Ligning Bevegelig Gjennomsnittsfilter

En enkel flytende gjennomsnitt er et gjennomsnitt av data beregnet over en tidsperiode. Det glidende gjennomsnittet er den mest populære prisindikatoren som brukes i tekniske analyser. Dette gjennomsnittet kan brukes med hvilken som helst pris, inkludert Hei, Lav, Åpent eller Lukk, og kan også brukes på andre indikatorer. Et glidende gjennomsnittsløp utjevner en dataserie, som er svært viktig i et volatilt marked, da det bidrar til å identifisere viktige trender. Dundas Chart for ASP har fire typer bevegelige gjennomsnitt, inkludert Simple, Exponential. Trekantet. og vektet. Den viktigste forskjellen mellom de ovennevnte glidende gjennomsnitt er hvordan de vektlegger datapunktene sine. Vi anbefaler at du leser Bruke finansielle formler før du fortsetter videre. Bruke finansielle formler gir en detaljert forklaring på hvordan du bruker formler, og forklarer også de ulike alternativene som er tilgjengelige for deg når du bruker en formel. Et linjediagram er et godt valg når du viser et enkelt glidende gjennomsnitt. Finansiell fortolkning: Moving Average er brukt til å sammenligne en sikkerhetspris med sitt bevegelige gjennomsnitt. Det viktigste elementet som brukes til å beregne det bevegelige gjennomsnittet, er en tidsperiode, som skal være lik den observerte markedssyklusen. Det bevegelige gjennomsnittet er en forsinkende indikator, og vil alltid ligge bak prisen. Når prisen følger en trend, er det bevegelige gjennomsnittet svært nær sikkerhetsprisen. Når en pris går opp, vil det bevegelige gjennomsnittet trolig bli lavere på grunn av innflytelsen fra de historiske dataene. Beregning: Det bevegelige gjennomsnittet beregnes ved hjelp av følgende formel: I forrige formel representerer n-verdien en tidsperiode. De vanligste tidsperioder er: 10 dager, 50 dager og 200 dager. Et bevegelige gjennomsnitt beveger seg fordi siden hvert nytt datapunkt er lagt til, blir det eldste datapunktet tapt. Et enkelt glidende gjennomsnitt gir like vekt til hver datapunktspris. Dette eksemplet demonstrerer hvordan du beregner et 20-dagers Moving-gjennomsnitt ved hjelp av Formula-metoden. FIR-filtre, IIR-filtre og den lineære konstant-koeffisient-differanse-ligningen Causal Moving Average (FIR) - filtrene Weve diskuterte systemer hvor hver prøve av utgangen er en veid summen av (visse av) prøvene av inngangen. La oss ta et årsaksvektet sumssystem, hvor årsakssammenheng betyr at en gitt utgangsprøve bare avhenger av gjeldende inngangseksempel og andre innganger tidligere i sekvensen. Verken lineære systemer generelt, og heller ikke finite impulsresponsystemer, må være årsakssammenhengende. Kausalitet er imidlertid praktisk for en slags analyse som skulle undersøke snart. Hvis vi symboliserer inngangene som verdier av en vektor x. og utgangene som tilsvarende verdier av en vektor y. så kan et slikt system skrives som hvor b-verdiene er quotweightsquot brukt på de nåværende og tidligere inngangssamplene for å få den nåværende utgangsprøven. Vi kan tenke på uttrykket som en ligning, med likestillingsbetegnelsen betyr lik, eller som en prosedyreinstruksjon, med likestillingsbetegnelsen. Lar oss skrive uttrykket for hver utgangseksempel som en MATLAB-sløyfe med oppgaveoppgavene, hvor x er en N-lengdevektor av inngangsprøver, og b er en M-lengdevektor med vekt. For å håndtere det spesielle tilfellet ved starten, vil vi legge inn x i en lengre vektor xhat hvis første M-1-prøver er null. Vi vil skrive den veide summasjonen for hver