|
||
* 使结构体只占 **16 字节**（原来的 `size_t+double+int` 是 24 字节，含 7 字节填充）。
|
||
* 一个千万级方波信号的极值数量与采样数同量级（编码器信号几乎每个跳变都是极值），
|
||
* 这张表就是「弱峰调整」工作缓冲的主导项（24 B/极值 ≈ 24 B/采样）——
|
||
* 瘦身后同样规模的整段计算可省下约 1/3 的峰值内存。
|
||
* `uint32` 下标对本项目安全：4.29e9 个 `double` 需要 34 GB 采样内存，不可能达到。
|
||
*/
|
||
struct PeakExtremum
|
||
{
|
||
double value = 0.0; /**< 采样值（保持 double：改成 float 会让结果与历史版本不一致）。 */
|
||
std::uint32_t index = 0; /**< 采样下标。 */
|
||
std::int8_t type = 0; /**< +1 = 波峰，-1 = 波谷。 */
|
||
};
|
||
|
||
/**
|
||
* @brief 三组识别规则各自的调整幅度（每一组都在 -2 – +2，即面板上的 -200% – +200%）。
|
||
*
|
||
* 滑动条的 ±400% 会按"梯度"同时驱动三组规则（见 `ComputeWeakPeakAdjust`）：
|
||
* 越宽松的规则参与得越晚、在同一滑动条位置上的幅度越小。
|
||
*/
|
||
struct WeakPeakAmounts
|
||
{
|
||
double first = 0.0; /**< 第一类（严格：两侧均值都要满足）。 */
|
||
double second = 0.0; /**< 第二类（其中一侧满足即可）。 */
|
||
double third = 0.0; /**< 第三类（更宽松：只与左右同类极值比较）。 */
|
||
};
|
||
|
||
/**
|
||
* @brief 「弱峰调整」的单阶处理：把偏弱的波峰上拉 / 偏弱的波谷下拉，
|
||
* 或（负幅度）把弱峰本身削弱、压平。
|
||
*
|
||
* **不做任何前置滤波**（需要平滑时用户可以先用「均值滤波」构建一条滤波后的信号）：
|
||
* 极值点直接在输入采样上通过单调段的方向翻转识别。三组识别规则（见 `WeakPeakAmounts`）
|
||
* 各自有自己的幅度；某个极值若同时满足多组规则，取**幅度绝对值最大**的那一组
|
||
*（= 最严格的那一组），这样"越严格越先被推到目标值"。
|
||
*
|
||
* @param [IN] input 本阶的输入采样值。
|
||
* @param [IN] amounts 三组规则的调整幅度（各 -2 – +2，已夹取；0 = 该组不动）。
|
||
* @param [OUT] output 本阶的输出（长度与 input 相同；原值为 NaN 处保持 NaN）。
|
||
* @param [OUT] extremes 复用的极值表（容量保留，避免每阶重新分配）。
|
||
* @param [IN] cancel 可选的取消标志（为 true 时**立即返回 false**）。
|
||
* @return 确实有采样点被改动返回 true；没有任何点需要调整时返回 false。
|
||
*/
|
||
bool ApplyWeakPeakStage(const std::vector<float>& input, const WeakPeakAmounts& amounts,
|
||
std::vector<float>& output, std::vector<PeakExtremum>& extremes,
|
||
const std::atomic<bool>* cancel)
|
||
{
|
||
const std::size_t count = input.size();
|
||
output.assign(count, std::numeric_limits<float>::quiet_NaN());
|
||
if (count == 0)
|
||
{
|
||
return false;
|
||
}
|
||
|
||
// 先把有效采样原样拷入输出，之后按“极值点之间的平滑偏移”逐点叠加。
|
||
for (std::size_t index = 0; index < count; ++index)
|
||
{
|
||
const float value = input[index];
|
||
if (std::isfinite(value))
|
||
{
|
||
output[index] = value;
|
||
}
|
||
}
|
||
|
||
// 1) 识别波峰 / 波谷：扫描单调段，方向翻转处的上一个采样点即为极值点。
|
||
// 波峰（先升后降）与波谷（先降后升）必然交替出现，
|
||
// 因此同类极值就是极值序列里下标 ±2 的两个。
|
||
extremes.clear();
|
||
// 适度预留：编码器方波约每 8 个采样一个极值，预留 1/8 能让最常见的密集信号
|
||
// 一次到位（避免 push_back 反复扩容带来的 1.5x 峰值内存）；宁少勿多，
|
||
// 因为 unreserve 的代价（一次 realloc）远小于无谓地占住内存。
|
||
if (extremes.capacity() < count / 8)
|
||
{
|
||
try
|
||
{
|
||
extremes.reserve(count / 8);
|
||
}
|
||
catch (const std::bad_alloc&)
|
||
{
|
||
// 预留失败不影响正确性：让 push_back 自行增长（低内存时不报错）。
|
||
}
|
||
}
|
||
{
|
||
int direction = 0; // 当前单调段方向（+1 上升、-1 下降）。
|
||
bool hasPrevious = false;
|
||
std::size_t previousIndex = 0;
|
||
double previousValue = 0.0;
|
||
for (std::size_t index = 0; index < count; ++index)
|
||
{
|
||
// 取消检查的粒度：每 1M 个采样一次（单次检查开销可忽略，
|
||
// 但能让“过时任务”在几十毫秒内退出）。
|
||
if (cancel != nullptr && (index & 0xFFFFFu) == 0 && cancel->load(std::memory_order_relaxed))
