Jag har i huvudsak en mängd värden som denna. Den ovanstående matrisen är översimplifierad, jag m samlar 1 värde per millisekund i min riktiga kod och jag måste bearbeta utmatningen på en algoritm som jag skrev för att hitta den närmaste toppen innan en tidpunkt Logiken misslyckas eftersom i mitt exempel ovan är 0 36 den riktiga toppen, men min algoritm skulle se bakåt och se det sista numret 0 25 som toppen eftersom det sänker till 0 24 före det. Målet är att ta dessa värden Och tillämpa en algoritm för dem som släpper ut dem lite så att jag har mer linjära värden, dvs jag tycker att mina resultat är kurva, inte jaggedy. Jag har fått höra att använda ett exponentiellt glidande medelfilter till mina värden. Hur kan jag Gör det här Det är verkligen svårt för mig att läsa matematiska ekvationer. Jag hanterar mycket bättre med code. How bearbetar jag värden i min array och tillämpar en exponentiell glidande genomsnittlig beräkning för att till och med utföra dem. asked 8 februari 12 på 20 27.Till beräkna Ett exponentiellt glidande medelvärde behöver du behålla en del tillstånd runt och Du behöver en inställningsparameter Detta kräver en liten klass om du antar att du använder Java 5 eller senare. Inställning med den sönderfallsparametern du vill kan ta tuning ska vara mellan 0 och 1 och använd sedan genomsnittet för att filtrera. När du läser en sida på några matematiska Återkommande, allt du verkligen behöver veta när du gör det till kod är att matematiker gillar att skriva index i arrayer och sekvenser med prenumerationer. De har några andra noteringar också, vilket hjälper inte Emellertid är EMA ganska enkel eftersom du bara behöver Att komma ihåg ett gammalt värde inga komplicerade tillståndsuppställningar krävs. Svarade den 8 februari 12 på 20 42. TKKocheran Ganska mycket Är det inte trevligt när saker kan vara enkla Om du börjar med en ny sekvens får du en ny medelvärderare Observera att de första villkoren i Den genomsnittliga sekvensen hoppar runt lite på grund av gränseffekter, men du får de med andra glidande medelvärder. En bra fördel är dock att du kan linda den glidande genomsnittliga logiken in i medelvärdet och experimentera utan att störa t Han vilar på ditt program för mycket Donal Fellows 9 februari 12 på 0 06. Jag har svårt att förstå dina frågor, men jag kommer att försöka svara ändå.1 Om din algoritm hittat 0 25 istället för 0 36, då är det fel Det är fel eftersom det förutsätter en monotonisk ökning eller minskning som alltid går upp eller alltid går ner, Om du inte vill ha det maximala med alla dina data, är dina datapunkter --- som du presenterar dem --- olinjära. Värdet mellan två punkter i tid, skära sedan din matris från tmin till tmax och hitta max av den subarray.2 Nu är konceptet med glidande medelvärden mycket enkelt att föreställa mig att jag har följande lista 1 4, 1 5, 1 4, 1 5, 1 5 Jag kan släpa ut det genom att ta medeltalet av två nummer 1 45, 1 45, 1 45, 1 5 Observera att det första numret är genomsnittet av 1 5 och 1 4 sekund och första siffrorna är den andra nya listan Är genomsnittet av 1 4 och 1 5 tredje och andra gamla listan den tredje nya listan i genomsnitt 1 5 och 1 4 fjärde och tredje, och så vidare kunde jag Har gjort det period tre eller fyra eller n Observera hur dataen är mycket jämnare Ett bra sätt att se glidande medelvärden på jobbet är att gå till Google Finance, välj ett lager försök Tesla Motors ganska flyktiga TSLA och klicka på technicals längst ner på Diagrammet Välj Flyttande medelvärde med en given period och Exponentiell glidande medelvärde för att jämföra deras skillnader. Exponentialt glidande medelvärde är bara en ytterligare utarbetande av detta, men vikter äldre data mindre än de nya data så är det ett sätt att förspänna utjämningen mot baksidan Vänligen läs Wikipedia-posten. Så det här är mer en kommentar än ett svar, men den lilla kommentarrutan var bara för liten lycka till. Om du har problem med matte kan du gå med ett enkelt glidande medel istället för exponentiella Så Utgången du får skulle vara de sista x-termerna dividerad med x Otestad pseudokod. Notera att du måste hantera start - och slutdelarna av data eftersom det tydligt är att du inte kan räkna med de senaste 5 termerna när du befinner dig på din andra datapunkt , Den Re är effektivare sätt att beräkna denna rörliga genomsnittliga summan summan - äldsta nyaste, men det här är att få konceptet av vad som händer across. answered Feb 8 12 på 20 41.An Easy-to-Use Digital Filter. The exponentiella glidande medelvärdet EMA är en typ av oändligt impulsrespons IIR-filter som kan användas i många inbyggda DSP-applikationer. Det kräver endast en liten mängd RAM och datorkraft. Vad är ett Filter. Filters som finns i både analoga och digitala former och existerar för att ta bort specifika frekvenser Från en signal Ett gemensamt analogt filter är lågpass-RC-filtret som visas nedan. Analogfiltren kännetecknas av deras frekvensrespons, det är hur mycket frekvenserna är dämpade magnitudrespons och skiftat fasrespons. Frekvensresponsen kan analyseras med en Laplace-transform som definierar En överföringsfunktion i S-domänen