y (n) som et indre produkt, og vil gjøre noen manipulasjoner av inngangene (som reversering b) til dette formål. Denne typen system kalles ofte et bevegelig gjennomsnittsfilter av åpenbare årsaker. Fra våre tidligere diskusjoner bør det være åpenbart at et slikt system er lineært og skift-invariant. Selvfølgelig vil det være mye raskere å bruke MATLAB convolution-funksjonen conv () i stedet for vår mafilt (). I stedet for å vurdere de første M-1-prøvene av inngangen til å være null, kan vi betrakte dem til å være de samme som de siste M-1-prøvene. Dette er det samme som å behandle inngangen som periodisk. Vel bruk cmafilt () som navnet på funksjonen, en liten modifikasjon av den tidligere mafilt () - funksjonen. Ved å bestemme impulsresponsen til et system er det vanligvis ingen forskjell mellom disse to, siden alle ikke-første prøver av inngangen er null: Siden et slikt system er lineært og skift-invariant, vet vi at dets effekt på alle sinusoid vil bare være å skalere og skifte den. Her er det viktig at vi bruker den sirkulære versjonen Den sirkulært-konvolverte versjonen skiftes og skaleres litt, mens versjonen med vanlig konvolusjon er forvrengt i starten. Lar se hva den eksakte skaleringen og skiftingen er ved å bruke en fft: Både inngang og utgang har amplitude bare ved frekvenser 1 og -1, som er som det burde være, gitt at inngangen var en sinusformet og systemet var lineært. Utgangsverdiene er større med et forhold på 10,62518 1,3281. Dette er gevinsten til systemet. Hva med fasen Vi trenger bare å se hvor amplitude er ikke-null: Inngangen har en fase av pi2, som vi ba om. Utgangsfasen skiftes med ytterligere 1,0594 (med motsatt tegn for negativ frekvens), eller ca. 16 av en syklus til høyre, som vi kan se på grafen. Nå kan vi prøve en sinusoid med samme frekvens (1), men i stedet for amplitude 1 og fase pi2, kan vi prøve amplitude 1.5 og fase 0. Vi vet at bare frekvens 1 og -1 vil ha null null amplitude, så vi kan bare se på dem: Igjen er amplitudeforholdet (15.937712.0000) 1.3281 - og for fasen blir det igjen skiftet med 1.0594 Hvis disse eksemplene er typiske, kan vi forutsi effekten av vårt system (impulsrespons .1 .2 .3 .4 .5) på hvilken som helst sinusoid med frekvens 1 - amplituden vil bli økt med en faktor på 1,3281 og den (positive frekvens) fase vil bli forskyvet med 1,0594. Vi kunne fortsette å beregne effekten av dette systemet på sinusoider av andre frekvenser med samme metoder. Men det er en mye enklere måte, og en som etablerer det generelle punktet. Siden (sirkulær) konvolusjon i tidsdomenet betyr multiplikasjon i frekvensdomenet, følger det med at DFT av impulsresponsen med andre ord er forholdet mellom DFT for utgangen og DFT på inngangen. I dette forholdet er DFT-koeffisientene komplekse tall. Siden abs (c1c2) abs (c1) abs (c2) for alle komplekse tall c1, c2, forteller denne ligningen oss at amplitudespektret for impulsresponsen alltid vil være forholdet mellom amplitudespektret for utgangen og inngangen til inngangen . I tilfelle av fasespektret er vinkel (c1c2) vinkel (c1) - vinkel (c2) for alle c1, c2 (med den forutsetning at faser som er forskjellige med n2pi regnes like). Fasespektret for impulsresponsen vil derfor alltid være forskjellen mellom fasespekteret for utgangen og inngangen (med hvilke korrigeringer med 2pi som er nødvendig for å holde resultatet mellom - pi og pi). Vi kan se fasevirkningene tydeligere hvis vi pakker ut representasjonen av fase, dvs. hvis vi legger til flere multipler på 2pi etter