När du beräknar ett löpande rörligt medelvärde, är det genomsnittligt att placera genomsnittet i mellantidstiden. I föregående exempel beräknade vi genomsnittet av de första 3 tidsperioderna och placerade det bredvid period 3. Vi kunde ha placerat medelvärdet mitt i tidsintervall av tre perioder, det vill säga bredvid period 2. Detta fungerar bra med udda tidsperioder, men inte så bra för jämn tid. Så vart skulle vi placera det första glidande medlet när M 4 Tekniskt sett skulle det rörliga genomsnittet falla vid t 2.5, 3.5. För att undvika detta problem släpper vi MAs med M 2. Således släpper vi de släta värdena Om vi i genomsnitt ett jämnt antal termer behöver vi släta de jämnderade värdena Följande tabell visar resultaten med hjälp av M 4.Movande medelvärden Förflyttande medelvärden Med konventionella dataset är medelvärdet ofta det första och en av de mest användbara, sammanfattande statistiken för att beräkna. När data är i form av en tidsserie är seriemärket en användbar åtgärd, men återspeglar inte dataens dynamiska natur. Medelvärden beräknade över korta perioder, antingen före den aktuella perioden eller centrerad under den aktuella perioden, är ofta mer användbara. Eftersom sådana medelvärden varierar eller flyttas, då den aktuella perioden går från tiden t 2, t 3. etc. är de kända som rörliga medelvärden (Mas). Ett enkelt glidande medelvärde är (vanligtvis) det obegripade medlet av k tidigare värden. Ett exponentiellt vägt rörligt medelvärde är väsentligen detsamma som ett enkelt rörligt medelvärde, men med bidrag till medelvärdet viktat av deras närhet till den aktuella tiden. Eftersom det inte finns en, men en hel serie av rörliga medelvärden för en given serie, kan masken själva vara ritad på grafer, analyserade som en serie och används vid modellering och prognoser. En rad modeller kan konstrueras med hjälp av glidande medelvärden, och dessa är kända som MA-modeller. Om sådana modeller kombineras med autoregressiva (AR) modeller är de resulterande kompositmodellerna kända som ARMA - eller ARIMA-modeller (jag är för integrerad). Enkla glidande medelvärden Eftersom en tidsserie kan betraktas som en uppsättning värden, kan t 1,2,3,4, n genomsnittet av dessa värden beräknas. Om vi antar att n är ganska stor, och vi väljer ett heltal k som är mycket mindre än n. Vi kan beräkna en uppsättning blockmedelvärden eller enkla rörliga medelvärden (i ordning k): Varje åtgärd representerar genomsnittet av datavärdena över ett intervall av k-observationer. Observera att den första möjliga MA i ordningen k gt0 är den för t k. Mer generellt kan vi släppa det extra prenumerationen i ovanstående uttryck och skriva: Detta säger att det uppskattade medelvärdet vid tiden t är det enkla genomsnittet av det observerade värdet vid tiden t och de föregående k -1-stegen. Om vikter appliceras som minskar bidraget från observationer som är längre bort i tid, sägs det glidande medlet vara exponentiellt jämna. Flytta medelvärden används ofta som en form av prognoser, varigenom det uppskattade värdet för en serie vid tiden t 1, S t1. Tas som MA för perioden fram till och med tiden t. t. ex. dagens uppskattning baseras på ett genomsnitt av tidigare registrerade värden fram till och med gårdagens (för dagliga data). Enkla glidande medelvärden kan ses som en form av utjämning. I det exempel som illustreras nedan har luftföroreningens dataset som visas i introduktionen till detta ämne ökat med en 7-dagars glidande medelvärde (MA) - linje, som visas här i rött. Såsom kan ses, släpper MA-linjen ut topparna och trågen i data och kan vara till stor hjälp när det gäller att