Labview ชี้แจง เคลื่อนไหว ค่าเฉลี่ย

การคำนวณค่าเฉลี่ยเคลื่อนที่ค่านี้คำนวณและแสดงค่าเฉลี่ยเคลื่อนที่โดยใช้หมายเลขที่ตั้งล่วงหน้า ขั้นแรกให้ VI เริ่มต้นการลงทะเบียนสองรีจิสเตอร์ รีซอร์สการเปลี่ยนลําดับชั้นเริ่มต้นด้วย element หนึ่งจากนั้นเพิ่มค่าก่อนหน้าด้วยค่าใหม่อย่างต่อเนื่อง การบันทึกการเปลี่ยนแปลงนี้ช่วยให้สามารถวัดค่า x ล่าสุดได้ หลังจากที่หารผลของฟังก์ชัน add กับค่าที่เลือกแล้วค่า VI จะคำนวณค่าเฉลี่ยเคลื่อนที่ รีจิสเตอร์การเปลี่ยนด้านล่างประกอบด้วยอาร์เรย์ที่มีมิติข้อมูล Average การบันทึกการเปลี่ยนแปลงนี้จะเก็บค่าทั้งหมดของการวัด ฟังก์ชันแทนที่จะแทนที่ค่าใหม่หลังจากลูปทุกครั้ง VI นี้มีประสิทธิภาพและรวดเร็วเนื่องจากใช้ฟังก์ชัน element replace ภายในลูป while และจะเตรียมอาร์เรย์ก่อนที่จะเข้าสู่ลูป VI นี้สร้างขึ้นใน LabVIEW 6.1 Bookmark amp ShareMoving โมเดลการปรับให้เรียบโดยเฉลี่ยและการอธิบายเป็นขั้นตอนแรกในการย้ายเกินกว่าโมเดลเฉลี่ยโมเดลการเดินแบบสุ่มและแบบจำลองแนวโน้มเชิงเส้นรูปแบบและแนวโน้มแบบไม่เป็นทางการสามารถคาดการณ์ได้โดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบ สมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นที่มีค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ ดังนั้นเราจึงใช้ค่าเฉลี่ยเคลื่อนที่ (ท้องถิ่น) เพื่อประมาณค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ ซึ่งถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการเลื่อนลอย กลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่า quotsmoothedquot version ของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิม โดยการปรับระดับการทำให้เรียบ (ความกว้างของค่าเฉลี่ยเคลื่อนที่) เราสามารถคาดหวังให้เกิดความสมดุลระหว่างประสิทธิภาพของโมเดลแบบเฉลี่ยและแบบสุ่ม รูปแบบเฉลี่ยที่ง่ายที่สุดคือ ค่าเฉลี่ยของค่าเฉลี่ยของ Y ที่เวลา t1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่แท้จริงของการสังเกตการณ์ m ล่าสุด: (ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ 8220Y-hat8221 เพื่อยืน สำหรับการคาดการณ์ของชุดข้อมูล Y เวลาที่เร็วที่สุดเท่าที่เป็นไปได้ก่อนวันที่โดยรูปแบบที่กำหนด) ค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - (m1) 2 ซึ่งหมายความว่าการประมาณค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าจริง ค่าเฉลี่ยของท้องถิ่นโดยประมาณ (m1) 2 ช่วงเวลา ดังนั้นเราจึงกล่าวว่าอายุโดยเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ (m1) 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ: นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูล . ตัวอย่างเช่นถ้าคุณคิดค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเห โปรดทราบว่าถ้า m1 โมเดลเฉลี่ยเคลื่อนที่โดยเฉลี่ย (SMA) เทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า m มีขนาดใหญ่มาก (เทียบกับความยาวของระยะเวลาประมาณ) รูปแบบ SMA จะเท่ากับรูปแบบเฉลี่ย เช่นเดียวกับพารามิเตอร์ใด ๆ ของรูปแบบการคาดการณ์การปรับค่าของ k จะเป็นเรื่องปกติที่จะได้รับข้อมูลที่ดีที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ย นี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ อันดับแรกให้ลองพอดีกับรูปแบบการเดินแบบสุ่มซึ่งเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอม: รูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จะทำให้ได้คำที่ไม่เหมาะสมใน ข้อมูล (ความผันผวนแบบสุ่ม) รวมทั้ง quotsignalquot (ค่าเฉลี่ยในท้องถิ่น) หากเราลองใช้ค่าเฉลี่ยเคลื่อนที่ 5 ข้อโดยทั่วไปเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่า: ค่าเฉลี่ยเคลื่อนที่ 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้ อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 3 ((51) 2) ดังนั้นจึงมีแนวโน้มที่จะล่าช้ากว่าจุดหักเหภายในสามช่วงเวลา (ตัวอย่างเช่นการชะลอตัวน่าจะเกิดขึ้นในช่วง 21 แต่การคาดการณ์ไม่ได้ผกผันไปหลายช่วงเวลาภายหลัง) สังเกตว่าการคาดการณ์ระยะยาวจากแบบจำลอง SMA เป็นแนวเส้นตรงเช่นเดียวกับการเดินแบบสุ่ม แบบ ดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูล อย่างไรก็ตามในขณะที่การคาดการณ์จากรูปแบบการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตได้ล่าสุดการคาดการณ์จากรูปแบบ SMA จะเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุด วงเงินความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากระยะขอบพยากรณ์อากาศเพิ่มขึ้น เห็นได้ชัดว่าไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีทฤษฎีทางสถิติพื้นฐานที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไร อย่างไรก็ตามไม่ยากที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ระยะยาวของเส้นขอบฟ้า ตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตที่จะใช้โมเดล SMA เพื่อคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าวเป็นต้นภายในตัวอย่างข้อมูลที่ผ่านมา จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในขอบฟ้าพยากรณ์แต่ละครั้งและสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสม ถ้าเราลองค่าเฉลี่ยเคลื่อนที่ 9 วันเราจะได้รับการคาดการณ์ที่ราบรื่นขึ้นและผลกระทบที่ปกคลุมด้วยวัตถุฉนวน: อายุเฉลี่ยอยู่ที่ 5 ช่วงเวลา ((91) 2) ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ในระยะ 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10: สังเกตว่าแท้จริงแล้วการคาดการณ์ในขณะนี้ล้าหลังจุดหักเหประมาณ 10 รอบ นี่คือตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขาซึ่งรวมถึงค่าเฉลี่ยระยะยาว 3 คำ: Model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลตอบแทนน้อยที่สุดของ RMSE โดยมีขอบเล็กกว่า 3 ค่าเฉลี่ยระยะสั้นและระยะ 9 และสถิติอื่น ๆ ของพวกเขาเกือบจะเท่ากัน ดังนั้นในแบบจำลองที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าจะต้องการการตอบสนองเล็กน้อยหรือมีความเรียบขึ้นเล็กน้อยในการคาดการณ์หรือไม่ (ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักที่ชี้แจง) แบบจำลองค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายที่กล่าวมาข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะถือว่าข้อสังเกตสุดท้ายของ k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตทั้งหมดก่อนหน้านี้ โดยนัยข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นตัวอย่างเช่นข้อสังเกตล่าสุดควรมีน้ำหนักมากกว่า 2 ครั้งล่าสุดและครั้งที่ 2 ล่าสุดควรมีน้ำหนักน้อยกว่า 3 ครั้งล่าสุดและ อื่น ๆ แบบเรียบง่าย (SES) ทำให้สำเร็จได้ ให้ 945 แสดงถึงค่าคงที่ quotsmoothing (ตัวเลขระหว่าง 0 ถึง 1) วิธีหนึ่งในการเขียนแบบจำลองคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบัน (นั่นคือค่าเฉลี่ยในท้องถิ่น) ของชุดข้อมูลดังกล่าวโดยประมาณจากข้อมูลจนถึงปัจจุบัน ค่าของ L ในเวลา t คำนวณจากค่าก่อนหน้าของตัวเองเช่นนี้ดังนั้นค่าที่เรียบนวลในปัจจุบันเป็นค่า interpolation ระหว่างค่าที่ได้จากการเรียบก่อนหน้าและการสังเกตการณ์ในปัจจุบันโดยที่ 945 ควบคุมความใกล้ชิดของค่าที่ถูก interpolation ไปเป็นค่าล่าสุด การสังเกต การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ได้รับการปรับปรุงในปัจจุบัน: เทียบเท่าเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้าในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ ในรุ่นแรกการคาดการณ์คือการแก้ไขระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้: ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าด้วยจำนวนเศษ 945 ข้อผิดพลาดเกิดขึ้นที่ เวลา t ในรุ่นที่สามการคาดการณ์คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกระดับ (เช่นลด) โดยมีปัจจัยการลดราคา 1-945: สูตรการคาดการณ์เวอร์ชันแก้ไขเป็นวิธีที่ง่ายที่สุดในการใช้งานหากคุณใช้โมเดลในสเปรดชีต: เหมาะกับรูปแบบ เซลล์เดียวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้การสังเกตก่อนหน้าและเซลล์ที่เก็บค่า 945 ไว้ โปรดทราบว่าถ้า 945 1 รูปแบบ SES จะเทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า 945 0 รูปแบบ SES จะเท่ากับโมเดลเฉลี่ยโดยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ย (กลับไปด้านบนสุดของหน้า) อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์การเรียบอย่างง่ายและชี้แจงคือ 1 945 เทียบกับระยะเวลาที่คาดการณ์การคำนวณ (นี้ไม่ควรจะเป็นที่เห็นได้ชัด แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์.) ดังนั้นการคาดการณ์เฉลี่ยเคลื่อนที่ง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหประมาณ 1 945 รอบระยะเวลา ตัวอย่างเช่นเมื่อ 945 0.5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 945 0.2 ความล่าช้าเป็น 5 ช่วงเวลาที่ 945 0.1 ความล่าช้าเป็น 10 ช่วงเวลาและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุ (เช่นจำนวนเงินที่ล่าช้า) การคาดการณ์การทำให้การทำให้ลื่นไหลเรียบแบบสมมุติแบบง่าย (SES) ค่อนข้างดีกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) เนื่องจากมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - คือ มีการเปลี่ยนแปลงมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา ตัวอย่างเช่นโมเดล SMA ที่มี 9 คำและแบบ SES ที่มี 945 0.2 มีอายุเฉลี่ยอยู่ที่ 5 สำหรับข้อมูลในการคาดการณ์ แต่แบบจำลอง SES จะให้น้ำหนักมากกว่า 3 ค่าที่มากกว่าแบบจำลอง SMA และที่ ในเวลาเดียวกันมันไม่ได้ 8220forget8221 เกี่ยวกับค่ามากกว่า 9 งวดเก่าดังที่แสดงในแผนภูมินี้ข้อได้เปรียบที่สำคัญอีกประการหนึ่งของโมเดล SES ในรูปแบบ SMA คือรูปแบบ SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่อง โดยใช้อัลกอริธึม quotsolverquot เพื่อลดข้อผิดพลาดกำลังสองเฉลี่ย ค่าที่เหมาะสมที่สุดของ 945 ในแบบจำลอง SES สำหรับชุดข้อมูลนี้จะเท่ากับ 0.2961 ดังแสดงในที่นี้อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 10.2961 3.4 งวดซึ่งใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะสั้น การคาดการณ์ระยะยาวจากแบบจำลอง SES เป็นแนวเส้นตรง เช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโต อย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับรูปแบบการเดินแบบสุ่ม แบบจำลอง SES อนุมานว่าชุดนี้ค่อนข้างจะคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่ม แบบจำลอง SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีสถิติของแบบจำลอง ARIMA จึงเป็นพื้นฐานที่ใช้ในการคำนวณระยะเวลาความเชื่อมั่นสำหรับแบบจำลอง SES โดยเฉพาะอย่างยิ่งแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งข้อ MA (1) เทอมและไม่มีระยะคงที่ หรือที่เรียกว่าโควต้า (0,1,1) โดยไม่มีค่าคงที่ ค่าสัมประสิทธิ์ MA (1) ในรูปแบบ ARIMA สอดคล้องกับจำนวน 1-945 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณพอดีกับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA (1) โดยประมาณจะเท่ากับ 0.7029 ซึ่งเกือบจะเท่ากับ 0.2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES ในการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งและเทอม MA (1) ที่มีค่าคงที่นั่นคือ ARIMA (0,1,1) โดยมีค่าคงที่ การคาดการณ์ในระยะยาวจะมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมด คุณไม่สามารถดำเนินการนี้ควบคู่กับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มแนวโน้มการชี้แจงในระยะยาวที่คงที่สำหรับแบบจำลองการทำให้เรียบแบบเลขแจงที่เรียบง่าย (โดยมีหรือไม่มีการปรับฤดูกาล) โดยใช้ตัวเลือกการปรับค่าเงินเฟ้อในขั้นตอนการคาดการณ์ อัตราการเติบโตของอัตราแลกเปลี่ยน (quotation) ในแต่ละช่วงเวลาสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลร่วมกับการแปลงลอการิทึมตามธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาว . (กลับมาที่ด้านบนสุดของหน้า) Browns Linear (เช่น double) Exponential Smoothing โมเดล SMA และ SES สมมุติว่าไม่มีแนวโน้มใด ๆ ในข้อมูล (โดยปกติแล้วจะเป็นอย่างน้อยหรืออย่างน้อยก็ไม่เลวสำหรับ 1- การคาดการณ์ล่วงหน้าเมื่อข้อมูลมีเสียงดังมาก) และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นคงที่ดังที่แสดงไว้ข้างต้น สิ่งที่เกี่ยวกับแนวโน้มระยะสั้นหากชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นอย่างชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องคาดการณ์มากกว่า 