ชี้แจง เคลื่อนไหว เฉลี่ย ผิดปกติ

ค่าเฉลี่ยการเคลื่อนที่แบบ Exponential สำหรับชุดเวลาที่ไม่สม่ำเสมอในการวิเคราะห์อนุกรมเวลามักต้องมีการปรับให้เรียบเพื่อตอบสนองการเปลี่ยนแปลงของสัญญาณได้อย่างรวดเร็วในแอพพลิเคชันทั่วไปคุณอาจกำลังประมวลผลสัญญาณอินพุทในเวลาจริงและต้องการคำนวณค่าดังกล่าว เป็นค่าเฉลี่ยที่ผ่านมาหรือได้รับความลาดชันทันทีสำหรับมัน แต่สัญญาณโลกแห่งความจริงมักจะมีเสียงดังตัวอย่างน้อยมีเสียงดังจะทำให้ค่าปัจจุบันของสัญญาณหรือความลาดเอียงของมันแตกต่างกันอย่างแพร่หลายค่าเฉลี่ยที่เรียบง่ายฟังก์ชั่นเรียบเป็นหน้าต่าง ค่าเฉลี่ยของค่าเฉลี่ยเมื่อมีตัวอย่างมาให้คุณใช้ค่าเฉลี่ยของค่า N ล่าสุดล่าสุดค่านี้จะค่อยๆลดลง แต่แนะนำความล่าช้าหรือความล่าช้าค่าเฉลี่ยของคุณจะล่าช้าไปตามความกว้างของค่าเฉลี่ยที่เคลื่อนที่ของคุณตัวอย่างข้างต้นมีราคาแพงในการคำนวณ สำหรับแต่ละตัวอย่างคุณต้องย้ำไปทั่วทั้งขนาดของหน้าต่าง แต่มีวิธีที่ถูกกว่าเก็บผลรวมของตัวอย่างทั้งหมดในหน้าต่างในบัฟเฟอร์และปรับผลรวมเป็นตัวอย่างใหม่ com e in ค่าเฉลี่ยเคลื่อนที่อีกหนึ่งค่าคือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักสำหรับแต่ละตำแหน่งในหน้าต่างตัวอย่างก่อนที่คุณจะเฉลี่ยตัวคูณแต่ละตัวอย่างโดยน้ำหนักของตำแหน่งหน้าต่างนั้นเทคนิคนี้เรียกว่า convolution ข้อควรพิจารณาโดยทั่วไปฟังก์ชันการถ่วงน้ำหนักทั่วไปใช้เส้นโค้งระฆัง ไปยังหน้าต่างตัวอยางซึ่งจะทําใหสัญญาณที่ถูกปรับไปที่ศูนยกลางของหนาตางมากขึ้นและยังคงออนตัวของเสียงที่มีเสียงดังในการวิเคราะหทางการเงินคุณมักใชฟงกชันการชั่งตวงที่ใหความสำคัญกับตัวอยางอื่นมากกวา ตัวอย่างล่าสุดตัวอย่างที่ได้รับความก้าวหน้าน้ำหนักน้อยนี้จะช่วยลดผลกระทบของเวลาแฝงในขณะที่ยังคงให้ราบรื่นดีพอสมควรด้วยค่าเฉลี่ยถ่วงน้ำหนักคุณจะต้องย้ำตลอดขนาดหน้าต่างทั้งหมดสำหรับทุกตัวอย่างยกเว้นคุณสามารถ จำกัด น้ำหนักที่อนุญาตให้ บางฟังก์ชันค่า Exponential Moving Average อีกค่าหนึ่งของค่าเฉลี่ยคือค่าเฉลี่ยเคลื่อนที่ที่เป็นเลขยกกำลังหรือ EMA นี่เป็นค่า U sed ที่เวลาแฝงเป็นสิ่งสำคัญเช่นในการวิเคราะห์ทางการเงินแบบเรียลไทม์ค่าเฉลี่ยนี้น้ำหนักจะลดลงอย่างมากตัวอย่างแต่ละชิ้นมีมูลค่าน้อยกว่าตัวอย่างล่าสุดถัดไปด้วยข้อ จำกัด นี้คุณสามารถคำนวณค่าเฉลี่ยเคลื่อนที่ได้อย่างมีประสิทธิภาพเมื่อ alpha เป็น ค่าคงที่ที่อธิบายถึงวิธีที่น้ำหนักของหน้าต่างลดลงเมื่อเวลาผ่านไปตัวอย่างเช่นถ้าตัวอย่างแต่ละตัวมีน้ำหนักที่ 80 ของค่าของตัวอย่างก่อนหน้านี้คุณจะตั้งค่า alpha 0 2 ค่า alpha ที่มีขนาดเล็กจะยาวกว่าค่าเฉลี่ยเคลื่อนที่ของคุณเช่นจะนุ่มนวลขึ้น, แต่น้อยปฏิกิริยากับตัวอย่างใหม่น้ำหนักสำหรับ EMA กับ alpha 0 20.As คุณสามารถดูสำหรับตัวอย่างใหม่แต่ละคุณจะต้องเฉลี่ยกับค่าของค่าเฉลี่ยก่อนหน้าดังนั้นการคำนวณเป็นอย่างมาก