behov for å minimere hoppene som er produsert av periodisk karakter av vinkelen () - funksjonen. Selv om amplitude og fase vanligvis brukes til grafisk og jevn tabellpresentasjon, da de er en intuitiv måte å tenke på effekten av et system på de forskjellige frekvenskomponentene i inngangen, er de komplekse Fourier-koeffisientene mer nyttige algebraisk, siden de tillater det enkle uttrykket for forholdet Den generelle tilnærmingen vi nettopp har sett vil fungere med vilkårlig filtre av typen skissert, hvor hver utgangseksempel er en vektet sum av et sett av inngangssampler. Som nevnt tidligere kalles disse ofte Finite Impulse Response-filtre, fordi impulsresponsen er av fin størrelse, eller noen ganger Flyttende gjennomsnittlig filtre. Vi kan bestemme frekvensresponsegenskapene til et slikt filter fra FFT av impulsresponsen, og vi kan også designe nye filtre med ønskede egenskaper ved IFFT fra en spesifikasjon av frekvensresponsen. Autoregressive (IIR) - filtre Det ville være lite poeng å ha navn på FIR-filtre, med mindre det var noe annet å skille dem fra, og så de som har studert pragmatikk, vil ikke bli overrasket over at det er en annen stor art av lineært tidsinvariant filter. Disse filtrene kalles noen ganger rekursive fordi verdien av tidligere utganger (samt tidligere innganger) betyr noe, selv om algoritmene generelt skrives ved hjelp av iterative konstruksjoner. De kalles også Infinite Impulse Response (IIR) filtre, fordi deres respons på impulser generelt går for alltid. De kalles også noen ganger autoregressive filtre, fordi koeffisientene kan tenkes som følge av å foreta lineær regresjon for å uttrykke signalverdier som en funksjon av tidligere signalverdier. Forholdet mellom FIR og IIR-filtre kan ses tydelig i en lineær konstant-koeffisientforskjellekvasjon, dvs. å sette en vektet sum av utganger som er lik en vektet sum av innganger. Dette er som ligningen som vi ga tidligere for årsakssystemet FIR-filter, bortsett fra at i tillegg til den vektede summen av innganger, har vi også en vektet sum av utganger. Hvis vi ønsker å tenke på dette som en prosedyre for å generere utgangseksempler, må vi omorganisere ligningen for å få et uttrykk for gjeldende utgangssprøve y (n), Vedta konvensjonen at a (1) 1 (f. eks. Ved å skalere andre som og bs), kan vi kvitte seg med 1a (1) termen: y (n) b (1) x (n) b (2) x (n-1). b (Nb1) x (n-nb) - a (2) y (n-1) -. - a (Na1) y (n-na) Hvis alle a (n) annet enn a (1) er null, reduseres dette til vår gamle venn, det kausale FIR-filteret. Dette er det generelle tilfellet av et (kausal) LTI filter, og implementeres av MATLAB-funksjonsfilteret. La oss se på tilfellet der b-koeffisientene bortsett fra b (1) er null (i stedet for FIR-tilfellet, hvor a (n) er null): I dette tilfellet beregnes nåværende utgangsprøve y (n) som en vektet kombinasjon av gjeldende inngangseksempel x (n) og tidligere utgangsprøver y (n-1), y (n-2) osv. For å få en ide om hva som skjer med slike filtre, kan vi starte med tilfellet hvor: Det vil si at den nåværende utgangsprøven er summen av gjeldende inngangseksempel og halvparten av den forrige utgangsprøven. Vel ta en inngangspuls gjennom noen få skritt, en om gangen. Det skal være klart på dette punktet at vi enkelt kan skrive et uttrykk for nth utgangsprøveverdien: det er bare (Hvis MATLAB telles fra 0, ville dette bare være .5n). Siden det vi beregner er impulsresponsen til systemet, har vi vist ved eksempel at impulsresponsen faktisk kan ha uendelig mange ikke-nullprøver. For