Bewegende gemiddeldes in R Na die beste van my wete, nie R nie 'n ingeboude funksie om bewegende gemiddeldes te bereken. Die gebruik van die filter funksie, maar ons kan 'n kort funksie te skryf vir bewegende gemiddeldes: Ons kan dan gebruik maak van die funksie op enige data: MAV (data), of MAV (data, 11) as ons wil 'n verskillende aantal datapunte spesifiseer as die standaard 5 plot werke soos verwag: plot (MAV (data)). Benewens die aantal datapunte waaroor om gemiddelde, kan ons ook die kante argument van die filter funksies te verander: sides2 gebruik beide kante, sides1 gebruik net verlede waardes. Deel hierdie: Post navigasie Kommentaar navigasie Kommentaar navigationExponential bewegende gemiddelde - EMO laai die speler. Afbreek van Eksponensiële bewegende gemiddelde - EMO Die 12- en 26-dag EMA is die gewildste kort termyn gemiddeldes, en hulle word gebruik om aanwysers soos die bewegende gemiddelde konvergensie divergensie (MACD) en die persentasie prys ossillator (PPO) te skep. In die algemeen, is die 50- en 200-dag EMA as seine van 'n lang termyn tendense. Handelaars wat tegniese ontleding diens vind bewegende gemiddeldes baie nuttig en insiggewend wanneer dit korrek toegepas word, maar skep chaos wanneer onbehoorlik gebruik of verkeerd verstaan. Al die bewegende gemiddeldes wat algemeen gebruik word in tegniese ontleding is, volgens hulle aard, sloerende aanwysers. Gevolglik moet die afleidings wat op die toepassing van 'n bewegende gemiddelde op 'n bepaalde mark grafiek wees om 'n mark skuif bevestig of om sy krag te toon. Heel dikwels is, teen die tyd dat 'n bewegende gemiddelde aanwyser lyn het 'n verandering aan 'n beduidende stap in die mark weerspieël gemaak het die optimale punt van toegang tot die mark reeds geslaag. 'N EMO nie dien om hierdie dilemma te verlig tot 'n mate. Omdat die EMO berekening plaas meer gewig op die jongste data, dit drukkies die prys aksie 'n bietjie stywer en reageer dus vinniger. Dit is wenslik wanneer 'n EMO word gebruik om 'n handels inskrywing sein herlei. Interpretasie van die EMO Soos alle bewegende gemiddelde aanwysers, hulle is baie meer geskik vir trending markte. Wanneer die mark is in 'n sterk en volgehoue uptrend. die EMO aanwyser lyn sal ook 'n uptrend en andersom vir 'n down tendens toon. A waaksaam handelaar sal nie net aandag te gee aan die rigting van die EMO lyn, maar ook die verhouding van die tempo van verandering van die een bar na die volgende. Byvoorbeeld, as die prys aksie van 'n sterk uptrend begin plat en reverse, van die EMAS tempo van verandering van die een bar na die volgende sal begin om te verminder tot tyd en wyl die aanwyser lyn plat en die tempo van verandering is nul. As gevolg van die sloerende uitwerking, deur hierdie punt, of selfs 'n paar bars voor, die prys aksie moet reeds omgekeer. Dit volg dus dat die waarneming van 'n konsekwente verminderde in die tempo van verandering van die EMO kon self gebruik word as 'n aanduiding dat die dilemma wat veroorsaak word deur die sloerende uitwerking van bewegende gemiddeldes verder kon teen te werk. Algemene gebruike van die EMO EMA word algemeen gebruik word in samewerking met ander aanwysers aan beduidende mark beweeg bevestig en om hul geldigheid te meet. Vir handelaars wat intraday en vinnig bewegende markte handel te dryf, die EMO is meer van toepassing. Dikwels handelaars gebruik EMA om 'n handels vooroordeel bepaal. Byvoorbeeld, as 'n EMO op 'n daaglikse grafiek toon 'n sterk opwaartse neiging, kan 'n intraday handelaars strategie wees om net handel van die lang kant op 'n intraday chart.5.2 Smoothing Tyd Reeks Smoothing word gewoonlik gedoen om ons te help patrone beter te sien, tendense byvoorbeeld, in die tyd reeks. Oor die algemeen glad die onreëlmatige ruheid om 'n duideliker sein sien. Vir seisoenale data, kan ons glad die seisoen, sodat ons die tendens kan identifiseer. Glad nie die geval is voorsien ons met 'n model, maar dit kan 'n goeie eerste stap in die beskrywing van die verskillende komponente van die reeks wees. Die term filter word soms gebruik om 'n glad prosedure beskryf. Byvoorbeeld, as die stryk waarde vir 'n bepaalde tyd word bereken as 'n lineêre kombinasie van waarnemings vir omliggende keer, dit kan gesê word dat weve toegepas n lineêre filter om die data (nie dieselfde as om te sê die resultaat is 'n reguit lyn, deur die manier). Die tradisionele gebruik van die term bewegende gemiddelde is dat by elke punt in die tyd wat ons bepaal (moontlik geweegde) gemiddeldes van waargenome waardes wat 'n bepaalde tyd omring. Byvoorbeeld, op tyd t. 