identifiera trender. Standarden framåtberäkningsformeln innebär att de första k -1 datapunkterna inte har något MA-värde, men därefter sträcker sig beräkningarna till den slutliga datapunkten i serien. PM10 dagliga medelvärden, Greenwich källa: London Air Quality Network, londonair. org. uk En orsak för att beräkna enkla glidande medelvärden på det sätt som beskrivs är att det gör det möjligt att beräkna värden för alla tidsluckor från tid tk fram till idag, och När en ny mätning erhålls för tid t 1 kan MA för tid t 1 läggas till den redan beräknade uppsättningen. Detta ger ett enkelt förfarande för dynamiska dataset. Det finns emellertid vissa problem med detta tillvägagångssätt. Det är rimligt att hävda att medelvärdet under de senaste 3 perioderna ska vara placerat vid tiden t -1, inte tiden t. och för en MA över ett jämnt antal perioder kanske det borde ligga mitt i punkten mellan två tidsintervaller. En lösning på denna fråga är att använda centrerade MA-beräkningar, där MA vid tid t är medelvärdet av en symmetrisk uppsättning värden runt t. Trots sina uppenbara meriter används inte denna metod generellt eftersom det krävs att data är tillgängliga för framtida händelser, vilket kanske inte är fallet. I fall där analysen helt och hållet består av en befintlig serie, kan användningen av centrerad Mas vara att föredra. Enkla glidande medelvärden kan betraktas som en form av utjämning, avlägsna vissa högfrekventa komponenter i en tidsserie och markera (men inte ta bort) trender på ett sätt som liknar den allmänna uppfattningen av digital filtrering. Faktum är att glidmedel är en form av linjärt filter. Det är möjligt att tillämpa en glidande medelberäkning till en serie som redan har slätts, dvs utjämning eller filtrering av en redan slätad serie. Till exempel med ett glidande medelvärde av ordning 2 kan vi betrakta det som beräknat med vikter, så MA vid x 2 0,5 x 1 0,5 x 2. På samma sätt är MA vid x 3 0,5 x 2 0,5 x 3. Om vi Applicera en andra nivå av utjämning eller filtrering, vi har 0,5 x 2 0,5 x 3 0,5 (0,5 x 2 0,5 x 3) 0,25 x 1 0,5 x 2 0,25 x 3 dvs 2-stegs filtrering process (eller convolution) har producerat ett variabelt viktat symmetriskt glidande medelvärde, med vikter. Flera omvälvningar kan producera ganska komplexa viktade glidmedel, av vilka vissa har visat sig vara speciellt användbara inom specialiserade områden, t. ex. i livförsäkringsberäkningar. Flyttande medelvärden kan användas för att avlägsna periodiska effekter om de beräknas med periodens längd som känd. Exempelvis kan säsongsvariationer ofta avlägsnas (om detta är målet) genom att tillämpa ett symmetriskt 12 månaders glidande medelvärde med alla månader viktade lika mycket, med undantag för det första och det sista som viktas med 12. Detta beror på att det kommer att var 13 månader i den symmetriska modellen (aktuell tid, t. - 6 månader). Totalen är dividerad med 12. Liknande procedurer kan antas för någon väldefinierad periodicitet. Exponentiellt vägda glidmedel (EWMA) Med den enkla glidande medelformeln: alla observationer är lika viktiga. Om vi kallade dessa lika vikter, alfa t. var och en av k-vikterna skulle motsvara 1 k. så summan av vikterna skulle vara 1 och formeln skulle vara: Vi har redan sett att flera tillämpningar av denna process resulterar i vikterna varierande. Med exponentiellt vägda glidmedel är bidraget till medelvärdet från observationer som är mer borttagna i tiden minskat och därmed framhävs de senaste (lokala) händelserna. I huvudsak introduceras en utjämningsparameter, 0lt al1l, och formeln revideras till: En symmetrisk version av denna formel skulle