å implementere dette trivielle førstegangsfilteret i MATLAB kunne vi bruke filter. Samtalen vil se slik ut: og resultatet er: Er denne virksomheten virkelig fortsatt lineær? Vi kan se på dette empirisk: For en mer generell tilnærming, vurder verdien av en utgangseksempel y (n). Ved suksessiv substitusjon kan vi skrive dette som: Dette er akkurat som vår gamle venn, sammenkallings-summen av et FIR-filter, med impulsresponsen gitt av uttrykket .5k. og lengden på impulsresponsen er uendelig. Dermed de samme argumentene som vi pleide å vise at FIR-filtre var lineære, vil nå gjelde her. Så langt kan dette virke som mye oppstyr om ikke mye. Hva er denne hele undersøkelsesgruppen god for Vel, svar på dette spørsmålet i faser, med utgangspunkt i et eksempel. Det er ikke en stor overraskelse at vi kan beregne en samplet eksponensiell ved rekursiv multiplikasjon. La oss se på et rekursivt filter som gjør noe mindre tydelig. Denne gangen må du gjøre det til et andreordfilter, slik at anropet til filteret vil være av skjemaet. La oss sette den andre utgangskoeffisienten a2 til -2cos (2pi40), og den tredje utgangskoeffisienten a3 til 1, og se på impulsen respons. Ikke veldig nyttig som et filter, men det genererer en samplet sinusbølge (fra en impuls) med tre multipliser-adds per prøve. For å forstå hvordan og hvorfor det gjør dette, og hvordan rekursive filtre kan utformes og analyseres i Jo mer generelt, vi må gå tilbake og ta en titt på noen andre egenskaper av komplekse tall, på vei til å forstå z-transformen. Oppdatert 12. mars 2013 Hva er RC-filtrering og eksponentiell gjennomsnittlig og hvordan varierer de Svaret på Den andre delen av spørsmålet er at de er den samme prosessen. Hvis en kommer fra en elektronikkbakgrunn, er RC Filtering (eller RC Smoothing) det vanlige uttrykket. På den annen side har en tilnærming basert på tidsseriestatistikk navnet Exponential Averaging, eller for å bruke fullt navn Eksponentielt vektet Moving Average. Dette er også kjent som EWMA eller EMA. En viktig fordel ved metoden er enkelheten i formelen for beregning av neste utgang. Det tar en brøkdel av forrige utgang, og en minus denne brøkdel ganger gjeldende inngang. Algebraisk ved tid k er det utjevnet utgang y k gitt av Som vist senere understreker denne enkle formelen nylige hendelser, jevner ut høyfrekvensvarianter og avslører langsiktige trender. Merk at det er to former for eksponentiell gjennomsnittlig ligning, den ene over og en variant begge er riktige. Se notatene i slutten av artikkelen for mer informasjon. I denne diskusjonen vil vi bare bruke ligning (1). Ovennevnte formel er noen ganger skrevet på mer begrenset måte. Hvordan er denne formelen avledet og hva er dens tolkning Et sentralt punkt er hvordan vi velger. For å se på denne enkle måten, er å vurdere et RC-lavpasfilter. Nå er et RC lavpasfilter bare en seriemotstand R og en parallell kondensator C som illustrert nedenfor. Tidsserier ligningen for denne kretsen er Produktet RC har tidsenheter og er kjent som tidskonstanten, T. for kretsen. Anta at vi representerer ovenstående ligning i sin digitale form for en tidsserie som har data tatt hvert sekund. Vi har Dette er nøyaktig det samme som forrige ligning. Sammenligning av de to relasjonene for en vi har som reduserer til det svært enkle forholdet Derfor er valget av N styrt av hvilken tidskonstant vi valgte. Nå kan ligning (1) bli gjenkjent som et lavpassfilter, og tidskonstanten karakteriserer filterets oppførsel. For å se betydningen av Time