'n gesentreerde bewegende gemiddelde lengte 3 met gelyke gewigte sal die gemiddelde waardes by tye t -1. t. en T1. Om seisoenaliteit weg te neem van 'n reeks, sodat ons kan beter sien tendens, sou ons 'n bewegende gemiddelde met 'n lengte seisoenale span gebruik. So in die stryk reeks, het elk stryk waarde is gemiddeld oor alle seisoene. Dit kan gedoen word deur te kyk na 'n eensydige bewegende gemiddelde waarin jy gemiddeld alle waardes vir die vorige jaar se data of 'n gesentreerde bewegende gemiddelde waarin jy waardes gebruik beide voor en na die huidige tyd. Vir kwartaallikse data, byvoorbeeld, ons kan 'n reëlmatige waarde vir tyd t as definieer (x t x t-1 x T-2 x t-3) / 4, die gemiddelde van hierdie tyd en die vorige 3/4. In R-kode sal dit 'n eensydige filter wees. A-gesentreerde bewegende gemiddelde skep 'n bietjie van 'n probleem wanneer ons 'n ewe getal van tydperke in die seisoenale span (soos ons gewoonlik doen). Om weg te stryk seisoenaliteit in kwartaallikse data. ten einde tendens te identifiseer, die gewone konvensie is om die bewegende gemiddelde stryk op tydstip t is om weg te stryk seisoenaliteit in maandelikse data gebruik. ten einde tendens te identifiseer, die gewone konvensie is om die bewegende gemiddelde stryk op tydstip t is wat deur gebruik gewig 1/24 pas ons om waardes by tye T6 en T6 en gewig 12/01 alle waardes te alle tye tussen T5 en T5. In die opdrag R filter, sowel spesifiseer 'n twee-sided filter wanneer ons wil waardes wat kom beide voor en na die tyd waarvoor was glad gebruik. Let daarop dat op bladsy 71 van ons boek, die skrywers gelyk gewigte van toepassing oor 'n gesentreerde seisoenale bewegende gemiddelde. Dis okay ook. Byvoorbeeld, kan 'n kwartaallikse gladder word stryk op tydstip t is frac x frac x frac xt frac x frac x A maandelikse gladder kan 'n gewig van 1/13 van toepassing op alle waardes van tye t-6 tot T6. Die kode van die skrywers gebruik op bladsy 72 maak gebruik van 'n rep bevel dat 'n waarde herhaal 'n sekere aantal kere. Hulle hoef te gebruik die parameter filter binne die opdrag filter. Voorbeeld 1 Kwartaallikse Beer Produksie in Australië in beide Les 1 en Les 4, het ons gekyk na 'n reeks kwartaallikse bier produksie in Australië. Die volgende R-kode skep 'n reëlmatige reeks waarmee ons sien die tendens patroon, en plotte hierdie tendens patroon op dieselfde grafiek as die tyd reeks. Die tweede opdrag skep en stoor die stryk reeks in die voorwerp genoem trendpattern. Let daarop dat binne die opdrag filter, die parameter genoem filter gee die koëffisiënte vir ons glad en kante 2 veroorsaak dat 'n gesentreerde glad te bereken. beerprod skandering (beerprod. dat) trendpattern filter (beerprod, filter c (1/8, 1/4, 1/4, 1/4, 1/8), sides2) plot (beerprod, Tipe B, hoof bewegende gemiddelde jaarlikse tendens ) lyne (trendpattern) Hier is die resultaat: Ons kan die tendens patroon van die datawaardes trek om 'n beter blik op die seisoen kry. Hier is hoe dit sou gebeur: seasonals beerprod - trendpattern plot (seasonals, Tipe B, hoof seisoenale patroon vir bier produksie) Die resultaat volg: Nog 'n moontlikheid vir glad reeks tendens sien is die eensydige filter trendpattern2 filter (beerprod, filter c (1/4, 1/4, 1/4, 1/4), sides1) Met hierdie, die stryk waarde is die gemiddeld van die afgelope jaar. Voorbeeld 2. VS Maandeliks werkloosheid in die huiswerk vir week 4 jy kyk na 'n maandelikse reeks VSA Werkloosheid vir 1948-1978. Hier is 'n smoothing gedoen om te kyk na die tendens. trendunemployfilter (werkloos, filterc (1 / 24,1 / 12,1 / 12,1 / 12,1 / 12,1 / 12,1 / 12,1 / 12,1 / 12,1 / 12,1 / 12, 1 / 12,1 / 24), sides2) trendunemploy ts (trendunemploy, begin c (1948,1), freq 12) plot (trendunemploy, mainTrend in die VSA Werkloosheid, 1948-1978, XLab Jaar) Slegs die reëlmatige tendens is geplot. Die tweede opdrag identifiseer die kalender tyd kenmerke van die reeks. Dit maak die plot het 'n meer betekenisvolle as. Die plot volg. Vir nie-seisoenale reeks, Arent jy gebind te stryk