1 รอบระยะเวลาล่วงหน้าการประมาณแนวโน้มในท้องถิ่นอาจเป็นไปได้ ปัญหา แบบจำลองการทำให้เรียบเรียบง่ายสามารถสรุปเพื่อให้ได้รูปแบบการเรียบแบบเสวนาเชิงเส้น (LES) ซึ่งจะคำนวณการประมาณระดับท้องถิ่นและระดับแนวโน้ม รูปแบบแนวโน้มที่แตกต่างกันตามเวลาที่ง่ายที่สุดคือรูปแบบการเรียบแบบเสแสร้งแบบสีน้ำตาลของ Browns ซึ่งใช้ชุดการประมวลผลแบบเรียบสองแบบที่ต่างกันออกไปซึ่งมีศูนย์กลางอยู่ที่จุดต่างๆในเวลา สูตรพยากรณ์ขึ้นอยู่กับการอนุมานของเส้นผ่านทั้งสองศูนย์ (รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt8217s ถูกกล่าวถึงด้านล่าง) รูปแบบพีชคณิตของ Brown8217s เชิงเส้นแบบเรียบเช่นเดียวกับรูปแบบการเรียบง่ายชี้แจงสามารถแสดงในรูปแบบที่แตกต่างกัน แต่ที่เท่าเทียมกัน รูปแบบมาตรฐานของแบบจำลองนี้มักจะแสดงดังนี้: ให้ S หมายถึงชุดแบบเดี่ยวที่เรียบง่ายได้โดยใช้การเรียบง่ายแบบเลขยกตัวอย่างให้เป็นชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย: (จำได้ว่าภายใต้หลักการง่ายๆ exponential smoothing นี่คือการคาดการณ์ของ Y ในช่วง t1) จากนั้นให้ Squot แสดงชุดที่มีการคูณทวีคูณขึ้นโดยใช้การเรียบแบบเลขแจงธรรมดา (ใช้แบบเดียวกัน 945) กับชุด S: สุดท้ายการคาดการณ์สำหรับ Y tk สำหรับ kgt1 ใด ๆ ให้โดย: ผลตอบแทนนี้ e 1 0 (เช่นโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกจริง) และ e 2 Y 2 8211 Y 1 หลังจากที่คาดการณ์จะถูกสร้างโดยใช้สมการข้างต้น ค่านี้จะให้ค่าพอดีกับสูตรตาม S และ S ถ้าค่าเริ่มต้นใช้ S 1 S 1 Y 1 รุ่นของรุ่นนี้ใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบแบบเสวนากับการปรับฤดูกาลตามฤดูกาล Holt8217s Linear Exponential Smoothing Brown8217s แบบจำลอง LES คำนวณการประมาณระดับท้องถิ่นและแนวโน้มโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์เรียบเพียงอย่างเดียวจะกำหนดข้อ จำกัด ของรูปแบบข้อมูลที่สามารถพอดีกับระดับและแนวโน้มได้ ไม่ได้รับอนุญาตให้เปลี่ยนแปลงในอัตราที่เป็นอิสระ แบบจำลอง LES ของ Holt8217s กล่าวถึงปัญหานี้ด้วยการรวมค่าคงที่ที่ราบเรียบสองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ทุกเวลา t เช่นเดียวกับในรุ่น Brown8217s มีการประมาณการ L t ของระดับท้องถิ่นและประมาณการ T t ของแนวโน้มในท้องถิ่น ที่นี่พวกเขาจะได้รับการคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การอธิบายแบบเอกซ์โพเน็นเชียลให้เรียบขึ้น หากระดับและแนวโน้มโดยประมาณของเวลา t-1 คือ L t82091 และ T t-1 ตามลำดับจากนั้นคาดว่า Y tshy ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณระดับที่ปรับปรุงใหม่จะถูกคำนวณโดยการ interpolating ระหว่าง Y tshy และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของ 945 และ 1-945 การเปลี่ยนแปลงระดับโดยประมาณ, คือ L t 8209 L t82091 สามารถตีความได้ว่าเป็นสัญญาณรบกวนของแนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดยการ interpolating ระหว่าง L t 8209 L t82091 และประมาณการก่อนหน้าของแนวโน้ม T t-1 โดยใช้น้ำหนักของ 946 และ 1-946: การตีความค่าคงที่การทรงตัวของกระแส 946 มีความคล้ายคลึงกับค่าคงที่การปรับให้เรียบระดับ 945 โมเดลที่มีค่าน้อย 946 ถือว่าแนวโน้มมีการเปลี่ยนแปลงเพียงอย่างช้าๆเมื่อเวลาผ่านไป ใหญ่กว่า 946 สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็ว แบบจำลองที่มีขนาดใหญ่ 946 เชื่อว่าในอนาคตอันใกล้นี้มีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการคาดการณ์แนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วง (กลับไปด้านบนสุดของหน้า) ค่าคงที่ที่ราบเรียบ 945 และ 946 สามารถประมาณได้ตามปกติโดยลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอน เมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 945 0.3048 และ 946 0.008 ค่าที่น้อยมากของ 946 หมายความว่ารูปแบบสมมติว่ามีการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรุ่นหนึ่งดังนั้นโดยทั่วไปโมเดลนี้กำลังพยายามประมาณแนวโน้มในระยะยาว โดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณระดับท้องถิ่นของชุดข้อมูลอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 946 แม้ว่าจะไม่เท่ากันก็ตาม . ในกรณีนี้ที่กลายเป็น 10.006 125 นี่เป็นตัวเลขที่แม่นยำมากที่สุดเท่าที่ความถูกต้องของค่าประมาณ 946 isn8217t จริง ๆ 3 ตำแหน่งทศนิยม แต่มันก็เป็นเรื่องธรรมดาของขนาดตามตัวอย่างขนาด 100 ดังนั้น รุ่นนี้มีค่าเฉลี่ยมากกว่าค่อนข้างมากของประวัติศาสตร์ในการประมาณแนวโน้ม พล็อตการคาดการณ์ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นในวงกว้างขึ้นเล็กน้อยที่ส่วนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่ในแบบจำลอง SEStrend นอกจากนี้ค่าประมาณของ 945 เกือบจะเหมือนกันกับที่ได้จากการปรับรุ่น SES ที่มีหรือไม่มีแนวโน้มดังนั้นเกือบจะเป็นแบบเดียวกัน ตอนนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับโมเดลที่ควรจะประเมินแนวโน้มในระดับท้องถิ่นดูเหมือนว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของชุดข้อมูลสิ่งที่เกิดขึ้นพารามิเตอร์ของรุ่นนี้ ได้รับการประเมินโดยการลดข้อผิดพลาดสี่เหลี่ยมของการคาดการณ์ล่วงหน้า 1 ขั้นตอนไม่ใช่การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนัก หากสิ่งที่คุณกำลังมองหาคือข้อผิดพลาด 1 ขั้นตอนคุณจะไม่เห็นภาพใหญ่ของแนวโน้มในช่วง 10 หรือ 20 ครั้ง เพื่อให้โมเดลนี้สอดคล้องกับการคาดการณ์ข้อมูลลูกตาของเรามากขึ้นเราจึงสามารถปรับค่าคงที่การปรับให้เรียบตามแนวโน้มเพื่อให้ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้ม ตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 946 0.1 แล้วอายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา Here8217s พล็อตการคาดการณ์มีลักษณะอย่างไรถ้าเราตั้งค่า 946 0.1 ขณะเก็บรักษา 945 0.3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะเป็นแนวโน้มที่จะคาดการณ์แนวโน้มดังกล่าวได้ไม่น้อยกว่า 10 งวดในอนาคต สิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือการเปรียบเทียบรูปแบบสำหรับสองรุ่นที่แสดงข้างต้นเช่นเดียวกับสามรุ่น SES ค่าที่เหมาะสมที่สุดคือ 945 สำหรับรุ่น SES มีค่าประมาณ 0.3 แต่ผลการค้นหาที่คล้ายกัน (มีการตอบสนองน้อยหรือน้อยตามลำดับ) จะได้รับค่า 0.5 และ 0.2 (A) Holts linear exp. การให้ความนุ่มนวลด้วย alpha 0.3048 และ beta 0.008 (B) Holts linear exp. การทำให้เรียบด้วยเอ็กซ์พี 0.3 และเบต้า 0.1 (C) การเพิ่มความเรียบง่ายด้วยการอธิบายด้วย alpha 0.5 (D) การทำให้เรียบอย่างง่ายด้วยเอ็กซ์โป 0.3 (E) การเรียบง่ายด้วยเลขแจงอัลฟา 0.2 สถิติของพวกเขาใกล้เคียงกันมากดังนั้นเราจึงสามารถเลือกได้บนพื้นฐาน ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูล เราต้องกลับไปพิจารณาเรื่องอื่น ๆ ถ้าเราเชื่อว่าการคาดการณ์แนวโน้มในปัจจุบันเกี่ยวกับสิ่งที่เกิดขึ้นในระยะเวลา 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 945 0.3 และ 946 0.1 ได้ ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับท้องถิ่นแบบใดแบบหนึ่งของ SES อาจอธิบายได้ง่ายกว่านี้และยังให้การคาดการณ์ระดับกลางของถนนต่อไปในอีก 5 หรือ 10 งวดต่อไป ชนิดของแนวโน้มการอนุมานที่ดีที่สุดคือแนวนอนหรือเส้นตรงหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าหากข้อมูลได้รับการปรับแล้ว (ถ้าจำเป็น) สำหรับอัตราเงินเฟ้อแล้วก็อาจจะไม่ระมัดระวังในการคาดการณ์ระยะสั้นในเชิงเส้น แนวโน้มที่ไกลมากในอนาคต แนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตอันเนื่องมาจากสาเหตุที่แตกต่างกันเช่นความล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและการชะลอตัวของวัฏจักรหรือการปรับตัวในอุตสาหกรรม ด้วยเหตุนี้การเรียบอย่างง่ายจึงมักจะทำให้ได้ตัวอย่างที่ดีกว่าที่คาดคิดไว้ได้แม้จะมีการอนุมานแนวโน้มในแนวนอน การปรับเปลี่ยนรูปแบบการลดลงของรูปแบบการเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นมักใช้ในการปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม โมเดล LES ที่มีแนวโน้มลดลงสามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA (1,1,2) เป็นไปได้ในการคำนวณช่วงความเชื่อมั่นรอบการคาดการณ์ในระยะยาวที่ผลิตโดยแบบจำลองการทำให้เรียบโดยพิจารณาเป็นกรณีพิเศษของรูปแบบ ARIMA ความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ (i) ข้อผิดพลาด RMS ของโมเดล (ii) ประเภทของการปรับให้เรียบ (แบบง่ายหรือแบบเส้นตรง) (iii) ค่า (s) ของคงที่ราบเรียบ (s) และ (iv) จำนวนรอบระยะเวลาที่คุณคาดการณ์ โดยทั่วไปช่วงเวลาจะกระจายออกไปได้เร็วกว่าเมื่อ 945 มีขนาดใหญ่ขึ้นในรูปแบบ SES และแพร่กระจายได้เร็วกว่ามากเมื่อใช้เส้นตรงมากกว่าการเรียบแบบเรียบ หัวข้อนี้จะกล่าวถึงต่อไปในส่วนรูปแบบ ARIMA ของบันทึกย่อ (กลับไปด้านบนของหน้า.) exponentia l ย้ายตอบสนองขั้นตอนโดยเฉลี่ย fpga ฉันมีปัญหากับตัวกรองของฉันตัวกรองถ่วงน้ำหนักเฉลี่ยเลขยกกำลัง (ลำดับที่ IIR 1.st) จากหนังสือ: การทำความเข้าใจเกี่ยวกับการประมวลผลสัญญาณดิจิตอล (Lyons Richard) ฉันมีสูตรต่อไปนี้ในการคำนวณความถี่ 3dB (fc) จาก alpha อัลฟาเป็นพารามิเตอร์ในการควบคุมตัวกรอง ความแตกต่างของตัวกรอง: ynxnalpha (1 - alpha) yn-1 ความสัมพันธ์ระหว่าง fc และ alpha: alpha cos (2fcfs) - 1 sqrtcos (2fcfs) - 4cos (2fcfs) 3 ถ้าฉันเลือกความถี่ 3dB ที่ 0,0794Hz (เวลา ค่าคงที่ (TC) 2s) alpha 0,00169621 (fs94Hz) สำหรับตัวกรอง IIR Filter ลำดับที่หนึ่งระยะเวลาการเพิ่มขึ้น (ta) ของ stepresponse (ตั้งแต่ 10 ถึง 90) คือ ta2,2TC ซึ่งส่งผลให้เรา 4,4s แต่ถ้าฉันจำลองการตอบสนองต่อขั้นตอนเวลาในการเพิ่มขึ้นของฉันจะประมาณ 3 เท่าของค่านี้ที่ 14 วินาที ฉันไม่สามารถอธิบายได้ว่าทำไมการตอบสนองขั้นตอนของตัวกรองของฉันจึงแตกต่างกันมาก สำหรับตัวกรอง Moving Average ของฉันเวลาในการคำนวณและการจำลองจะเพิ่มขึ้นเท่ากัน ฉันมี vi ที่จะดำเนินการใน FPGA แนบ บางทีใครบางคนสามารถหาข้อผิดพลาดได้ (โปรดดูที่ตัวกรองอัลฟาหรือตัวกรอง RC) ความถี่ในการสุ่มตัวอย่างของคุณ (fs) ถูกต้องหากเวลาการวนซ้ำไม่ตรงกับที่จะอธิบายได้ ประเภทข้อมูลของคุณดูดี (เพื่อให้ได้รับอัลฟาภายใน 1) แต่ผมขอแนะนำให้มีการเปลี่ยนแปลงเล็กน้อยในการใช้งาน ขณะที่มันยืนอยู่มันเป็นบิตแนวโน้มที่จะลอยกลมเนื่องจาก (1 - alpha) คูณด้วย yn-1 ซ้ำ ๆ วิธีที่น่าเชื่อถือเล็กน้อยคือการพูด yn yn-1 (alpha (xn-yn-1)) ความแตกต่างเป็นเรื่องที่ลึกซึ้ง แต่ให้ผลลัพธ์ที่ดีขึ้นหลายครั้ง และจะกำจัดหนึ่งคูณ โดยทางหมายเลข reinterpret ทำสิ่งเดียวกับแปลงของคุณจาก FXP เพื่อ bool แล้วกลับ มันน้อยสับสนแม้ว่า อิ่มงงงวยเล็กน้อยโดยรอบหมดเวลาที่ไม่เคยลูป มัน inforce เวลาที่ทาง (ฉันถือว่ามัน wouldnt ดังนั้นไม่เคยใช้ฉันใช้ Loop Timer แทน.) CLD ผู้ใช้ตั้งแต่ rev 8.6. ข้อความที่ 2 จาก 13 (1,057 ผู้เยี่ยมชม) Re: exponentia l moving ค่าเฉลี่ยขั้นตอนการตอบสนอง fpga 10-01-2015 02:05 น. - แก้ไข 10-01-2015 02:17 ขอบคุณสำหรับคำตอบของคุณ 1 ผมพิสูจน์ความถี่สุ่มตัวอย่างของฉันกับตัวจับเวลาวง ใส่ของฉันคือ 425.532 ticks ซึ่งเท่ากับ 94 Hz tickrate นี้ได้รับการยืนยันโดยเห็บ EWMA - gt บางทีคนสามารถทดสอบรหัสและบอกฉัน 2 ฉันพบวิธีการของคุณในเทคนิคและ tipps ส่วนของหนังสือ Lyons. ฉันจะลอง แต่คุณสามารถอธิบายรอบลอยเล็กน้อยฉันค่อนข้างใหม่ในพื้นที่นี้ มีประโยชน์เพิ่มเติมจากการกำจัดหนึ่งตัวคูณยกเว้น ressources มีการตอบสนองความถี่การตอบสนองต่อแรงกระตุ้นและการตอบสนองขั้นตอนเดียวกัน 3 ถ้าฉันเท่านั้น bitshift ผมชนิดที่ใช้วิธีการนี้ไม่แน่ใจว่าถ้าฟังก์ชัน reinterprate ใช้ ressources น้อย แต่ขอบคุณสำหรับการสังเกตมัน 4, ลูปกำหนดเวลาจะทำซ้ำทุกๆ 425.532 ครั้งต่อครั้ง ดังนั้นด้วยความถี่ 94Hz ค่าจะถูกคำนวณโดยโค้ดเป็นรหัสภายในของลูปที่กำหนดเวลาเพียงต้องการทำซ้ำเพียงครั้งเดียว หรือฉันเข้าใจผิดคำถามของคุณฉันไม่แน่ใจว่าข้อมูลเพิ่มเติมที่คุณต้องการ ฉันพยายามเปรียบเทียบการตอบสนองขั้นตอนของค่าเฉลี่ยเคลื่อนที่โดยมีค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EWMA) จริงๆแล้วฉันแค่อยากยืนยันทฤษฎี ดังที่ได้กล่าวมาแล้วเพื่อให้ได้ค่าคงที่ตลอดเวลาของ 2 วินาทีที่อัตราการสุ่มตัวอย่าง 94Hz อัลฟ่าจะต้องมีค่าเท่ากับ 0,00169 เวลาที่เพิ่มขึ้นของการตอบสนองขั้นตอนตั้งแต่ 10 ถึง 90 ของค่าสุดท้ายแตกต่างจากทฤษฎี ขึ้นเวลาควรจะ 4,4s กับ 2s คงที่เวลา แต่ฉันได้รับเกือบ 14s ถ้าฉันใช้รหัสของฉันใน FPGA. ฉันยืนยันว่าด้วย alpha 0,00169 