Constant må vi se på frekvensegenskapene til dette lavpas-RC-filteret. I sin generelle form er dette Expressing i modul og fasform vi har hvor fasevinkelen er. Frekvensen kalles den nominelle kuttfrekvensen. Fysisk kan det bli vist at ved denne frekvensen er effekten i signalet redusert med en halv og amplituden reduseres av faktoren. I dB-termer er denne frekvensen hvor amplituden er redusert med 3dB. Klart som tidskonsentrasjonen T øker, så reduserer kuttfrekvensen, og vi bruker mer utjevning til dataene, det er at vi eliminerer høyere frekvenser. Det er viktig å merke seg at frekvensresponsen uttrykkes i radiansekunden. Det er at det er en faktor involvert. For eksempel å velge en tidskonstant på 5 sekunder gir en effektiv kuttfrekvens på. En populær bruk av RC-utjevning er å simulere virkningen av en måler som brukes i et lydnivåmåler. Disse er vanligvis typifisert av deres tidskonstant som 1 sekund for S-typer og 0,125 sekunder for F-typer. For disse 2 tilfellene er de effektive kuttfrekvensene henholdsvis 0,16Hz og 1,27Hz. Egentlig er det ikke den tidskonstanten vi vanligvis ønsker å velge, men de perioder vi ønsker å inkludere. Anta at vi har et signal der vi ønsker å inkludere funksjoner med en P-periode. Nå er en periode P en frekvens. Vi kunne da velge en tidskonstant T gitt av. Vi vet imidlertid at vi har mistet omtrent 30 av produksjonen (-3dB) på. Derfor er det ikke den beste ordningen å velge en tidskonstant som nøyaktig tilsvarer periodicitetene vi ønsker å beholde. Det er vanligvis bedre å velge en litt høyere kuttfrekvens, si. Tidskonstanten er da som praktisk sett ligner på. Dette reduserer tapet til rundt 15 på denne periodiciteten. Derfor i praksis å beholde hendelser med en periodighet eller større, velg deretter en tidskonstant av. Dette vil inkludere effektene av periodiciteter av ned til ca. For eksempel hvis vi ønsker å inkludere virkningen av hendelser som skjer med si en 8 sekunders periode (0.125Hz), velg en tidskonstant på 0,8 sekunder. Dette gir en kuttfrekvens på ca. 0,2 Hz, slik at vår 8 sekunders periode er godt i filterets hovedpassbånd. Hvis vi prøvde dataene ved 20 timessecond (h 0,05), er verdien av N (0,80,05) 16 og. Dette gir litt innsikt i hvordan du setter inn. I utgangspunktet for en kjent samplingsfrekvens, karakteriserer den gjennomsnittsperioden og velger hvilke høyfrekvente svingninger som vil bli ignorert. Ved å se på utvidelsen av algoritmen kan vi se at den favoriserer de nyeste verdiene, og også hvorfor det blir referert til som eksponentiell vekting. Vi har erstattet y k-1 gir Gjenta denne prosessen flere ganger fører til Fordi er i intervallet, blir det klart at vilkårene til høyre blir mindre og oppfører seg som en nedbrytende eksponensiell. Det er den nåværende produksjonen er partisk mot de nyere hendelsene, men jo større velger vi T, desto mindre forspenning. I sammendraget ser vi at den enkle formelen understreker nylige hendelser, jevner ut høyfrekvens (kort periode) hendelser avslører langsiktige trender Tillegg 1 8211 Alternative former for ligningen Forsiktig Det er to former for eksponensiell gjennomsnittlig ligning som vises i litteraturen. Begge er korrekte og likeverdige. Den første form som vist ovenfor er (A1) Den alternative form er 8230 (A2) Merk bruken av i den første ligningen og i den andre ligningen. I begge ligninger og er verdier mellom null og enhet. Tidligere ble definert som Nå å velge å definere Dermed er den alternative form for eksponentiell gjennomsnittlig