fast. In ทฤษฎีทั้งหมดก่อนหน้านี้ ตัวอย่างมีส่วนช่วยให้ค่าเฉลี่ยปัจจุบัน แต่ผลงานของพวกเขาจะมีขนาดเล็กลงเรื่อย ๆ เมื่อเวลาผ่านไปนี่เป็นเทคนิคที่มีประสิทธิภาพมากและอาจเป็นวิธีที่ดีที่สุดถ้าคุณต้องการได้ค่าเฉลี่ยเคลื่อนที่ที่ตอบสนองได้ ckly ไปยังตัวอย่างใหม่มีคุณสมบัติการราบเรียบที่ดีและรวดเร็วในการคำนวณรหัสเป็นเรื่องเล็กน้อย EMA สำหรับชุดเวลาที่ไม่สม่ำเสมอมาตรฐาน EMA ใช้ได้ดีเมื่อมีการสุ่มตัวอย่างสัญญาณในช่วงเวลาปกติ แต่ถ้าตัวอย่างของคุณมาในช่วงเวลาที่ไม่สม่ำเสมอ นี่คือสถานการณ์ปกติในการวิเคราะห์ทางการเงินในทางทฤษฎีมีฟังก์ชั่นต่อเนื่องสำหรับค่าของเครื่องมือทางการเงินใด ๆ แต่คุณสามารถตัวอย่างสัญญาณนี้ได้เมื่อใดก็ตามที่มีผู้ดำเนินการค้าขายจริงดังนั้นกระแสข้อมูลของคุณ ประกอบด้วยค่าบวกเวลาที่สังเกตได้มีวิธีหนึ่งที่จะจัดการกับปัญหานี้คือการแปลงสัญญาณผิดปกติเป็นสัญญาณปกติโดยการ interpolating ระหว่างการสังเกตการณ์และ resampling แต่ข้อมูลนี้จะสูญหายไปและจะแนะนำ latency อีกครั้ง คุณสามารถคำนวณ EMA สำหรับชุดเวลาที่ไม่ต่อเนื่องได้โดยตรงในฟังก์ชันนี้คุณจะผ่านตัวอย่างปัจจุบันจากสัญญาณของคุณและตัวอย่างก่อนหน้านี้และจำนวนเวลาที่ผ่านไป betw een สองและค่าก่อนหน้านี้กลับโดยฟังก์ชันนี้ดังนั้นวิธีการที่ดีไม่ทำงานนี้เพื่อแสดงให้เห็นฉันได้สร้างคลื่นไซน์แล้วสุ่มตัวอย่างมันในช่วงเวลาที่ผิดปกติและนำประมาณ 20 เสียงนั่นคือสัญญาณจะแตกต่างกันแบบสุ่ม - 20 จาก สัญญาณไซน์จริงแท้เท่าไหร่ที่ดีไม่ผิดปกติเลขยกกำลังเคลื่อนที่เฉลี่ยการกู้คืนสัญญาณเส้นสีแดงเป็นคลื่นไซน์เดิมตัวอย่างในช่วงเวลาที่ไม่สม่ำเสมอสายสีน้ำเงินเป็นสัญญาณที่มีสัญญาณรบกวนเพิ่มสายสีน้ำเงินเป็นสัญญาณเดียวที่ EMA เห็น สายสีเขียวคือ EMA ที่ราบเรียบคุณสามารถเห็นสัญญาณนี้ฟื้นตัวได้ดีขึ้นเล็กน้อยสั่นสะท้าน แต่สิ่งที่คุณคาดหวังจากสัญญาณแหล่งสัญญาณรบกวนดังกล่าวก็คือเลื่อนไปทางด้านขวาประมาณ 15 ตัวเนื่องจาก EMA จะแนะนำช่วงเวลาที่บางลง คุณต้องการมันแฝงมากขึ้นคุณจะเห็น แต่จากนี้คุณสามารถเช่นคำนวณความชันทันทีสำหรับสัญญาณไม่สม่ำเสมอมีเสียงดังคุณสามารถทำอะไรกับที่ Hmm ฉันมีค่าอย่างต่อเนื่องที่ฉันต้องการคำนวณงานแสดงสินค้า n เฉลี่ยเคลื่อนที่โดยเฉลี่ยฉันต้องการใช้สูตรมาตรฐานสำหรับ this. where S n คือค่าเฉลี่ยใหม่เป็น alpha, Y คือตัวอย่างและ S n-1 เป็นค่าเฉลี่ยก่อนหน้านี้น่าเสียดายเนื่องจากปัญหาต่างๆที่ฉัน don t มีเวลาตัวอย่างสม่ำเสมอฉันอาจรู้ว่าฉันสามารถตัวอย่างได้มากที่สุดกล่าวคือหนึ่งครั้งต่อหนึ่งมิลลิวินาที แต่เนื่องจากปัจจัยต่างๆที่อยู่นอกเหนือการควบคุมของฉันฉันอาจไม่สามารถใช้ตัวอย่างเป็นเวลาหลายมิลลิวินาทีในแต่ละครั้งได้ แต่เป็นตัวอย่างง่ายๆผมเล็กน้อยต้นหรือปลายแทนการสุ่มตัวอย่างที่ 0, 1 และ 2 ms ฉันตัวอย่างที่ 0, 0 9 และ 2 1 ms