vara av formen: Om vikterna i den symmetriska modellen väljas som villkoren för villkoren för binomial expansion, (1212) 2q. de kommer att summera till 1, och när q blir stor kommer den att approximera normalfördelningen. Detta är en form av kärnviktning, med binomial som fungerar som kärnfunktionen. Den tvåstegsvalsning som beskrivs i föregående stycke är just detta arrangemang, med q 1, vilket ger vikterna. Vid exponentiell utjämning är det nödvändigt att använda en uppsättning vikter som summerar till 1 och som reducerar geometriskt i storlek. De använda vikterna är typiskt av formen: För att visa att dessa vikter uppgår till 1, överväga utvidgningen av 1 som en serie. Vi kan skriva och expandera uttrycket i parentes med binomialformeln (1- x) p. där x (1-) och p -1, vilket ger: Detta ger då en form av viktat glidande medelvärde av formuläret: Denna summering kan skrivas som en återkommande relation: vilket förenklar beräkningen kraftigt och undviker problemet att viktningsregimen bör strängt vara oändlig för vikterna sammanlagt till 1 (för små värden av alfa. detta är vanligtvis inte fallet). Notationen som används av olika författare varierar. Vissa använder bokstaven S för att indikera att formeln i huvudsak är en jämn variabel och skriv: medan kontrollteori litteraturen ofta använder Z snarare än S för exponentiellt viktade eller jämnda värden (se exempelvis Lucas och Saccucci, 1990, LUC1 , Och NIST-webbplatsen för mer detaljer och fungerade exempel). Formlerna som nämns ovan härstammar från Roberts arbete (1959, ROB1), men Hunter (1986, HUN1) använder ett uttryck av formen: vilket kan vara mer lämpligt för användning vid vissa kontrollförfaranden. Med alfa 1 är medelvärdet bara det uppmätta värdet (eller värdet av föregående dataobjekt). Med 0,5 är uppskattningen det enkla glidande medlet för nuvarande och tidigare mätningar. Vid prognosmodeller är värdet S t. används ofta som uppskattnings - eller prognosvärde för nästa tidsperiod, dvs som uppskattning för x vid tidpunkt t 1. Således har vi: Detta visar att prognosvärdet vid tid t 1 är en kombination av det tidigare exponentiellt viktade glidande medlet Plus en komponent som representerar det vägda prediktionsfelet, epsilon. Vid tiden t. Antag att en tidsserie ges och en prognos krävs, ett värde för alfa krävs. Detta kan beräknas från befintliga data genom att utvärdera summan av kvadrerade prediktionsfel erhållna med varierande värden av alfa för varje t 2,3. Inställning av den första uppskattningen som det första observerade datavärdet, x 1. I kontrollapplikationer är värdet av alfa viktigt eftersom det används vid bestämning av övre och nedre kontrollgränser och påverkar den genomsnittliga körlängden (ARL) som förväntas innan dessa kontrollgränser bryts (under antagandet att tidsserierna representerar en uppsättning slumpmässiga, identiskt distribuerade oberoende variabler med gemensam varians). Under dessa omständigheter är variansen av kontrollstatistiken: (Lucas och Saccucci, 1990): Kontrollgränser fastställs vanligtvis som fasta multiplar av denna asymptotiska varians, t. ex. - 3 gånger standardavvikelsen. Om exempelvis alfa 0,25 och de data som övervakas antas ha en Normalfördelning, N (0,1), när den är i kontroll, kommer kontrollgränserna att vara - 1,134 och processen kommer att nå en eller annan gräns i 500 steg i genomsnitt. Lucas och Saccucci (1990 LUC1) härleda ARL för ett brett spektrum av alfavärden och under olika antaganden med användning av Markov Chain-förfaranden. De tabulerar resultaten, inklusive att tillhandahålla ARL, när medelvärdet av kontrollprocessen har skiftats