|
||
{
|
||
return false;
|
||
}
|
||
const double value = static_cast<double>(input[index]);
|
||
if (!std::isfinite(value))
|
||
{
|
||
// 无效采样作为断点：不跨越它判定极值。
|
||
hasPrevious = false;
|
||
continue;
|
||
}
|
||
if (!hasPrevious)
|
||
{
|
||
hasPrevious = true;
|
||
previousIndex = index;
|
||
previousValue = value;
|
||
continue;
|
||
}
|
||
const int step = (value > previousValue) ? 1 : ((value < previousValue) ? -1 : 0);
|
||
if (step != 0)
|
||
{
|
||
if (direction == 0)
|
||
{
|
||
direction = step;
|
||
}
|
||
else if (step != direction)
|
||
{
|
||
// 方向在此翻转：上一个采样点就是极值（原方向向上则为波峰）。
|
||
PeakExtremum extreme;
|
||
extreme.index = static_cast<std::uint32_t>(previousIndex);
|
||
extreme.value = previousValue;
|
||
extreme.type = static_cast<std::int8_t>(direction);
|
||
extremes.push_back(extreme);
|
||
direction = step;
|
||
}
|
||
}
|
||
previousIndex = index;
|
||
previousValue = value;
|
||
}
|
||
}
|
||
|
||
// 识别不到足够多的极值（常量 / 单调 / 采样点太少）：本阶无需任何改动。
|
||
if (extremes.size() < 5)
|
||
{
|
||
return false;
|
||
}
|
||
|
||
// 2) 逐个极值点判定它属于哪几类规则点，并算出它自己的目标偏移量。
|
||
const std::size_t extremeCount = extremes.size();
|
||
thread_local std::vector<double> shiftBuffer;
|
||
ReuseBufferScope<double> reuseScope(shiftBuffer);
|
||
std::vector<double>& shift = shiftBuffer;
|
||
shift.assign(extremeCount, 0.0);
|
||
for (std::size_t k = 2; k + 2 < extremeCount; ++k)
|
||
{
|
||
const PeakExtremum& current = extremes[k];
|
||
const PeakExtremum& left = extremes[k - 2];
|
||
const PeakExtremum& right = extremes[k + 2];
|
||
if (left.type != current.type || right.type != current.type)
|
||
{
|
||
continue;
|
||
}
|
||
if (!std::isfinite(current.value) || !std::isfinite(left.value) ||
|
||
!std::isfinite(right.value))
|
||
{
|
||
continue;
|
||
}
|
||
// 相邻的**异类**极值（波峰旁边的波谷 / 波谷旁边的波峰）。
|
||
const PeakExtremum& nearLeft = extremes[k - 1];
|
||
const PeakExtremum& nearRight = extremes[k + 1];
|
||
if (nearLeft.type == current.type || nearRight.type == current.type)
|
||
{
|
||
continue; // 极值序列本应交替；异常时不动这一点
|
||
}
|
||
if (!std::isfinite(nearLeft.value) || !std::isfinite(nearRight.value))
|
||
{
|
||
continue;
|
||
}
|
||
const bool isPeak = (current.type > 0);
|
||
// 「左侧/右侧相邻的一个同类极值 + 一个异类极值」的均值。
|
||
const double leftMean = (left.value + nearLeft.value) * 0.5;
|
||
const double rightMean = (nearRight.value + right.value) * 0.5;
|
||
// 同类极值里"较温和"的一侧：波峰取较低者、波谷取较高者。
|
||
const double milderSame = isPeak ? std::min(left.value, right.value)
|
||
: std::max(left.value, right.value);
|
||
const double meanSame = (left.value + right.value) * 0.5;
|
||
// 异类极值里"较近"的一个：波峰取较高的波谷、波谷取较低的波峰。
|
||
const double nearerOpposite = isPeak ? std::max(nearLeft.value, nearRight.value)
|
||
: std::min(nearLeft.value, nearRight.value);
|
||
const double meanOpposite = (nearLeft.value + nearRight.value) * 0.5;
|
||
|
||
// 三组识别规则（以弱峰为例，弱谷把"低于"换成"高于"、max/min 互换）：
|
||
// 第一类：**同时**低于左右两侧的（相邻同类极值 + 相邻异类极值）均值；
