Jag har i huvudsak en mängd värden som denna. Den ovanstående matrisen är översimplifierad, jag m samlar 1 värde per millisekund i min riktiga kod och jag måste bearbeta utmatningen på en algoritm som jag skrev för att hitta den närmaste toppen före en tidpunkt Logiken misslyckas eftersom i mitt exempel ovan är 0 36 den riktiga toppen, men min algoritm skulle se bakåt och se det sista numret 0 25 som toppen eftersom det sänker till 0 24 före det. Målet är att ta dessa värden Och tillämpa en algoritm för dem som släpper ut dem lite så att jag har mer linjära värden, dvs jag tycker att mina resultat är kurva, inte jaggedy. Jag har fått höra att använda ett exponentiellt glidande medelfilter till mina värden. Hur kan jag gör det här Det är verkligen svårt för mig att läsa matematiska ekvationer. Jag hanterar mycket bättre med kod. Hur bearbetar jag värden i min array och tillämpar en exponentiell glidande genomsnittlig beräkning för att till och med utföra dem. Skal den 8 februari 12 på 20 27. För att beräkna ett exponentiellt glidande medelvärde behöver du hålla någon stat runt och du behöver en inställningsparameter Detta kräver en liten klass om du antar att du använder Java 5 eller senare. Inställning med sönderfallsparametern du vill kan ta tuning ska vara mellan 0 och 1 och använd sedan genomsnittet för att filtrera. När du läser en sida på några matematiska Återkommande, allt du verkligen behöver veta när du gör det till kod är att matematiker gillar att skriva index i arrayer och sekvenser med prenumerationer. De har några andra noteringar också, vilket hjälper inte Emellertid är EMA ganska enkel eftersom du bara behöver att komma ihåg ett gammalt värde, inga komplicerade tillståndsuppställningar krävs. svarade den 8 februari 12 på 20 42. TKKocheran Ganska mycket Det är inte trevligt när saker kan vara enkla Om du börjar med en ny sekvens får du en ny medelvärde Observera att de första villkoren i Den genomsnittliga sekvensen hoppar runt lite på grund av gränseffekter, men du får de med andra glidande medelvärder. En bra fördel är dock att du kan linda den glidande genomsnittliga logiken in i medelvärdet och experimentera utan att störa t han vilar på ditt program för mycket Donal Fellows 9 februari 12 på 0 06. Jag har svårt att förstå dina frågor, men jag kommer att försöka svara ändå.1 Om din algoritm hittat 0 25 istället för 0 36, då är det fel Det är fel eftersom det förutsätter en monotonisk ökning eller minskning som alltid går upp eller alltid går ner, Om du inte vill ha det maximala, om du inte är genomsnittlig ALLA dina data, är dina datapunkter --- som du presenterar dem --- olinjära. värdet mellan två punkter i tid, skära sedan din matris från tmin till tmax och hitta max av den subarray.2 Nu är konceptet för glidande medelvärden mycket enkelt. Föreställ dig att jag har följande lista 1 4, 1 5, 1 4, 1 5, 1 5 Jag kan släpa ut det genom att ta medeltalet av två nummer 1 45, 1 45, 1 45, 1 5 Observera att det första numret är genomsnittet av 1 5 och 1 4 sekund och första siffrorna är den andra nya listan är genomsnittet av 1 4 och 1 5 tredje och andra gamla listan den tredje nya listan i genomsnitt 1 5 och 1 4 fjärde och tredje, och så vidare kunde jag har gjort det period tre eller fyra eller n Observera hur dataen är mycket jämnare Ett bra sätt att se glidande medelvärden på jobbet är att gå till Google Finance, välj ett lager försök Tesla Motors ganska flyktiga TSLA och klicka på technicals längst ner på diagrammet Välj Flyttande medelvärde med en given period och Exponentiell glidande medelvärde för att jämföra deras