Avec le poids vecteur je veux dire le vecteur avec des poids que vous avez à multiplier les observations dans la fenêtre qui glisse sur vos données avec donc si vous ajoutez ces produits ensemble, il retourne la valeur de l'EMA sur le côté droit de la fenêtre. Pour une moyenne mobile pondérée linéaire, la formule pour trouver le vecteur de poids est: (1: n) / somme (1: n) (en code R). Cette série de longueur n s'ajoute à 1. Pour n10, elle sera 0,01818182 0,03636364 0,05454545 0.07272727 0.09090909 0.10909091 0.12727273 0.14545455 0.16363636 0.18181818 les numéros 1 à 10/55, avec 55 la somme des nombres 1 à 10. Comment calculez-vous le poids Vecteur pour une moyenne mobile exponentielle (EMA) de longueur n si n est la longueur de la fenêtre, alors alphalt-2 / (n1) et ilt-1: n so EmaWeightVectorlt - (alpha (1-alpha) ))) Est-ce correct Même si l'EMA n'est pas vraiment confiné à une fenêtre avec un début et une fin, ne devrait pas les poids s'ajoutent à 1 tout comme avec le LWMA Merci Jason, tous les pointeurs de la façon d'approcher le filtre EMA à tout La précision souhaitée en l'approchant avec un filtre FIR suffisamment long Il y a un script perl sur le fichier en. wikipedia. org/wiki/hellip qui a fait l'image du vecteur poids EMA, mais je ne le comprends pas: s'ils fixent le nombre de poids à 15 pourquoi il ya 20 barres rouges au lieu de 15 ndash MisterH Dec 19 12 à 22: 40Qu'est-ce que le lissage et comment puis-je avoir un tableau dans Matlab qui est le spectre d'amplitude d'un signal de parole (l'amplitude de 128 points de FFT ). Comment puis-je lisser cela à l'aide d'une moyenne mobile À partir de ce que je comprends, je devrais prendre une taille de fenêtre d'un certain nombre d'éléments, prendre la moyenne, et cela devient le nouveau 1er élément. Ensuite, déplacer la fenêtre vers la droite par un élément, prendre la moyenne qui devient le 2ème élément, et ainsi de suite. Est-ce vraiment comment ça marche Je ne suis pas sûr moi-même puisque si je fais cela, dans mon résultat final, je vais avoir moins de 128 éléments. Alors, comment fonctionne-t-il et comment cela aide-t-il à lisser les points de données Ou est-il une autre façon que je peux faire le lissage des données demandées 15 octobre à 18h30 migré de stackoverflow Site pour les programmeurs professionnels et enthousiastes. Pour un spectre que vous voulez probablement la moyenne ensemble (dans la dimension du temps) des spectres multiples plutôt que d'une moyenne courante le long de l'axe de fréquence d'un seul spectre ndash endolith Oct 16 12 à 1:04 endolith deux sont des techniques valables. La moyenne dans le domaine fréquentiel (parfois appelée périodogramme de Danielle) est la même que la fenêtre dans le domaine temporel. La moyenne des périodogrammes multiples (quotspectraquot) est une tentative d'imiter la moyenne d'ensemble requise pour le Periodogram réel (c'est ce que l'on appelle le Periodogram Welch). En outre, comme une question de sémantique, je dirais que quotsmoothingquot est non-causal filtre passe-bas. Voir le filtrage de Kalman contre le lissage de Kalman, le filtrage de Wiener v le lissage de Wiener, etc. Il y a une distinction non triviale et dépend de la mise en œuvre de l'application. Ndash Bryan Dec 12 12 at 19:18 Le lissage peut se faire de plusieurs façons, mais en termes très fondamentaux et généraux, cela signifie que vous égalisez un signal, en mélangeant ses éléments avec leurs voisins. Vous frottis le signal un peu afin de se débarrasser du bruit. Par exemple, une technique de lissage très simple serait de recalculer chaque élément de signal f (t) à 0.8 de la valeur d'origine, plus 0.1 de chacun de ses voisins: Notez comment les facteurs de multiplication, ou poids, s'ajoutent à un. Donc, si le signal est assez constant, le lissage ne change pas beaucoup. Mais si le signal contenait un changement brusque brusque, alors la contribution de ses voisins aidera à éclaircir ce bruit un peu. Les poids que vous utilisez dans cette fonction de recalcul peuvent être appelés noyau. Une fonction gaussienne unidimensionnelle ou tout autre noyau de base devrait faire dans votre cas. Bon exemple d'un type particulier de lissage: Ci-dessus: signal non lissé Ci-dessous: signal lissé Exemples de quelques noyaux: En plus de la jolie réponse de Junuxx, je voudrais déposer quelques notes. Le lissage est lié au filtrage (malheureusement assez vague article de Wikipedia) - vous devriez choisir le