Luotu keskiviikkona, 08 lokakuu 2008 20:04 Viimeisin päivitys torstaina, 14 maaliskuu 2013 01:29 Kirjoittanut Batuhan Osmanoglu Osumat: 41494 Liukuva keskiarvo matlabissa Usein olen joutunut keskimäärin tietojen keskittämiseen, bitti. Kirjoitin pari toimintoa, jotta voisin tehdä täsmälleen mitä haluan, mutta suodattimen toimintoihin rakennettu matalakit toimivat melko hyvin. Täällä kirjoitetaan 1D: n ja 2D: n keskimääräinen data. 1D-suodatin voidaan toteuttaa käyttämällä suodatustoimintoa. Suodatintoiminto vaatii vähintään kolme syöttöparametria: suodattimen (b) laskentakerroin, suodattimen (a) nimittäjäkerroin ja tietenkin (X). Juoksevan keskimääräisen suodattimen voi määritellä yksinkertaisesti: 2D-datalle voimme käyttää Matlabs-suodatinta2 - toimintoa. Lisätietoja suodattimen toiminnasta voit kirjoittaa: Tässä on nopea ja likaista 16: nteen liukuvan keskimääräisen suodattimen toteutusta. Ensin meidän on määriteltävä suodatin. Koska kaikki haluamme on kaikkien naapureiden tasainen panos, voimme vain käyttää niitä. Jaamme kaiken 256: llä (1616), koska emme halua muuttaa signaalin yleistä tasoa (amplitudi). Suodattimen käyttämiseksi voimme yksinkertaisesti sanoa seuraavaksi Alla on tulokset SAR-interferogrammin vaiheelle. Tässä tapauksessa Alue on Y-akselilla ja Asemuutti on kartoitettu X-akselilla. Suodatin oli 4 pikseliä leveä ja 16 pikseliä leveä Azimutiin.29 Syyskuu 2013 Keskimääräinen keskimääräinen siirtymä konvoluutiolla Mikä on liukuva keskiarvo ja mikä se on hyvä Kuinka liukuva keskimääritys tehdään konvoluutiolla Moving average on yksinkertainen operaatio, jota yleensä käytetään tukahduttaa signaalin melu: asetamme jokaisen pisteen arvon sen lähialueiden arvojen keskiarvoon. Kaavalla: Tässä x on tulo ja y on lähtösignaali, kun ikkunan koko on w, jonka pitäisi olla outoa. Edellä oleva kaava kuvaa symmetristä toimintaa: näytteet otetaan todellisesta pisteestä molemmilta puolilta. Alla on todellinen esimerkki. Piste, jolle ikkuna asetetaan, on todella punainen. Arvojen ulkopuolella x on tarkoitus olla nollia: katsomalla tätä vuorovaikutteista esittelyä voit katsella ja katsoa liikkuvan keskiarvon vaikutuksia. Kuinka tehdä se konvoluutiolla Kuten olet ehkä tunnustanut, yksinkertaisen liukuvan keskiarvon laskeminen on samanlainen kuin konvoluutio: molemmissa tapauksissa ikkunan liukuu signaalin suuntaan ja ikkunassa olevat elementit on tiivistetty. Joten, yritä tehdä sama asia käyttämällä convolutionia. Käytä seuraavia parametreja: Haluttu lähtö on: Ensimmäisenä lähestymistapana kokeile, mitä saamme kaventamalla x-signaalia seuraavalla k-ytimellä: Lähtö on täsmälleen kolme kertaa suurempi kuin odotettu. Voidaan myös nähdä, että lähtöarvot ovat yhteenveto kolmen elementin ikkunasta. Se johtuu siitä, että konvoluution aikana ikkuna liukuu pitkin, kaikki sen sisältämät elementit kerrotaan yhdellä ja tiivistetään sitten: yk 1 cdot x 1 cdot x 1 cdot x Halutut y: n arvot. tuotos on jaettava 3: Kaavalla, joka sisältää jakautumisen: Mutta eikö olisi optimaalista tehdä jakautuminen konvoluutiossa? Tässä tulee ajatus järjestelemällä yhtälö: Joten käytämme seuraavaa k ydintä: Näin me saat halutun tuotoksen: Yleisesti: jos haluamme tehdä liukuvan keskiarvon konvoluutiolla, jonka ikkunan koko on w. käytämme