|
||
// 第二类：低于其中**任意一侧**的该均值（从"且"放宽为"或"）；
|
||
// 第三类：只与左右**同类**极值比较 —— 低于左右两个同类极值即算弱峰。
|
||
const bool firstClass = isPeak ? ((current.value < leftMean) && (current.value < rightMean))
|
||
: ((current.value > leftMean) && (current.value > rightMean));
|
||
const bool secondClass = isPeak ? ((current.value < leftMean) || (current.value < rightMean))
|
||
: ((current.value > leftMean) || (current.value > rightMean));
|
||
const bool thirdClass = isPeak ? ((current.value < left.value) && (current.value < right.value))
|
||
: ((current.value > left.value) && (current.value > right.value));
|
||
|
||
// 同时满足多组时取**幅度绝对值最大**的那一组（= 最严格的那一组先被推到目标值）。
|
||
double amount = 0.0;
|
||
if (firstClass)
|
||
{
|
||
amount = amounts.first;
|
||
}
|
||
if (secondClass && std::fabs(amounts.second) > std::fabs(amount))
|
||
{
|
||
amount = amounts.second;
|
||
}
|
||
if (thirdClass && std::fabs(amounts.third) > std::fabs(amount))
|
||
{
|
||
amount = amounts.third;
|
||
}
|
||
if (amount == 0.0)
|
||
{
|
||
continue; // 不需要调整
|
||
}
|
||
|
||
double destination = current.value;
|
||
if (amount > 0.0)
|
||
{
|
||
// ---- 正幅度（增强）----
|
||
// 0 – 100%：当前值 → 左右**同类**极值中较温和的一侧（波峰取较低者、波谷取较高者）；
|
||
// 100 – 200%：该侧 → 左右**同类**极值的**均值**。
|
||
// ⚠️ 波峰从 `milderSame` 走向 `meanSame`（向上）、波谷同样从 `milderSame`
|
||
// 走向 `meanSame`（此时 `meanSame` 可能比 `milderSame` **低**），
|
||
// 即两者的插值方向一致（都是"milderSame → meanSame"），无需分别取符号。
|
||
destination = (amount <= 1.0)
|
||
? (current.value + amount * (milderSame - current.value))
|
||
: (milderSame + (amount - 1.0) * (meanSame - milderSame));
|
||
}
|
||
else
|
||
{
|
||
// ---- 负幅度（削弱）----
|
||
// 0 – -100%：当前值 → 相邻**异类**极值中较近的一个
|
||
// （波峰取较高的波谷、波谷取较低的波峰）；
|
||
// -100 – -200%：该侧 → 相邻异类极值的**均值**。
|
||
const double magnitude = std::min(2.0, -amount);
|
||
destination = (magnitude <= 1.0)
|
||
? (current.value + magnitude * (nearerOpposite - current.value))
|
||
: (nearerOpposite +
|
||
(magnitude - 1.0) * (meanOpposite - nearerOpposite));
|
||
// ⚠️ 削弱**不得反向增强**：目标被夹在"不越过当前值"的一侧。
|
||
if (isPeak)
|
||
{
|
||
destination = std::min(destination, current.value);
|
||
}
|
||
else
|
||
{
|
||
destination = std::max(destination, current.value);
|
||
}
|
||
}
|
||
shift[k] = destination - current.value;
|
||
}
|
||
|
||
// 3) 把偏移量平滑地摊到极值点之间的数据点上：
|
||
// 相邻两个极值点之间用平滑步进过渡（两端导数为 0，波形不会出现折角），
|
||
// 数据首尾则从 0 渐变到最近的极值点偏移。
|
||
// 注意：极值序列的首尾各两个元素的偏移量恒为 0（缺少同类的左右邻居），
|
||
// 因此这里只需要填充 shift 非零的区间。
|
||
bool changed = false;
|
||
const auto applySpan = [&input, &output, count](std::size_t begin, std::size_t end,
|
||
double beginShift, double endShift)
|
||
{
|
||
if (end <= begin)
|
||
{
|
||
if (begin < count && std::isfinite(input[begin]))
|
||
{
|
||
output[begin] = static_cast<float>(input[begin] + beginShift);
|
||
}
|
||
return;
|
||
}
|
||
const double span = static_cast<double>(end - begin);
|
||
for (std::size_t index = begin; index <= end; ++index)
|
||
{
|
||
const float value = input[index];
