پرلین سر و صدا: توابع شبه تصادفی برای نسل زمین

ایجاد محیط های مجازی نیاز به مدل سازی مقادیر زیادی از داده های آموزشی برای حالات مختلف از نو خلق کردن سطوح. ماهیت فراکتال از جهان ما اجازه می دهد تا استفاده از توابع مختلف ریاضی برای اتوماسیون از این وظایف. درختان, زمین, ابرهای, آتش سوزی و غیره. با استفاده از تکنیک های مختلف بر اساس شباهت خود ساخته, خانواده بر اساس پیچیده فراکتال. توابع است که تولید به اصطلاح "سر و صدا پرلین" در این موارد اعمال می شود.

ما مفهوم مورد استفاده در یک بعد تجزیه و تحلیل, تعمیم آن به دو بعد (زمین) فوری است, فراهم می کند و هیچ علاقه ای آموزشی اولیه.

توابع صدا: "توابع سر و صدا (NF)"

NF اساسا یک مولد عدد شبه تصادفی دارای خاصیت تولید همان تعداد به یک مقدار ورودی یا "دانه" تعیین.
هر تابع, مانند Y = چون(X) همیشه همان مقدار از "Y" برای یک مقدار خاص از "X" را برمی گرداند.

اگر ما به استفاده از این تابع برای تولید مدل هندسی, ما دوباره به دست آوردن مدل همان بعد با استفاده از متغیرهای یکسان. با این حال، تابع را نمی توان در نمایندگی از مشخصات تپه یا کوه استفاده می شود زیرا دارای تکرار تناوبی, الگو, طبیعی است که کم. تپه های صحرا شبیه یکدیگر است، اما یکسان نیستند.

الگوی تکراری سناریو معتبر باقی می ماند. الگوی شبه تصادفی می توانید مشخصات که در آن شما تکرار را شناسایی نمی کند ایجاد.

تابع تصادفی است کنترل نمی شما می توانید برای بازگرداندن و یا پس گرفتن ارزش های قبلی, از آنجا که هر زمان بازگشت به ارزش های مختلف.

"تابع پرلین" را به مخلوط استفاده تصادفی (سر و صدا) با کنترل یک تابع معمولی. مقادیر میانی علاوه بر این می توان بین دو مقدار داده شده به دست, تداوم ارائه بنابراین این توابع. اگر ما افزایش مقیاس نمایندگی نیاز به گرفتن این نقاط در میان برای حفظ وضوح تصاویر. اگر ما به ایجاد نمایندگی در سطوح مختلف تکنیک های LOD جزئیات, این جنبه ها از جمله مهم ترین آنها عبارتند از.

در نهایت آن لازم است برای صاف کردن منحنی به دست آمده برای جلوگیری از "قله" و "دره" به طور کلی بسیار تلفظ غیر واقعی و به طور کلی ناخواسته است.
برای به دست آوردن تصاویر در مقیاس های مختلف لازم است برای حفظ این قطعنامه از همان اضافه کردن نقاط جدید است. این تابع باید اجازه می دهد این عملیات برای اطمینان از نمایندگی کیفیت مناسب.

هر تابع "سر و صدا پرلین" تولید شده توسط داده های مختلف است که می تواند انطباق بهتر یا بدتر به عنوان ایجاد مدل مورد نظر. این زمینه تحقیقات اکتشاف در حال حاضر عمیق است.
به [1] استفاده از تعداد psudoaleatorio ژنراتور پیشنهاد, بر اساس استفاده از اعداد اول, که یک عدد را برمی گرداند در محدوده [-1,1] برای هر مقدار عدد صحیح است که عرضه.

عملکرد سر و صدا (32-صحیح: X)

X = (X<<13) ^ *

A=15731

B=789221

C=1376312589
برگشت ( 1.0 – ( (X * (X * X * A B) +C) &7FFFFFFF) / 1073741824.0)عملکرد سر و صدا پایان

تابع "سر و صدا"

سه عدد اول نخست. شما می توانید با آزمایش مقادیر مختلف برای تولید منحنی های جدید. استفاده از سه متغیر (A, B به C) وضوح بیان شد.

کد دو خط اصلی.

اول "لرزش" ارزش ورودی به شیوه ای کنترل شده با جابه جایی از بیت خود را با

X = (X<<13) ^ *

برای تولید تعداد در محدوده فوق [-1,1] استفاده از ارزش انتهای فوقانی آن (1) و تفریق یک مقدار از [0,2].

به دست آوردن ارزش تفریق است با تعیین یک ارزش متوسط جدید با استفاده از اعداد اول فوق ساخته شده است.

X * ( X * X * A + B) + C

تعداد تولید شده باید مثبت باشد, چه منطق تو ماسک برای بار اول شما کمی شما را به صفر (مثبت)

&7FFFFFFF

اگر ما تقسیم این نتیجه گذشته بدست آوردن حداکثر مقدار عدد صحیح بین صفر و یک, برای آن است که توسط MaxEntero / 2 = تقسیم 2³⁰

اکتاو

برای نوشتن تابع نهایی می افزاید: "سر و صدا" با "مشابه" خم که فرکانس های مربوطه.

فرکانس معکوس طول موج F = 1 / L, مفهوم داده شده از تناوب موج

در حالی که دامنه به ما می دهد اندازه (ارتفاع موج ما)

هر یک از این توابع دو برابر فرکانس قبلی, به طور مشابه به فاصله مساوی بین دو نت متوالی در یک پیانو, به نام "اکتاو".

یک تابع و اکتاو اول آن می توانید یک تابع جدید آهنگسازی

تابع شبه تصادفی و اکتاو آن اضافه شده است

تابع شبه تصادفی و اکتاو خلاصه
شما می توانید هارمونیک عملکرد خود را اضافه و یا ترکیبی از عملکردهای مشابه, اضافه کردن تنوع بیشتری در ایجاد بسیاری از اکتاو cornering.The ترکیب مقیاس مترقی جزئیات افزودنی. تعداد بیشتری از نتهای پیچیدگی بالاتر در منحنی به دست آمده, اجازه می دهد برای شبیه سازی صخره های شیب دار.