Creado en Miércoles 08 de Octubre de 2008 20:04 Última actualización el Jueves, 14 de Marzo de 2013 01:29 Escrito por Batuhan Osmanoglu Hits: 38891 Promedio móvil En Matlab A menudo me encuentro en necesidad de promediar los datos que tengo para reducir el ruido un poco poco. Escribí funciones de pareja para hacer exactamente lo que quiero, pero matlabs construido en función de filtro funciona bastante bien también. Aquí Ill escribir sobre 1D y 2D promedio de los datos. El filtro 1D se puede realizar usando la función de filtro. La función de filtro requiere al menos tres parámetros de entrada: el coeficiente de numerador para el filtro (b), el coeficiente de denominador para el filtro (a) y los datos (X), por supuesto. Un filtro de promedio en funcionamiento puede definirse simplemente por: Para datos 2D podemos utilizar la función Matlabs filter2. Para obtener más información sobre cómo funciona el filtro, puede escribir: Aquí hay una implementación rápida y sucia de un filtro de 16 por 16 de promedio móvil. Primero tenemos que definir el filtro. Puesto que todo lo que queremos es la contribución igual de todos los vecinos, podemos usar la función unos. Dividimos todo con 256 (1616) ya que no queremos cambiar el nivel general (amplitud) de la señal. Para aplicar el filtro simplemente podemos decir lo siguiente A continuación se presentan los resultados de la fase de un interferograma SAR. En este caso, Range está en el eje Y y Azimuth está asignado en el eje X. El filtro tenía 4 píxeles de ancho en Rango y 16 píxeles de ancho en Azimut. Iniciar sesión SearchI necesidad de calcular un promedio móvil en una serie de datos, dentro de un bucle for. Tengo que obtener el promedio móvil en N9 días. El array Im computing in es 4 series de 365 valores (M), que en sí mismos son valores medios de otro conjunto de datos. Quiero trazar los valores medios de mis datos con el promedio móvil en una parcela. Busqué un poco sobre los promedios móviles y el comando conv y encontré algo que intenté implementar en mi código. Por lo tanto, básicamente, calculo mi media y lo trace con una media móvil (errónea). Escogí el valor de wts justo en el sitio de mathworks, por lo que es incorrecto. (Fuente: www. mathworks. nl/help/econ/moving-average-trend-estimation) Mi problema, sin embargo, es que no entiendo lo que es este wts. Podría alguien explicar Si tiene algo que ver con los pesos de los valores: que no es válido en este caso. Todos los valores se ponderan igual. Y si estoy haciendo esto totalmente mal, podría obtener alguna ayuda con ella Mis más sinceras gracias. El uso de conv es una excelente manera de implementar un promedio móvil. En el código que está usando, wts es cuánto está pesando cada valor (como usted adivinó). La suma de ese vector siempre debe ser igual a uno. Si desea ponderar cada valor uniformemente y hacer un filtro N de tamaño N, entonces lo haría. Usar el argumento válido en conv resultará en tener menos valores en Ms que en M. Utilice lo mismo si no le importan los efectos de Relleno cero. Si tiene la caja de herramientas de procesamiento de señales, puede usar cconv si desea probar una media móvil circular. Algo así como usted debe leer la documentación conv y cconv para obtener más información si ya no lo ha hecho. Puede utilizar filtro para encontrar un promedio de ejecución sin utilizar un bucle for. Este ejemplo encuentra el promedio de ejecución de un vector de 16 elementos, usando un tamaño de ventana de 5. 