ฉันคาดหวังว่าไม่คำนึงถึงความล่าช้าความถี่การสุ่มตัวอย่างของฉันจะไกล, ไกลเกินขีด จำกัด Nyquist และทำให้ฉันไม่จำเป็นต้องกังวลเกี่ยวกับ aliasing. I คิดว่าฉันสามารถจัดการกับนี้ในทางที่เหมาะสมมากขึ้นหรือน้อยลงโดยการเปลี่ยน alpha เหมาะสมตามระยะเวลาตั้งแต่ตัวอย่างล่าสุด. เหตุผลของฉันที่จะใช้งานได้ก็คือ EMA จะสอดแทรกเชิงเส้นระหว่างจุดข้อมูลก่อนหน้าและจุดข้อมูลปัจจุบันถ้า เราพิจารณาการคำนวณ EMA ของรายการตัวอย่างต่อไปนี้ในช่วงเวลา t 0,1,2,3,4 เราควรได้รับผลเช่นเดียวกันถ้าเราใช้ช่วง 2t ที่ปัจจัยการผลิตเป็น 0,2,4 ขวาถ้า EMA มี สันนิษฐานว่าที่ t 2 ค่าได้เป็น 2 ตั้งแต่ t 0 ที่จะเป็นเช่นเดียวกับการคำนวณระยะ t คำนวณบน 0,2,2,4,4 ซึ่งมันไม่ได้ทำหรือไม่ที่ทำให้รู้สึกที่ all. Can บางคนบอกฉันว่าจะเปลี่ยนอัลฟาได้อย่างเหมาะสมหรือไม่โปรดแสดงงานของคุณฉันแสดงให้ฉันเห็นคณิตศาสตร์ที่พิสูจน์ว่าวิธีการของคุณทำสิ่งที่ถูกต้อง 21 มิถุนายน 09 เวลา 13 05. คุณไม่ควรได้รับ EMA เช่นเดียวกันสำหรับการป้อนข้อมูลที่แตกต่างกัน ของ EMA เป็นตัวกรองตัวอยางที่ 2T เทากับการสุ่มตัวอย่างและตัวกรองจะใหผลลัพ ธ ที่แตกตางกันนี้ใหชัดเจนเนื่องจาก 0,2,4 ประกอบดวยคอมโพเนนต์ความถี่สูงกวา 0,1,2,3,4 เวนแต คำถามคือฉันจะเปลี่ยนกรองในทันทีเพื่อให้ออกเดียวกันบางทีฉันหายไปบางอย่าง freespace 21 มิถุนายน 09 ที่ 15 52 แต่ใส่ไม่ diff อื่น ๆ มันเพียงแค่สุ่มตัวอย่างน้อยกว่า 0,2,4 ในช่วงเวลา 2t เป็นเหมือน 0,, 2,, 4 ในช่วงเวลา t ซึ่งบ่งชี้ว่าตัวอย่างถูกละเลย Curt Sampson 21 มิ.ย. 52 เวลา 23 45. คำตอบนี้ยึดตาม ความเข้าใจที่ดีของฉันผ่านต่ำกรองเฉลี่ยชี้แจงเป็นจริงเพียงหนึ่งเดียว lowpass กรองเสา แต่ความเข้าใจผิดหมอกของฉันสิ่งที่คุณกำลังมองหาฉันคิดว่าต่อไปนี้เป็นสิ่งที่คุณต้องการก่อนคุณสามารถลดความซับซ้อนสมการของคุณนิด ๆ หน่อย ๆ ดูเหมือนจะซับซ้อนมากขึ้น แต่ง่ายขึ้นในรหัสฉันจะใช้ Y สำหรับ output และ X สำหรับใส่แทน S สำหรับ output และ Y สำหรับ input ตามที่คุณได้กระทำประการที่สองค่าของที่นี่มีค่าเท่ากับ 1-e-t โดยที่ t คือเวลาระหว่างตัวอย่างและเป็นค่าคงที่ตลอดเวลาของ low-pass filter ฉันพูดได้เท่ากับคำพูดเพราะทำงานได้ดีเมื่อ t มีขนาดเล็กเมื่อเทียบกับ 1 และ 1-e-tt แต่ไม่เล็กเกินไปที่คุณจะเรียกใช้ quantizing ปัญหาและถ้าคุณไม่ใช้เทคนิคที่แปลกใหม่บางอย่างที่คุณมักจะต้องบิตพิเศษ N ของความละเอียดในตัวแปรของรัฐ S, wh N - log 2 สำหรับค่าที่มีขนาดใหญ่ของ t ผลการกรองจะเริ่มหายไปจนกว่าคุณจะไปถึงจุดที่อยู่ใกล้เคียงกับ 1 และคุณเป็นเพียงแค่การกำหนดอินพุทให้กับเอาท์พุทนี้จะทำงานได้อย่างถูกต้องด้วยค่าที่แตกต่างกันของ t รูปแบบของ t ไม่สำคัญมากตราบเท่าที่อัลฟามีขนาดเล็กมิฉะนั้นคุณจะพบปัญหาแปลก ๆ ของ Nyquist บางส่วนหรืออื่น ๆ และถ้าคุณกำลังทำงานกับโปรเซสเซอร์ที่การคูณมีราคาถูกกว่าการแบ่งหรือปัญหาจุดคงที่มีความสำคัญ precalculate 1 และพิจารณาความพยายามที่จะประมาณสูตรสำหรับหากคุณต้องการทราบวิธีการได้มา formula. then พิจารณาแหล่งสมการความแตกต่างของมันซึ่งเมื่อ X เป็นฟังก์ชันขั้นตอนหน่วยมีทางออก Y 1 - e - สำหรับค่าเล็กน้อยของ t อนุพันธ์สามารถประมาณโดย Y t, yielding และการอนุมานของ 1-e-t มาจากการพยายามจับคู่พฤติกรรมกับหน่วยกรณีขั้นตอน case. Would คุณกรุณาประณีตในการพยายามที่จะจับคู่ ขึ้นส่วนพฤติกรรมฉัน unders tand โซลูชันต่อเนื่องเวลาของคุณ Y 1 - exp - t และ generalization ของฟังก์ชันขั้นตอนการปรับขนาดที่มีขนาด x และเงื่อนไขเริ่มต้น y 0 แต่ฉันไม่เห็นวิธีที่จะนำความคิดเหล่านี้ร่วมกันเพื่อให้ได้ผลลัพธ์ของคุณ Rhys Ulerich May 4 13 at 22 34. นี่ไม่ใช่คำตอบที่สมบูรณ์ แต่อาจเป็นจุดเริ่มต้นของเรื่องนี้ได้เท่าที่ฉันได้รับกับเรื่องนี้ภายในหนึ่งชั่วโมงหรือมากกว่านั้นในการเล่นฉันกำลังโพสต์ข้อความเป็นตัวอย่างของสิ่งที่ฉันกำลังมองหาและบางทีอาจเป็นแรงบันดาลใจ กับคนอื่น ๆ ที่ทำงานเกี่ยวกับปัญหาฉันเริ่มต้นด้วย S 0 ซึ่งเป็นค่าเฉลี่ยที่เกิดจากค่าเฉลี่ย S -1 ก่อนหน้าและตัวอย่าง Y 0 ที่ถ่าย 0 t 1 - t 0 คือช่วงเวลาตัวอย่างของฉันและตั้งค่าเป็นค่าที่เหมาะสมสำหรับ ช่วงตัวอย่างและระยะเวลาที่ฉันต้องการเฉลี่ยฉันพิจารณาสิ่งที่เกิดขึ้นถ้าฉันพลาดตัวอย่างที่ t 1 และแทนที่จะต้องทำอย่างไรกับตัวอย่าง Y 2 ถ่ายที่ t 2 ดีเราสามารถเริ่มต้นโดยการขยายสมการเพื่อ ดูว่าจะเกิดอะไรขึ้นถ้าเรามี Y 1. ฉันสังเกตเห็นว่าชุดนี้น่าจะขยายไปเรื่อย ๆ แบบนี้ เพราะเราสามารถเปลี่ยน S n ในด้านขวามือโดยไม่มีกำหนดเลยโอเคดังนั้นมันจึงไม่ใช่ชื่อที่โง่เง่าจริงๆ แต่ถ้าเราคูณระยะเริ่มแรกเราจะเห็นรูปแบบนี้ Hm เป็นชุดเลขชี้กำลัง Quelle แปลกใจคิดว่าออกมาจากสมการสำหรับค่าเฉลี่ยเคลื่อนที่ exponential ดังนั้นอย่างไรก็ตามฉันมีนี้ x 0 x 1 x 2 x 3 สิ่งที่จะไปและฉัน m แน่ใจว่าฉัน m กลิ่น e หรือ logarithm ธรรมชาติเตะรอบที่นี่ แต่ฉันสามารถ อย่าลืมว่าฉันกำลังมุ่งอะไรต่อไปก่อนที่ฉันจะหมดเวลาคำตอบสำหรับคำถามนี้หรือคำรับรองใด ๆ ที่ถูกต้องของคำตอบนั้นขึ้นอยู่กับข้อมูลที่คุณกำลังวัดอีกครั้งหากตัวอย่างของคุณถูกถ่ายที่ 0 0ms t 1 0 9ms และ t 2 2 1ms แตการเลือกของคุณจะขึ้นอยูกับชวง 1 ms และดังนั้นคุณจึงตองการการปรับแตงภายใน n การพิสูจน์ความถูกตองของทางเลือกจะหมายถึงการทราบคาตัวอยางที่ t 1ms และ t 2ms กับคำถามคุณสามารถ interpolate ข้อมูลของคุณ resonably มีการคาดเดาอย่างมีเหตุผลของสิ่งที่อยู่ในระหว่างค่าอาจได้รับหรือ c ถ้าคุณไม่สามารถหาค่าเฉลี่ยของตัวเองได้ถ้าไม่เป็นไปได้ให้เลือกเท่าที่ฉันเห็นตัวเลือกตรรกะของ Y ในระหว่างค่า Y คือค่าเฉลี่ยที่คำนวณโดยเร็วที่สุดคือ Y t S n โดยที่ n เป็นจำนวนสูงสุดเช่น ที่ tn t