oor 'n spesifieke span. Vir glad moet jy eksperimenteer met bewegende gemiddeldes van verskillende strek. Diegene strek van die tyd kan relatief kort wees. Die doel is om af te klop die ruwe kante om te sien wat tendens of patroon daar mag wees. Ander Smoothing Metodes (Afdeling 2.4) Afdeling 2.4 beskryf verskeie gesofistikeerde en nuttige alternatiewe vir bewegende gemiddelde glad. Die besonderhede kan oppervlakkig lyk, maar dis okay, want ons dont wil kry vasgeval in baie besonderhede vir diegene metodes. Van die alternatiewe metodes in Afdeling 2.4 beskryf, kan lowess (plaaslik geweeg regressie) die mees algemeen gebruik. Voorbeeld 2 Voortgesette Die volgende plot is glad tendens lyn vir die VSA Werkloosheid reeks, bevind die gebruik van 'n lowess gladder waarin 'n aansienlike bedrag (2/3) het bygedra tot elke stryk skatting. Let daarop dat hierdie stryk die reeks meer aggressief as die bewegende gemiddelde. Die opdragte gebruik is werkloos ts (werkloos, begin c (1948,1), freq12) plot (lowess (werkloos, f 2/3), hoof Lowess smoothing van die Amerikaanse Werkloosheid Trend) Enkellopend Eksponensiële glad die basiese vooruitskatting vergelyking vir enkele eksponensiële gladstryking Daar word dikwels gegee as hoed Alpha xt (1-alfa) hoed t teks Ons voorspel die waarde van x in die tyd T1 'n geweegde kombinasie van die waargeneem waarde op tydstip t en die geskatte waarde op tydstip t wees. Hoewel die metode 'n glad metode, staan bekend as die hoofsaaklik gebruik word vir 'n kort termyn vooruitskatting. Die waarde van die smoothing konstante genoem. Vir een of ander rede, 0.2 is 'n gewilde verstek keuse van programme. Dit plaas 'n gewig van 0,2 op die mees onlangse waarneming en 'n gewig van 1 0,2 0,8 op die mees onlangse skatting. Met 'n relatief klein waarde van, sal die smoothing relatief meer uitgebreide wees. Met 'n relatief groot waarde van die smoothing is relatief minder uitgebreide as meer gewig op die waargenome waarde gestel sal word. Dit is eenvoudig 'n stap vorentoe vooruitskatting metode wat met die eerste oogopslag blyk 'n model vir die data nie nodig. Trouens, hierdie metode is soortgelyk aan die gebruik van 'n ARIMA (0,1,1) model met geen konstante. Die optimale proses is om 'n ARIMA (0,1,1) model om die waargenome dataset pas en gebruik die resultate om die waarde van vas. Dit is 'n optimale in die sin van die skep van die beste vir die reeds waargeneem data. Alhoewel die doel is glad en 'n stap vorentoe voorspel, die ekwivalensie van die ARIMA (0,1,1) model bring 'n goeie punt. Ons behoort nie blindelings toepassing eksponensiële gladstryking omdat die onderliggende proses nie goed kan beskryf deur 'n ARIMA (0,1,1). ARIMA (0,1,1) en Eksponensiële Smoothing Ekwivalensie Oorweeg 'n ARIMA (0,1,1) met gemiddelde 0 vir die eerste verskille, xt - x t-1: begin hoed amp amp xt theta1 wt amp amp xt theta1 (xt - hat t) amp amp (1 theta1) xt - theta1hat geneig. As ons toelaat dat (1 1) en dus - (1) 1, sien ons die ekwivalensie vergelyking (1) hierbo. Hoekom die metode staan bekend as eksponensiële Smoothing Dit lewer die volgende: begin hoed amp amp Alpha xt (1-alfa) Alpha X (1-alfa) hoed amp amp Alpha xt alfa (1-alfa) x (1-alfa) 2hat einde voort in hierdie mode deur agtereenvolgens vervang vir die geskatte waarde aan die regterkant van die vergelyking. Dit lei tot: hoed Alpha xt alfa (1-alfa) x alfa (1-alfa) 2 x kolle alfa (1-alfa) JX kolle alfa (1-alfa) x1 teks vergelyking 2 toon dat die voorspelde waarde is 'n geweegde gemiddelde van alle afgelope waardes van die reeks, met eksponensieel verander gewigte soos ons beweeg terug in die reeks. Optimale Eksponensiële Smoothing in R Eintlik het ons net pas 'n ARIMA (0,1,1) om die data en bepaal die koëffisiënt. Ons kan die pas van die gladde ondersoek deur 'n vergelyking van die voorspelde waardes van die werklike reeks. Eksponensiële gladstryking is geneig om meer as 'n voorspelling instrument as 'n ware gladder te gebruik, so soek om te sien of ons 'n goeie passing. Voorbeeld 3. N 100 maandelikse waarnemings van die logaritme van 'n olie-prysindeks in die Verenigde State van Amerika. Die data-reeks is: 'n ARIMA (0,1,1) pas in R het 'n MA (1) koëffisiënt 0,3877. So (1 1) 1,3877 en 1- -0,3877. Die eksponensiële gladstryking vooruitskatting vergelyking hoed 