2) suave como parte de la caja de herramientas de ajuste de curvas (que está disponible en la mayoría de los casos) yy suave (y) suaviza los datos en el vector de columna Y utilizando un filtro de media móvil. Los resultados se devuelven en el vector de columna yy. El intervalo predeterminado para el promedio móvil es 5.Moving Average - MA BREAKING DOWN Promedio móvil - MA Como ejemplo de SMA, considere un valor con los siguientes precios de cierre en 15 días: Semana 1 (5 días) 20, 22, 24, 25 , 23 Semana 2 (5 días) 26, 28, 26, 29, 27 Semana 3 (5 días) 28, 30, 27, 29, 28 Un MA de 10 días haría un promedio de los precios de cierre para los primeros 10 días como el Primer punto de datos. El próximo punto de datos bajaría el precio más temprano, agregaría el precio el día 11 y tomaría el promedio, y así sucesivamente como se muestra a continuación. Como se mencionó anteriormente, las AMs se retrasan en la acción de los precios actuales porque se basan en precios pasados, mientras más largo sea el período de tiempo para la MA, mayor será el retraso. Por lo tanto, un MA de 200 días tendrá un grado mucho mayor de retraso que un MA de 20 días porque contiene precios durante los últimos 200 días. La longitud de la MA a utilizar depende de los objetivos comerciales, con MA más cortos utilizados para el comercio a corto plazo y de más largo plazo MA más adecuado para los inversores a largo plazo. El MA de 200 días es ampliamente seguido por inversores y comerciantes, con rupturas por encima y por debajo de este promedio móvil considerado como señales comerciales importantes. Las MA también imparten señales comerciales importantes por sí solas, o cuando dos medias se cruzan. Un aumento MA indica que la seguridad está en una tendencia alcista. Mientras que un MA decreciente indica que está en una tendencia bajista. Del mismo modo, el impulso ascendente se confirma con un cruce alcista. Que se produce cuando una MA a corto plazo cruza por encima de un MA a más largo plazo. El impulso descendente se confirma con un cruce bajista, que ocurre cuando un MA a corto plazo cruza por debajo de un MA. Im a largo plazo no es cierto de la solución correcta, aunque dado que la suma del promedio de cada muestra introducirá una buena cantidad de error de redondeo. Hmm. Me pregunto si separar la parte fraccionaria de la parte entera ayudaría. Divida la parte entera de cada número por el recuento. Mantenga tres cantidades corrientes: 1) El promedio de las partes enteras, 2) El resto de cada división, y 3) La parte fraccional de cada número. Cada vez que se divide la parte entera de un número, el resultado de la parte entera se añade a la suma corriente de funcionamiento y el resto se añade a la suma corriente restante. Cuando la suma corriente restante obtiene un valor mayor o igual que el recuento, se divide por el recuento con el resultado de la parte entera añadido a la suma corriente de funcionamiento y el resto se añade a la suma corriente restante. Además, en cada cálculo, la parte fraccionaria se añade a la suma de ejecución fraccionaria. Cuando se termina el promedio, la suma corriente restante se divide por el recuento y el resultado se añade a la suma corriente de ejecución como un número flotante. Por ejemplo: Ahora qué hacer con la suma de ejecución fraccionaria. El peligro de desbordamiento es mucho menos probable aquí, aunque todavía es posible, así que una manera de manejarlo sería dividir la suma de ejecución fraccional por el recuento al final y agregarlo a nuestro resultado: Una alternativa sería comprobar el funcionamiento fraccionario Suma en cada cálculo para ver si es mayor o igual que count. Cuando eso sucede, haz lo mismo que hacemos con la suma restante. Excelente Jomit Vaghela 6-Mar-07 20:00 Me gustó lo que dijo pequeños trabajos rápidamente se convierten en grandes puestos de trabajo. Pensar en la optimización mientras que la codificación es una buena práctica. Gran esfuerzo y explicación, gracias Mike DiRenzo 5-Mar-07 15:26 Esta es la primera vez que he respondido a uno de sus artículos. Sin embargo, soy un lector muy ávido. Mientras que en la universidad, tuve que calcular medias móviles ponderadas y simples también. Heck, incluso tuve que crear algunos de mis propios algoritmos de media móvil en una aplicación de ERP personalizado hace un tiempo basado en algunas de las mismas fórmulas que aprendí en las operaciones 101. Pero esta aplicación, utilizando Generics, supera con creces cualquier cosa en términos