รหัสของฉันจะใช้เวลา 1297 ตัวอย่างเพื่อให้ได้มาจาก 0 ถึง 0 (ค่าสุดท้ายคือ 1 ค่าเริ่มต้น 0) ที่คุณสามารถดูในรหัสของฉันฉันตรวจสอบเวลาห่วงกับตัวบ่งชี้ ticks ewma เพื่อยืนยันอัตราการสุ่มตัวอย่างของ SCTL คนอื่นสามารถยืนยัน 1297 ตัวอย่างซึ่งจำเป็นต้องใช้ที่อัลฟา 0,00169 เพราะฉันคิดว่าฉันต้องการตัวอย่างจำนวนมากถึงค่าที่ 0,9 ฉันได้ใช้ EWMA เวอร์ชันที่แนะนำจากการตอบครั้งแรกแล้ว ปัญหาเดียวกันที่นี่ ข้อความที่ 5 จาก 13 (1,007 ครั้ง) เรื่อง: exponentia l moving average step ตอบสนอง fpga 10-01-2015 08:13 น. - แก้ไข 10-01-2015 08:15 น. 1 ฉันพิสูจน์ความถี่ในการสุ่มตัวอย่างของฉันด้วยตัวจับเวลาลูป ใส่ของฉันคือ 425.532 ticks ซึ่งเท่ากับ 94 Hz tickrate นี้ได้รับการยืนยันโดยเห็บ EWMA - gt บางทีคนสามารถทดสอบรหัสและบอกฉัน 2 ฉันพบวิธีการของคุณในเทคนิคและ tipps ส่วนของหนังสือ Lyons. ฉันจะลอง แต่คุณสามารถอธิบายรอบลอยเล็กน้อยฉันค่อนข้างใหม่ในพื้นที่นี้ มีประโยชน์เพิ่มเติมจากการกำจัดหนึ่งตัวคูณยกเว้น ressources มีการตอบสนองความถี่การตอบสนองต่อแรงกระตุ้นและการตอบสนองขั้นตอนเดียวกัน 3 ถ้าฉันเท่านั้น bitshift ผมชนิดที่ใช้วิธีการนี้ไม่แน่ใจว่าถ้าฟังก์ชัน reinterprate ใช้ ressources น้อย แต่ขอบคุณสำหรับการสังเกตมัน 4, ลูปกำหนดเวลาจะทำซ้ำทุกๆ 425.532 ครั้งต่อครั้ง ดังนั้นด้วยความถี่ 94Hz ค่าจะถูกคำนวณโดยโค้ดเป็นรหัสภายในของลูปที่กำหนดเวลาเพียงต้องการทำซ้ำเพียงครั้งเดียว หรือฉันเข้าใจผิดคำถามของคุณฉันใช้สเปรดชีตเพื่อจำลองและได้รับการตอบสนองเกือบตรงเดียวกัน (1299 รอบไปจาก 0.1 ถึง 0.9) สเปรดชีตเป็นเครื่องมือที่มีประโยชน์สำหรับการทดสอบการคำนวณ 1. เอาล่ะ Ive ไม่เคยใช้ Single - Cycle - Timed - Loop (SCTL) กับ T เขียนถึงหยุด มันจะบังคับให้ฟังก์ชันทางคณิตศาสตร์เป็นวงจรเดี่ยว แต่ฉันไม่แน่ใจว่าเป็นประโยชน์หรือไม่ ฉันแค่ต้องการให้แน่ใจว่าเวลาได้รับการยืนยันและเป็น 2. การปัดเศษอาจไม่แสดงขึ้นเว้นแต่ใส่ของคุณมีขนาดเล็ก (น้อยกว่า 0.1) ตอนนี้ฉันเห็นว่าคุณมี 40 บิต (39 ด้านขวาของจุดทศนิยม) สำหรับความคิดเห็น ที่ใช้เวลาไม่น้อย FPGA คูณ แต่เคยชินมีปัญหารอบปิด ส่วนอื่น ๆ มีเพียง 18 บิต (17 ด้านขวาของจุดทศนิยม) ดังนั้นอัลฟา (0.00169 - .000007) ครั้งที่ป้อนข้อมูล 0.1 จะเป็น 0,000169 - 0.000007 หรือ 7 ข้อผิดพลาด) แต่คูณด้วย 40 บิตดังนั้นคุณจึงไม่ควรเห็นปัญหาใด ๆ โดยปกติผลผลิต yn มีบิตน้อยกว่าและจะปัดเศษออกที่บิตสุดท้าย แต่เนื่องจากในลูปคูณด้วย 1-alpha แต่ละครั้งการปัดเศษจะสะสมแต่ละลูปจนกว่าจะมีขนาดใหญ่พอที่จะส่งผลต่อผลลัพธ์ที่เพิ่มขึ้น ยากที่จะอธิบาย แต่กฎทั่วไปของหัวแม่มือของฉันคือฉันคาดว่าข้อผิดพลาดเท่ากับบิตที่เล็กที่สุดหารด้วย alpha โดยใช้วิธีเดิมหรือประมาณครึ่งหนึ่งที่ usint วิธีหนึ่งคูณ การตอบสนองจะเหมือนกันเกือบยกเว้นความแตกต่างเล็กน้อย ประโยชน์ที่ใหญ่ที่สุดคือการประหยัดพื้นที่ FPGA (และรวบรวมเวลา) และคุณสามารถลดจำนวนของบิตไม่น้อยเพื่อประหยัดมากยิ่งขึ้น 3. พวกเขามีพื้นฐานเหมือนกัน และทั้งสองวิธีมีอิสระใน FPGA บิต arent เปลี่ยนดังนั้นตรรกะไม่จำเป็นต้องมีเพียง relabeled 4. ฉันคิดว่าคุณตอบได้ดี โดยทั่วไปเมื่อถึงจุดนี้ฉันจะปรับค่าอัลฟาจนกว่าผลการค้นหาของฉันจะตรงกับสิ่งที่ฉันต้องการและเดินหน้าต่อ ฉันเกลียดที่ไม่เข้าใจความไม่ลงรอยกัน แต่มักไม่มีเวลาที่จะดำน้ำในนั้น แต่เพื่อประโยชน์ของวิทยาศาสตร์ให้พิจารณาว่าสูตรของคุณอาจมีข้อบกพร่อง ฉันคิดว่าคุณอาจจะใช้สูตรสำหรับการสลายตัวแบบเอกซ์โพเนนเชียลอย่างต่อเนื่อง (e-ttau) ไม่ใช่สำหรับการสลายตัวแบบเอกซ์เวคเตอร์ (1-alpha) i) ง่ายต่อการดูที่นี่เป็นฟังก์ชันขั้นตอนตั้งแต่ 1 ถึง 0 ในกรณีนี้ yn (สำหรับ ngt0) คือ yn (1-alpha) (n) เราสามารถหา n for yn 0.9 เป็น nlog1-alpha (0.9) 62 และ n สำหรับ yn 0.1 เป็น 1361 สำหรับความแตกต่างของ 1299 CLD User since rev 8.6. ขอบคุณสำหรับคำตอบโดยละเอียดของคุณ เกี่ยวกับปัญหาที่เกิดขึ้นเวลาที่เพิ่มขึ้นฉันคิดว่าฉันพบข้อผิดพลาด คุณอาจจะถูกต้องที่สูตรไม่ถูกต้องหรือสิ่งที่อาจจะเข้าใจผิดมากขึ้นโดยฉันและตั้งอยู่ในบริบทที่ไม่ถูกต้อง เมื่อฉันได้ขี่จักรยานจากที่บ้านจากที่ทำงานฉันจำฟังก์ชันที่มีประโยชน์ของ LabVIEW: ทำให้การกรองค่าสัมประสิทธิ์ (Coefficients. vi) ที่นี่คุณจะต้องตั้งค่า tauTC และ fs และคำนวณตัวหารและตัวหารสำหรับค่าเฉลี่ยเคลื่อนที่แบบเสวนาและค่าเฉลี่ยเคลื่อนที่ ในฐานะที่เป็นผู้เสนอชื่อเป็นอัลฟาฉันสามารถเปรียบเทียบผลที่ได้กับสูตรที่ฉันใช้และมีค่อนข้างแตกต่าง LabVIEW ใช้สูตรต่อไปนี้: alpha1-exp (-1 (fsTC)) ด้วยสูตรนี้ TC2s มีค่าเท่ากับ alpha0,0053 และด้วยอัลฟานี้การจำลองของฉันทำงาน Risetime 4,4s Quoting คุณ: โดยทั่วไป ณ จุดนี้ฉันจะปรับ alpha จนถึงผลลัพธ์ของฉันตรงกับสิ่งที่ฉันต้องการและเดินต่อไป ฉันชอบที่จะทำเช่นเดียวกัน แต่เนื่องจากเป็นวิทยานิพนธ์ปริญญาโทของฉันฉันต้องแก้ปัญหาดังกล่าวตอนนี้กลับไปที่ปัญหาการปัดเศษ ฉันเข้าใจว่าค่าที่น้อยเป็นปัญหาใหญ่ เนื่องจากตัวกรองนี้ใช้ใน Lock In ค่าจะมีขนาดเล็กมาก แต่ฉันได้ทดสอบอุปกรณ์ดังกล่าวแล้วในอุปกรณ์วัดของเราแล้วและฉันก็จะทดสอบเวอร์ชันของคุณด้วยเช่นกัน แต่ถ้าฉันไม่ได้รับปัญหาฉันคิดว่าฉันเก็บไว้ที่ 40bits การจำลองการตั้งค่าต่อไปนี้ทำให้เกิดข้อผิดพลาดที่ 2.3 ใช้ 57 บิตลดข้อผิดพลาดให้ต่ำกว่า 1 ฉันคิดว่า 40bits ควรจะเพียงพอ เกี่ยวกับแหล่งข้อมูลที่ฉันไม่ต้องกังวล แม้ว่าการใช้ myrio ในตอนท้ายฉันยังคงมีชิ้นส่วน DSP จำนวนมากสำหรับการคูณและ 10 FlipFlops ฟรี ดังนั้นฉันเดาหัวข้อนี้จะแก้ไขได้ ขอบคุณสำหรับความช่วยเหลือที่ดีและความคิดที่น่าสนใจของคุณ Cool Im ดีใจในการทำงานตอนนี้ ฉันเติบโตขึ้นมาในยุคที่ไม่มีแผ่น DSP ใน FPGA และจำนวนเซลล์ที่เล็กลงจึงยังคงมีแนวโน้มที่จะคิดในแง่ดังกล่าว ฉันยังต้องการใช้โปรแกรม 25 นาทีในการรวบรวมคอมไพล์ของฉันลงแม้ว่า Ive มีกรณีที่ฉันตัดรวบรวมเวลาจาก 90 นาทีถึง 45 นาทีโดยการเพิ่มประสิทธิภาพไม่น้อย. กับเซิร์ฟเวอร์ที่มีประสิทธิภาพสำหรับการรวบรวม thats สำคัญน้อยลง หนึ่งในการเพิ่มประสิทธิภาพเหล่านี้คือการลดจำนวนบิตที่ฉันสามารถโดยเฉพาะอย่างยิ่งสำหรับคูณ ตัวอย่างเช่น alpha คือ 160 และ 0.0053 คุณยังสามารถใช้ 12-4 (จำนวนเต็มลบ) นอกจากนี้คุณยังสามารถกำจัดจำนวนบิตบนออกจากข้อมูลที่ป้อนได้ 