|
||
if (!std::isfinite(value))
|
||
{
|
||
continue;
|
||
}
|
||
const double t = static_cast<double>(index - begin) / span;
|
||
const double weight = t * t * (3.0 - 2.0 * t);
|
||
output[index] = static_cast<float>(value + beginShift * (1.0 - weight) +
|
||
endShift * weight);
|
||
}
|
||
};
|
||
|
||
for (std::size_t k = 0; k + 1 < extremeCount; ++k)
|
||
{
|
||
if (shift[k] == 0.0 && shift[k + 1] == 0.0)
|
||
{
|
||
continue;
|
||
}
|
||
applySpan(extremes[k].index, extremes[k + 1].index, shift[k], shift[k + 1]);
|
||
changed = true;
|
||
}
|
||
return changed;
|
||
}
|
||
} // namespace
|
||
|
||
void ComputeWeakPeakAdjust(const std::vector<double>& values, double amount, int iterations,
|
||
std::vector<float>& out,
|
||
const std::atomic<bool>* cancel, bool throttle)
|
||
{
|
||
const std::size_t count = values.size();
|
||
out.assign(count, std::numeric_limits<float>::quiet_NaN());
|
||
if (count == 0)
|
||
{
|
||
return;
|
||
}
|
||
|
||
// 第 1 阶：从原始采样值出发（非有限值保持 NaN）。
|
||
// 工作缓冲用线程本地变量复用容量：单条曲线动辄上千万采样，若每次调用都重新分配
|
||
// 并零初始化，单条「弱峰调整」的耗时会被明显放大（内存分配 + page fault）。
|
||
// ⚠️ 用 `ReuseBufferScope` 保证**离开作用域时裁剪超大容量**：否则 4 条后台线程
|
||
// 会各自常驻数百 MB（thread_local 只在线程退出时才析构），内存随线程数放大。
|
||
thread_local std::vector<float> currentBuffer;
|
||
thread_local std::vector<float> nextBuffer;
|
||
thread_local std::vector<PeakExtremum> extremesBuffer;
|
||
ReuseBufferScope<float> currentScope(currentBuffer);
|
||
ReuseBufferScope<float> nextScope(nextBuffer);
|
||
ReuseBufferScope<PeakExtremum> extremesScope(extremesBuffer);
|
||
std::vector<float>& current = currentBuffer;
|
||
current.assign(count, std::numeric_limits<float>::quiet_NaN());
|
||
for (std::size_t index = 0; index < count; ++index)
|
||
{
|
||
const double value = values[index];
|
||
if (std::isfinite(value))
|
||
{
|
||
current[index] = static_cast<float>(value);
|
||
}
|
||
}
|
||
|
||
// 「迭代次数 N」与「均值滤波」的迭代次数语义一致：把同一处理**重复应用 N 次**，
|
||
// 每一阶以上一阶的结果为输入。一阶时改定量已严格等于「幅度」对应的目标值；
|
||
// 多次迭代时相邻的弱峰会互相抬高彼此的基准，从而把较宽的弱峰区逐步恢复（或削弱）。
|
||
const int stages = std::max(1, std::min(iterations, 1000));
|
||
// 滑动条量程 ±400%（`amount` = 百分比 / 100，即 -4 – +4），按"梯度"同时驱动三组规则：
|
||
// 第一类：始终参与，幅度 = clamp(|a|, 0, 2)；
|
||
// 第二类：|a| > 100% 起参与，幅度 = clamp(|a| - 1, 0, 2)；
|
||
// 第三类：|a| > 200% 起参与，幅度 = clamp(|a| - 2, 0, 2)。
|
||
// 于是滑动条 0–100% 只有第一类在动；100–200% 第一类走完 100–200%、第二类开始走 0–100%；
|
||
// 200–300% 第一类已到上限、第二类走 100–200%、第三类开始走 0–100%；
|
||
// 300–400% 前两类都已到上限，只有第三类在走 100–200%。负值完全对称。
|
||
const double clamped = std::max(-4.0, std::min(4.0, amount));
|
||
const double magnitude = std::fabs(clamped);
|
||
const double sign = (clamped < 0.0) ? -1.0 : 1.0;
|
||
WeakPeakAmounts amounts;
|
||
amounts.first = sign * std::min(magnitude, 2.0);
|
||
amounts.second = sign * std::max(0.0, std::min(2.0, magnitude - 1.0));
|
||
amounts.third = sign * std::max(0.0, std::min(2.0, magnitude - 2.0));
|
||
std::vector<float>& next = nextBuffer;
|
||