med en del multipel av standardavvikelsen. Till exempel, med ett 0,5 skift med alfa 0,25 är ARL mindre än 50 tidssteg. Tillvägagångssätten som beskrivs ovan är kända som singel exponentiell utjämning. Eftersom förfarandena appliceras en gång till tidsserierna och sedan utförs analyser eller kontrollprocesser på den resulterande utjämnade datasatsen. Om datasetet innehåller en trend och eller säsongsbetonade komponenter kan två - eller trestegs exponentiell utjämning användas för att undanröja (explicit modellering) dessa effekter (se vidare avsnittet Prognoser nedan och NIST-exemplet). CHA1 Chatfield C (1975) Analysen av Times Series: Theory and Practice. Chapman och Hall, London HUN1 Hunter J S (1986) Det exponentiellt vägda glidande medlet. J av Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) Exponentiellt viktade rörliga medelkontrollsystem: Egenskaper och förbättringar. Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) Kontrolldiagramtester baserat på geometriska rörliga medelvärden. Technometrics, 1, 239-2505.2 Utjämning av tidsserie Utjämning görs vanligtvis för att vi bättre ska kunna se mönster, trender till exempel i tidsserier. Glatt ut den oregelbundna råheten i allmänhet för att se en tydligare signal. För säsongsdata kan vi sänka säsongsläget så att vi kan identifiera trenden. Utjämning ger oss inte en modell, men det kan vara ett bra första steg i att beskriva olika komponenter i serien. Termen filter används ibland för att beskriva ett utjämningsförfarande. Om exempelvis det jämnde värdet för en viss tid beräknas som en linjär kombination av observationer för omgivande tider kan det sägas att weve tillämpat ett linjärt filter på data (inte detsamma som att säga att resultatet är en rak linje, genom att vägen). Den traditionella användningen av begreppet glidande medelvärde är att vid varje tidpunkt bestämmer vi (möjligen viktade) medelvärden av observerade värden som omger en viss tid. Till exempel vid tid t. ett centrerat rörligt medelvärde av längd 3 med lika vikter skulle vara medelvärdet av värden vid tider t -1. T. och t1. För att ta bort säsongsscenarier från en serie, så vi bättre kan se trenden, skulle vi använda ett glidande medelvärde med en längd säsongsspann. Således har i de släta serierna varje utjämnat värde varit medelvärde över alla årstider. Detta kan göras genom att titta på ett ensidigt glidande medelvärde där du i genomsnitt alla värden för tidigare år värderade data eller ett centrerat glidande medelvärde där du använder värden både före och efter aktuell tid. För kvartalsdata kan vi till exempel definiera ett jämnt värde för tiden t som (x t x t-1 x t-2 x t-3) 4, genomsnittet av den här tiden och de föregående 3 kvartalen. I R-kod kommer detta att vara ett ensidigt filter. Ett centrerat glidande medelvärde skapar lite svårighet när vi har ett jämnt antal tidsperioder under säsongsspannet (som vi brukar göra). Att släpa säsongen i kvartalsdata. För att identifiera trenden är den vanliga konventionen att använda det glidande medlet jämnas vid tidpunkten t. För att släta säsongen i månadsdata. För att identifiera trenden är den vanliga konventionen att använda det glidande medlet glatt vid tidpunkt t. Det vill säga, vi applicerar vikt 124 till värden ibland t6 och t6 och vikt 112 till alla värden vid alla tidpunkter mellan t5 och t5. I R-filterkommandot anger du ett tvåsidigt filter när vi vill använda värden som kommer både före och efter tiden för utjämning. Observera att på sidan 71 i vår bok gäller författarna lika vikter över ett centrerat säsongsmässigt glidande medelvärde. Det är okej också. Exempelvis