ligning Fysisk sett betyr det at valget av form en bruker avhenger av hvordan man vil tenke på enten å ta som tilbakebetegnelsesfraksjonen (A1) eller som brøkdel av inngangsligningen (A2). Det første skjemaet er litt mindre besværlig når det gjelder å vise RC-filterforholdet, og fører til en enklere forståelse i filterbetingelser. Chief Signal Processing Analyst hos Prosig Dr Colin Mercer var tidligere ved Institute of Sound and Vibration Research (ISVR), University of Southampton hvor han grunnla Data Analysis Center. Han fortsatte med å finne Prosig i 1977. Colin pensjonerte som Chief Signal Processing Analyst hos Prosig i desember 2016. Han er en Chartered Engineer og en stipendiat fra British Computer Society. Jeg tror du vil endre 8216p8217 til symbolet for pi. Marco, takk for at du peker på det. Jeg tror dette er en av våre eldre artikler som er overført fra et gammelt tekstbehandlingsdokument. Åpenbart har redaktøren (meg) ikke funnet ut at pi ikke hadde blitt transkribert riktig. Det vil bli korrigert snart. it8217s en veldig god artikkelforklaring om eksponentiell gjennomsnittsverdi Jeg tror det er en feil i formelen for T. Det skal være T h (N-1), ikke T (N-1) h. Mike, takk for at du skjønner det. Jeg har nettopp sjekket tilbake til Dr Mercer8217s originale tekniske notat i vårt arkiv, og det virker som om det var feil ved overføring av ligningene til bloggen. Vi vil rette opp innlegget. Takk for at du har fortalt oss takk takk takk. Du kan lese 100 DSP tekster uten å finne noe som sier at et eksponentielt gjennomsnittlig filter er ekvivalent med et R-C filter. Hmm, har du ligningen for et EMA-filter, er det ikke Yk aXk (1-a) Yk-1 i stedet for Yk aYk-1 (1-a) Xk Alan, begge formene av ligningen vises i litteraturen, og begge skjemaene er riktige som jeg vil vise nedenfor. Poenget du gjør er viktig, fordi det å bruke alternativt skjema betyr at det fysiske forholdet med et RC-filter er mindre tydelig, og det er heller ikke hensiktsmessig å tolke betydningen av en som er vist i artikkelen. La oss først vise at begge skjemaene er riktige. Formen av ligningen som jeg har brukt er, og den alternative form som vises i mange tekster, er Note i det ovennevnte jeg har brukt latex 1latex i den første ligningen og latex 2latex i den andre ligningen. Likningen av begge former av ligningen er vist matematisk under det å ta enkle trinn om gangen. Hva som ikke er det samme er verdien som brukes til latex latex i hver ligning. I begge former er latex latex en verdi mellom null og enhet. Første omskrivningsligning (1) erstatter latex 1latex med latex latex. Dette gir latexyk y (1 - beta) xklatex 8230 (1A) Definer nå latexbeta (1 - 2) latex og så har vi også latex 2 (1 - beta) latex. Ved å erstatte disse i ligning (1A) gir latexyk (1-2) y 2xklatex 8230 (1B) og til slutt re-arrangere gir. Denne ligningen er identisk med den alternative form som er gitt i ligning (2). Sett enklere latex 2 (1 - 1) latex. Fysisk sett betyr det at valg av form en bruker avhenger av hvordan man ønsker å tenke på enten å ta latexalalateks som tilbakebetegnelsesligningen (1) eller som brøkdel av inngangsligningen (2). Som nevnt ovenfor har jeg brukt det første skjemaet, da det er litt mindre besværlig å vise RC-filterforholdet, og fører til enklere forståelse i filterbetingelser. Men å unnlate det ovenstående er, etter min mening, en mangel i artikkelen som andre mennesker kan gjøre feil feil, så en revidert versjon vises snart. I8217ve lurte alltid på dette, takk for å