ทางเลือกนี้มีผลง่ายๆปล่อยให้อยู่คนเดียวไม่ว่าสิ่งที่แตกต่างเวลาไม่ได้ถ้าในอีกทางหนึ่งก็เป็นไปได้ที่จะ interpolate ค่าของคุณแล้วนี้จะให้ตัวอย่างคงที่ระยะเวลาคงที่ตัวอย่างสุดท้ายถ้ามัน s แม้จะเป็นไปได้ที่จะ interpolate เฉลี่ยตัวเองที่จะทำให้คำถามที่ไม่มีความหมายตอบ 21 มิถุนายนที่ 15 08.balpha 27 2k 10 87 118. ฉันจะคิดว่าฉันสามารถ interpolate ข้อมูลของฉันให้ฉัน m สุ่มตัวอย่างในช่วงเวลาที่ไม่ต่อเนื่องผม m แล้วทำเช่นนั้นด้วยมาตรฐาน EMA อย่างไรก็ตามสมมติว่าฉันต้องการหลักฐานที่แสดงให้เห็นว่าการทำงานเช่นเดียวกับมาตรฐาน EMA ซึ่งจะมีผลไม่ถูกต้องถ้าค่าไม่เปลี่ยนแปลงค่อนข้างราบรื่นระหว่างช่วงเวลาตัวอย่าง Curt Sampson 21 มิ.ย. 09 ที่ 15 21 แต่นั่นคือสิ่งที่ฉันบอกฉัน f คุณพิจารณา EMA การแก้ไขค่าของคุณคุณทำเสร็จแล้วถ้าคุณปล่อยให้ alpha เป็นเพราะการแทรกค่าเฉลี่ยล่าสุดเป็น Y doesn t เปลี่ยนค่าเฉลี่ยถ้าคุณพูดว่าคุณต้องการสิ่งที่ทำงานได้เช่นเดียวกับมาตรฐาน EMA - สิ่งที่ผิดพลาดกับต้นฉบับถ้าคุณไม่มีข้อมูลเพิ่มเติมเกี่ยวกับข้อมูลที่คุณกำลังวัดการปรับท้องถิ่นให้ alpha จะอยู่ที่ balpha ที่ดีที่สุดโดยเฉพาะ 21 มิถุนายนที่ 15 31. ฉันจะปล่อยให้ค่า alpha เพียงอย่างเดียวและกรอกข้อมูลที่หายไป . ตั้งแต่คุณ don t ทราบว่าเกิดอะไรขึ้นในช่วงเวลาที่คุณสามารถ t ตัวอย่างคุณสามารถกรอกตัวอย่างกับ 0s หรือถือค่าก่อนค่าคงที่และใช้ค่าเหล่านั้นสำหรับ EMA หรือแก้ไขบางหลังเมื่อคุณมีตัวอย่างใหม่กรอก. ในค่าที่ขาดหายไปและทบทวน EMA สิ่งที่ฉันพยายามที่จะได้รับคือคุณมี input xn ที่มีรูไม่มีวิธีการได้รับรอบความจริงที่คุณไม่มีข้อมูลเพื่อให้คุณสามารถใช้การระงับคำสั่งเป็นศูนย์หรือชุด มันเป็นศูนย์หรือการแก้ไขระหว่าง xn และ x n M ที่ M คือจำนวนตัวอย่างที่หายไปและ n จุดเริ่มต้นของช่องว่างอาจเป็นได้โดยใช้ค่าก่อนที่จะตอบ 21 มิ.ย. 52 ที่ 13 35. จากการใช้เวลาประมาณหนึ่งชั่วโมงหรือประมาณนั้นเล็กน้อยเกี่ยวกับคณิตศาสตร์สำหรับเรื่องนี้ผมคิดว่า ที่แตกต่างกันเพียง alpha จริงจะให้ฉันแก้ไขที่เหมาะสมระหว่างสองจุดที่คุณพูดถึง แต่ในทางที่ง่ายมากต่อไปผมคิดว่าอัลฟาที่แตกต่างกันยังจะ properply จัดการกับตัวอย่างที่ถ่ายระหว่างช่วงเวลาในการสุ่มตัวอย่างมาตรฐานในคำอื่น ๆ ฉันกำลังมองหาสิ่งที่คุณอธิบาย แต่พยายามที่จะใช้คณิตศาสตร์เพื่อหาวิธีง่ายๆในการทำ Curt Sampson 21 มิ.ย. 21 เวลา 14 07. ฉันไม่คิดว่ามีสัตว์ดังกล่าวเป็นแก้ไขที่เหมาะสมคุณก็ไม่ทราบว่า เกิดขึ้นในเวลาที่คุณไม่ได้สุ่มตัวอย่างการแก้ไขที่ดีและไม่ดีนัยความรู้บางสิ่งที่คุณพลาดเนื่องจากคุณจำเป็นต้องวัดกับที่จะตัดสินว่าการแก้ไขเป็นสิ่งที่ดีหรือไม่ดีแม้ว่าจะกล่าวว่าคุณสามารถวางข้อ จำกัด เช่นมีการเร่งความเร็วสูงสุด, ความเร็ว ฯลฯ ฉันคิดว่าถ้าคุณทราบวิธีการแบบข้อมูลที่หายไปแล้วคุณก็จะจำลองข้อมูลที่หายไปจากนั้นใช้อัลกอริทึม EMA โดยไม่มีการเปลี่ยนแปลงแทนที่จะเปลี่ยน alpha เพียง freespace 2c ของฉัน 21 มิ.