5 นาทีเพื่อเลือกบิตนับที่เล็กที่สุดสามารถบันทึกได้ 2-10 นาทีสำหรับการคอมไพล์ทุกครั้ง การเพิ่มประสิทธิภาพครั้งที่สองของฉันคือการลดจำนวนทวีคูณ แต่ด้วยชิ้นส่วน DSP ไม่สำคัญเท่านั้น ฉันลาดเทหาเอกสารที่ดีเกี่ยวกับชิ้น DSP (ถ้าคุณมีโปรดโพสต์ลิงก์) แต่ที่ฉันเข้าใจว่าถ้าคุณคูณตัวเลขขนาดใหญ่ (นับบิต) จะต้องมีหลายชิ้นและอาจถึงเวลาที่จะรวมผลลัพธ์ อีกหนึ่งเคล็ดลับ: เลือก alpha ที่มีค่าไบนารีง่ายๆเช่น 1256 (คุณเลือกประมาณ 1,189) และเปลี่ยน fs จนกว่าคุณจะได้รับการปรับให้เรียบที่คุณต้องการ จากนั้นใช้ค่าคงที่สำหรับอัลฟา คูณด้วยค่าคงที่ 1256 เป็นอิสระใน FPGA (มันจะเปลี่ยนบิต) สำหรับเรื่องนี้การทำให้ค่าคงที่อัลฟาอาจเพิ่มประสิทธิภาพคูณได้ไม่น้อยทีเดียว ขึ้นอยู่กับอัจฉริยะของเครื่องมือเพิ่มประสิทธิภาพอาจเปลี่ยนเป็นชุด adders แทน อินพุตแผงด้านหน้าเหมาะสำหรับการทำงาน แต่ค่าคงที่ดีขึ้นมาก CLD ผู้ใช้ตั้งแต่ rev 8.6 ถ้าคุณมีจำนวนตัวอย่างมากถึง 16 เท่า (fs 16 เท่า) คุณควรเพิ่มอีก 4 บิตในความคิดเห็นของคุณ คุณมีความหยิ่งแล้วจึงอาจไม่สำคัญยกเว้นคุณจะไปได้เร็วกว่ามาก มิฉะนั้นการเพิ่ม fs น่าจะดี ถ้าอินพุทมีเสียงรบกวนต่ำความถี่มากกว่าการสุ่มตัวอย่างไม่ได้ช่วยกำจัดที่ที่ทั้งหมด เสียงความถี่สูงจะลดลงเมื่อมีการสุ่มตัวอย่างมากกว่า ถ้าตัวอย่างเช่นเสียงเหนือ 10Hz เป็น -5dB (นั่นคือ 10 - .5 เท่าของ amplitude ของสัญญาณที่คุณต้องการ) และคุณตัวอย่างที่ 20Ss คุณอาจจะรับ -5dB ในการอ่านครั้งแรกของคุณ ถ้า -3dB (fc) ของคุณเป็น 10Hz แล้วคุณจะจบลงด้วยเสียงรบกวน -8dB ที่เหลืออยู่ในสัญญาณของคุณ ถ้าคุณใช้เวลา 200Ss เฉลี่ยกลุ่ม 10 จากนั้นส่งผ่านค่าเฉลี่ยเหล่านี้ไปยังตัวกรองคุณจะไม่ช่วยให้เสียงรบกวนอยู่ที่ 10Hz (คุณกำลังวัดเสียงรบกวน 10Hz โดยไม่มีผลการสุ่มตัวอย่าง) แต่จะช่วยลดเสียงรบกวนเหนือ 100Hz ได้ด้วยปัจจัยใกล้เคียง (แต่ไม่ได้จริงๆ) 10 มีทั้งชั้นเรียนภาคการศึกษาที่ยาวที่จะหารือว่าทำไมอย่างไรเป็นต้นรุ่นสั้นคือ: แต่ละตัวอย่างคือผลรวมของสัญญาณที่คุณต้องการและเสียง ถ้าคุณเพิ่ม 10 ตัวอย่างคุณจะได้รับสัญญาณ 10 เท่าที่ต้องการและมีเสียงรบกวน 10 เสียง ลักษณะของเสียงจะเป็นตัวกำหนดสิ่งที่คุณได้รับเมื่อเพิ่มตัวอย่างเสียง 10 ชุด เสียงแบบ Gaussian เพิ่มอีกทางหนึ่ง (เช่น: ถ้า 83 ตัวอย่างอยู่ต่ำกว่า X ผลรวมมี 83 ผลรวมต่ำกว่า 1.1X หรืออย่างอื่น) เสียงเชิงเส้นเพิ่มวิธีอื่น และรูปแบบการทำซ้ำจะเพิ่มอีกทางหนึ่ง ดังนั้นโดยไม่ต้องรู้ว่าสิ่งที่เป็นเสียงไม่มีใครสามารถตอบคุณด้วยความมั่นใจยกเว้นว่าค่าเฉลี่ยหลายตัวอย่างอาจจะช่วยให้และเกือบจะไม่เจ็บ นอกจากนี้ยังมีปัญหาเกี่ยวกับการใส่นามแฝง ถ้าคุณมีการรบกวนไซน์เป็น 60Hz ที่ -3dB และคุณลองหาตัวอย่างที่ 10.001Ss (สมมติว่านาฬิกาตรงกันก่อน) คุณจะได้รับอะไรบางอย่างเช่น 0.006Hz ที่ -3dB เพิ่มขึ้นในสัญญาณของคุณและตัวกรองของคุณจะไม่ลบออก . แต่กระแทกอัตราตัวอย่างของคุณเป็น 100.001Ss จะทำให้เกิดสัญญาณรบกวนที่ประมาณ 40Hz ดังนั้นตัวกรองของคุณจึงควรกำจัดออก เฉลี่ย 10 ตัวอย่างในแต่ละครั้งคือตัวกรองชนิด (กล่อง) ถ้าคุณดูโดเมนความถี่คุณจะเห็นว่าความถี่ที่สูงขึ้นบางส่วนได้รับการเปลี่ยนไปใช้ความถี่ต่ำกว่าด้วยวิธีแปลก ๆ และไม่ใช่ทั้งหมดที่จะลดลง หากคุณเฉลี่ย 4000 Ss, 100 ครั้งละครั้งคุณจะได้รับค่าเฉลี่ย 40 ครั้งต่อวินาที รบกวน 60Hz คุณจะได้รับประมาณ 13 เป็นเสียงมากเปลี่ยนไป 20Hz ซึ่งเคยชินกรองและ 60Hz จะมี ดังนั้นจึงควรใช้ตัวกรอง EWMA ในอัตราตัวอย่างที่สูงกว่า กว่าบล็อกเฉลี่ยของปัจจัยการผลิตจากนั้นกรองที่ และเฉลี่ยอยู่ (อาจ) ดีกว่าเพียงแค่ใช้อัตราตัวอย่างช้าลง หากคุณมีอะแดปเตอร์อินพุตที่มีตัวกรองอิเล็กทรอนิกส์ในตัวนั่นก็ยิ่งดีขึ้นและไม่จำเป็นต้องสุ่มตัวอย่างความถี่ของตัวกรองมากกว่า 2 เท่า CLD ผู้ใช้ตั้งแต่ rev 8.6.Updated 12 มีนาคม 2013 อะไร RC กรองและชี้แจงเฉลี่ยและวิธีการทำพวกเขาแตกต่างกันคำตอบสำหรับส่วนที่สองของคำถามก็คือว่าพวกเขาเป็นกระบวนการเดียวกันถ้าหนึ่งมาจากพื้นหลังอิเล็กทรอนิกส์แล้วกรอง RC (หรือ RC Smoothing) เป็นนิพจน์ปกติ ในอีกทางหนึ่งวิธีการตามสถิติชุดเวลามีชื่อ Exponential Averaging หรือใช้ชื่อเต็มว่า Exponential Weighted Moving Average นี่เป็นที่รู้จักกันในชื่อ EWMA หรือ EMA ข้อได้เปรียบที่สำคัญของวิธีนี้คือความเรียบง่ายของสูตรสำหรับการคำนวณผลลัพธ์ต่อไป ใช้เวลาเศษเสี้ยวของผลลัพธ์ก่อนหน้านี้และเศษหนึ่งส่วนนี้จะหักส่วนที่เป็นข้อมูลปัจจุบัน ในเวลาต่อมาเกี่ยวกับพีชคณิต k ผลลัพธ์ที่ได้จากการเรียบ y k จะได้รับตามที่แสดงในภายหลังนี้สูตรง่ายๆเน้นเหตุการณ์ล่าสุดคลี่คลายรูปแบบความถี่สูงและแสดงให้เห็นถึงแนวโน้มในระยะยาว หมายเหตุมีสองรูปแบบของสมการการเฉลี่ยเลขยกกำลังหนึ่งข้างต้นและตัวแปรทั้งสองถูกต้อง ดูบันทึกย่อที่ท้ายบทความเพื่อดูรายละเอียดเพิ่มเติม ในการสนทนานี้เราจะใช้สมการ (1) เท่านั้น สูตรข้างต้นบางครั้งเขียนในรูปแบบที่ จำกัด มากขึ้น สูตรนี้มาจากอะไรและการตีความคืออะไรประเด็นสำคัญคือเราจะเลือกอย่างไร เพื่อดูวิธีนี้ง่ายๆคือการพิจารณาตัวกรองความถี่ต่ำผ่าน RC ตอนนี้ตัวกรองสัญญาณ RC low pass เป็นเพียงตัวต้านทานแบบ R และตัวเก็บประจุแบบขนาน C ตามที่แสดงด้านล่าง สมการของอนุกรมเวลาสำหรับวงจรนี้คือ RC ผลิตภัณฑ์มีหน่วยของเวลาและเรียกว่าค่าคงตัวเวลา T สำหรับวงจร สมมติว่าเราแสดงสมการด้านบนในรูปแบบดิจิทัลสำหรับชุดข้อมูลเวลาซึ่งมีข้อมูลที่ถ่ายทุกๆวินาที เรามีนี้เป็นรูปแบบเดียวกับสมการก่อนหน้านี้ การเปรียบเทียบความสัมพันธ์สองแบบที่เรามีซึ่งจะลดลงไปสู่ความสัมพันธ์ที่เรียบง่ายดังนั้นการเลือก N จะได้รับคำแนะนำโดยใช้เวลาที่เราเลือกเสมอ ตอนนี้สมการ (1) อาจได้รับการยอมรับว่าเป็นตัวกรองความถี่ต่ำและค่าคงที่ของเวลาจะเป็นตัวบ่งบอกลักษณะการทำงานของตัวกรอง เมื่อต้องการดูความสำคัญของ Time Constant เราต้องดูที่ความถี่ของ filter RC ต่ำนี้ ในรูปแบบทั่วไปนี้แสดงในรูปแบบโมดูลัสและเฟสเรามีที่มุมเฟสคือ ความถี่ที่เรียกว่าความถี่ตัดระบุ ทางกายภาพอาจแสดงให้เห็นว่าที่ความถี่นี้พลังงานในสัญญาณลดลงครึ่งหนึ่งและความกว้างจะลดลงตามปัจจัย ในแง่ dB ความถี่นี้เป็นที่ที่แอมพลิจูดถูกลดลงโดย 3dB เห็นได้ชัดว่าค่าคงที่เวลา T