تمهيد المتوسط المتحرك ماتلاب

إزالة الضوضاء والمكونات الدورية من مجموعات البيانات مع الحفاظ على الأنماط الكامنة غالبا ما تستخدم خوارزميات التمويه لإزالة المكونات الدورية من مجموعة البيانات مع الحفاظ على الاتجاهات طويلة الأجل. على سبيل المثال، غالبا ما تظهر بيانات السلاسل الزمنية التي يتم أخذ عينات منها مرة واحدة في الشهر تقلبات موسمية. سيؤدي المرشح المتوسط ​​المتحرك لمدة اثني عشر شهرا إلى إزالة العنصر الموسمي مع الحفاظ على الاتجاه طويل الأمد. بدلا من ذلك، يمكن استخدام خوارزميات تمهيد لتوليد نموذج وصفي لتحليل البيانات الاستكشافية. وكثيرا ما يستخدم هذا الأسلوب عندما يكون من غير العملي تحديد نموذج المعلمة التي تصف العلاقة بين مجموعة من المتغيرات. وتستخدم تقنيات تجسيد الإشارات أو السلاسل الزمنية في مجموعة من التخصصات بما في ذلك معالجة الإشارات وتحديد النظام والإحصاءات والاقتصاد القياسي. تشمل خوارزميات التمهيد الشائعة: لواس و لواس: طرق التجانس غير التجميعية باستخدام نماذج الانحدار المحلية تمهيد النواة: نهج غير معرفي لنمذجة وظيفة توزيع سلسة تمهيد الخطوط العريضة: نهج غير منحنى لتثبيت منحنى الانحدار التمثيلي للمتوسط ​​المتحرك (أرما) فيلتر يستخدم عندما تظهر البيانات الارتباط الذاتي التسلسلي مرشح هودريك-بريسكوت: مرشح يستخدم لتيسير السلاسل الزمنية القياسية الاقتصادية عن طريق استخراج المكونات الموسمية سافيتسكيجاي مرشح تمهيد: تصفية تستخدم عندما إشارة لديها معلومات عالية التردد التي ينبغي الاحتفاظ فلتر بوترورث: تصفية المستخدمة في معالجة الإشارات لإزالة الضوضاء عالية التردد حدد بلدك طريقة بسيطة (مخصصة) هي أن تأخذ فقط المتوسط ​​المرجح (الانضباط بواسطة ألفا) في كل نقطة مع جيرانها: أو بعض الاختلاف منها. نعم، لتكون أكثر تطورا يمكنك فورييه تحويل البيانات الخاصة بك أولا، ثم قطع الترددات العالية. شيء مثل: هذا يخفض أعلى 20 ترددات. كن حذرا لقطع بها بشكل متناظر وإلا فإن تحويل معكوس لم يعد حقيقيا. تحتاج إلى اختيار بعناية تردد قطع للمستوى المناسب من التجانس. هذا هو نوع بسيط جدا من التصفية (تصفية مربع في مجال التردد)، حتى تتمكن من محاولة تخفيف بلطف ترددات عالية الترتيب إذا كان التشويه غير مقبول. أجاب 4 أكتوبر 09 في 09:16 ففت ليس فكرة سيئة، ولكن من المحتمل أن يفيض هنا. تشغيل أو تحريك المتوسطات تعطي نتائج سيئة عموما، وينبغي تجنب أي شيء إلى جانب الواجبات المنزلية المتأخرة (والضجيج الأبيض). إد استخدام تصفية سافيتسكي-غولاي (في ماتلاب سغولايفيلت (.)). هذا سوف تعطيك أفضل النتائج لما كنت تبحث عنه - بعض التجانس المحلي مع الحفاظ على شكل المنحنى. دليل يوضح هذا المثال كيفية استخدام المتوسطات المتحركة المتحركة وإعادة عزل لعزل تأثير المكونات الدورية من الوقت من اليوم على وقراءات درجة الحرارة كل ساعة، وكذلك إزالة الضوضاء خط غير المرغوب فيها من قياس الجهد حلقة مفتوحة. ويبين المثال أيضا كيفية تسهيل مستويات إشارة الساعة مع الحفاظ على الحواف باستخدام مرشح متوسط. يوضح المثال أيضا كيفية استخدام فلتر هامبيل لإزالة القيم المتطرفة الكبيرة. الدافع التمويه هو كيف نكتشف الأنماط الهامة في بياناتنا في حين ترك الأشياء التي هي