ย. 21 ที่ 14 17 นี่คือ สิ่งที่ฉันได้รับในการแก้ไขของฉันกับคำถาม 15 นาทีที่ผ่านมาคุณเพียง don t รู้ว่าสิ่งที่เกิดขึ้นในเวลาที่คุณจะไม่สุ่มตัวอย่าง แต่ที่จริงแม้ว่าคุณจะตัวอย่างในช่วงเวลาที่กำหนดดังนั้นการไตร่ตรอง Nyquist ตราบเท่าที่คุณ รู้ว่ารูปแบบคลื่นไม่ได้เปลี่ยนทิศทางมากกว่าคู่ของตัวอย่างทุกช่วงเวลาที่แท้จริงของตัวอย่างไม่สำคัญและควรจะสามารถเปลี่ยนแปลงได้สมการ EMA ดูเหมือนว่าจะคำนวณให้เหมือนกับว่ารูปแบบคลื่นมีการเปลี่ยนแปลงเชิงเส้นจากค่าตัวอย่างล่าสุดไปเป็น หนึ่งปัจจุบัน Curt Sampson 21 มิถุนายน 09 ที่ 14 26.I don t คิดว่าเป็นจริง Nyquist ทฤษฎีบทต้องใช้อย่างน้อย 2 ตัวอย่างต่อระยะเวลาเพื่อให้สามารถระบุเอกลักษณ์ของสัญญาณถ้าคุณ don t ทำอย่างนั้นคุณจะได้รับ aliasing It จะเหมือนกับ sa mpling เป็น fs1 เป็นเวลาแล้ว fs2 แล้วกลับไป fs1 และคุณได้รับ aliasing ในข้อมูลเมื่อคุณตัวอย่างกับ fs2 ถ้า fs2 ต่ำกว่าขีด จำกัด Nyquist ฉันยังต้องสารภาพฉันไม่เข้าใจสิ่งที่คุณหมายถึงการเปลี่ยนแปลงรูปคลื่นจาก ตัวอย่างล่าสุดเพื่อปัจจุบันหนึ่งคุณช่วยกรุณา Cheers, Steve freespace 21 มิถุนายน 09 ที่ 14 36.This คล้ายกับปัญหาเปิดในรายการสิ่งที่ต้องทำของฉันฉันมีโครงการหนึ่งทำงานออกไปบ้าง แต่ไม่ได้ทำงานทางคณิตศาสตร์เพื่อกลับข้อเสนอแนะนี้ yet. Update summary อยากจะให้ alpha เป็นปัจจัยที่ราบรื่นขึ้นอยู่กับปัจจัยการชดเชยที่ฉันอ้างถึงเป็นคำตอบที่ดีของ Jason ที่นี่แล้วผลงานที่ดีสำหรับฉันถ้าคุณยังสามารถวัดเวลาได้เนื่องจากตัวอย่างสุดท้ายถูกนำมากลม คูณกับเวลาในการเก็บตัวอย่างคงที่ - ดังนั้น 7 8 ms ตั้งแต่ตัวอย่างสุดท้ายจะเป็น 8 หน่วยซึ่งสามารถใช้เพื่อปรับให้เรียบได้หลายครั้งใช้สูตร 8 ครั้งในกรณีนี้คุณได้ทำการปรับให้ราบเรียบขึ้น s ค่าปัจจุบันเพื่อให้ได้การปรับให้เรียบขึ้นเราจำเป็นต้องปรับแต่ง alpha ในขณะที่ใช้สูตร 8 ครั้งใน case. What ก่อนหน้านี้เรียบประมาณ miss. It พลาดแล้ว 7 ตัวอย่างในตัวอย่างข้างต้นนี้เป็นประมาณใน ขั้นตอนที่ 1 ด้วยการประยุกต์ใช้ค่าปัจจุบันอีกครั้งเป็นระยะเวลา 7 ครั้งถ้าเรากำหนดค่าเบต้าประมาณค่าใกล้เคียงกับ alpha เป็น alpha beta แทน alpha เพียงอย่างเดียวเราจะสมมติว่ามีการเปลี่ยนแปลง 7 ตัวอย่างที่ไม่ได้รับ ได้อย่างราบรื่นระหว่างค่าตัวอย่างก่อนหน้าและปัจจุบัน 21 Jun 09 09 ที่ 13 35. ฉันคิดเกี่ยวกับเรื่องนี้ แต่บิตของ mucking เกี่ยวกับคณิตศาสตร์ให้ฉันไปยังจุดที่ฉันเชื่อว่าแทนที่จะใช้สูตรแปดครั้งด้วย ค่าตัวอย่างฉันสามารถคำนวณ alpha ใหม่ที่จะช่วยให้ฉันสามารถใช้สูตรได้เพียงครั้งเดียวและให้ผลเหมือนเดิมนอกจากนี้จะจัดการกับปัญหาของตัวอย่างที่ชดเชยจากตัวอย่างตัวอย่างเช่น Curt Sampson Jun 21 0 9 