เพิ่มขึ้นดังนั้นความถี่ในการตัดจึงลดลงและเราใช้การปรับให้เรียบมากขึ้นกับข้อมูลซึ่งทำให้เราสามารถลดความถี่ได้มากขึ้น เป็นสิ่งสำคัญที่จะต้องทราบว่าการตอบสนองต่อความถี่จะแสดงเป็นเวลา radians วินาที นั่นคือปัจจัยที่เกี่ยวข้อง ตัวอย่างเช่นการเลือกค่าคงที่เป็นเวลา 5 วินาทีให้ความถี่ตัดที่มีประสิทธิภาพ การใช้งาน RC smoothing อันหนึ่งคือการจำลองการทำงานของมิเตอร์เช่นใช้ในเครื่องวัดระดับเสียง (Sound Level Meter) โดยทั่วไป typified โดยค่าคงที่ของเวลาเช่น 1 วินาทีสำหรับ S types และ 0.125 seconds สำหรับ F types สำหรับกรณีดังกล่าว 2 กรณีความถี่ตัดที่มีประสิทธิภาพคือ 0.16Hz และ 1.27Hz ตามลำดับ จริงๆแล้วมันไม่ใช่เวลาที่เรามักจะเลือกที่จะเลือก แต่ช่วงเวลาที่เราต้องการรวมไว้ สมมติว่าเรามีสัญญาณที่เราต้องการรวมคุณลักษณะที่มีระยะเวลา P ไว้ด้วย ตอนนี้ระยะเวลา P คือความถี่ จากนั้นเราสามารถเลือกค่าคงที่เวลา T ที่กำหนดโดย อย่างไรก็ตามเราทราบว่าเราได้สูญเสียผลผลิตประมาณ 30 รายการ (-3dB) ที่ ดังนั้นการเลือกค่าคงที่ตลอดเวลาที่ตรงกับช่วงเวลาที่เราต้องการเก็บไว้ไม่ใช่วิธีที่ดีที่สุด โดยปกติจะดีกว่าถ้าเลือกความถี่ตัดสูงกว่าเล็กน้อยพูด ค่าคงที่ตลอดเวลาเป็นค่าที่ใกล้เคียงกับ ซึ่งจะช่วยลดการสูญเสียไปประมาณ 15 ที่ช่วงนี้ ดังนั้นในทางปฏิบัติเพื่อรักษาเหตุการณ์ที่มีระยะเวลาหรือมากกว่านั้นเลือกค่าคงตัวของเวลา ซึ่งจะรวมถึงผลกระทบของ periodicities ลงไปประมาณ ตัวอย่างเช่นถ้าเราต้องการรวมผลกระทบของเหตุการณ์ที่เกิดขึ้นกับพูดช่วง 8 วินาที (0.125Hz) จากนั้นเลือกค่าคงตัวเวลาเป็น 0.8 วินาที ให้ตัดความถี่ประมาณ 0.2Hz เพื่อให้ระยะเวลา 8 วินาทีของเราเป็นไปอย่างดีในแถบผ่านหลักของตัวกรอง ถ้าเราสุ่มตัวอย่างข้อมูลที่เวลา 20 วินาที (h 0.05) ค่า N คือ (0.80.05) 16 และ ข้อมูลนี้จะให้ข้อมูลเชิงลึกเกี่ยวกับวิธีตั้งค่า โดยทั่วไปสำหรับอัตราตัวอย่างที่รู้จักจะ typifies ระยะเวลาเฉลี่ยและเลือกความผันผวนของความถี่สูงจะถูกละเว้น เมื่อมองไปที่การขยายตัวของอัลกอริทึมเราจะเห็นว่าค่านิยมนี้นิยมมากที่สุดและเป็นเหตุผลว่าทำไมจึงเรียกว่าการถ่วงน้ำหนักแบบเสวนา เรามีการแทนสำหรับ y k-1 ทำให้การทำซ้ำขั้นตอนนี้หลายครั้งนำไปสู่เนื่องจากอยู่ในช่วงจากนั้นคำศัพท์ด้านขวาจะเล็กลงและทำหน้าที่เหมือนคำอธิบายที่ทรุดโทรม นั่นคือผลผลิตปัจจุบันมีความลำเอียงต่อเหตุการณ์ที่เกิดขึ้นเมื่อเร็ว ๆ นี้ แต่ขนาดใหญ่ที่เราเลือก T แล้วอคติน้อย สรุปได้ว่าสูตรง่ายๆเน้นเหตุการณ์ล่าสุดคลี่คลายเหตุการณ์ที่เกิดขึ้นในช่วงความถี่สูง (ช่วงเวลาสั้น ๆ ) เผยให้เห็นถึงแนวโน้มในระยะยาวภาคผนวก 1 8211 รูปแบบสำรองของสมการข้อควรระวังมีสมการกำลังสองแบบเอกซ์โพเนนเชียลที่มีอยู่ในวรรณคดี ทั้งสองถูกต้องและเท่ากัน แบบฟอร์มแรกดังที่แสดงไว้ข้างต้นคือ (A1) รูปแบบอื่นคือ 8230 (A2) หมายเหตุการใช้สมการที่หนึ่งและในสมการที่สอง ในทั้งสองสมการและเป็นค่าระหว่างศูนย์กับเอกภาพ ก่อนหน้านี้ถูกกำหนดให้เป็นตอนนี้เลือกที่จะกำหนดดังนั้นรูปแบบอื่นของสมการเฉลี่ยสมการคือในแง่ทางกายภาพก็หมายความว่าการเลือกรูปแบบหนึ่งใช้ขึ้นอยู่กับว่าใครอยากจะคิดว่าการรับเป็นสมการเศษอาหารกลับ (A1) หรือ เป็นส่วนของสมการป้อนข้อมูล (A2) แบบฟอร์มแรกจะไม่ค่อยยุ่งยากในการแสดงความสัมพันธ์ของตัวกรองแบบ RC และนำไปสู่ความเข้าใจในแง่ของการกรองได้ง่ายขึ้น หัวหน้านักวิเคราะห์ด้านการประมวลผลสัญญาณของ Prosig ดร. โคลินเมอร์เซอร์เคยดำรงตำแหน่งสถาบันค้นคว้าเสียงและการสั่นสะเทือน (ISVR) มหาวิทยาลัยเซาแทมป์ตันซึ่งเป็นผู้ก่อตั้งศูนย์วิเคราะห์ข้อมูล จากนั้นเขาก็ไปหา Prosig ในปีพ. ศ. 2520 โคลินเกษียณในฐานะหัวหน้านักวิเคราะห์การประมวลผลสัญญาณที่ Prosig ในเดือนธันวาคมปี พ. ศ. 2559 เขาเป็นวิศวกรที่มีอำนาจและเป็นเพื่อนของสมาคมคอมพิวเตอร์แห่งประเทศอังกฤษ ฉันคิดว่าคุณต้องการเปลี่ยน 8216p8217 เป็นสัญลักษณ์สำหรับ pi มาร์โคขอขอบคุณที่ชี้ให้เห็นว่า ฉันคิดว่านี่เป็นหนึ่งในบทความเก่าของเราที่ได้รับการถ่ายโอนจากเอกสารประมวลผลคำเก่า เห็นได้ชัดว่าบรรณาธิการ (ฉัน) ไม่สามารถระบุได้ว่า pi ไม่ได้รับการถ่ายโอนอย่างถูกต้อง จะมีการแก้ไขในไม่ช้า it8217s คำอธิบายบทความที่ดีมากเกี่ยวกับค่าเฉลี่ยเลขชี้กำลังผมเชื่อว่ามีข้อผิดพลาดในสูตรสำหรับ T. ควรเป็น T h (N-1) ไม่ใช่ T (N-1) h ไมค์ขอบคุณที่จำได้ว่า ฉันเพิ่งตรวจสอบกลับไปยัง Dr Mercer8217s ฉบับเดิมทางเทคนิคในคลังข้อมูลของเราและดูเหมือนว่าเกิดข้อผิดพลาดขณะถ่ายโอนสมการไปยังบล็อก เราจะแก้ไขโพสต์ ขอบคุณที่แจ้งให้เราทราบขอบคุณขอขอบคุณที่ขอบคุณ คุณสามารถอ่าน 100 ข้อความ DSP โดยไม่ต้องค้นหาอะไรเลยที่ระบุว่าตัวกรองเฉลี่ยที่เป็นตัวชี้วัดเท่ากับตัวกรอง R-C hmm, คุณมีสมการสำหรับตัวกรอง EMA ที่ถูกต้องไม่ใช่ไม่ใช่ Yk aXk (1-a) Yk-1 มากกว่า Yk aYk-1 (1-a) Xk Alan ทั้งสองรูปแบบของสมการจะปรากฏในวรรณคดีและ ทั้งสองแบบถูกต้องตามที่ฉันจะแสดงด้านล่าง จุดที่คุณทำนั้นสำคัญมากเพราะการใช้รูปแบบอื่นหมายความว่าความสัมพันธ์ทางกายภาพกับตัวกรองแบบ RC จะไม่ปรากฏชัดยิ่งไปกว่านั้นการตีความความหมายของสิ่งที่ปรากฏในบทความไม่เหมาะสมสำหรับรูปแบบอื่น อันดับแรกให้เราแสดงทั้งสองรูปแบบถูกต้อง รูปแบบของสมการที่ฉันได้ใช้คือและรูปแบบอื่นที่ปรากฏในข้อความจำนวนมากเป็นหมายเหตุในข้างต้นฉันใช้ latex 1latex ในสมการแรกและ latex 2latex ในสมการที่สอง ความเท่าเทียมกันของทั้งสองรูปแบบของสมการแสดงให้เห็นทางคณิตศาสตร์ด้านล่างโดยทำตามขั้นตอนง่ายๆในแต่ละครั้ง สิ่งที่ไม่เหมือนกันคือค่าที่ใช้สำหรับน้ำยางข้นในแต่ละสมการ ในทั้งสองแบบนี้น้ำยางข้นคือค่าระหว่างศูนย์กับความสามัคคี จงเขียนสมการ (1) แทน latex 1latex โดย latex latex นี่เป็น latexyk y (1 - beta) xklatex 8230 (1A) ตอนนี้กำหนด latexbeta (1 - 2) latex แล้วดังนั้นเราจึงมี latex 2 (1 - beta) latex (1A) ให้ latexyk (1 - 2) y 2xklatex 8230 (1B) และในที่สุดการจัดเรียงใหม่ให้สมการนี้เป็นเหมือนรูปแบบอื่นที่กำหนดในสมการ (2) ใส่น้ำยางข้น 2 (1 - 1) ในแง่ทางกายภาพหมายความว่าการเลือกรูปแบบหนึ่งขึ้นอยู่กับว่าใครอยากจะคิดว่าการใช้น้ำยางเป็นสูตรสมการเศษอาหาร (1) หรือเป็นส่วนของสมการป้อนข้อมูล (2) ดังที่กล่าวมาข้างต้นฉันได้ใช้แบบฟอร์มแรกเนื่องจากไม่ยุ่งยากน้อยกว่าในการแสดงความสัมพันธ์ของตัวกรองแบบ RC และนำไปสู่ความเข้าใจในแง่ของการกรองได้ง่ายขึ้น