de optimización, Sencillez y frescura a la derecha. Muchas gracias por esto. Uno de tus muchos fans, En silencio y silencio, la verdad queda clara. Ewma gobgob 5-Mar-07 4:30 Si tratas de calcular una media móvil simple, tienes que mantener una colección, lo que es bastante complejo para una tarea tan simple. Cómo sobre el uso de un ewma Sus 2 líneas de código, mucho más simple. Alfa exp (-elapsedTimeSinceLastValue) ewma alfa ewma (1-alfa) newValue Re: ewma Marc Clifton 5-Mar-07 4:47 Cómo sobre el uso de un ewma Interesante idea. Para los lectores que no saben lo que es un ewma, es un exponente Weighted media móvil. La gente es notoriamente imposible. --DavidCrow No hay excusa para no comentar su código. - John Simmons / programador proscrito Las personas que dicen que refactorizarán su código más tarde para que sea bueno no entienden la refactorización, ni el arte y el arte de la programación. - Josh Smith Re: ewma pwasser 5-Mar-07 12:21 Una estimación de la media móvil si el tamaño bin para el promedio móvil es n puede obtenerse mediante: NewAverage (((n-1) OldAverage) newValue) / n Esto funciona una vez que el contenedor está lleno (número de muestra n). El contenedor parcialmente lleno a menudo se trata utilizando un valor de semilla para el promedio móvil inicial (OldAverage) y luego utilizando este cálculo. Esto supone una distribución normal de valores, etc. Usted ha estado ocupado Colin Angus Mackay 4-Mar-07 11:37 Publicando dos artículos esta noche. Gran trabajo No sé cómo lo haces. Ive consiguió cerca de 4 o 5 artículos mitad terminado y yo apenas nunca parece encontrar el tiempo para terminarlos. Bien. Tal vez si me quedaba fuera de la sala Id manejarlo. Re: Youve sido ocupado Marc Clifton 4-Mar-07 13:25 Colin Angus Mackay escribió: Publicar dos artículos esta noche. Gran trabajo Gracias realmente estaba escribiendo el artículo sobre el promedio de ejecución y se dio cuenta de que la lista circular sería realmente un artículo auténtico muy bueno. Además, son artículos ligeros. Puedo ponerlos en marcha muy rápido. Su apenas difícil de pensar de la materia útil pero simple. Resulta que necesitaba estas dos clases de todos modos. La gente es notoriamente imposible. --DavidCrow No hay excusa para no comentar su código. - John Simmons / programador proscrito Las personas que dicen que refactorizarán su código más tarde para que sea bueno no entienden la refactorización, ni el arte y el arte de la programación. De lo que he leído de Marc, probablemente tiene un programa que puede examinar un pedazo de código y explicar los intrincados detalles, y luego publicarlo directamente en Code Project . Jeff Clark Architecto de sistemas JP Clark, INC. Columbus, Ohio Última actualización: 7-Oct-16 4:49 Noticias generales Sugerencia Pregunta Bug Respuesta Joke Praise Rant Admin Utilice CtrlLeft / Right para cambiar Mensajes, CtrlUp / Down para cambiar de subprocesos, CtrlShiftLeft / Derecha para cambiar las páginas. Documentación tsmovavg La salida tsmovavg (tsobj, s, lag) devuelve el promedio móvil simple para el objeto de serie temporal financiera, tsobj. Lag indica el número de puntos de datos anteriores utilizados con el punto de datos actual al calcular la media móvil. La salida tsmovavg (vector, s, lag, dim) devuelve la media móvil simple para un vector. Lag indica el número de puntos de datos anteriores utilizados con el punto de datos actual al calcular la media móvil. La salida tsmovavg (tsobj, e, timeperiod) devuelve la media móvil ponderada exponencial para la serie de tiempo financiero, tsobj. La media móvil exponencial es una media móvil ponderada, en la que timeperiod especifica el período de tiempo. Las medias móviles exponenciales reducen el retraso aplicando más peso a los precios recientes. Por ejemplo, una media móvil exponencial de 10 periodos pesa el precio más reciente en 18.18. Porcentaje exponencial 2 / (TIMEPER 1) o 2 / (WINDOWSIZE 1). La salida tsmovavg (vector, e, timeperiod, dim) devuelve