skillnader. Exponentialt glidande medelvärde är bara en annan utarbetande av detta men viktar de äldre data mindre än de nya data så är det ett sätt att förspänna utjämningen mot baksidan Vänligen läs Wikipedia-posten. Så det här är mer en kommentar än ett svar, men den lilla kommentarrutan var bara för liten lycka till. Om du har problem med matte kan du gå med ett enkelt glidande medel istället för exponentiella Så utgången du får skulle vara de sista x-termerna dividerad med x Otestad pseudokod. Notera att du måste hantera start - och slutdelarna av data eftersom det tydligt är att du inte kan räkna med de senaste 5 termerna när du befinner dig på din andra datapunkt , den re är effektivare sätt att beräkna denna rörliga genomsnittliga summan summan - äldsta nyaste, men det här är att få konceptet av vad som händer across. answered Feb 8 12 på 20 41. Frequency Response of the Running Average Filter. Frekvensresponsen hos en LTI-systemet är DTFT för impulssvaret. Impulssvaret för ett L-provrörande medelvärde är. Eftersom det rörliga medelfiltret är FIR, minskar frekvensresponsen till den ändliga summan. Vi kan använda den mycket användbara identiteten. för att skriva Frekvensrespons som. som vi har låt aej N 0 och ML 1 Vi kan vara intresserade av storleken på denna funktion för att bestämma vilka frekvenser som går igenom filtret obetydliga och vilka dämpas Nedan är en plot av storleksordningen för denna funktion För L 4 röd, 8 grön och 16 blå Den horisontella axeln sträcker sig från noll till radianer per prov. Notera att frekvensresponsen i alla tre fall har en lowpass-karakteristik. En konstant komponent nollfrekvens i inmatningen passerar genom Filtret obetydligt Vissa högre frekvenser, såsom 2, elimineras helt av filtret. Om avsiktet var att designa ett lågpassfilter, har vi inte gjort det bra. Några av de högre frekvenserna dämpas endast med en faktor om cirka 1 10 för 16-punkts glidande medelvärde eller 1 3 för fyrapunkts glidande medelvärde Vi kan göra mycket bättre än det. Ovanstående plot skapades av följande Matlab code. omega 0 pi 400 pi H4 1 4 1-exp - i omega 4 1-exp - i-omega H8 1 8-exp-omega 8 1-exp - i omega H16 1 16 1-exp - i omega 16 1-exp - i omega tomt omega, abs H4 abs H8 abs H16 axel 0, Pi, 0, 1.Copyright 2000- - University of California, Berkeley. The Simple Moving Average Filter. Denna sida beskriver det enkla glidande medelfiltret Denna sida är en del av avsnittet om filtrering som ingår i en guide till feldetektering och diagnos . Det enkla glidande medelfiltret medeltar senaste värden för filteringången för ett visst antal ingångar. Detta är det vanligaste exemplet Av den rörliga genomsnittliga MA-kategorin av filter, även kallad finit-impulsrespons-FIR-filter. Varje ny ingång multipliceras med en koefficient för alla linjära MA-filter och koefficienterna är alla samma för detta enkla glidande medelvärde Summan av koefficienterna är 1 0 , Så att utgången så småningom matchar ingången när ingången inte förändras. Dess utdata beror bara på de senaste ingångarna, till skillnad från det exponentiella filtret som också återanvändar sin tidigare utgång. Den enda parametern är antalet punkter i genomsnittet - fönsterstorleken. Medelstegsrespons. Liksom alla MA-filter kompletterar det ett stegsvar i en ändlig tid beroende på fönsterstorlek. Detta enkla glidande genomsnittliga exempel ovan var baserat på 9 poäng. Under blygsamma antaganden ger den en optimal utjämningsuppskattning för ett värde vid Mittpunkten av tidsintervallet, i detta fall, 4 5 provintervaller tidigare. Copyright 2010 - 2013, Greg Stanley.
No comments:
Post a Comment