إيدل مرشح متوسط متحرك

المتوسط ​​المتحرك كمصفاة غالبا ما يستخدم المتوسط ​​المتحرك لتيسير البيانات في وجود ضوضاء. والمتوسط ​​المتحرك البسيط لا يعترف به دائما على أنه مرشاح الاستجابة النبضية المحددة (فير)، وهو في الواقع أحد المرشحات الأكثر شيوعا في معالجة الإشارات. التعامل معها كفلتر يسمح مقارنتها مع، على سبيل المثال، مرشحات المخلوطة نافذة (انظر المقالات على تمريرة المنخفضة. تمريرة عالية، والمرشحات تمريرة النطاق والترفض الفرقة لأمثلة على تلك). والفرق الرئيسي مع تلك المرشحات هو أن المتوسط ​​المتحرك مناسب للإشارات التي ترد المعلومات المفيدة في المجال الزمني. والتي تعد قياسات التمهيد عن طريق حساب المتوسط ​​مثالا رئيسيا. ومن ناحية أخرى، فإن المرشحات المخلوطة بالنافذة، هي عوامل أداء قوية في مجال الترددات. مع تحقيق المساواة في معالجة الصوت كمثال نموذجي. هناك مقارنة أكثر تفصيلا لكلا النوعين من المرشحات في المجال الزمني مقابل نطاق التردد أداء الفلاتر. إذا كانت لديك بيانات يكون كل من نطاق الوقت ونطاق التردد فيها هاما، فقد تحتاج إلى إلقاء نظرة على الاختلافات في المتوسط ​​المتحرك. الذي يعرض عددا من النسخ المرجحة للمتوسط ​​المتحرك الأفضل في ذلك. ويمكن تعريف المتوسط ​​المتحرك للطول (N) كما هو مكتوب كما هو مطبق عادة، مع عينة الانتاج الحالي كمتوسط ​​للعينات السابقة (N). ويرى المتوسط ​​المتحرك أن توليفة تتابع الدخل (شن) ذات نبضة مستطيلة طولها (N) والارتفاع (1N) (لجعل منطقة النبضة، وبالتالي كسب المرشاح ، واحد). في الممارسة العملية، فمن الأفضل أن تأخذ (N) الغريب. وعلى الرغم من إمكانية حساب متوسط ​​متحرك باستعمال عدد متساو من العينات، فإن استخدام قيمة غريبة ل (N) له ميزة مفادها أن تأخر المرشح سيكون عددا صحيحا من العينات، نظرا لأن تأخر المرشاح (N) العينات هو بالضبط ((N-1) 2). ويمكن بعد ذلك مواءمة المتوسط ​​المتحرك تماما مع البيانات الأصلية بتحويله بعدد صحيح من العينات. المجال الزمني نظرا لأن المتوسط ​​المتحرك هو ارتباط مع نبضة مستطيلة، فإن استجابته للتردد هي دالة صادقة. هذا يجعل من شيء مثل المزدوج من المرشح المصدق نافذة، لأن هذا هو التلازم مع نبض مخلص يؤدي إلى استجابة التردد مستطيلة. هذا هو استجابة التردد المخلص الذي يجعل المتوسط ​​المتحرك أداء ضعيف في مجال التردد. ومع ذلك، فإنه يؤدي بشكل جيد جدا في المجال الزمني. ولذلك، فإنه مثالي لنعومة البيانات لإزالة الضوضاء بينما في نفس الوقت لا تزال تحافظ على استجابة خطوة سريعة (الشكل 1). وبالنسبة للضوضاء البيضاء النموذجية المضافة (غوسيان نويز) (أوغن) التي غالبا ما تفترض، فإن عينات المتوسط ​​(N) لها تأثير زيادة نسبة شنر بعامل (سرت N). وبما أن الضوضاء للعينات الفردية غير مترابطة، فلا يوجد سبب لمعالجة كل عينة بشكل مختلف. وبالتالي، فإن المتوسط ​​المتحرك، الذي يعطي كل عينة نفس الوزن، والتخلص من أقصى قدر من الضوضاء لحدة استجابة خطوة معينة. التنفيذ نظرا لأنه