lisse en fonction de ses propriétés. Un de mes préférés est le filtre médian. Il s'agit d'un exemple de filtre non linéaire. Il a des propriétés intéressantes, il préserve les bords et est assez robuste sous grand bruit. Si vous avez un modèle de la façon dont votre signal se comporte un filtre Kalman vaut un coup d'oeil. Son lissage est en fait une estimation bayésienne de la vraisemblance maximale du signal basée sur des observations. Le lissage implique l'utilisation d'informations provenant d'échantillons voisins afin de changer la relation entre les échantillons voisins. Pour les vecteurs finis, aux extrémités, il n'y a pas d'information voisine d'un côté. Vos choix sont: ne pas lisser / filtrer les extrémités, accepter un vecteur lissé résultant plus court, composer des données et lisser avec cela (dépend de la précision / utilité de toutes les prédictions au large des extrémités), ou peut-être en utilisant différents noyaux de lissage asymétrique aux extrémités (Qui finit par raccourcir le contenu d'information dans le signal de toute façon). Réponse Oct 15 12 at 19:44 D'autres ont mentionné comment vous le lissage, Je tiens à mentionner pourquoi le lissage fonctionne. Si vous suréchantillonnez correctement votre signal, il variera relativement peu d'un échantillon à l'autre (temps d'échantillonnage, pixels, etc), et il devrait avoir une apparence lisse globale. En d'autres termes, votre signal contient peu de fréquences élevées, c'est-à-dire des composantes de signaux qui varient à un débit similaire à votre fréquence d'échantillonnage. Pourtant, les mesures sont souvent corrompues par le bruit. Dans une première approximation, nous considérons habituellement que le bruit suit une distribution gaussienne avec moyenne zéro et un certain écart-type qui est simplement ajouté au-dessus du signal. Pour réduire le bruit dans notre signal, nous faisons habituellement les quatre hypothèses suivantes: le bruit est aléatoire, n'est pas corrélé entre les échantillons, a une moyenne de zéro, et le signal est suffisamment suréchantillonné. Avec ces hypothèses, nous pouvons utiliser un filtre moyen glissant. Considérons, par exemple, trois échantillons consécutifs. Etant donné que le signal est fortement sur-échantillonné, on peut considérer que le signal sous-jacent varie linéairement, ce qui signifie que la moyenne du signal sur les trois échantillons équivaut au signal vrai à l'échantillon central. En revanche, le bruit a un zéro moyen et n'est pas corrélé, ce qui signifie que sa moyenne devrait tendre à zéro. Ainsi, on peut appliquer un filtre de moyenne glissante à trois échantillons, où l'on remplace chaque échantillon par la moyenne entre elle-même et ses deux voisins adjacents. Bien sûr, plus nous faisons de fenêtre, plus le bruit sera en moyenne à zéro, mais moins notre hypothèse de linéarité du vrai signal se maintient. Nous devons donc faire un compromis. Un moyen de tenter d'obtenir le meilleur des deux mondes est d'utiliser une moyenne pondérée, où nous donnons des échantillons plus loin des poids plus petits, de sorte que nous avons des effets de bruit moyen de plus grandes gammes, tout en ne pesant pas vrai signal trop où il dévie de notre linéarité hypothèse. La façon dont vous devez mettre les poids dépend du bruit, du signal et de l'efficacité de calcul, et, bien sûr, le compromis entre se débarrasser du bruit et couper dans le signal. Notez qu'il ya eu beaucoup de travail au cours des dernières années pour nous permettre de relâcher certaines des quatre hypothèses, par exemple en concevant des systèmes de lissage avec des fenêtres à filtre variable (diffusion anisotrope) ou des systèmes qui n'utilisent pas vraiment les fenêtres (Moyen non local). A répondu Dec 27 12 à 15: 10 moyenne mobile exponentiellement pondérée Vous pouvez penser à votre liste de surveillance comme des fils que vous avez bookmarked. Vous pouvez ajouter des balises, des auteurs, des fils et même des résultats de recherche à votre liste de surveillance. De cette façon, vous pouvez facilement garder une trace des sujets qui vous intéressent po Pour afficher votre liste de surveillance, cliquez sur le lien quotMus Newsreaderquot. Pour ajouter des éléments à votre liste de surveillance, cliquez sur le lien quotadd to watch listquot au bas de chaque page. Comment ajouter un élément à ma liste de surveillance Pour ajouter des critères de recherche à votre liste de surveillance, recherchez