Moving Average Prozess Matlab

Mit MATLAB, wie finde ich die 3-Tage gleitenden Durchschnitt einer bestimmten Spalte einer Matrix und hängen Sie den gleitenden Durchschnitt zu dieser Matrix Ich versuche, die 3-Tage gleitenden Durchschnitt von unten nach oben der Matrix zu berechnen. Ich habe meinen Code: Angesichts der folgenden Matrix a und Maske: Ich habe versucht Umsetzung der conv Befehl, aber ich erhalte einen Fehler. Hier ist der Befehl conv, den ich versucht habe, auf der 2. Spalte der Matrix a zu verwenden: Die Ausgabe, die ich wünsche, wird in der folgenden Matrix gegeben: Wenn Sie irgendwelche Vorschläge haben, würde ich es sehr schätzen. Vielen Dank für die Spalte 2 der Matrix a, ich bin die Berechnung der 3-Tage gleitenden Durchschnitt wie folgt und platziert das Ergebnis in Spalte 4 der Matrix a (Ich umbenannt Matrix a als 39desiredOutput39 nur für Abbildung). Der 3-tägige Durchschnitt von 17, 14, 11 ist 14 der dreitägige Durchschnitt von 14, 11, 8 ist 11 der 3-tägige Durchschnitt von 11, 8, 5 ist 8 und der 3-Tage-Durchschnitt von 8, 5, 2 ist 5. Es gibt keinen Wert in den unteren 2 Zeilen für die 4. Spalte, da die Berechnung für den dreitägigen gleitenden Durchschnitt an der Unterseite beginnt. Die 39valid39 Ausgabe wird nicht angezeigt, bis mindestens 17, 14 und 11. Hoffentlich macht dies Sinn ndash Aaron 12 12 13 am 1:28 Im Allgemeinen würde es helfen, wenn Sie den Fehler anzeigen würde. In diesem Fall tun Sie zwei Dinge falsch: Zuerst muss Ihre Faltung durch drei (oder die Länge der gleitenden Durchschnitt) geteilt werden Zweitens beachten Sie die Größe von c. Sie können nicht einfach passen c in eine. Der typische Weg, um einen gleitenden Durchschnitt wäre, um die gleiche: aber das sieht nicht wie Sie wollen. Stattdessen sind Sie gezwungen, ein paar Zeilen zu verwenden: Ich muss einen gleitenden Durchschnitt über eine Datenreihe innerhalb einer for-Schleife berechnen. Ich muss den gleitenden Durchschnitt über N9 Tage erhalten. Das Array Im-Berechnen ist 4 Reihe von 365 Werten (M), die selbst Mittelwerte eines anderen Satzes von Daten sind. Ich möchte die Mittelwerte meiner Daten mit dem gleitenden Durchschnitt in einem Diagramm darstellen. Ich googeln ein wenig über gleitende Durchschnitte und den conv Befehl und fand etwas, das ich versuchte, in meinem Code umzusetzen: So grundsätzlich berechne ich meinen Durchschnitt und plot ihn mit einem (falschen) gleitenden Durchschnitt. Ich wählte die wts Wert direkt an der Mathworks-Website, so dass ist falsch. (Quelle: mathworks. nlhelpeconmoving-average-trend-estimation. html) Mein Problem aber ist, dass ich nicht verstehe, was dieses wts ist. Könnte jemand erklären, wenn es etwas mit den Gewichten der Werte zu tun hat: das ist in diesem Fall ungültig. Alle Werte werden gleich gewichtet. Und wenn ich das völlig falsch mache, könnte ich etwas Hilfe dabei haben Mein aufrichtigster Dank. Die Verwendung von conv ist eine hervorragende Möglichkeit, einen gleitenden Durchschnitt zu implementieren. In dem Code, den Sie verwenden, ist wts, wie viel Sie jeden Wert wiegen (wie Sie ahnen). Die Summe dieses Vektors sollte immer gleich Eins sein. Wenn Sie jeden Wert gleichmäßig gewichten und eine Größe N bewegten Filter dann tun möchten, würden Sie tun möchten Mit dem gültigen Argument in conv wird mit weniger Werten in Ms, als Sie in M ​​haben. Verwenden Sie diese, wenn Sie dont die Auswirkungen von Nullpolsterung. Wenn Sie die Signalverarbeitung Toolbox haben, können Sie cconv verwenden, wenn Sie