تجانس الحركة من المتوسط - ماتلاب

طريقة بسيطة (مخصصة) هي أن تأخذ فقط المتوسط ​​المرجح (قابل للضبط من قبل ألفا) في كل نقطة مع جيرانها: أو بعض الاختلاف منها. نعم، لتكون أكثر تطورا يمكنك فورييه تحويل البيانات الخاصة بك أولا، ثم قطع الترددات العالية. شيء مثل: هذا يخفض أعلى 20 ترددات. كن حذرا لقطع بها بشكل متناظر وإلا فإن تحويل معكوس لم يعد حقيقيا. تحتاج إلى اختيار بعناية تردد قطع للمستوى المناسب من التجانس. هذا هو نوع بسيط جدا من التصفية (تصفية مربع في مجال التردد)، حتى تتمكن من محاولة تخفيف بلطف ترددات عالية الترتيب إذا كان التشويه غير مقبول. أجاب 4 أكتوبر 09 في 09:16 ففت ليس فكرة سيئة، ولكن من المحتمل أن يفيض هنا. تشغيل أو تحريك المتوسطات تعطي نتائج سيئة عموما، وينبغي تجنب أي شيء إلى جانب الواجبات المنزلية المتأخرة (والضجيج الأبيض). إد استخدام تصفية سافيتسكي-غولاي (في ماتلاب سغولايفيلت (.)). هذا سوف تعطيك أفضل النتائج لما كنت تبحث عن - بعض التجانس المحلي مع الحفاظ على شكل منحنى. ما هو تمهيد وكيف يمكن أن أفعل ذلك لدي صفيف في ماتلاب الذي هو طيف حجم إشارة خطاب ( حجم 128 نقطة من الاتحاد الفرنسي للتنس). كيف يمكنني تسهيل هذا باستخدام المتوسط ​​المتحرك من ما أفهمه، يجب أن تأخذ حجم نافذة عدد معين من العناصر، واتخاذ المتوسط، وهذا يصبح العنصر 1ST الجديد. ثم قم بتحويل النافذة إلى اليمين عن طريق عنصر واحد، واتخاذ المتوسط ​​الذي يصبح العنصر 2ND، وهلم جرا. هل هذا حقا كيف يعمل أنا لست متأكدا نفسي منذ لو فعلت ذلك، في النتيجة النهائية لدي أقل من 128 العناصر. فكيف أنها تعمل وكيف أنها تساعد على تسهيل نقاط البيانات أو هل هناك أي طريقة أخرى يمكنني القيام به تمهيد البيانات المطلوبة أكتوبر 15 12 في 6:30 هاجرت من ستاكوفيرفلو أكتوبر 15 12 في 14:51 وجاء هذا السؤال من وجهة نظرنا موقع للمبرمجين المحترفين والمتحمسين. لطيف ربما كنت ترغب في متوسط ​​معا (في البعد الزمني) أطياف متعددة بدلا من المتوسط ​​الجاري على طول محور تردد طيف واحد نداش نهائية 16 أكتوبر 12 في 1:04 متعرج كلاهما تقنيات صالحة. متوسط ​​في مجال التردد (تسمى أحيانا دانيال بيريوديغرام) هو نفس نافذة في المجال الزمني. متوسط ​​متوسط ​​بيريودوغرامز (كوتسبكتراكوت) هو محاولة لتقليد مجموعة المتوسط ​​المطلوب من بيريودوغرام صحيح (وهذا ما يسمى ويلش بيريودوغرام). أيضا، كمسألة من الدلالات، وأود أن يجادل بأن كوتسموثينكوت هو غير كوسوبي تمرير منخفض الترشيح. انظر كلمان تصفية مقابل كالمان تجانس، وينر تصفية v ويينر تجانس، وما إلى ذلك هناك تمييز نونتريفيال وتنفيذ it39s تعتمد. نداش برايان 12 ديسمبر 12 في 19:18 يمكن أن يتم التلميع بطرق عديدة، ولكن في الشروط الأساسية والعامة جدا وهذا يعني أنك حتى خارج إشارة، عن طريق خلط عناصرها مع جيرانهم. كنت سماربلور إشارة قليلا من أجل التخلص من الضوضاء. على سبيل المثال، تقنية تمهيد