for (int stage = 0; stage < stages; ++stage)
|
||
{
|
||
if (cancel != nullptr && cancel->load(std::memory_order_relaxed))
|
||
{
|
||
return; // 过时任务：立即退出（`out` 保留为 NaN，调用方会丢弃它）
|
||
}
|
||
if (!ApplyWeakPeakStage(current, amounts, next, extremesBuffer, cancel))
|
||
{
|
||
if (cancel != nullptr && cancel->load(std::memory_order_relaxed))
|
||
{
|
||
return; // 被取消（而非“本阶无改动”）
|
||
}
|
||
// 这一阶没有任何采样点需要调整：后续迭代次数也不会再有变化，提前结束。
|
||
break;
|
||
}
|
||
current.swap(next);
|
||
if (throttle)
|
||
{
|
||
// 低内存设备的“少量多次”：每阶之间小睡一下，把内存带宽与 CPU 让给前台。
|
||
Sleep(1);
|
||
}
|
||
}
|
||
out.swap(current);
|
||
}
|
||
|
||
const Lane::MeanFilterItem* Lane::FindMeanFilterItem(const SignalRef& ref) const
|
||
{
|
||
for (const MeanFilterItem& item : meanFilterItems)
|
||
{
|
||
if (item.ref == ref)
|
||
{
|
||
return &item;
|
||
}
|
||
}
|
||
return nullptr;
|
||
}
|
||
|
||
Lane::MeanFilterItem& Lane::EnsureMeanFilterItem(const SignalRef& ref)
|
||
{
|
||
for (MeanFilterItem& item : meanFilterItems)
|
||
{
|
||
if (item.ref == ref)
|
||
{
|
||
return item;
|
||
}
|
||
}
|
||
MeanFilterItem item;
|
||
item.ref = ref;
|
||
meanFilterItems.push_back(item);
|
||
return meanFilterItems.back();
|
||
}
|
||
|
||
void Lane::RemoveMeanFilterItem(const SignalRef& ref)
|
||
{
|
||
meanFilterItems.erase(
|
||
std::remove_if(meanFilterItems.begin(), meanFilterItems.end(),
|
||
[&ref](const MeanFilterItem& item) { return item.ref == ref; }),
|
||
meanFilterItems.end());
|
||
}
|
||
|
||
const Lane::EdgeCenterItem* Lane::FindEdgeCenterItem(const SignalRef& ref) const
|
||
{
|
||
for (const EdgeCenterItem& item : edgeCenterItems)
|
||
{
|
||
if (item.ref == ref)
|
||
{
|
||
return &item;
|
||
}
|
||
}
|
||
return nullptr;
|
||
}
|
||
|
||
Lane::EdgeCenterItem& Lane::EnsureEdgeCenterItem(const SignalRef& ref)
|
||
{
|
||
for (EdgeCenterItem& item : edgeCenterItems)
|
||
{
|
||
if (item.ref == ref)
|
||
{
|
||
return item;
|
||
}
|
||
}
|
||
EdgeCenterItem item;
|
||
item.ref = ref;
|
||
edgeCenterItems.push_back(item);
|
||
return edgeCenterItems.back();
|
||
}
|
||
|
||
void Lane::RemoveEdgeCenterItem(const SignalRef& ref)
|
||
{
|
||
edgeCenterItems.erase(
|
||
std::remove_if(edgeCenterItems.begin(), edgeCenterItems.end(),
|
||
[&ref](const EdgeCenterItem& item) { return item.ref == ref; }),
|
||
edgeCenterItems.end());
|
||
}
|
||
|
||
const Lane::WeakPeakItem* Lane::FindWeakPeakItem(const SignalRef& ref) const
|
||
{
|
||
for (const WeakPeakItem& item : weakPeakItems)
|
||
{
|
||
if (item.ref == ref)
|
||
{
|
||
return &item;
|
||
}
|
||
}
|
||
return nullptr;
|
||
}
|
||
|
||
Lane::WeakPeakItem& Lane::EnsureWeakPeakItem(const SignalRef& ref)
|
||
{
|
||
for (WeakPeakItem& item : weakPeakItems)
|
||
{
|
||
if (item.ref == ref)
|
||
{
|
||
return item;
|
||
}
|
||
}
|
||
WeakPeakItem item;
|
||
item.ref = ref;
|
||
weakPeakItems.push_back(item);
|
||
return weakPeakItems.back();
|
||
}
|
||
|
||
void Lane::RemoveWeakPeakItem(const SignalRef& ref)