مرشح من نوع فير، يمكن تنفيذ المتوسط ​​المتحرك من خلال الالتفاف. ومن ثم سيكون لها نفس الكفاءة (أو عدم وجودها) مثل أي مرشح آخر لتصفية معلومات الطيران. ومع ذلك، فإنه يمكن أيضا أن تنفذ بشكل متكرر، بطريقة فعالة جدا. ويأتي ذلك مباشرة من التعريف بأن هذه الصيغة هي نتيجة لتعبيرين عن (ين) و (yn1)، أي حيث نلاحظ أن التغيير بين (yn1) و (ين) هو أن مصطلح إضافي (xn1N) يظهر عند في النهاية، في حين تتم إزالة المصطلح (شن-N1N) من البداية. في التطبيقات العملية، غالبا ما يكون من الممكن ترك التقسيم عن طريق (N) لكل مصطلح من خلال تعويض عن المكسب الناتج من (N) في مكان آخر. هذا التنفيذ المتكرر سيكون أسرع بكثير من الالتفاف. ويمكن حساب كل قيمة جديدة (y) بإضافتين فقط، بدلا من الإضافات (N) التي ستكون ضرورية للتنفيذ المباشر للتعريف. شيء واحد للبحث عن مع تنفيذ العودية هو أن أخطاء التقريب سوف تتراكم. قد يكون هذا أو قد لا يكون مشكلة للتطبيق الخاص بك، ولكنه يعني أيضا أن هذا التنفيذ المتكرر سوف تعمل في الواقع بشكل أفضل مع تنفيذ عدد صحيح من مع أرقام نقطة العائمة. هذا أمر غير عادي تماما، حيث أن تنفيذ النقطة العائمة عادة ما يكون أكثر بساطة. يجب أن يكون استنتاج كل هذا أنه يجب أن لا نقلل من فائدة مرشح المتوسط ​​المتحرك البسيط في تطبيقات معالجة الإشارات. أداة تصميم التصفية يتم استكمال هذه المقالة باستخدام أداة تصميم التصفية. قم بتجربة قيم مختلفة ل (N) وتصور الفلاتر الناتجة. جرب الآن تصفية متوسط ​​التصفية يمكنك استخدام وحدة تصفية المتوسط ​​المتحرك لحساب سلسلة من المعدلات من جانب واحد أو من جانبين عبر مجموعة بيانات باستخدام طول إطار تحدده. بعد تحديد عامل تصفية يلبي احتياجاتك، يمكنك تطبيقه على أعمدة محددة في مجموعة بيانات من خلال توصيله بوحدة تطبيق الفلتر. الوحدة تقوم بكل العمليات الحسابية وتحل محل القيم داخل الأعمدة العددية مع المتوسطات المتحركة المقابلة. يمكنك استخدام المتوسط ​​المتحرك الناتج للتآمر والتصور، كخط أساس سلس جديد للنمذجة، لحساب الفروق مقابل الحسابات لفترات مماثلة، وما إلى ذلك. هذا النوع من المتوسط ​​يساعدك على كشف وتوقع أنماط زمنية مفيدة في البيانات بأثر رجعي وفي الوقت الحقيقي. يبدأ أبسط نوع من المتوسط ​​المتحرك في بعض عينات السلسلة، ويستخدم متوسط ​​ذلك الموضع بالإضافة إلى المواضع n السابقة بدلا من القيمة الفعلية. (يمكنك تحديد n كما تريد.) ويعد الفترة n التي يتم حساب المتوسط ​​من خلالها، وانخفاض التباين سيكون لديك بين القيم. أيضا، كما تقوم بزيادة عدد القيم المستخدمة، تأثير أقل أي قيمة واحدة على المتوسط ​​الناتج. ويمكن أن يكون المتوسط ​​المتحرك من جانب واحد أو من جانبين. في المتوسط ​​أحادي الجانب، يتم استخدام القيم التي تسبق قيمة الفهرس فقط. في المتوسط ​​على الوجهين، يتم استخدام القيم السابقة والمستقبلية. بالنسبة للسيناريوهات التي تقرأ فيها البيانات المتدفقة، فإن المتوسطات التراكمية والمرجحة المتحركة