1.3877xt - 0.3877hat t Ten tye 100, die waargenome waarde van die reeks is x 100 0,86601. Die voorspelde waarde vir die reeks op daardie tydstip is dus die voorspelling vir die tyd 101 is hoed 1.3877x - 0.3877hat 1,3877 (0,86601) -0,3877 (0,856789) 0,8696 aanleiding is hoe goed die gladder pas die reeks. Dit is 'n goeie passing. Dis 'n goeie teken vir vooruitskatting, die hoofdoel van hierdie gladder. Hier is die instruksies wat gebruik word om die uitset vir hierdie voorbeeld te genereer: oilindex skandering (oildata. dat) plot (oilindex, Tipe B, hoof log olie-indeks Series) expsmoothfit ARIMA (oilindex, sodat c (0,1,1)) expsmoothfit om die ARIMA resultate sien predicteds oilindex - expsmoothfitresiduals voorspelde waardes plot (oilindex, typeb, hoof eksponensiële smoothing van log olie-indeks) lyne (predicteds) 1.3877oilindex100-0.3877predicteds100 voorspelling vir tyd 101 Double eksponensiële smoothing Double eksponensiële gladstryking gebruik kan word wanneer Theres tendens (hetsy lang termyn of kort termyn), maar daar is geen seisoenaliteit. In wese die metode skep 'n voorspelling deur die kombinasie van eksponensieel stryk skattings van die tendens (helling van 'n reguit lyn) en die vlak (basies, die afsnit van 'n reguit lyn). Twee verskillende gewigte, of glad parameters, word gebruik om hierdie twee komponente by elke keer op te dateer. Die stryk is min of meer gelykstaande aan 'n eenvoudige eksponensiële gladstryking van die datawaardes en die reëlmatige tendens is min of meer gelykstaande aan 'n eenvoudige eksponensiële gladstryking van die eerste verskille. Die prosedure is gelykstaande aan pas 'n ARIMA (0,2,2) model, met geen konstante trek hom af met 'n ARIMA (0,2,2) fiks uitgevoer kan word. (1-B) 2 xt (1theta1B theta2B2) wt. NavigationAn Eksponensiële bewegende gemiddelde IIR Filter Filter van gemete veranderlikes ingesluit mikrobeheerder gebaseer kringe is nodig om die gemiddelde waarde van die seine op te spoor en om hul veranderlikheid te verminder. As die seine verskil in hul gemiddelde waarde met verloop van tyd, die filter moet 'n manier om ou mates weggooi terwyl die integrasie van nuwe monsters. Die eksponensiële bewegende gemiddelde oneindige impule reaksie (IIR) filter is goed verstaan vir baie dekades en word op groot skaal in statistiese analise. Dit bied 'n bestryk eenvoudige middel van die bepaling van die gemiddelde waarde van 'n veranderlike wanneer die onderliggende model van die veranderlike is onbekend. As v N is die veranderlike wat gefiltreer, dan 'n nde beramer vir die gemiddelde waarde is: waar a gewig koëffisiënt waarvan die waarde bepaal die bedrag van gladstryking. Hoe nader 'n is om 0, hoe groter is die hoeveelheid glad. In sommige gevalle is die algoritme in hierdie vorm produseer intermediêre resultate wat groot kan word. Om dit te implementeer met behulp van 'n eindige presisie heelgetal rekenkunde, is dit gegiet in 'n effens ander vorm waarin intermediêre resultate word begrens deur 'n bekende waarde. Die gewig koëffisiënt is voorgestel as 'n 1-1 / h. waar c 'n krag van 2. Die krag k kan verhoog word tot die bedrag van smoothing verhoog, terwyl beperking tot 'n krag van 2 sal toelaat vermenigvuldig en deel te word uitgevoer met behulp van 'n baie vinnige links en regs skuif bedrywighede in 'n mikroverwerker. Die hoeveelheid CV av (N) is nagespoor tot presisie handhaaf: As byvoorbeeld die monsters is 8 bit hoeveelhede (soos gebruik in baie van die beskryf vir die SMPS kringe hier beskryf algoritmes), en k is gekies om 8, dan is die hoeveelheid CV av (n) kan voorgestel word as 'n 16 bit waarde sonder verlies van inligting (juis: 8k stukkies, sien hieronder). Sodra dit vasgestel is, is die hoeveelheid v av (N) wat verkry word deur 'n eenvoudige regs skuif deur k plekke. Op hierdie stadium is daar 'n verlies van inligting van minder as 1 lsb omvang wat (egter daarop dat daar korrelasies in hierdie verlore inligting wat sistematiese foute kan veroorsaak mag wees) kan geabsorbeer word in die onsekerhede van v N. Die veronderstelling dat die veranderlikes V I statisties onafhanklike, analise van variansie toon dat dit verminder met 'n faktor 1 / (2c). Vir stap veranderinge in v N die tydkonstante is c berekening tussenposes. Dop van die gemiddelde waarde word minder