kan en kvartalsmjukare glättas vid tidpunkten t är frac x frac x frac xt frac x frac x En månatlig mjukare kan tillämpa en vikt av 113 till alla värden från tiderna t-6 till t6. Koden som författarna använder på sidan 72 utnyttjar ett rep-kommando som upprepar ett värde ett visst antal gånger. De använder inte filterparametern inom filterkommandot. Exempel 1 Kvartals ölproduktion i Australien I både lektion 1 och lektion 4 tittade vi på en serie kvartalsvis ölproduktion i Australien. Den följande R-koden skapar en jämn serie som låter oss se trendmönstret och plottar detta trendmönster på samma graf som tidsserien. Det andra kommandot skapar och lagrar den släta serien i objektet som kallas trendpattern. Observera att det i filterkommandot ger det parametervärde filtret koefficienterna för utjämningen och sidor 2 gör att en centrerad smidig kan beräknas. ölprodskanning (beerprod. dat) trendpatternfilter (ölprod, filter c (18, 14, 14, 14, 18), sidor2) plot (ölprod, typ b, huvudrörande genomsnittliga årliga trend) linjer (trendpattern) Heres resultatet: Vi kan subtrahera trendmönstret från datavärdena för att få en bättre titt på säsongsalder. Heres hur det skulle bli gjort: seasonals beerprod - trendpattern plot (säsonger, typ b, huvudsäsongsmönster för ölproduktion) Resultatet följer: En annan möjlighet att utjämna serier för att se trenden är ettsidigt filter trendpattern2 filter (ölprod, filter c (14, 14, 14, 14), sidor1) Med detta är det släta värdet genomsnittet för det gångna året. Exempel 2 USA: s månatliga arbetslöshet I läxan för vecka 4 såg du på en månadsserie arbetslöshet i USA för 1948-1978. Här är en utjämning gjord för att titta på trenden. trendunemployfilter (arbetslös, filterc (124,112,112,112,112,112,112,112,112,112,112,112,124), sidor2) trendunemploy ts (trendunemploy, start c (1948,1), freq 12) plot (trendunemploy, mainTrend i arbetslöshet i USA, 1948-1978, xlab Year) Endast den släta trenden är planerad. Det andra kommandot identifierar kalendertidsegenskaperna för serien. Det gör att tomten har en mer meningsfull axel. Grunden följer. För serier som inte är säsongsbundna, är det inte säkert att du släpper över någon viss spänn. För utjämning bör du experimentera med glidande medelvärden av olika spänner. Dessa spänner över tiden kan vara relativt korta. Målet är att slå av de grova kanterna för att se vilken trend eller mönster som kan vara där. Andra utjämningsmetoder (avsnitt 2.4) Avsnitt 2.4 beskriver flera sofistikerade och användbara alternativ för att flytta genomsnittlig utjämning. Detaljerna kan verka sketchy, men det är okej för att vi inte vill komma ner i massor av detaljer för dessa metoder. Av de alternativa metoder som beskrivs i avsnitt 2.4 kan lowess (lokalt viktad regression) vara den mest använda. Exempel 2 Fortsatt Följande diagram är en jämn trendlinje för USA: s arbetslöshetsserie, som användes med en lågare mjukare, i vilken en betydande mängd (23) bidrog till varje jämn uppskattning. Observera att detta slätte serien mer aggressivt än det glidande medlet. De kommandon som användes var arbetslösa ts (arbetslös, start c (1948,1), freq12) plot (lowess (arbetslös, f 23), främsta Lowess-utjämning av USA: s arbetslöshetstendens) Enkel exponentiell utjämning Den grundläggande prognosekvationen för enkel exponentiell utjämning är ofta given som hatt alfa xt (1-alfa) hat t-text Vi förutspår värdet av x vid tid t1 för att vara en viktad kombination av det observerade värdet vid tid t och det prognostiserade värdet vid tiden t. Även om metoden kallas en utjämningsmetod används den huvudsakligen för prognoser på