อย่างไรก็ตามการละเว้นการข้างต้นเป็นในมุมมองของฉันการขาดบทความที่คนอื่นอาจทำให้การอนุมานที่ไม่ถูกต้องดังนั้นฉบับที่แก้ไขจะปรากฏในเร็ว ๆ นี้ I8217ve เคยสงสัยเกี่ยวกับเรื่องนี้ขอบคุณสำหรับการอธิบายอย่างชัดเจน ฉันคิดว่าเหตุผลที่สูตรแรกเป็นสิ่งที่ดีคือแผนที่อัลฟาถึง 8216smoothness8217: ทางเลือกที่สูงขึ้นของอัลฟาหมายถึงผลผลิต 8216more smooth8217 ไมเคิลขอบคุณสำหรับการสังเกต 8211 ฉันจะเพิ่มบทความบางอย่างในบรรทัดเหล่านั้นเนื่องจากเป็นเสมอดีกว่าในมุมมองของฉันที่เกี่ยวข้องกับด้านกายภาพ Dr Mercer บทความยอดเยี่ยมขอบคุณ ฉันมีคำถามเกี่ยวกับเวลาคงที่เมื่อใช้กับเครื่องตรวจจับ rms เช่นเดียวกับเครื่องวัดระดับเสียงที่คุณอ้างถึงในบทความ ถ้าฉันใช้สมการของคุณในการสร้างแบบจำลองตัวกรองแบบ exponential ด้วย Time Constant 125ms และใช้สัญญาณขั้นตอนการป้อนข้อมูลฉันจะได้รับผลลัพธ์ที่หลังจาก 125ms เป็น 63.2 ของค่าสุดท้าย แต่ถ้าฉันสแควร์ใส่สัญญาณและใส่นี้ผ่านตัวกรองแล้วฉันเห็นว่าฉันต้องสองเวลาคงที่เพื่อให้สัญญาณไปถึง 63.2 ของมูลค่าสุดท้ายใน 125ms. คุณสามารถแจ้งให้เราทราบหากเป็นที่คาด ขอบคุณมาก. Ian Ian ถ้าคุณสแควร์สัญญาณเช่นคลื่นไซน์แล้วโดยทั่วไปคุณเป็นสองเท่าความถี่ของพื้นฐานรวมทั้งการแนะนำจำนวนมากความถี่อื่น ๆ เนื่องจากความถี่มีผลเป็นสองเท่าจึงทำให้มีการใช้ตัวกรองความถี่ต่ำผ่านค่าที่มากขึ้น 8216reduced8217 ผลก็คือต้องใช้เวลานานกว่าในการเข้าถึงแอมพลิจูดเดียวกัน การดำเนินการ squaring ไม่ใช่การดำเนินการเชิงเส้นดังนั้นฉันไม่คิดว่าจะมีการเพิ่มขึ้นเป็นสองเท่าในทุกกรณี แต่จะมีแนวโน้มที่จะเพิ่มขึ้นเป็นสองเท่าหากเรามีความถี่ต่ำที่เด่น นอกจากนี้ทราบว่าความแตกต่างของสัญญาณสี่เหลี่ยมเป็นสองเท่าของสัญญาณ 8220un-squared8221 ฉันสงสัยว่าคุณอาจพยายามทำให้รูปทรงสี่เหลี่ยมจัตุรัสเฉลี่ยซึ่งสมบูรณ์และถูกต้อง อาจจะดีกว่าที่จะใช้ตัวกรองแล้วค่อยๆเหลี่ยมเท่าที่คุณรู้ว่ามีประสิทธิภาพ แต่ถ้าทั้งหมดที่คุณมีคือสัญญาณสี่เหลี่ยมแล้วใช้ปัจจัย 2 เพื่อปรับเปลี่ยนค่า alpha ของตัวกรองของคุณจะทำให้คุณกลับไปที่ความถี่ตัดเดิมหรือทำให้บิตง่ายขึ้นกำหนดความถี่ตัดที่สองเท่าของต้นฉบับ ขอขอบคุณสำหรับคำตอบของคุณ Dr Mercer คำถามของฉันจริงๆพยายามที่จะได้รับสิ่งที่เป็นจริงทำในเครื่องตรวจจับ rms ของเครื่องวัดระดับเสียง ถ้าเวลาคงที่กำหนดไว้สำหรับ 8216fast8217 (125ms) ฉันจะคิดว่าอย่างสังหรณ์ใจที่คุณคาดหวังสัญญาณอินพุต sinusoidal เพื่อผลิตออก 63.2 ของมูลค่าสุดท้ายหลังจาก 125ms แต่เนื่องจากสัญญาณจะถูกกำลังสองก่อนที่จะได้รับ 8216mean8217 ตรวจสอบจริงจะใช้เวลาสองครั้งตราบเท่าที่คุณอธิบาย วัตถุประสงค์หลักของบทความนี้คือเพื่อแสดงความเท่าเทียมกันของ RC filtering และ exponential averaging ถ้าเรากำลังพูดถึงเวลาในการรวมเข้าด้วยกันกับตัวผสานรูปสี่เหลี่ยมผืนผ้าที่แท้จริงแล้วคุณจะถูกต้องว่ามีปัจจัยสองอย่างที่เกี่ยวข้อง โดยทั่วไปถ้าเรามี integrator สี่เหลี่ยมที่แท้จริงที่รวมสำหรับวินาที Ti เวลา integator RC เทียบเท่าเพื่อให้บรรลุผลเดียวกันคือ 2RC วินาที Ti แตกต่างจาก RC 8216time constant8217 T ซึ่งเป็น RC ดังนั้นถ้าเรามีเวลาคงที่ 8216Fast8217 เท่ากับ 125 msec นั่นคือ RC 125 msec ซึ่งเท่ากับเวลาในการรวมจริง 250 มิลลิวินาทีขอขอบคุณสำหรับบทความนี้มีประโยชน์มาก มีเอกสารล่าสุดเกี่ยวกับระบบประสาทที่ใช้ตัวกรอง EMA (EMA แบบยาวที่มีหน้าต่างยาวซึ่งเป็นหน้าต่างสั้น ๆ ) เป็นตัวกรองสัญญาณแบนสำหรับการวิเคราะห์สัญญาณแบบเรียลไทม์ ฉันต้องการจะใช้พวกเขา แต่ฉันดิ้นรนกับขนาดหน้าต่างที่กลุ่มวิจัยที่แตกต่างกันได้ใช้และการติดต่อกับความถี่ตัด Let8217s กล่าวว่าฉันต้องการให้ทุกความถี่ต่ำกว่า 0.5Hz (aprox) และที่ฉันได้รับ 10 ตัวอย่างสอง. ซึ่งหมายความว่า fp 0.5Hz P 2s T P100.2 h 1fs0.1 ดังนั้นควรใช้ขนาดหน้าต่าง I ควรเป็น N3 เหตุผลนี้ถูกต้องก่อนที่จะตอบคำถามของคุณฉันต้องแสดงความคิดเห็นเกี่ยวกับการใช้ตัวกรองความถี่สูงสองตัวเพื่อสร้างตัวกรองแบนด์วิดท์ สมมุติว่าพวกเขาทำงานเป็นสองลำธารแยกกันดังนั้นหนึ่งผลคือเนื้อหาจาก latexf Latex ถึงอัตราการสุ่มตัวอย่างครึ่งหนึ่งและอื่น ๆ คือเนื้อหาจาก Latexf Latexf ให้กับอัตราตัวอย่างครึ่งหนึ่ง ถ้าทั้งหมดที่กำลังทำอยู่คือความแตกต่างในระดับสแควร์เฉลี่ยที่บ่งบอกว่าพลังงานในแถบจากน้ำยาง latexf ไป latexf latex แล้วมันอาจจะสมเหตุสมผลถ้าทั้งสองตัดความถี่อยู่ไกลพอสมควร แต่ฉันคาดหวังว่าคนที่ใช้เทคนิคนี้ กำลังพยายามจำลองตัวกรองแถบที่แคบกว่า ในมุมมองของฉันที่จะไม่น่าเชื่อถือสำหรับการทำงานอย่างจริงจังและจะเป็นแหล่งที่มาของความกังวล สำหรับการอ้างอิงตัวกรองแบบแบนด์คือตัวกรอง High Pass ความถี่ต่ำเพื่อลดความถี่ต่ำและความถี่ต่ำเพื่อกรองความถี่สูงออก There is of course a low pass form of an RC filter, and hence a corresponding EMA. Perhaps though my judgement is being overcritical without knowing all the facts So could you please send me some references to the studies you mentioned so I may critique as appropriate. Maybe they are using a low pass as well as a high pass filter. Now turning to your actual question about how to determine N for a given target cut-off frequency I think it is best to use the basic equation T(N-1)h. The discussion about periods was aimed at giving people a feel of what was going on. So please see the derivation below. We have the relationships latexT(N-1)hlatex and latexT12 latex where latexfclatex is the notional cut-off frequency and h is the time between samples, Clearly latexh 1 latex where latexfslatex is the sample rate in samplessec. Rearranging T(N-1)h into a suitable form to include the cut-off frequency, latexfclatex and the sample rate, latexfslatex, is shown below. So using latexfc 0.5Hzlatex and latexfs 10latex samplessec so that latex(fcfs) 0.05latex gives So the closest integer value is 4. Re-arranging the above we have So with N4 we have latexfc 0.5307 Hzlatex. Using N3 gives an latexfclatex of 0.318 Hz. Note with N1 we have a complete copy with no filtering.