غير مهمة (أي الضوضاء). نحن نستخدم تصفية لتنفيذ هذا التمهيد. هدف التمهيد هو إحداث تغييرات بطيئة في القيمة بحيث أسهل لرؤية الاتجاهات في بياناتنا. في بعض الأحيان عند فحص بيانات الإدخال قد ترغب في تسهيل البيانات من أجل رؤية اتجاه في الإشارة. في مثالنا لدينا مجموعة من قراءات درجة الحرارة في مئوية أخذت كل ساعة في مطار لوغان لكامل شهر يناير 2011. لاحظ أننا يمكن أن نرى بصريا تأثير أن الوقت من اليوم لديه على قراءات درجة الحرارة. إذا كنت مهتما فقط في التغير في درجة الحرارة اليومية على مدار الشهر، وتقلبات ساعة تسهم فقط الضوضاء، والتي يمكن أن تجعل من الصعب التعرف على الاختلافات اليومية. ولإزالة تأثير الوقت من اليوم، نود الآن تسهيل بياناتنا باستخدام فلتر متوسط ​​متحرك. مرشاح متوسط ​​متحرك في أبسط أشكاله، فإن مرشاح المتوسط ​​المتحرك للطول N يأخذ متوسط ​​كل N عينة متعاقبة من شكل الموجة. ولتطبيق مرشح متوسط ​​متحرك على كل نقطة بيانات، نقوم ببناء معاملاتنا في عامل التصفية بحيث تكون كل نقطة مرجحة على قدم المساواة وتساهم ب 124 في المتوسط ​​الكلي. هذا يعطينا متوسط ​​درجة الحرارة على مدى كل 24 ساعة. فيلتر ديلاي لاحظ أن الإخراج المصفى يتأخر بنحو اثني عشر ساعة. ويرجع ذلك إلى حقيقة أن عامل تصفية المتوسط ​​المتحرك له تأخير. أي مرشح متماثل طول N سوف يكون لها تأخير من (N-1) 2 عينات. يمكننا حساب هذا التأخير يدويا. استخراج متوسط ​​الاختلافات بدلا من ذلك، يمكننا أيضا استخدام فلتر المتوسط ​​المتحرك للحصول على تقدير أفضل لكيفية تأثير الوقت من اليوم على درجة الحرارة الكلية. للقيام بذلك، أولا، طرح البيانات ممهدة من قياسات درجة الحرارة ساعة. بعد ذلك، صنف البيانات المختلفة إلى أيام واحصل على المتوسط ​​خلال كل 31 يوما في الشهر. استخراج الذروة المغلف في بعض الأحيان نود أيضا أن يكون لها تقدير متفاوت بسلاسة لكيفية ارتفاعات وانخفاض مستويات الحرارة لدينا إشارة تغيير يوميا. للقيام بذلك يمكننا استخدام وظيفة المغلف لربط أعلى مستوياته القصوى والهبوط المكتشفة على مجموعة فرعية من فترة 24 ساعة. في هذا المثال، علينا أن نضمن أن هناك ما لا يقل عن 16 ساعة بين كل ارتفاع الشديد والمتطرف الشديد. ويمكننا أيضا أن نحصل على فكرة عن الكيفية التي تتجه بها الرتفاعات والهبوط من خلال أخذ المتوسط ​​بين النقيضين. عوامل التصفية المتوسطة المتحركة المرجحة أنواع أخرى من المرشحات المتوسطة المتحركة لا تزن كل عينة بالتساوي. مرشح مشترك آخر يتبع توسع الحدين من (12،12) n هذا النوع من المرشح يقترب من منحنى العادي للقيم الكبيرة من n. ومن المفيد لتصفية الضوضاء عالية التردد ل n الصغيرة. للعثور على معاملات للمرشح ذي الحدين، 1212 12 مع نفسه ومن ثم تكرارا تزامن الإخراج مع 12 12 عدد محدد من المرات. في هذا المثال، استخدم خمس تكرارات إجمالية. مرشح آخر يشبه إلى حد ما مرشح توسع غاوس هو مرشح المتوسط ​​المتحرك الأسي. هذا النوع من المرشح المتوسط ​​المتحرك المرجح يسهل بناؤه ولا يتطلب حجم نافذة كبير. يمكنك ضبط عامل تصفية متوسط ​​متحرك أضعافا مضاعفة بواسطة معلمة ألفا بين الصفر وواحد. وهناك قيمة أعلى من ألفا يكون أقل تمهيد. التكبير في القراءات ليوم واحد. اختر بلدك