مفيدة بشكل خاص. ويأخذ المتوسط ​​المتحرك التراكمي في الاعتبار النقاط السابقة للفترة الحالية. يمكنك وزن جميع نقاط البيانات بالتساوي عند حساب المتوسط، أو يمكنك التأكد من أن القيم الأقرب لنقطة البيانات الحالية تكون مرجحة بقوة أكبر. في المتوسط ​​المتحرك المرجح. يجب أن تحسب جميع الأوزان إلى 1. في المتوسط ​​المتحرك الأسي. وتتكون المتوسطات من رأس وذيل. والتي يمكن أن تكون مرجحة. ذيل خفيف الوزن يعني أن الذيل يتبع الرأس بشكل وثيق جدا، وبالتالي فإن المتوسط ​​يتصرف كمتوسط ​​متحرك على فترة ترجيح قصيرة. عندما تكون أوزان الذيل أثقل، فإن المتوسط ​​يتصرف أكثر كمتوسط ​​متحرك بسيط أطول. أضف وحدة تصفية المتوسط ​​المتحرك إلى تجربتك. طول. اكتب قيمة عدد صحيح موجبة تحدد الحجم الكلي للنافذة التي يتم من خلالها تطبيق الفلتر. ويسمى هذا أيضا قناع الترشيح. بالنسبة إلى المتوسط ​​المتحرك، يحدد طول الفلتر عدد القيم التي تم حساب متوسطها في النافذة المنزلقة. وتسمى مرشحات أطول أيضا مرشحات ترتيب أعلى، وتوفير نافذة أكبر من الحساب وتقريب أقرب من خط الاتجاه. مرشحات النظام الأقصر أو الأدنى تستخدم نافذة أصغر من الحساب وتشبه بشكل وثيق البيانات الأصلية. للنوع. اختر نوع المتوسط ​​المتحرك لتطبيقه. يدعم أزور ماشين ليارنينغ ستوديو الأنواع التالية من حسابات المتوسط ​​المتحرك: يتم حساب المتوسط ​​المتحرك البسيط (سما) كمتوسط ​​متداول غير مرجح. المتوسطات المتحركة الثلاثية (تما) هي في المتوسط ​​مرتين لخط الاتجاه أكثر سلاسة. وتستمد كلمة الثلاثي من شكل الأوزان التي يتم تطبيقها على البيانات، والتي تؤكد القيم المركزية. المتوسط ​​المتحرك الأسي (إما) يعطي وزنا أكبر للبيانات الأخيرة. ينخفض ​​الترجيح أضعافا مضاعفة. ويحسب المتوسط ​​المتحرك الأسي المعدل المتوسط ​​المتحرك الجاري، حيث يعتبر حساب المتوسط ​​المتحرك في أي نقطة واحدة المتوسط ​​المتحرك المحسوب سابقا في جميع النقاط السابقة. هذه الطريقة تعطي خط اتجاه أكثر سلاسة. وبالنظر إلى نقطة واحدة ومتوسط ​​متحرك حالي، فإن المتوسط ​​المتحرك التراكمي (سما) يحسب المتوسط ​​المتحرك عند النقطة الحالية. أضف مجموعة البيانات التي تحتوي على القيم التي تريد حساب متوسط ​​متحرك لها، ثم أضف وحدة تطبيق أبلي فيلتر. قم بتوصيل عامل تصفية المتوسط ​​المتحرك إلى المدخل الأيمن من تطبيق عامل التصفية. وربط مجموعة البيانات إلى المدخلات اليمنى. في وحدة تطبيق تصفية، استخدم محدد العمود لتحديد الأعمدة التي يجب تطبيق عامل التصفية عليها. بشكل افتراضي، سيتم تطبيق الفلتر الذي تنشئه على جميع الأعمدة الرقمية، لذا تأكد من استبعاد أية أعمدة لا تحتوي على بيانات مناسبة. تشغيل التجربة. عند هذه النقطة، يتم استبدال القيمة الحالية (أو الفهرس) لكل قيمة من القيم التي تحددها معلمة طول المرشح بقيمة المتوسط ​​المتحرك. هل يمكن تنفيذ متوسط ​​متحرك في C دون الحاجة إلى نافذة من العينات إيف وجدت أنني يمكن أن تحسن قليلا، عن طريق اختيار حجم