بسيطة جدا ستكون، لإعادة حساب كل عنصر إشارة f (t) إلى 0.8 من القيمة الأصلية، بالإضافة إلى 0.1 من كل من جيرانها: لاحظ كيف عوامل الضرب، أو الأوزان، تضيف ما يصل الى واحد. حتى إذا كانت الإشارة ثابتة إلى حد ما، والتجانس لا تغييره كثيرا. ولكن إذا كانت الإشارة تحتوي على تغيير متعرج مفاجئ، فإن مساهمة جيرانها سوف تساعد على إزالة هذا الضجيج قليلا. الأوزان التي تستخدمها في هذه الوظيفة إعادة الحساب يمكن أن يسمى النواة. يجب أن تعمل وظيفة غوسية أحادية البعد أو أي نواة أساسية أخرى في حالتك. مثال لطيف من نوع معين واحد من تمهيد: أعلاه: إشارة أونسموثد أدناه: إشارة ممهدة أمثلة من عدد قليل من حبات: بالإضافة إلى إجابة لطيفة من جونوكس أود أن إسقاط بضع ملاحظات. ويرتبط التنعيم لتصفية (للأسف مادة غامضة جدا ويكيبيديا) - يجب اختيار سلاسة على أساس خصائصه. أحد المرشحات المفضلة هو المرشح الوسيط. هذا مثال على مرشح غير خطي. لديها بعض الخصائص المثيرة للاهتمام، فإنه يحافظ على حواف وقوية جدا تحت ضجيج كبير. إذا كان لديك نموذج كيف تتصرف إشارة مرشح كالمان يستحق نظرة. تمهيده هو في الواقع تقدير احتمال أقصى بايزي للإشارة استنادا إلى الملاحظات. أجاب 15 أكتوبر في 11:07 1 للذكر مرشح كالمان نداش ديجو ديك 13 12 في 18:48 تجانس يعني استخدام المعلومات من العينات المجاورة من أجل تغيير العلاقة بين العينات المجاورة. بالنسبة لنواقل محددة، في نهايات، لا توجد معلومات المجاورة إلى جانب واحد. اختياراتك هي: لا سموثفيلتر النهايات، وقبول أقصر مما يؤدي ناقلات متجانس، تشكل البيانات وسلس مع ذلك (يعتمد على دوكوسيوسيفولنيس من أي تنبؤات من نهايات)، أو ربما باستخدام حبات تجانس مختلفة غير المتماثلة في نهايات (الذي ينتهي وتقصير محتوى المعلومات في إشارة على أي حال). أجاب 15 أكتوبر في 19:44 وقد ذكر آخرون كيف تفعل التمهيد، إد أود أن أذكر لماذا تجانس الأعمال. إذا كنت تفوق بشكل صحيح الإشارة الخاصة بك، وسوف تختلف قليلا نسبيا من عينة واحدة إلى أخرى (تيمبوانتس عينة، بكسل، الخ)، ومن المتوقع أن يكون لها مظهر سلس بشكل عام. وبعبارة أخرى، تحتوي الإشارة على عدد قليل من الترددات العالية، أي مكونات الإشارة التي تختلف بمعدل مماثل لمعدل أخذ العينات. ومع ذلك، غالبا ما تكون القياسات تالفة بسبب الضوضاء. وفي تقريب أولي، نعتبر عادة الضوضاء التي تتبع التوزيع الغوسي مع متوسط ​​الصفر وانحراف معياري معين يضاف ببساطة إلى أعلى الإشارة. للحد من الضوضاء في إشارة لدينا، ونحن عادة جعل الافتراضات الأربعة التالية: الضوضاء هو عشوائي، لا يرتبط بين العينات، لديه متوسط ​​من الصفر، والإشارة غير كافية بما فيه الكفاية. وباستخدام هذه الافتراضات، يمكننا استخدام عامل تصفية متوسط ​​الانزلاق. النظر، على سبيل المثال، ثلاث عينات متتالية. وبما أن الإشارة مفرطة إلى حد كبير، يمكن اعتبار الإشارة الأساسية تتغير خطيا، مما يعني أن متوسط ​​الإشارة