beskrive det så klart. Jeg tror en annen grunn den første formuleringen er fin er alfa kart til 8216smoothness8217: et høyere valg av alpha betyr en 8216more smooth8217 utgang. Michael Takk for observasjon 8211 Jeg vil legge til artikkelen noe på disse linjene som det alltid er bedre i min mening å forholde seg til fysiske aspekter. Dr Mercer, Utmerket artikkel, takk. Jeg har et spørsmål angående tidskonstanten når den brukes med en rms detektor som i et lydnivåmålere som du refererer til i artikkelen. Hvis jeg bruker likningene dine til å modellere et eksponensielt filter med Time Constant 125ms og bruke et input-trinns signal, får jeg faktisk en utgang som etter 125ms er 63,2 av sluttverdien. Men hvis jeg kvitterer inngangssignalet og legger dette gjennom filteret, ser jeg at jeg må doble tidskonstanten for at signalet skal nå 63,2 av sin endelige verdi i 125ms. Kan du fortelle meg om dette er forventet. Mange takk. Ian Ian, Hvis du kvitterer et signal som en sinusbølge, så dobler du i utgangspunktet frekvensen av dens grunnleggende, så vel som introduserer mange andre frekvenser. Fordi frekvensen har blitt doblet, blir den 8216reduced8217 av en større mengde av lavpasfilteret. Følgelig tar det lengre tid å nå samme amplitude. Kvadratoperasjonen er en ikke-lineær drift, så jeg tror ikke det vil alltid doble nøyaktig i alle tilfeller, men det vil pleie å doble hvis vi har en dominerende lavfrekvens. Vær også oppmerksom på at differansen av et kvadratisk signal er to ganger differensialet av 8220un-squared8221-signalet. Jeg mistenker at du kanskje prøver å få en form for middels kvadratutjevning, som er helt greit og gyldig. Det kan være bedre å bruke filteret og deretter firkant som du vet den effektive cutoff. Men hvis alt du har er det kvadratiske signalet, så bruker du en faktor på 2 for å endre filteret ditt, vil alfa-verdien omtrentlig få deg tilbake til den opprinnelige kuttefrekvensen, eller sette den litt enklere, definer cutofffrekvensen ved to ganger originalen. Takk for ditt svar Dr Mercer. Spørsmålet mitt var virkelig å prøve å få det som faktisk gjøres i en rms detektor på en lydnivåmåler. Hvis tidskonstanten er satt til 8216fast8217 (125ms), ville jeg ha trodd at intuitivt du ville forvente et sinusformet inngangssignal for å produsere en utgang på 63,2 av den endelige verdien etter 125ms, men siden signalet blir kvadret før det kommer til 8216mean8217 deteksjon, det vil faktisk ta dobbelt så lenge du forklarte. Hovedprinsippet med artikkelen er å vise ekvivalensen til RC-filtrering og eksponentiell gjennomsnittsverdi. Hvis vi diskuterer integrasjonstiden som er ekvivalent med en ekte rektangulær integrator, er du korrekt at det er to faktorer involvert. I utgangspunktet hvis vi har en ekte rektangulær integrator som integreres i ti sekunder, er den tilsvarende RC integatortiden for å oppnå det samme resultatet 2RC sekunder. Ti er forskjellig fra RC 8216time constant8217 T som er RC. Dermed hvis vi har en 8216Fast8217 tidskonstant på 125 msek, det er RC 125 msek da det tilsvarer en sann integrasjonstid på 250 msek. Takk for artikkelen, det var veldig nyttig. Det er noen nyere papirer i nevrovitenskap som bruker en kombinasjon av EMA-filtre (short-windowed EMA 8211 long-windowed EMA) som et bandpassfilter for sanntidsanalyse. Jeg vil gjerne søke dem, men jeg sliter med vindustørrelsene som ulike forskergrupper har brukt og korrespondansen med cutofffrekvensen. Let8217s sier at jeg vil beholde alle frekvensene under 0,5Hz (aprox), og