akkuraat as die tydkonstante verhoog om te vergelyk met die laagste frekwensie in die onderliggende sein model geword. Boonste limiet vir die gemiddelde waarde Die filter begin met v av (0) 0. Alle afmetings v N is tussen 0 en minstens B (waar B is gewoonlik 256 in ons voorbeelde). So werk terug na die begin van die reeks (wat in die praktyk is altyd eindig) wat net B. So het die maksimum waarde van die versterkte gemiddelde CV av (N) is cB wat binne 'n 16 bit nommer in die voorbeeld hierbo. Gewig in die geval waar die monsters het verskillende statistiese belang, dit is, 'n paar het 'n groter fout waarskynlikheid as ander, gewigte aangewend kan word om 'n meer algemene vorm van die filter te skep. Hierdie gewigte sal gekies word om 'n omgekeerde verhouding tot die foutwaarskynlikheid het. As w N is die gewigte wat toegepas moet word, kan die volgende filter gebruik word: Die tweede vergelyking produseer 'n IIR raming van die gemiddelde van die gewigte wat gebruik word in die eerste vergelyking. Dit kan bewys dat 'n onbevooroordeelde raming van die gemiddelde van v N produseer met 'n vergeet faktor van (1-a). Soos voorheen die gewysigde gemiddeldes CW av (N) en CW av (N) v av (N) wat op die linkerkant sal gevolg word, en die verlangde hoeveelhede onttrek deur 'n eenvoudige division. Updated 12 Maart 2013 Wat is RC filter en Eksponensiële gemiddeld en hoe verskil hulle die antwoord op die tweede deel van die vraag is dat hulle dieselfde proses As een kom uit 'n elektroniese agtergrond dan RC filter (of RC Smoothing) is die gewone uitdrukking. Aan die ander kant 'n benadering wat gebaseer is op statistieke tydreekse het die naam Eksponensiële Berekening van gemiddelde of om die volle naam Eksponensiële Geweegde bewegende gemiddelde gebruik. Dit is ook onder andere bekend as EWMA of EMO. 'N Belangrike voordeel van die metode is die eenvoud van die formule vir die berekening van die volgende uitset. Dit neem 'n fraksie van die vorige uitset en een minus die fraksie keer die huidige insette. Algebraïes op tyd k die stryk uitset y k gegee word deur Soos later aangetoon hierdie eenvoudige formule beklemtoon die onlangse gebeure, glad uit 'n hoë frekwensie variasies en onthul lang tendense termyn. Neem kennis dat daar twee vorme van die eksponensiële gemiddelde vergelyking, die een bo en 'n variant Albei is korrek. Sien die notas aan die einde van die artikel vir meer besonderhede. In hierdie bespreking sal ons net gebruik vergelyking (1). Bogenoemde formule word soms geskryf in die meer beperkte mode. Hoe word hierdie formule afgelei en wat is die interpretasie 'n belangrike punt is hoe ons kies. Om te kyk na hierdie een eenvoudige manier is om 'n RC laaglaatfilter oorweeg. Nou 'n RC laaglaatfilter is bloot 'n reeks weerstand R en 'n parallelle kapasitor C soos hieronder geïllustreer. Die tydreekse vergelyking vir hierdie kring is die produk RC het eenhede van tyd en staan bekend as die tydkonstante, T. vir die kring. Veronderstel ons verteenwoordig die bostaande vergelyking in sy digitale vorm vir 'n tydreeks wat data geneem elke h sekondes het. Ons het Dit is presies dieselfde vorm as die vorige vergelyking. Die vergelyking van die twee verhoudings vir 'n ons het wat verminder om die baie eenvoudige verhouding Vandaar die keuse van N is gelei deur wat tydkonstante ons gekies. Nou vergelyking (1) kan erken as 'n laaglaatfilter en die tydkonstante tipeer die gedrag van die filter. Om die betekenis van die tydkonstante wat ons nodig het om te kyk na die frekwensie kenmerk van hierdie laagdeurlaat RC filter sien. In sy algemene vorm is hierdie Uitdrukking in modulus en fase vorm ons het waar die fasehoek is. Die frekwensie staan bekend as die nominale verdelg frekwensie. Fisies kan dit getoon dat by hierdie frekwensie die krag in die sein is verminder deur die helfte en die amplitude word verminder deur die faktor. In dB terme van hierdie frekwensie is waar die amplitude is verminder deur 3dB. Dit is duidelik dat as die tydkonstante T verhogings so dan die uitroei frekwensie verminder en ons pas meer smoothing die data, wat ons skakel die hoër frekwensies. Dit is belangrik om daarop te let dat die frekwensieweergawe in radiale / sekonde. Dit is daar 'n faktor van betrokke. Byvoorbeeld keuse van 'n tydkonstante van 5 sekondes