la media móvil ponderada exponencial para un vector. La media móvil exponencial es una media móvil ponderada, en la que timeperiod especifica el período de tiempo. Las medias móviles exponenciales reducen el retraso aplicando más peso a los precios recientes. Por ejemplo, una media móvil exponencial de 10 periodos pesa el precio más reciente en 18.18. (2 / (periodo de tiempo 1)). La salida tsmovavg (tsobj, t, numperiod) devuelve la media móvil triangular para el objeto de serie temporal financiera, tsobj. La media móvil triangular dobla los datos. Tsmovavg calcula la primera media móvil simple con el ancho de la ventana de ceil (numperíodo 1) / 2. Luego calcula un segundo promedio móvil simple en el primer promedio móvil con el mismo tamaño de ventana. La salida tsmovavg (vector, t, numperiod, dim) devuelve el promedio móvil triangular de un vector. La media móvil triangular dobla los datos. Tsmovavg calcula la primera media móvil simple con el ancho de la ventana de ceil (numperíodo 1) / 2. Luego calcula un segundo promedio móvil simple en el primer promedio móvil con el mismo tamaño de ventana. La salida tsmovavg (tsobj, w, weights) devuelve la media móvil ponderada para el objeto de serie temporal financiera, tsobj. Suministrando pesos para cada elemento en la ventana en movimiento. La longitud del vector de peso determina el tamaño de la ventana. Si se utilizan factores de peso mayores para precios más recientes y factores más pequeños para los precios anteriores, la tendencia es más sensible a los cambios recientes. La salida tsmovavg (vector, w, pesos, dim) devuelve la media móvil ponderada del vector suministrando pesos para cada elemento de la ventana en movimiento. La longitud del vector de peso determina el tamaño de la ventana. Si se utilizan factores de peso mayores para precios más recientes y factores más pequeños para los precios anteriores, la tendencia es más sensible a los cambios recientes. La salida tsmovavg (tsobj, m, numperiod) devuelve la media móvil modificada para el objeto de serie temporal financiera, tsobj. La media móvil modificada es similar a la media móvil simple. Considere el argumento numperiod como el desfase de la media móvil simple. La primera media móvil modificada se calcula como una media móvil simple. Los valores subsiguientes se calculan sumando el nuevo precio y restando el último promedio de la suma resultante. La salida tsmovavg (vector, m, numperiod, dim) devuelve la media móvil modificada para el vector. La media móvil modificada es similar a la media móvil simple. Considere el argumento numperiod como el desfase de la media móvil simple. La primera media móvil modificada se calcula como una media móvil simple. Los valores subsiguientes se calculan sumando el nuevo precio y restando el último promedio de la suma resultante. Dim 8212 dimensión para operar a lo largo de entero positivo con valor 1 o 2 Dimensión para operar a lo largo, especificado como un entero positivo con un valor de 1 o 2. dim es un argumento de entrada opcional y si no se incluye como una entrada, el valor predeterminado Se asume el valor 2. El valor predeterminado de dim 2 indica una matriz orientada a filas, donde cada fila es una variable y cada columna es una observación. Si dim 1. se supone que la entrada es un vector de columna o una matriz orientada a columnas, donde cada columna es una variable y cada fila una observación. E 8212 Indicador para el vector de caracteres de media móvil exponencial El promedio móvil exponencial es una media móvil ponderada, en la que el tiempo es el período de tiempo de la media móvil exponencial. Las medias móviles exponenciales reducen el retraso aplicando más peso a los precios recientes. Por ejemplo, una media móvil exponencial de 10 periodos pesa el precio más reciente en 18.18. Porcentaje exponencial 2 / (TIMEPER 1) o 2 / (WINDOWSIZE 1) período de tiempo 8212 Longitud del período de tiempo entero no negativo Seleccione su país
No comments:
Post a Comment