at jeg får 10 prøver på andre. Dette betyr at fp 0.5Hz P 2s T P100.2 h 1fs0.1 Derfor bør vindustørrelsen jeg bruker skal være N3. Er denne begrunnelsen riktig Før du svarer på spørsmålet ditt, må jeg kommentere bruken av to høypasningsfiltre for å danne et bandpassfilter. Formentlig fungerer de som to separate strømmer, så et resultat er innholdet fra si latexf latex til halv prøvefrekvens og den andre er innholdet fra si latexf latex til halv prøvefrekvens. Hvis alt som blir gjort, er forskjellen i gjennomsnittlige firkantnivåer som indikerer kraften i bandet fra latexf latex til latexf latex så kan det være rimelig hvis de to kuttfrekvensene er tilstrekkelig langt fra hverandre, men jeg forventer at folkene som bruker denne teknikken prøver å simulere et smalere bandfilter. Etter min mening ville det være upålitelig for seriøst arbeid, og det ville være en kilde til bekymring. Bare for referanse er et båndpasfilter en kombinasjon av et lavfrekvent høypassfilter for å fjerne de lave frekvensene og et høyfrekvent lavpassfilter for å fjerne de høye frekvensene. Det er selvsagt en lavpasningsform av et RC-filter, og dermed en tilsvarende EMA. Kanskje selv om dommen min er overkritisk uten å kjenne alle fakta. Så kan du sende meg noen referanser til studiene du nevnte, så jeg kan kritisere etter behov. Kanskje bruker de lavpas og høypassfilter. Nå snu til ditt faktiske spørsmål om hvordan du bestemmer N for en gitt målkuttfrekvens. Jeg synes det er best å bruke grunnverdien T (N-1) h. Diskusjonen om perioder var rettet mot å gi folk en følelse av hva som foregikk. Så vennligst se avledningen nedenfor. Vi har forholdene latexT (N-1) hlatex og latexT12 latex hvor latexfclatex er den notional cut-off frekvensen og h er tiden mellom prøver, klart latexh 1 latex hvor latexfslatex er samplingsfrekvensen i samplessec. Omarrangering av T (N-1) h til en egnet form for å inkludere avskjæringsfrekvensen, latexfclatex og prøvefrekvensen, latexfslatex, er vist nedenfor. Så bruker latexfc 0.5Hz latex og latexfs 10latex samplessec slik at latex (fcfs) 0.05latex gir så det nærmeste heltall er 4. Re-arrangere det ovenfor vi har Så med N4 har vi latexfc 0.5307 Hzlatex. Bruk av N3 gir en latexfclatex på 0,318 Hz. Merk med N1 vi har en komplett kopi uten filtrering. Gjennomsnittlig gjennomsnitt Dette eksemplet lærer deg hvordan du beregner det bevegelige gjennomsnittet av en tidsserie i Excel. Et glidende gjennomsnitt brukes til å utjevne uregelmessigheter (topper og daler) for enkelt å gjenkjenne trender. 1. Først, ta en titt på vår tidsserie. 2. På Data-fanen klikker du Dataanalyse. Merk: kan ikke finne dataanalyseknappen Klikk her for å laste inn add-in for Analysis ToolPak. 3. Velg Flytt gjennomsnitt og klikk OK. 4. Klikk i feltet Inngangsområde og velg området B2: M2. 5. Klikk i intervallboksen og skriv inn 6. 6. Klikk i feltet Utmatingsområde og velg celle B3. 8. Skriv en graf av disse verdiene. Forklaring: fordi vi angir intervallet til 6, er glidende gjennomsnitt gjennomsnittet for de forrige 5 datapunktene og det nåværende datapunktet. Som et resultat blir tinder og daler utjevnet. Grafen viser en økende trend. Excel kan ikke beregne det bevegelige gjennomsnittet for de første 5 datapunktene fordi det ikke er nok tidligere datapunkter. 9. Gjenta trinn 2 til 8 for intervall 2 og intervall 4. Konklusjon: Jo større intervallet jo flere tinder og daler utjevnes. Jo mindre intervallet, desto nærmere beveger gjennomsnittet seg til de faktiske datapunktene.