gee 'n effektiewe verdelg frekwensie van. Een gewilde gebruik van RC glad is om die optrede van 'n meter soos gebruik in 'n gesonde vlak meter na te boots. Dit is oor die algemeen gekenmerk deur hul tydkonstante soos 1 sekonde vir S tipe en 0,125 sekondes vir F tipes. Vir hierdie 2 gevalle is die effektiewe verdelg frekwensies is onderskeidelik 0.16Hz en 1.27Hz. Eintlik is dit nie die tydkonstante ons gewoonlik wil kies, maar dié tydperke ons wil insluit. Gestel ons het 'n sein waar ons wil funksies met 'n tweede periode P sluit. Nou 'n tydperk P is 'n frekwensie. Ons kan dan kies om 'n tydkonstante T gegee deur. Maar weet ons dat ons oor 30 van die uitset (-3dB) by verloor. So die keuse van 'n tydkonstante wat presies ooreenstem met die periodiciteiten ons wil hou is nie die beste skema. Dit is gewoonlik beter om 'n effens hoër afgesny frekwensie kies, sê. Die tydkonstante is dan wat in praktiese terme is soortgelyk aan. Dit verminder die verlies aan sowat 15 op hierdie periodisiteit. Vandaar in praktiese terme gebeure behou met 'n periodisiteit van of groter kies dan 'n tydkonstante van. Dit sluit in die uitwerking van periodiciteiten van af te gaan. Byvoorbeeld, as ons wil die gevolge van gebeure gebeur met insluit sê 'n tweede periode (0.125Hz) 8 Daarna volg 'n tydkonstante van 0.8 sekondes. Dit gee 'n afgesny frekwensie van ongeveer 0.2Hz sodat ons 8 tweede tydperk is goed in die hoof deurlaatband van die filter. As ons die data is monsterneming by 20 keer / sekonde (h 0.05) dan die waarde van N is (0.8 / 0.05) 16 en. Dit gee 'n insig in hoe om te stel. Basies 'n bekende monster tempo dit tipeer die gemiddelde tydperk en kies wat 'n hoë frekwensie skommelinge sal geïgnoreer word. Deur te kyk na die uitbreiding van die algoritme kan ons sien dat dit bevoordeel die mees onlangse waardes, en ook waarom dit staan bekend as eksponensiële gewig. Ons het Vervanging van y k-1 gee die proses 'n paar keer Herhaling lei tot gevolg is in die reeks dan duidelik die terme aan die regterkant kleiner geword en op te tree soos 'n verrottende eksponensiële. Dit is die huidige produksie is bevooroordeeld teenoor die meer onlangse gebeure, maar die groter ons kies T dan die minder vooroordeel. Ter opsomming kan ons sien dat die eenvoudige formule beklemtoon die onlangse gebeure stryk uit 'n hoë frekwensie (kort tydperk) gebeure onthul langtermyn tendense Aanhangsel 1 8211 Alternatiewe vorms van die vergelyking Let Daar is twee vorms van die eksponensiële gemiddelde vergelyking wat in die literatuur verskyn. Albei is korrek en gelyk. Die eerste vorm soos hierbo getoon is (A1) Die alternatiewe vorm is 8230 (A2) Let op die gebruik van in die eerste vergelyking en in die tweede vergelyking. In beide vergelykings en is waardes tussen nul en eenheid. Vroeër is gedefinieer as nou die keuse om Vandaar definieer die alternatiewe vorm van die eksponensiële gemiddelde vergelyking in fisiese terme beteken dit dat die keuse van vorm een gebruik, hang af van hoe 'n mens wil om te dink aan óf neem as die terugvoer fraksie vergelyking (A1) of soos die fraksie van die insette vergelyking (A2). Die eerste vorm is effens minder omslagtig in wat die RC filter verhouding, en lei tot 'n eenvoudiger begrip in filter terme. Hoof Seinverwerking ontleder by Prosig Dr Colin Mercer is Hoof Seinverwerking ontleder by Prosig en het verantwoordelikheid vir seinverwerking en die toepassing daarvan. Hy was voorheen by die Instituut van klank en vibrasie Research (ISVR) by Southampton Universiteit waar hy die Data-analise Sentrum gestig. Hy is 'n geoktrooieerde ingenieur en 'n genoot van die British Computer Society. Ek dink jy wil die 8216p8217 verander na die simbool vir pi. Marco, dankie vir die wys dat uit. Ek dink dit is een van ons ouer artikels wat oorgedra is van 'n ou woordverwerkingsdokument. Dit is duidelik dat die redakteur (my) versuim het om raak te sien dat die pi het nie korrek oorgeskryf. Dit sal binnekort reggestel word. it8217s 'n baie goeie artikel verduideliking oor die eksponensiële gemiddelde Ek glo daar is 'n fout in die formule vir T. Dit moet T h (N-1), nie T (N-1) / h wees. Mike, dankie vir die spot nie. Ek het nou net terug nagegaan dr Mercer8217s oorspronklike tegniese kennis in ons argief en dit blyk dat daar fout is gemaak