kort sikt. Värdet av kallas utjämningskonstanten. Oavsett anledning är 0,2 ett populärt standardprogramval. Detta lägger en vikt på .2 på den senaste observationen och en vikt på 1,2 .8 på den senaste prognosen. Med ett relativt litet värde kommer utjämningen att bli relativt mer omfattande. Med ett relativt stort värde är utjämningen relativt mindre omfattande, eftersom mer vikt kommer att sättas på det observerade värdet. Det här är en enkel prognosmetod med ett steg framåtblickande som vid första anblicken inte verkar ha behov av en modell för data. Faktum är att denna metod motsvarar användningen av en ARIMA (0,1,1) modell utan konstant. Det optimala förfarandet är att passa en ARIMA (0,1,1) modell till det observerade datasetet och använda resultaten för att bestämma värdet på. Det här är optimalt i den meningen att det bäst ska skapas för de data som redan observerats. Även om målet är utjämning och ett steg framåt prognoser, motsvarar likvärdigheten till ARIMA (0,1,1) modellen en bra punkt. Vi bör inte blint använda exponentiell utjämning eftersom den underliggande processen kanske inte är välmodellerad av en ARIMA (0,1,1). ARIMA (0,1,1) och exponentiell utjämningsekvivalens Tänk på en ARIMA (0,1,1) med medelvärdet 0 för de första skillnaderna, xt - x t-1: starthatt amp amp xt theta1 wt amp amp xt theta1 (xt - som t) amp amp (1 theta1) xt-theta1hat tenderar. Om vi låter (1 1) och därmed - (1) 1, ser vi ekvivalensen till ekvation (1) ovan. Varför metoden kallas exponentiell utjämning Detta ger följande: starthatt amp amp alpha xt (1-alfa) alfa x (1-alfa) hatt amp amp alpha xt alfa (1-alfa) x (1-alfa) 2hat än Fortsätt På detta sätt genom successivt att ersätta det prognostiserade värdet på ekvations högra sida. Detta leder till: hatt alfa xt alfa (1-alfa) x alfa (1-alfa) 2 x prick alfa (1-alfa) jx prick alfa (1-alfa) x1 text ekvation 2 visar att det prognostiserade värdet är ett vägt genomsnitt av alla tidigare värden i serien, med exponentiellt förändrade vikter när vi flyttar tillbaka i serien. Optimal exponentiell utjämning i R I grund och botten passar vi bara en ARIMA (0,1,1) till data och bestämmer koefficienten. Vi kan undersöka passformen för den smidiga genom att jämföra de förutsagda värdena till den aktuella serien. Exponentiell utjämning tenderar att användas mer som ett prognosverktyg än en riktigt jämnare, så letade efter att se om vi har en bra passform. Exempel 3 n 100 månatliga observationer av logaritmen för ett oljeprisindex i USA. Dataserien är: En ARIMA (0,1,1) passning i R gav en MA (1) - koefficient 0,3877. Således (11) 1,3877 och 1--0,3877. Exponential utjämning prognos ekvationen är hatt 1.3877xt - 0.3877hat t Vid tiden 100 är det observerade värdet av serien x 100 0.86601. Det förutspådda värdet för serien vid den tiden är sålunda prognosen för tid 101 är hatten 1.3877x - 0.3877hat 1.3877 (0.86601) -0.3877 (0.856789) 0.8696 Följande är hur bra den smidigare passar serien. Det är en bra passform. Det är ett gott tecken på prognoser, det huvudsakliga syftet med detta är smidigare. Här är kommandon som används för att generera produktionen för det här exemplet: oilindex scan (oildata. dat) plot (oilindex, typ b, Main Log of Oil Index Series) expsmoothfit arima (oilindex, order c (0,1,1)) expsmoothfit För att se arima resultat förutsäger oilindex - expsmoothfitresiduals predicted values plot (oilindex, typeb, huvudexponentiell utjämning av log of oil index) linjer (förutsägda) 1.3877oilindex100-0.3877predicteds100 prognos för tid 101 Dubbel exponentiell utjämning Dubbel exponentiell utjämning kan användas när theres Trend (antingen långsiktig eller kort sikt), men ingen säsongsmässighet. I huvudsak skapar metoden en prognos genom att kombinera exponentiellt jämnade uppskattningar av trenden (lutning av en rak linje) och nivån (i princip avlyssningen av en rak linje). Två olika vikter eller utjämningsparametrar används för att uppdatera dessa två komponenter vid varje tillfälle. Den jämnda nivån är mer eller mindre ekvivalent med en enkel exponentiell utjämning av datavärdena och den släta trenden är mer eller mindre lika med en enkel exponentiell utjämning av de första skillnaderna. Proceduren motsvarar montering av en ARIMA (0,2,2) modell, utan konstant kan den utföras med en ARIMA (0,2,2) passform. (1-B) 2x (1theta1B theta2B2) vikt. NavigationMoving Average Function resultmovingmean (data, fönster, dim, alternativ) beräknar ett centrerat glidande medelvärde av datamatrisdata med hjälp av en fönsterstorlek som anges i fönstret i dim dimension med hjälp av den algoritm som anges i alternativet. Dim och alternativ är valfria ingångar och kommer som standard till 1. Dim och valfria valfria ingångar kan hoppas över helt eller kan ersättas med a. Till exempel kommer flyttade (data, fönster) att ge samma resultat som movingmean (data, fönster, 1,1) eller movingmean (data, fönster ,, 1). Inmatningsmatrisens storlek och dimension begränsas endast av den maximala matrisstorleken för din plattform. Fönstret måste vara ett heltal och ska vara udda. Om fönstret är jämnt så rundas det ner till nästa nedre udda nummer. Funktionen beräknar det glidande medlet som innehåller en mittpunkt och (fönster-1) 2 element före och efter i den angivna dimensionen. Vid kanterna av matrisen reduceras antalet element före eller efter så att den faktiska fönstret är mindre än det angivna fönstret. Funktionen är uppdelad i två delar, en 1d-2d-algoritm och en 3d-algoritm. Detta gjordes för att optimera lösningshastigheten, speciellt i mindre matriser (dvs 1000 x 1). Vidare tillhandahålls flera olika algoritmer till 1d-2d - och 3d-problemet som i vissa fall är standardalgoritmen inte den snabbaste. Detta händer typiskt när matrisen är väldigt bred (dvs 100 x 100000 eller 10 x 1000 x 1000) och det glidande medlet beräknas i kortare dimension. Den storlek där standardalgoritmen är långsammare beror på datorn. MATLAB 7.8 (R2009a) Taggar för den här filen Vänligen logga in för att tagga filer. Vänligen logga in för att lägga till en kommentar eller ett betyg. Kommentarer och betyg (8) Funktionen handlar om slutar genom att klippa fönstrets bakre eller ledande del och övergå till ett ledande eller efterföljande glidande medel istället för en centrerad. För att gå med exemplet som du gav i din kommentar om fönstergränsen är 3, då i mitten av 1, är medelvärdet för data från punkterna 1 och 2 i mitten av 2 poäng 1, 2 och 3 i medelvärdet på 9 Punkterna 8, 9 och 10 är i medelvärdet och i ett center av 10 (låt oss antar att vektorn har 10 poster) poängen 9 och 10 är medelvärda. Hur handlar det om att hantera ändarna Börjar det med en fönsterstorlek som bara omfattar punkt 1 vid 1, sedan 3 poäng vid punkt 2 och sedan ökar i fönsterstorleken tills fönsterstorleken är den som anges i funktionstangenten Tack. Trevligt och enkelt. Tack. Bra jobb Mycket användbart som Stephan Wolf sa. Precis vad jag letade efter. Centrerat glidande medelvärde som kan arbeta i en plot över hela bredden, utan att behöva leta efter filterets storlek och flytta början. Great Accelererande taktik för teknik och vetenskap MathWorks är den ledande utvecklaren av matematisk datorsystem för ingenjörer och forskare.
No comments:
Post a Comment