einen kreisförmigen gleitenden Durchschnitt ausprobieren möchten. Etwas wie Sie sollten lesen Sie die conv und cconv Dokumentation für weitere Informationen, wenn Sie havent bereits. Was ist Glättung und wie kann ich es tun Ich habe ein Array in Matlab, die das Magnitude-Spektrum eines Sprachsignals (die Größe von 128 Punkten FFT ). Wie glätte ich dieses mit einem gleitenden Durchschnitt Von dem, was ich verstehe, sollte ich ein Fenster Größe einer bestimmten Anzahl von Elementen nehmen, durchschnittlich, und dies wird das neue 1. Element. Dann verschieben Sie das Fenster nach rechts um ein Element, nehmen Sie den Durchschnitt, der das 2. Element wird, und so weiter. Ist das wirklich, wie es funktioniert Ich bin mir nicht sicher, da, wenn ich das tun, in meinem Endergebnis werde ich weniger als 128 Elemente haben. Also, wie funktioniert es und wie es hilft, um die Datenpunkte zu glätten Oder gibt es eine andere Art und Weise kann ich tun, Glättung der Daten gefragt Okt 15 12 at 6:30 migriert von stackoverflow Okt 15 12 at 14:51 Diese Frage kam von unserem Website für professionelle und enthusiast Programmierer. Für ein Spektrum möchten Sie wahrscheinlich gemeinsam (in der Zeitdimension) mehrere Spektren eher als einen laufenden Durchschnitt entlang der Frequenzachse eines einzigen Spektrums ndash Endolith sind beide gültige Techniken. Die Mittelung im Frequenzbereich (manchmal auch als Danielle-Periodogramm bezeichnet) ist die gleiche wie das Fenstern im Zeitbereich. Die Mittelung von mehreren Periodogrammen (quotspectraquot) ist ein Versuch, die Ensemble-Mittelung des wahren Periodogramms nachzuahmen (dies wird als Welch-Periodogramm bezeichnet). Auch als eine Frage der Semantik würde ich argumentieren, dass quotsmoothingquot nicht-causual Tiefpaßfilterung ist. Siehe Kalman Filterung vs Kalman Glättung, Wiener Filterung v Wiener Glättung, etc. Es gibt eine nichttriviale Unterscheidung und it39s Umsetzung abhängig. Ndash Bryan 12-18 um 19:18 Glättung kann in vielerlei Hinsicht getan werden, aber in sehr grundlegende und allgemeine Begriffe bedeutet es, dass Sie sogar ein Signal, indem Sie seine Elemente mit ihren Nachbarn. Sie smearblur das Signal ein wenig, um loszuwerden, Lärm. Zum Beispiel wäre eine sehr einfache Glättungsmethode, jedes Signal-Element f (t) auf 0,8 des ursprünglichen Wertes plus 0,1 jeder seiner Nachbarn neu zu berechnen: Beachten Sie, wie sich die Multiplikationsfaktoren oder - gewichte zu eins addieren. Also, wenn das Signal ist ziemlich konstant, Glättung nicht viel ändern. Aber wenn das Signal einen plötzlichen ruckartigen Wechsel enthielt, wird der Beitrag seiner Nachbarn dazu beitragen, das Rauschen ein wenig aufzuklären. Die Gewichte, die Sie in dieser Rekalkulationsfunktion verwenden, können als Kernel bezeichnet werden. Eine eindimensionale Gaußsche Funktion oder irgendein anderer Grundkern sollte in Ihrem Fall tun. Schönes Beispiel für eine besondere Art von Glättung: Oben: Ungelöstes Signal Unten: geglättetes Signal Beispiele für einige Kerne: Neben der netten Antwort von Junuxx möchte ich noch ein paar Notizen machen. Glättung bezieht sich auf die Filterung (leider ziemlich vage Wikipedia-Artikel) - Sie sollten die glatte wählen, basierend auf seinen Eigenschaften. Einer meiner Favoriten ist der Medianfilter. Dies ist ein Beispiel eines nicht-linearen Filters. Es hat einige interessante Eigenschaften, es bewahrt Kanten und ist sehr robust unter großen Lärm. Wenn Sie ein Modell haben, wie Ihr Signal verhält sich