wanneer die oordrag van die vergelykings om die blog. Ons sal die pos op te los. Dankie dat jy ons laat weet Dankie dankie dankie. Jy kan 100 DSP tekste te lees sonder om iets te sê dat 'n eksponensiële gemiddelde filter is die ekwivalent van 'n R-C filter vind. hmm, het jy die vergelyking vir 'n EMO korrekte weergawe is dit nie YK aXk (1-a) YK-1 in plaas van YK aYk-1 (1-a) Xk Alan, Beide vorms van die vergelyking verskyn in die literatuur, en beide vorms korrek as ek hieronder sal wys. Die punt wat jy maak is belangrike een, want die gebruik van die alternatiewe vorm beteken dat die fisiese verhouding met 'n RC filter is minder duidelik, ook die interpretasie van die betekenis van 'n bewys in die artikel is nie geskik is vir die alternatiewe vorm. Eerste laat ons wys beide vorms korrek is. Die vorm van die vergelyking wat ek gebruik is en die alternatiewe vorm wat verskyn in baie tekste is Note in die bogenoemde Ek latex 1 / latex gebruik in die eerste vergelyking en latex 2 / latex in die tweede vergelyking. Die staking van beide vorms van die vergelyking word getoon wiskundig hieronder om eenvoudige stappe op 'n slag. Wat is nie dieselfde is die waarde wat gebruik word vir latex / latex in elke vergelyking. In beide vorms latex / latex is nie 'n waarde tussen nul en eenheid. Eerste herskryf vergelyking (1) te vervang latex 1 / latex deur latex / latex. Dit gee latexyk y (1 - beta) xk / latex 8230 (1A) Nou definieer latexbeta (1 - 2) / latex en so het ons ook latex 2 (1 - beta) / latex. Vervang dit in vergelyking (1A) gee latexyk (1-2) y 2xk / latex 8230 (1B) En ten slotte weer die reël gee Hierdie vergelyking is identies aan die alternatiewe vorm gegee in vergelyking (2). Sit meer net latex 2 (1-1) / latex. In fisiese terme beteken dit dat die keuse van vorm een gebruik, hang af van hoe 'n mens wil om te dink aan óf neem latexalpha / latex as die terugvoer fraksie vergelyking (1) of as die fraksie van die insette vergelyking (2). Soos hierbo genoem ek die eerste vorm gebruik soos dit is 'n bietjie minder omslagtig in wat die RC filter verhouding, en lei tot eenvoudiger begrip in filter terme. Maar laat die bogenoemde is, na my mening, 'n tekort in die artikel as ander mense kan 'n verkeerde afleiding maak so 'n hersiene weergawe sal binnekort verskyn. I8217ve het altyd gewonder oor hierdie, dankie vir die beskrywing van dit so duidelik. Ek dink nog 'n rede die eerste formulering is mooi is alfa kaarte te 8216smoothness8217: 'n hoër keuse van Alpha beteken 'n 8216more smooth8217 uitset. Michael Dankie vir waarneming 8211 ék sal by die artikel iets op die lyne as dit is altyd beter na my mening in verband te bring fisiese aspekte. Dr Mercer, Uitstekende artikel, dankie. Ek het 'n vraag oor die tydkonstante wanneer dit gebruik word met 'n wgk detector as in 'n gesonde vlak meter wat jy verwys na in die artikel. As ek jou vergelykings om 'n eksponensiële filter met tydkonstante 125ms model en gebruik 'n inset stap sein, kan ek wel 'n uitset wat na 125ms, is 63.2 van die finale waarde te kry. Maar as ek die insetsein Square en sit dit deur die filter, dan sien ek dat ek nodig het om die tydkonstante ten einde te verdubbel vir die sein om te bereik 63,2 van sy finale waarde in 125ms. Kan jy my laat weet as dit verwag word. Baie dankie. Ian Ian, As jy 'n sein soos 'n sinusgolf vierkante dan basies jy verdubbeling van die frekwensie van die fundamentele sowel as die bekendstelling van baie ander frekwensies. Omdat die frekwensie het in effek is verdubbel dan is dit om 8216reduced8217 deur 'n groter bedrag deur die laagdeurlaatfilter. Gevolglik neem dit langer om dieselfde amplitude bereik. Die kwadratuur werking is 'n nie lineêre werking so ek dink nie dit sal altyd presies verdubbel in alle gevalle, maar dit sal neig om te verdubbel as ons 'n dominante lae frekwensie. Let ook daarop dat die ewenaar van 'n kwadraat sein is twee keer die ewenaar van die 8220un-squared8221 sein. Ek vermoed dat jy dalk probeer om 'n vorm van gemiddelde vierkante glad, wat is heeltemal fyn en geldig te kry. Dit mag dalk beter wees om die filter toe te pas en dan vierkant as jy weet wat die effektiewe donker. Maar as alles wat jy het, is die kwadraat sein dan met behulp van 'n faktor van 2 tot verander jou filter alfa waarde sal