För ovanstående krets ges överföringsfunktionen av. För R motsvarar ett kilo-ohm och C är lika med en mikrofarad visas magnitudsvaret nedan. Inte E att x-axeln är logaritmisk varje fältmärke är 10 gånger större än den sista. Y-axeln är i decibel, vilken är en logaritmisk funktion för utgången. Avklippsfrekvensen för detta filter är 1000 rad s eller 160 Hz. Detta är Punkt där mindre än hälften av effekten vid en given frekvens överförs från ingången till filtrets utgång. Analogfiltret måste användas i inbyggda mönster när man samplar en signal med en analog till digital omvandlare ADC ADC tar bara upp frekvenser som är uppe Till hälften av samplingsfrekvensen Om exempelvis ADC förvärvar 320 prover per sekund placeras filtret ovan med en avkänningsfrekvens på 160 Hz mellan signalen och ADC-ingången för att förhindra aliasing vilket är ett fenomen där högre frekvenser uppträder i urvalet Signaler som lägre frekvenser. Digitala filter. Digitala filter dämpar frekvenser i programvara istället för att använda analoga komponenter. Implementeringen inkluderar provtagning av de analoga signalerna med en ADC och applicering av en mjuk Ware algoritm Två vanliga designmetoder för digital filtrering är FIR-filter och IIR-filter. FIR-filter. Finite Impulse Response FIR-filter använder ett ändligt antal prover för att generera utgången. Ett enkelt glidande medelvärde är ett exempel på ett lågpass FIR-filter. Högre frekvenser är Dämpas eftersom medelvärdet släpper ut signalen Filtret är ändligt eftersom filtrets utdata bestäms av ett begränsat antal ingångsprover. Till exempel lägger ett 12-punkts glidande medelfilter upp de 12 senaste proverna och delar sedan med 12 Av IIR-filter bestäms av upp till ett oändligt antal ingångsprover. IR-filter. Infinite Impulse Response IIR-filter är en typ av digitalt filter där utsignalen är teoretiskt teoretiskt influerad av en ingång. Det exponentiella glidande medlet är ett exempel på en Lågpass IIR-filter. Exponential Moving Average Filter. En exponentiell glidande medelvärde EMA tillämpar exponentiella vikter för varje prov för att beräkna en genomsnittlig Thoug H det verkar komplicerat, ekvationen som är känd i digital filtreringsparlance som skillnadsekvationen för att beräkna utdatan är enkel. I ekvationen nedan är y utgången x är ingången och alfa är en konstant som sätter cutoff-frekvensen. För att analysera hur detta Filter påverkar utmatningsfrekvensen, Z-domänöverföringsfunktionen används. Storlekssvaret visas nedan för alfas lika 0 5. Y-axeln visas återigen i decibel. X-axeln är logaritmisk från 0 001 till Pi Realtidsfrekvenskartorna till x-axeln med noll är likspänningen och pi är lika med hälften av samplingsfrekvensen. Eventuella frekvenser som är större än hälften av samplingsfrekvensen kommer att aliaseras. Såsom nämnts kan ett analogt filter säkerställa praktiskt taget allt Frekvenserna i den digitala signalen är under hälften av samplingsfrekvensen. EMA-filtret är fördelaktigt i inbyggda mönster av två skäl. För det första är det enkelt att justera skärningsfrekvensen. Att minska värdet på alfa kommer att sänka skärningsfrekvensen Av filtret som illustreras genom att jämföra ovanstående alfa 0 5-plot till nedanstående plot där alfa 0 1.En andra är EMA lätt att koda och kräver endast en liten mängd datorkraft och minne. Kodens genomförande av filtret använder skillnaden Ekvation Det finns två multiplicerade operationer och en tilläggsoperation för varje utmatning detta ignorerar de operationer som krävs för avrundning av fastpunktsmatematik Endast det senaste provet måste lagras i RAM Detta är väsentligt mindre än att använda ett enkelt glidande medelfilter med N-punkter som kräver N Multiplicera och tilläggsoperationer samt N-prov som ska lagras i RAM Följande kod implementerar EMA-filtret med 32-bitars fixpunktmatematik. Koden nedan är ett exempel på hur man använder funktionen ovan. Filter, både analoga och digitala, Är en väsentlig del av inbyggda mönster De tillåter utvecklare att bli av med oönskade frekvenser vid analys av sensorinmatning För att digitala filter ska vara användbara måste analoga filter ta bort alla friska Ncies över hälften av samplingsfrekvensen Digital IIR-filter kan vara kraftfulla verktyg i inbyggd design där resurser är begränsade. Det exponentiella glidande genomsnittet EMA är ett exempel på ett sådant filter som fungerar bra i inbyggda konstruktioner på grund av de låga minnes - och datorkraftkraven. En enkel Och den allmänna metoden för att fylla i saknade data, om du har körningar med fullständiga data, ska du använda Linjär regression Säg att du har 1000 körningar på 5 i rad utan att saknas. Ställ in 1000 x 1 vektor y och 1000 x 4 matris X. Regression kommer att ge dig 4 nummer abcd som ger bäst match. for dina 1000 rader data olika data, olika abcd Sedan använder du dessa abcd för att uppskatta förutsäga, interpolera saknad wt 0 För mänskliga vikter, förväntar jag mig att abcd ska vara runt 1 4. Det finns zillioner böcker och papper om regression, på alla nivåer För anslutningen med interpolering vet jag inte om en bra introduktion någon.
No comments:
Post a Comment