ein Kalman-Filter ist einen Blick wert. Seine Glättung ist tatsächlich eine Bayessche Maximum-Likelihood-Schätzung des Signals basierend auf Beobachtungen. Beantwortet Okt 15 12 am 11:07 1 für die Erwähnung der kalman Filter ndash Die Glättung impliziert die Verwendung von Informationen aus benachbarten Proben, um die Beziehung zwischen benachbarten Proben zu ändern. Für endliche Vektoren gibt es an den Enden keine benachbarten Informationen auf einer Seite. Ihre Entscheidungen sind: dont smoothfilter die Enden, akzeptieren Sie einen kürzeren resultierenden geglättet Vektor, machen Sie Daten und glatt mit dem (abhängig von der Genauigkeit aller Vorhersagen von den Enden), oder vielleicht mit verschiedenen asymmetrischen Glättung Kerne an den Enden (die am Ende Verkürzen den Informationsgehalt im Signal sowieso). Antwort # 2 am: Mai 15, 2010, 04:31:25 am »Andere haben erwähnt, wie Sie Glättung tun, Id wie zu erwähnen, warum Glättung funktioniert. Wenn Sie Ihr Signal richtig überspielen, variiert es relativ wenig von einer Probe zur nächsten (Beispielzeitpunkte, Pixel usw.) und es wird erwartet, dass sie ein insgesamt glattes Aussehen haben. Mit anderen Worten enthält Ihr Signal wenige hohe Frequenzen, d. H. Signalkomponenten, die mit einer Rate ähnlich zu Ihrer Abtastrate variieren. Messungen werden oft durch Rauschen verfälscht. In erster Näherung betrachten wir in der Regel das Rauschen einer Gaußschen Verteilung mit mittlerem Nullpunkt und einer bestimmten Standardabweichung, die einfach über dem Signal addiert wird. Um das Rauschen in unserem Signal zu reduzieren, machen wir gewöhnlich die folgenden vier Annahmen: Rauschen ist zufällig, nicht korreliert unter Samples, hat einen Mittelwert von Null, und das Signal ist ausreichend überabgetastet. Mit diesen Annahmen können wir einen gleitenden Mittelwertfilter verwenden. Man betrachte beispielsweise drei aufeinanderfolgende Proben. Da das Signal stark überabgetastet wird, kann angenommen werden, dass das darunterliegende Signal sich linear ändert, was bedeutet, dass der Mittelwert des Signals an den drei Abtastwerten dem wahren Signal am mittleren Abtastwert entspricht. Im Gegensatz dazu weist das Rauschen einen Mittelwert von Null auf und ist unkorreliert, was bedeutet, daß sein Durchschnitt zu Null neigen sollte. Somit können wir einen Gleitfilter mit drei Stichproben anwenden, wobei wir jede Probe mit dem Mittelwert zwischen sich und seinen zwei benachbarten Nachbarn ersetzen. Natürlich, je größer wir das Fenster, desto mehr Rauschen wird auf Null, aber desto geringer unsere Annahme der Linearität des wahren Signals hält. So müssen wir einen Kompromiss machen. Eine Möglichkeit, das Beste aus beiden Welten zu erhalten, besteht darin, einen gewichteten Mittelwert zu verwenden, wobei wir kleinere Gewichte weiter weggeben, sodass wir die Rauscheffekte von größeren Bereichen mitteln, während wir das wahre Signal nicht zu groß gewichten, wo es von unserer Linearität abweicht Annahme. Wie Sie die Gewichte setzen sollte, hängt von dem Rauschen, dem Signal und der Rechenleistung ab, und natürlich von dem Kompromiss zwischen dem Beseitigen von Rauschen und dem Schneiden in das Signal. Beachten Sie, dass in den letzten Jahren eine Menge Arbeit geleistet wurde, um einige der vier Annahmen zu lösen, zum Beispiel durch Entwerfen von Glättungsschemata mit variablen Filterfenstern (anisotrope Diffusion) oder Schemata, die überhaupt keine Fenster verwenden (Nichtlokale Mittel). Beantwortet Dec 27 12 at 15:10