ongeveer kry jy terug na die oorspronklike snit af frekwensie, of om dit 'n bietjie makliker te definieer jou afsnyfrekwensie teen dubbel die oorspronklike. Dankie vir jou reaksie Dr Mercer. My vraag is regtig probeer om dit wat eintlik gedoen in 'n wgk detector van 'n gesonde vlak meter te kry. As die tydkonstante is ingestel vir 8216fast8217 (125ms) Ek sou gedink het dat intuïtief jy sou verwag dat 'n sinusvormige insetsein om 'n uitset van 63,2 van sy finale waarde te produseer na 125ms, maar aangesien die sein word vierkantig voordat dit na die 8216mean8217 opsporing, sal dit eintlik neem twee keer so lank as wat jy verduidelik. Die beginsel doel van die artikel is om die ekwivalensie van RC filter en eksponensiële gemiddelde wys. As ons praat oor die integrasie tyd gelykstaande aan 'n ware vierkantige integreerder dan korrek dat daar 'n faktor van twee betrokke is. Eintlik as ons 'n ware vierkantige integreerder wat integreer vir Ti sekondes die ekwivalent RC integator tyd om dieselfde resultaat te bereik is 2RC sekondes. Ti is anders as die RC 8216time constant8217 T wat RC. So as ons 'n 8216Fast8217 tydkonstante van 125 msec, dit is RC 125 msec dan is dit gelykstaande aan 'n ware integrasie tyd van 250 msec Dankie vir die artikel, dit was baie behulpsaam. Daar is 'n paar onlangse vraestelle in neurowetenskap wat 'n kombinasie van EMO filters (kort met venster EMO 8211 langtermyn-met venster EMO) gebruik as 'n banddeurlaatfilter vir die regte tyd sein analise. Ek wil graag om hulle toe te pas, maar ek sukkel met die venster groottes verskillende navorsingsgroepe gebruik en sy korrespondensie met die afsnyfrekwensie. Let8217s sê ek wil al die frekwensies onder 0.5Hz (aprox) hou en dat ek verkry 10 monsters / sekonde. Dit beteken dat FP 0.5Hz P 2s T P / 100,2 h 1 / fs0.1 Thefore, die venster grootte Ek moet met behulp van moet N3 wees. Is dit redenasie korrek voordat jy jou vraag wat ek moet kommentaar lewer oor die gebruik van twee hoë slaagsyfer filters om 'n bandlaatfilter vorm. Vermoedelik hulle funksioneer as twee afsonderlike strome, sodat 'n gevolg is van die inhoud van seggenskap latexf / latex om die helfte monster tempo en die ander is die inhoud van seggenskap latexf / latex om die helfte monster tempo. As alles wat hy gedoen het, is die verskil in gemiddelde vierkante vlakke as 'n aanduiding van die krag in die band van latexf / latex om latexf / latex dan is dit dalk redelik wees indien die twee afgesny frekwensies voldoende ver van mekaar, maar ek verwag dat die mense wat dit gebruik hierdie tegniek probeer om 'n nouer band te filter na te boots. Na my mening dat onbetroubare vir ernstige werk sou wees, en sal 'n bron van kommer wees. Net vir verwysing 'n bandlaatfilter is 'n kombinasie van 'n lae frekwensie High Pass filter om die lae frekwensies en 'n hoë frekwensie Laaglaatfilter verwyder om die hoë frekwensies te verwyder. Daar is natuurlik 'n lae slaagsyfer vorm van 'n RC filter, en dus 'n ooreenstemmende EMO. Miskien al my oordeel is dat oorkrities sonder om te weet al die feite dus kan jy stuur vir my 'n paar verwysings na die studies wat jy genoem het, so ek kan kritiseer, soos toepaslik. Miskien het hulle is met behulp van 'n lae slaagsyfer asook 'n hoë slaag filter. Nou draai om jou werklike vraag oor hoe om te bepaal N vir 'n gegewe teiken afsnyfrekwensie Ek dink dit is die beste om die basiese vergelyking T (N-1) h gebruik. Die gesprek oor tydperke is daarop gemik om mense 'n gevoel van wat aangaan. So sien die afleiding hieronder. Ons het die verhoudings latexT (N-1) h / latex en latexT1 / 2 / latex waar latexfc / latex is die veronderstelde afsnyfrekwensie en h die tyd tussen monsters, duidelik latexh 1 / / latex waar latexfs / latex is die monster tempo in monsters / sek. Herrangskik T (N-1) h in 'n geskikte vorm om die afsnyfrekwensie, latexfc / latex en die monster tempo, latexfs / latex, word hieronder getoon sluit. So met behulp latexfc 0.5Hz / latex en latexfs 10 / latex monsters / sek sodat latex (FC / VS) 0.05 / latex gee sodat die naaste heelgetal waarde is 4. Re-reël van die bogenoemde het ons so met N4 ons het latexfc 0,5307 Hz / latex. Die gebruik van N3 gee 'n latexfc / latex van 0,318 Hz. Let met N1 ons 'n volledige afskrif sonder filter.
No comments:
Post a Comment