ที่ 13 47. โปรแกรมเดียวจะปรับสิ่งที่ฉันไม่แน่ใจเกี่ยวกับยังเป็นวิธีการที่ดีคือประมาณของ 7 ค่าที่หายไปหากการเคลื่อนไหวอย่างต่อเนื่องทำให้กระวนกระวายใจค่ามากใน 8 มิลลิวินาทีประมาณอาจจะค่อนข้างปิด จริง แต่แล้วถ้าคุณมีการสุ่มตัวอย่างที่ 1ms ความละเอียดสูงสุดยกเว้นตัวอย่างล่าช้าที่คุณได้คิดแล้ว jitter ภายใน 1ms ไม่เกี่ยวข้องไม่ทำงานเหตุผลนี้สำหรับคุณฉันยังคงพยายามโน้มน้าวตัวเอง nik มิถุนายน 21 09 ที่ 14 08.Right That เป็นปัจจัยเบต้าจากคำอธิบายของฉันปัจจัยเบต้าจะคำนวณตามช่วงเวลาที่แตกต่างกันและตัวอย่างปัจจุบันและก่อนหน้าอัลฟาใหม่จะเป็นเวอร์ชันอัลฟ่าเบต้า แต่จะใช้เฉพาะกับกลุ่มตัวอย่างนั้นในขณะที่คุณดูเหมือนจะย้ายอัลฟาใน สูตรฉันมีแนวโน้มที่จะคงที่ปัจจัยการทำให้ราบรื่นอัลฟาคงที่และเบต้าคำนวณที่เป็นอิสระปัจจัยการปรับตัวที่ชดเชยสำหรับตัวอย่างที่พลาดเพียงแค่ตอนนี้ nik มิถุนายน 21 09 ที่ 15 23.Exponential Filter หน้านี้อธิบายถึง exponential fi ltering ตัวกรองที่ง่ายที่สุดและเป็นที่นิยมมากที่สุดส่วนนี้เป็นส่วนหนึ่งของส่วนการกรองซึ่งเป็นส่วนหนึ่งของคู่มือสำหรับการตรวจหาและวินิจฉัยข้อบกพร่องการตรวจสอบค่าคงที่ตลอดเวลาและตัวกรองแบบอะนาล็อกตัวกรองที่ง่ายที่สุดคือตัวกรองเลขลำดับ กว่าตัวอยางเทานั้นมันตองมีการจัดเก็บตัวแปรเพียงอยางเดียวคือเอาตพุตกอนหนามันเปนตัวกรอง IIR autoregressive - ผลกระทบของการเปลี่ยนแปลงการเปลี่ยนแปลงของอินพุทจะสลายไปเรื่อย ๆ จนกวาขีดจํากัดของการแสดงผลหรือเลขศัพทของคอมพิวเตอรจะหลบซ่อน filter เรียกว่า exponential smoothing ในบางสาขาวิชาเช่นการวิเคราะห์การลงทุนตัวกรอง exponential เรียกว่า EWMA Weighted Moving Average โดยประมาณหรือเพียงแค่ Exponential Moving Average EMA การใช้ค่าเฉลี่ย ARMA เฉลี่ยของการวิเคราะห์อนุกรมเวลาเนื่องจากมี ไม่มีประวัติการป้อนข้อมูลที่ใช้ - แค่อินพุตปัจจุบันนั่นคือเวลาที่สิ้นเชิงเทียบเท่ากับความล่าช้าในการสั่งซื้อครั้งแรกที่ใช้บ่อยๆ แบบจำลองอนาล็อกของระบบควบคุมเวลาต่อเนื่องในวงจรไฟฟ้าตัวกรองสัญญาณ RC ที่มีตัวเก็บประจุตัวเดียวและตัวเก็บประจุหนึ่งตัวเป็นลอจิกแรกเมื่อเน้นการเปรียบเทียบกับวงจรอะนาล็อกพารามิเตอร์จูนเดียวคือค่าคงที่ตลอดเวลาโดยปกติจะเขียนเป็นค่าต่ำกว่า กรณีอักษรกรีก Tau ในความเป็นจริงค่าที่เวลาตัวอย่างไม่ต่อเนื่องตรงกับเวลาล้าหลังอย่างต่อเนื่องเทียบเท่ากับเวลาเดียวกันคงที่ความสัมพันธ์ระหว่างการใช้ดิจิตอลและเวลาคงที่จะแสดงในสมการด้านล่างสมการตัวกรอง Exponential และการเริ่มต้น exponential filter คือการรวมกันของถ่วงน้ำหนักที่คาดการณ์ไว้ก่อนหน้านี้กับข้อมูลการป้อนข้อมูลล่าสุดโดยมีผลรวมของน้ำหนักที่เท่ากับ 1 เพื่อให้ผลลัพธ์สอดคล้องกับอินพุทในสถานะที่มั่นคงหลังจากที่ได้มีการใช้ตัวกรองไว้แล้ว kay 1-axe k. where xk เป็นอินพุตดิบที่เวลา