عبر العينات الثلاث يساوي الإشارة الحقيقية في العينة الوسطى. في المقابل، فإن الضوضاء تعني صفر وغير مترابطة، مما يعني أن متوسطها يجب أن يميل إلى الصفر. وهكذا، يمكننا أن نطبق عامل تصفية متوسط ​​الانحدار من ثلاث عينات، حيث نستبدل كل عينة بالمتوسط ​​بين نفسها وجيرانها المتجاورين. وبطبيعة الحال، وكلما جعلنا النافذة، والمزيد من الضوضاء سوف متوسط ​​إلى الصفر، ولكن أقل افتراضنا من الخطية من الإشارات الحقيقية يحمل. وبالتالي، علينا أن نجعل من المفاضلة. طريقة واحدة لمحاولة الحصول على أفضل من كلا العالمين هو استخدام المتوسط ​​المرجح، حيث نعطي بعيدا عينات الأوزان الصغيرة، حتى يتسنى لنا متوسط ​​تأثيرات الضوضاء من نطاقات أكبر، في حين لا ترجيح إشارة حقيقية كثيرا حيث ينحرف عن خطيتنا افتراض. كيف يجب وضع الأوزان يعتمد على الضوضاء، والإشارة، والكفاءة الحسابية، وبطبيعة الحال، والمفاضلة بين التخلص من الضوضاء وقطع في إشارة. لاحظ أن هناك الكثير من العمل الذي تم القيام به في السنوات القليلة الماضية للسماح لنا بالاسترخاء بعض الافتراضات الأربعة، على سبيل المثال من خلال تصميم مخططات التجانس مع نوافذ المرشحات المتغيرة (نشر متباين الخواص)، أو المخططات التي لا تستخدم النوافذ على الإطلاق (وسائل غير محلية). أجاب ديك 27 12 في 15: 10Remove الضوضاء والمكونات الدورية من مجموعات البيانات مع الحفاظ على أنماط الكامنة وغالبا ما تستخدم خوارزميات تمهيد لإزالة المكونات الدورية من مجموعة البيانات مع الحفاظ على الاتجاهات على المدى الطويل. على سبيل المثال، غالبا ما تظهر بيانات السلاسل الزمنية التي يتم أخذ عينات منها مرة واحدة في الشهر تقلبات موسمية. سيؤدي المرشح المتوسط ​​المتحرك لمدة اثني عشر شهرا إلى إزالة العنصر الموسمي مع الحفاظ على الاتجاه طويل الأمد. بدلا من ذلك، يمكن استخدام خوارزميات تمهيد لتوليد نموذج وصفي لتحليل البيانات الاستكشافية. وكثيرا ما يستخدم هذا الأسلوب عندما يكون من غير العملي تحديد نموذج المعلمة التي تصف العلاقة بين مجموعة من المتغيرات. وتستخدم تقنيات تجسيد الإشارات أو السلاسل الزمنية في مجموعة من التخصصات بما في ذلك معالجة الإشارات وتحديد النظام والإحصاءات والاقتصاد القياسي. تشمل خوارزميات التمهيد الشائعة: لواس و لواس: طرق التجانس غير التجميعية باستخدام نماذج الانحدار المحلية تمهيد النواة: نهج غير معرفي لنمذجة وظيفة توزيع سلسة تمهيد الخطوط العريضة: نهج غير منحنى لتثبيت منحنى الانحدار التمثيلي للمتوسط ​​المتحرك (أرما) فيلتر يستخدم عندما تظهر البيانات الارتباط الذاتي التسلسلي مرشح هودريك-بريسكوت: مرشح يستخدم لسلاسة سلسلة زمنية اقتصادية من خلال استخراج المكونات الموسمية سافيتسكيغولاي تصفية تجانس: تصفية تستخدم عندما إشارة لديها معلومات عالية التردد التي ينبغي الاحتفاظ فلتر بوترورث: تصفية المستخدمة في معالجة الإشارات لإزالة الضوضاء عالية التردد حدد بلدك