seuraavaa k ytimenä: Yksinkertainen liikevoiman tekevä toiminto on: Esimerkkikäyttö on: Minun täytyy laskea liikkuva keskiarvo tietosarjassa silmukan sisällä. Minun täytyy saada liikkuva keskiarvo N9 päivää kohti. Määritelmä Im-laskenta on 4 sarja 365-arvoa (M), jotka itse ovat toisen datasarjan keskiarvot. Haluan piirtää tietoni keskimääräiset arvot liikkuvassa keskiarvossa yhdelle tontille. Olen googled hieman noin liikkuvia keskiarvot ja conv komento ja löytänyt jotain, jonka yritin toteuttaa koodini: Joten pohjimmiltaan minä laskea keskiarvo ja piirtää sen (väärä) liukuva keskiarvo. Otin wts-arvon pois mathworks-sivustosta, joten se on virheellinen. (lähde: mathworks. nlhelpeconmoving-average-trend-estimation. html) Minun ongelmani on kuitenkin se, etten ymmärrä mitä tämä wts on. Voisiko joku selittää, jos sillä on jotain tekemistä arvojen painojen kanssa: se on tässä tapauksessa virheellinen. Kaikki arvot on painotettu samalla tavalla. Ja jos teen tämän täysin väärin, voisinko saada apua tähän. Kiitokseni. kysyi syyskuu 23 14 klo 19:05 Konf on erinomainen tapa toteuttaa liukuva keskiarvo. Käytetyssä koodissa wts on kuinka paljon punnit jokainen arvo (kuten olet arvannut). kyseisen vektorin summan tulisi aina olla yhtä suuri kuin yksi. Jos haluat painottaa jokaista arvoa tasaisesti ja tehdä koon N liikkuvan suodattimen, niin haluat tehdä. Käyttämällä kelvollista argumenttia konvoluutiossa seurauksena on vähemmän arvoja M: n kuin sinulla on M. Käytä samaa, jos et pidä vaikutuksia nolla täyttöä. Jos sinulla on signaalinkäsittelylaatikko, voit käyttää cconv-koodia, jos haluat kokeilla pyöreää liukuvaa keskiarvoa. Jotain kuin sinun pitäisi lukea conv ja cconv dokumentaatiota lisätietoja, jos et ole jo. Voit käyttää suodatinta löytääksesi juoksevan keskiarvon käyttämättä silmukkaa. Tämä esimerkki löytää 16-elementti-vektorin juoksevan keskiarvon käyttäen ikkunan kokoa 5. 2) sileä osa Curve Fitting Toolboxia (joka on useimmissa tapauksissa käytettävissä) yy sileä (y) sileää datan sarakevektoriin y käyttämällä liikkuvaa keskimääräistä suodatinta. Tulokset palautetaan sarake vektorissa yy. Oletusvälin liikkuva keskiarvo on 5.A yksinkertainen (ad hoc) tapa on vain ottaa painotettu keskiarvo (virittää alpha) kussakin kohdassa sen naapurit: tai joitakin sen muunnelmia. Kyllä, jotta voit olla hienostuneempi, voit Fourierin muuntaa tietosi ensin ja katkaista sitten korkeat taajuudet. Jotain: Tämä katkaisee korkeimmat 20 taajuutta. Ole varovainen leikkaamaan ne symmetrisesti muutoin käänteismuunnos ei ole enää todellinen. Sinun on valittava huolellisesti rajoitustiheys oikean tason tasoittamiseksi. Tämä on hyvin yksinkertainen suodatus (laatikkosuodatus taajuusalueella), joten voit kokeilla heikentää korkeataajuuksia, jos vääristymiä ei voida hyväksyä. Vastaus 4. lokakuu 09 kello 9:16 FFT ei ole huono idea, mutta sen todennäköisesti liiallinen täällä. Juoksevat tai liikkuvat keskiarvot tuottavat yleensä huonoja tuloksia, ja niitä tulisi välttää mistään myöhästyneiden tehtävien (ja valkoisen melun) lisäksi. Id käytä Savitzky-Golay-suodatusta (Matlab sgolayfilt (.)). Tämä antaa sinulle parhaan tuloksen mitä etsit - jotkut paikalliset tasoittavat ja säilyttävät käyrän muodon.
No comments:
Post a Comment