الإطار الذي هو قوة اثنين للسماح بتغيير قليلا بدلا من تقسيم، ولكن لا تحتاج إلى المخزن المؤقت سيكون لطيفا. هل هناك طريقة للتعبير عن نتيجة متوسط ​​متحرك جديد فقط كدالة للنتيجة القديمة والعينة الجديدة حدد مثالا متحركا على سبيل المثال، عبر نافذة مكونة من 4 عينات لتكون: إضافة عينة جديدة ه: يمكن تنفيذ المتوسط ​​المتحرك بشكل متكرر ، ولكن لحساب دقيق للمتوسط ​​المتحرك عليك أن تتذكر أقدم عينة المدخلات في المجموع (أي في المثال الخاص بك). وبالنسبة للمتوسط ​​المتحرك N الذي تحسبه: حيث ين هي إشارة الخرج و شن هي إشارة الدخل. مكافئ. (1) يمكن أن تكون مكتوبة بشكل متكرر كما كنت دائما بحاجة إلى تذكر العينة شن-N من أجل حساب (2). وكما أشار كونراد تيرنر، يمكنك استخدام نافذة أسي طويلة (بلا حدود) بدلا من ذلك، والتي تسمح لك بحساب الإخراج فقط من المخرجات السابقة والإدخال الحالي: ولكن هذا ليس متوسط ​​متحرك (غير مرجح) قياسي ولكن بشكل أضعافا مضاعفة (حيث على الأقل من الناحية النظرية) لا تنسى أبدا أي شيء (الأوزان فقط تحصل على أصغر وأصغر للعينات بعيدة في الماضي). أنا نفذت المتوسط ​​المتحرك دون ذاكرة البند الفردية لبرنامج تتبع غس كتبته. أبدأ مع 1 عينة وتقسيم بنسبة 1 للحصول على متوسط ​​الحالي. ثم قم بإضافة عينة أنوث وتقسيمها 2 إلى المتوسط ​​الحالي. يستمر هذا حتى يصل إلى طول المتوسط. في كل مرة بعد ذلك، أضيف في العينة الجديدة، واحصل على المتوسط ​​وأزل هذا المتوسط ​​من المجموع. أنا لست رياضياتيا ولكن هذا يبدو وكأنه وسيلة جيدة للقيام بذلك. أنا أحسب أنه من شأنه أن يحول المعدة من رجل الرياضيات الحقيقي ولكن، اتضح أنها واحدة من الطرق المقبولة للقيام بذلك. ويعمل بشكل جيد. فقط تذكر أن ارتفاع طول الخاص بك أبطأ هو اتباع ما كنت تريد أن تتبع. وهذا قد لا يهم معظم الوقت ولكن عندما تتبع الأقمار الصناعية، إذا كنت بطيئا، يمكن أن يكون درب بعيدا عن الوضع الفعلي، وسوف تبدو سيئة. هل يمكن أن يكون هناك فجوة بين جلس والنقاط زائدة. اخترت بطول 15 تحديث 6 مرات في الدقيقة الواحدة للحصول على تجانس كافية ولا تحصل بعيدا جدا عن الوضع الفعلي جلس مع نقاط درب ممهدة. أجاب 16 نوفمبر 16 في 23:03 تهيئة العدد الإجمالي 0، count0 (في كل مرة رؤية قيمة جديدة ثم إدخال واحد (سكانف)، واحد إضافة توتالنوفالو، زيادة واحدة (عدد)، واحد معدل الفجوة (توتالكونت) سيكون هذا المتوسط ​​المتحرك أكثر من جميع المدخلات لحساب المتوسط ​​فوق المدخلات الأربعة الأخيرة فقط، يتطلب 4 مدخلات، ربما نسخ كل مدخلات إلى مدخلات قديمة، ثم حساب المتوسط ​​المتحرك الجديد، حيث أن مجموع المدخلات 4، مقسوما على 4 (التحول الصحيح 2 سيكون جيد إذا كانت جميع المدخلات إيجابية لجعل متوسط ​​الحساب أجاب فب 3 15 في 4:06 وهذا في الواقع حساب المتوسط ​​الكلي وليس المتوسط ​​المتحرك. كما يحصل العد أكبر تأثير أي عينة إدخال جديدة تصبح صغيرة تتلاشى نداش هيلمر فبراير 3 15 أت 13:53 يور أنسور 2017 ستاك إكسهانج، إنك