step kyk คือผลลัพธ์ที่ผ่านการกรองในขั้นตอนเวลา ka คือค่าคงที่ระหว่าง 0 ถึง 1 โดยปกติระหว่าง 0 8 และ 0 99 a-1 หรือบางครั้งเรียกว่า constanting คงที่สำหรับระบบที่มีช่วงเวลาคงที่ T ระหว่างตัวอย่างค่าคงที่ a จะถูกคำนวณและจัดเก็บเพื่อความสะดวกเฉพาะเมื่อนักพัฒนาแอ็พพลิเคชันระบุค่าใหม่ของ constant constant ที่เวลา tau คือ ตัวกรองเวลาคงที่ในหน่วยเดียวกันของเวลาเป็น T. สำหรับระบบที่มีการสุ่มตัวอย่างข้อมูลในช่วงเวลาที่ไม่สม่ำเสมอฟังก์ชันเลขชี้กำลังข้างต้นจะต้องใช้กับแต่ละขั้นตอนเวลาที่ T คือเวลาตั้งแต่ตัวอย่างก่อนหน้านี้เอาท์พุทกรองมักจะ เริ่มต้นเพื่อให้ตรงกับการป้อนข้อมูลครั้งแรกเมื่อเวลาคงที่วิธี 0 เป็นไปที่ศูนย์จึงไม่มีการกรองเอาท์พุทเท่ากับการป้อนข้อมูลใหม่เป็นเวลาที่คงที่ได้รับมีขนาดใหญ่มากวิธีที่ 1 เพื่อให้เข้าใหม่เกือบจะละเลยมาก การกรองแบบหนาตัวกรองสมการข้างต้นสามารถจัดเรียงใหม่ลงในตัวทำนาย corrector ต่อไปนี้รูปแบบนี้ทำให้เห็นได้ชัดมากขึ้นว่าตัวแปรประมาณการเอาท์พุทของตัวกรองคาดว่าจะไม่เปลี่ยนแปลงจากประมาณการก่อนหน้านี้ y k-1 บวกเงื่อนไขการแก้ไขจากนวัตกรรมที่ไม่คาดคิด - ความแตกต่างระหว่างข้อมูลเข้า xk กับการคาดคะเน y k-1 รูปแบบนี้เป็นผลมาจากการใช้ตัวกรองแบบ exponential เป็นกรณีพิเศษอย่างหนึ่งของตัวกรองคาลมานซึ่งเป็น ทางออกที่ดีที่สุดในการประมาณค่าปัญหากับชุดของสมมติฐานการตอบสนองขั้นตอนหนึ่งวิธีการเห็นภาพการทำงานของตัวกรองเลขยกกำลังคือการพล็อตการตอบสนองของมันในช่วงเวลาที่จะป้อนข้อมูลขั้นตอนนั่นคือเริ่มต้นด้วยการป้อนข้อมูลตัวกรองและเอาท์พุทที่ 0 ค่าอินพุทจะเปลี่ยนไปเป็น 1 ค่าที่ได้จะถูกวางแผนไว้ด้านล่างในพล็อตด้านบนเวลาจะถูกหารด้วยเวลาตัวกรอง tau คงที่เพื่อให้คุณสามารถทำนายผลลัพธ์ได้ง่ายขึ้นสำหรับช่วงเวลาใด ๆ สำหรับค่าใด ๆ ของตัวกรอง ค่าคงที่เวลาหลังจากเวลาเท่ากับเวลาคงที่เอาท์พุทกรองเพิ่มขึ้นถึง 63 21 ของค่าสุดท้ายของมันหลังจากเวลาเท่ากับค่าคงที่ 2 เวลาค่าที่เพิ่มขึ้นถึง 86 47 ของมูลค่าสุดท้ายผลหลังจากครั้งเท่ากับ 3,4 , และ 5 ข้อเสียเวลา tants เป็น 95 02, 98 17 และ 99 33 ของค่าสุดท้ายตามลำดับเนื่องจากตัวกรองเป็นเส้นตรงซึ่งหมายความว่าเปอร์เซ็นต์เหล่านี้สามารถใช้สำหรับขนาดของการเปลี่ยนแปลงขั้นตอนใด ๆ ไม่ใช่แค่ค่า 1 ที่ใช้ที่นี่แม้ว่า การตอบสนองขั้นตอนในทฤษฎีใช้เวลาที่ไม่มีที่สิ้นสุดจากมุมมองในทางปฏิบัติให้คิดของตัวกรองเลขชี้กำลังเป็น 98 ถึง 99 ทำตอบสนองหลังจากเวลาเท่ากับ 4 ถึง 5 ตัวกรองเวลายังคงรูปแบบในตัวกรองเลขที่มีรูปแบบของ exponential filter ที่เรียกว่าตัวกรองเลขทศนิยมแบบไม่เชิงเส้น Weber, 1980 มีจุดมุ่งหมายเพื่อกรองสัญญาณรบกวนภายในคลื่นความถี่ทั่วไปบางอย่าง แต่จะตอบสนองต่อการเปลี่ยนแปลงที่มีขนาดใหญ่กว่ามากขึ้นลิขสิทธิ์ 2010 - 2013, Greg Stanley. แบ่งปันหน้านี้