|
||
{
|
||
weakPeakItems.erase(
|
||
std::remove_if(weakPeakItems.begin(), weakPeakItems.end(),
|
||
[&ref](const WeakPeakItem& item) { return item.ref == ref; }),
|
||
weakPeakItems.end());
|
||
}
|
||
|
||
int FindNearestSample(const TimeAxis& axis, double time)
|
||
{
|
||
const std::size_t count = axis.time.size();
|
||
if (count == 0)
|
||
{
|
||
return -1;
|
||
}
|
||
|
||
if (axis.monotonic)
|
||
{
|
||
const std::vector<double>::const_iterator lower =
|
||
std::lower_bound(axis.time.begin(), axis.time.end(), time);
|
||
if (lower == axis.time.begin())
|
||
{
|
||
return 0;
|
||
}
|
||
if (lower == axis.time.end())
|
||
{
|
||
return static_cast<int>(count - 1);
|
||
}
|
||
const std::size_t rightIndex = static_cast<std::size_t>(lower - axis.time.begin());
|
||
const std::size_t leftIndex = rightIndex - 1;
|
||
const double leftDistance = std::fabs(time - axis.time[leftIndex]);
|
||
const double rightDistance = std::fabs(axis.time[rightIndex] - time);
|
||
return (leftDistance <= rightDistance) ? static_cast<int>(leftIndex) : static_cast<int>(rightIndex);
|
||
}
|
||
|
||
int best = 0;
|
||
double bestDistance = std::numeric_limits<double>::infinity();
|
||
for (std::size_t index = 0; index < count; ++index)
|
||
{
|
||
if (!std::isfinite(axis.time[index]))
|
||
{
|
||
continue;
|
||
}
|
||
const double distance = std::fabs(axis.time[index] - time);
|
||
if (distance < bestDistance)
|
||
{
|
||
bestDistance = distance;
|
||
best = static_cast<int>(index);
|
||
}
|
||
}
|
||
return best;
|
||
}
|
||
|
||
bool SampleSignalAt(const TimeAxis& axis, const SignalData& signal, double time, bool interpolate,
|
||
double& value)
|
||
{
|
||
value = kMissing;
|
||
|
||
if (axis.time.empty() || signal.values.empty())
|
||
{
|
||
return false;
|
||
}
|
||
if (time < axis.minTime || time > axis.maxTime)
|
||
{
|
||
return false;
|
||
}
|
||
|
||
const std::vector<double>& values = signal.values;
|
||
|
||
if (!axis.monotonic)
|
||
{
|
||
const int nearest = FindNearestSample(axis, time);
|
||
if (nearest < 0 || static_cast<std::size_t>(nearest) >= values.size())
|
||
{
|
||
return false;
|
||
}
|
||
value = values[static_cast<std::size_t>(nearest)];
|
||
return std::isfinite(value);
|
||
}
|
||
|
||
const std::vector<double>::const_iterator lower = std::lower_bound(axis.time.begin(), axis.time.end(), time);
|
||
const std::size_t rightIndex = static_cast<std::size_t>(lower - axis.time.begin());
|
||
if (rightIndex == 0)
|
||
{
|
||
value = values[0];
|
||
return std::isfinite(value);
|
||
}
|
||
if (rightIndex >= axis.time.size())
|
||
{
|
||
value = values.back();
|
||
return std::isfinite(value);
|
||
}
|
||
|
||
const std::size_t leftIndex = rightIndex - 1;
|
||
if (rightIndex >= values.size() || leftIndex >= values.size())
|
||
{
|
||
return false;
|
||
}
|
||
|
||
const double t0 = axis.time[leftIndex];
|
||
const double t1 = axis.time[rightIndex];
|
||
const double v0 = values[leftIndex];