le terme souhaité dans la zone de recherche. Cliquez sur le lien "Ajouter cette recherche à ma liste de surveillance" dans la page des résultats de recherche. Vous pouvez également ajouter une balise à votre liste de surveillance en recherchant la balise avec la directive quottag: tagnamequot où tagname est le nom de la balise que vous souhaitez regarder. Pour ajouter un auteur à votre liste de surveillance, accédez à la page de profil des auteurs et cliquez sur le lien Ajouter cet auteur à ma liste de surveillance, en haut de la page. Vous pouvez également ajouter un auteur à votre liste de surveillance en accédant à un fil que l'auteur a posté et en cliquant sur le quotAjouter cet auteur à ma liste de watchquot lien. Vous serez averti chaque fois que l'auteur fait un post. Pour ajouter un fil à votre liste de surveillance, allez à la page du fil et cliquez sur le lien quotAdd this thread à mon watch list, en haut de la page. À propos des groupes de discussion, des lecteurs de nouvelles et de MATLAB Central Les groupes de discussion Les forums sont un forum mondial ouvert à tous. Les groupes de discussion sont utilisés pour discuter d'une vaste gamme de sujets, faire des annonces et échanger des fichiers. Les discussions sont enchaînées ou regroupées de manière à ce que vous puissiez lire un message posté et toutes ses réponses dans l'ordre chronologique. Cela rend facile de suivre le fil de la conversation, et de voir whatrsquos déjà été dit avant de publier votre propre réponse ou de faire une nouvelle affectation. Le contenu des groupes de discussion est distribué par des serveurs hébergés par diverses organisations sur Internet. Les messages sont échangés et gérés en utilisant des protocoles standard ouverts. Aucune entité unique n'a décrété les groupes de discussion. Il ya des milliers de groupes de discussion, chacun traitant d'un seul sujet ou domaine d'intérêt. MATLAB Central Newsreader affiche et affiche des messages dans le groupe de discussion comp. soft-sys. matlab. Comment lire ou publier dans les groupes de discussion Vous pouvez utiliser le lecteur de nouvelles intégré au site Web de MATLAB Central pour lire et publier des messages dans ce groupe de discussion. MATLAB Central est hébergé par MathWorks. Les messages affichés via le lecteur de nouvelles MATLAB Central sont vus par tout le monde utilisant les groupes de discussion, peu importe comment ils accèdent aux groupes de discussion. Il existe plusieurs avantages à utiliser MATLAB Central. Un compte Votre compte MATLAB Central est lié à votre compte MathWorks pour un accès facile. Utilisez l'adresse courriel de votre choix Le lecteur MATLAB Central vous permet de définir une autre adresse e-mail que votre adresse postale, évitant le fouillis dans votre boîte aux lettres principale et réduisant le spam. Contrôle du courrier indésirable La plupart des courriers indésirables des groupes de discussion sont filtrés par le lecteur de nouvelles MATLAB Central. Étiquetage Les messages peuvent être étiquetés avec une étiquette appropriée par tout utilisateur connecté. Les balises peuvent être utilisées comme mots-clés pour trouver des fichiers particuliers intéressants ou pour classer vos annonces marquées d'un signet. Vous pouvez choisir d'autoriser d'autres personnes à afficher vos balises, et vous pouvez afficher ou rechercher d'autres balises ainsi que celles de la communauté en général. Le marquage permet de voir à la fois les grandes tendances et les idées et applications plus petites et plus obscures. Listes de surveillance La configuration des listes de surveillance vous permet d'être informé des mises à jour effectuées sur les annonces sélectionnées par auteur, thread ou toute variable de recherche. Vos notifications de liste de surveillance peuvent être envoyées par courrier électronique (résumé journalier ou immédiat), affichées dans Mon lecteur de nouvelles ou envoyées via le flux RSS. Autres moyens d'accéder aux groupes de discussion Utiliser un lecteur de nouvelles par l'intermédiaire de votre école, de votre employeur ou de votre fournisseur d'accès Internet Payer l'accès à un groupe de discussion auprès d'un fournisseur commercial Utiliser les groupes Google Mathforum. org fournit un lecteur de nouvelles avec accès au groupe comp. soft sys. matlab Exécutez votre propre serveur. Pour les instructions typiques, voir: slyck / ng. phppage2 Sélectionnez votre pays
No comments:
Post a Comment