|
||
const double v1 = values[rightIndex];
|
||
|
||
if (!interpolate || !std::isfinite(v0) || !std::isfinite(v1) || !(t1 > t0))
|
||
{
|
||
const double leftDistance = std::fabs(time - t0);
|
||
const double rightDistance = std::fabs(t1 - time);
|
||
value = (leftDistance <= rightDistance) ? v0 : v1;
|
||
return std::isfinite(value);
|
||
}
|
||
|
||
const double ratio = (time - t0) / (t1 - t0);
|
||
value = v0 + (v1 - v0) * ratio;
|
||
return true;
|
||
}
|
||
|
||
bool SampleDisplayedSignalAt(const TimeAxis& axis, const SignalData& signal,
|
||
const SignalStyle& style, double time, bool interpolate, double& value)
|
||
{
|
||
// 未启用水平镜像 / 时间偏移时与 SampleSignalAt 完全等价
|
||
//（避免两套实现产生细微差异）。
|
||
if (!style.mirrorHorizontal && style.offsetTime == 0.0)
|
||
{
|
||
return SampleSignalAt(axis, signal, time, interpolate, value);
|
||
}
|
||
|
||
value = kMissing;
|
||
if (axis.time.empty() || signal.values.empty())
|
||
{
|
||
return false;
|
||
}
|
||
// 绘制位置 = 源时刻 + offsetTime，因此查询源数据要用「绘制时刻 − offsetTime」。
|
||
const double query = time - style.offsetTime;
|
||
if (query < axis.minTime || query > axis.maxTime)
|
||
{
|
||
return false;
|
||
}
|
||
|
||
const std::vector<double>& values = signal.values;
|
||
const std::size_t count = std::min(axis.time.size(), values.size());
|
||
if (count == 0)
|
||
{
|
||
return false;
|
||
}
|
||
// 画面上第 i 个位置用源下标 srcIndex(i) 的值（水平镜像 = 数据反序）。
|
||
const auto sample = [&](std::size_t index) -> double
|
||
{
|
||
return values[SourceIndexFor(style, count, index)];
|
||
};
|
||
|
||
if (!axis.monotonic)
|
||
{
|
||
const int nearest = FindNearestSample(axis, query);
|
||
if (nearest < 0 || static_cast<std::size_t>(nearest) >= count)
|
||
{
|
||
return false;
|
||
}
|
||
value = sample(static_cast<std::size_t>(nearest));
|
||
return std::isfinite(value);
|
||
}
|
||
|
||
const std::vector<double>::const_iterator lower =
|
||
std::lower_bound(axis.time.begin(), axis.time.end(), query);
|
||
const std::size_t rightIndex = static_cast<std::size_t>(lower - axis.time.begin());
|
||
if (rightIndex == 0)
|
||
{
|
||
value = sample(0);
|
||
return std::isfinite(value);
|
||
}
|
||
if (rightIndex >= count)
|
||
{
|
||
value = sample(count - 1);
|
||
return std::isfinite(value);
|
||
}
|
||
|
||
const std::size_t leftIndex = rightIndex - 1;
|
||
const double t0 = axis.time[leftIndex];
|
||
const double t1 = axis.time[rightIndex];
|
||
const double v0 = sample(leftIndex);
|
||
const double v1 = sample(rightIndex);
|
||
|
||
if (!interpolate || !std::isfinite(v0) || !std::isfinite(v1) || !(t1 > t0))
|
||
{
|
||
const double leftDistance = std::fabs(query - t0);
|
||
const double rightDistance = std::fabs(t1 - query);
|
||
value = (leftDistance <= rightDistance) ? v0 : v1;
|
||
return std::isfinite(value);
|
||
}
|
||
|
||
const double ratio = (query - t0) / (t1 - t0);
|
||
value = v0 + (v1 - v0) * ratio;
|
||
return true;
|
||
}
|
||
|
||
|
||
} // namespace jdi
|
||
|