J'ai essentiellement un tableau de valeurs comme ceci: Le tableau ci-dessus est simplifié, Im collectionner 1 valeur par milliseconde dans mon code réel et j'ai besoin de traiter la sortie sur un algorithme que j'ai écrit pour trouver le pic le plus proche avant un point dans le temps. Ma logique échoue parce que dans mon exemple ci-dessus, 0.36 est le vrai pic, mais mon algorithme regarderait en arrière et verrait le tout dernier nombre 0.25 comme le pic, car il y a une diminution à 0.24 avant lui. L'objectif est de prendre ces valeurs et de leur appliquer un algorithme qui les lisse un peu pour que je possède des valeurs plus linéaires. (C.-à-d.: Id comme mes résultats à curvy, pas jaggedy) On m'a dit d'appliquer un filtre exponentiel de moyenne mobile à mes valeurs. Comment puis-je le faire C'est vraiment difficile pour moi de lire les équations mathématiques, je traite beaucoup mieux avec le code. Comment puis-je traiter les valeurs dans mon tableau, en appliquant un calcul exponentiel de la moyenne mobile pour les égaliser? Demandé 8 février à 20:27 Pour calculer une moyenne mobile exponentielle. Vous devez garder un certain état autour et vous avez besoin d'un paramètre de réglage. Cela nécessite une petite classe (en supposant que vous utilisiez Java 5 ou plus tard): Instantiate avec le paramètre de décroissance que vous voulez (peut prendre l'accord doit être entre 0 et 1), puis utilisez average () pour filtrer. Lors de la lecture d'une page sur une récurrence mathématique, tout ce que vous avez vraiment besoin de savoir lorsque vous le transformer en code est que les mathématiciens aiment écrire des index dans des tableaux et des séquences avec des indices. (Theyve quelques autres notations ainsi, ce qui ne l'aide pas.) Cependant, l'EMA est assez simple car vous devez seulement se souvenir d'une vieille valeur aucune arrays compliqués d'état requis. Répondre févr. 8 12 at 20h42 TKKocheran: Pretty much. Notez que les premiers termes de la séquence moyenne sauteront un peu en raison des effets de frontière, mais vous obtenez ceux avec d'autres moyennes mobiles aussi. Cependant, un bon avantage est que vous pouvez envelopper la logique de la moyenne mobile dans le moyager et expérimenter sans déranger le reste de votre programme trop. Ndash Donal Fellows Feb 9 12 at 0:06 J'ai de la difficulté à comprendre vos questions, mais je vais essayer de répondre de toute façon. 1) Si votre algorithme a trouvé 0,25 au lieu de 0,36, alors il est faux. C'est faux parce qu'il suppose une augmentation ou une diminution monotone (qui monte ou monte toujours). Sauf si vous moyenne toutes vos données, vos points de données --- comme vous les présenter --- sont non linéaires. Si vous voulez vraiment trouver la valeur maximale entre deux points dans le temps, découpez votre tableau de tmin à tmax et trouvez le maximum de ce sous-tableau. 2) Maintenant, le concept de moyennes mobiles est très simple: imaginez que j'ai la liste suivante: 1.4, 1.5, 1.4, 1.5, 1.5. Je peux le lisser en prenant la moyenne de deux nombres: 1.45, 1.45, 1.45, 1.5. Notez que le premier nombre est la moyenne de 1,5 et 1,4 (deuxième et premier numéros) la deuxième (nouvelle liste) est la moyenne de 1,4 et 1,5 (troisième et deuxième liste ancienne) la troisième (nouvelle liste) la moyenne de 1,5 et 1,4 (Quatrième et troisième), et ainsi de suite. J'aurais pu faire la période trois ou quatre, ou n. Remarquez comment les données sont beaucoup plus lisses. Une bonne façon de voir les moyennes mobiles au travail est d'aller à Google Finance, sélectionnez un stock (essayez Tesla Motors assez volatile (TSLA)) et cliquez sur technicals au bas du graphique. Sélectionnez Moyenne mobile avec une période donnée, et Moyenne mobile exponentielle pour comparer leurs différences. Moyenne mobile exponentielle est juste une autre élaboration de cela, mais pondère les données plus anciennes moins que les nouvelles données, c'est une façon de biais le lissage vers l'arrière. Veuillez lire l'entrée de Wikipedia. Donc, c'est plus un commentaire qu'une réponse, mais la petite boîte de commentaire était juste à minuscule. Bonne chance. Si vous avez des problèmes avec les mathématiques, vous pourriez aller avec une moyenne mobile simple au lieu d'exponentielle. Donc, la sortie que vous obtenez serait les derniers termes x divisé par x. Pseudocode non testé: Notez que vous devrez manipuler les parties de début et de fin des données car clairement vous ne pouvez pas moyenne les 5 derniers termes lorsque vous êtes sur votre 2e point de données. En outre, il existe des moyens plus efficaces de calculer cette moyenne mobile (somme somme - la plus récente la plus récente), mais c'est pour obtenir le concept de ce qui se passe à travers. Réponse 2017 Stack Exchange, IncLa moyenne mobile exponentielle est un type de filtre IIR qui est facile à mettre en œuvre en C et utilise des ressources minimales. Contrairement à une moyenne mobile simple, il ne nécessite pas de tampon RAM pour stocker les échantillons précédents. Il suffit de stocker une valeur (la moyenne précédente). Une moyenne mobile exponentielle est exprimée par l'équation suivante: avgn (en alpha) avgn-1 (1-alpha). La mise en œuvre de cette équation à l'aide de mathématiques en virgule flottante est simple, mais l'utilisation de variables de point fixe est un peu délicate. L'extrait de code ici utilise des entiers signés 32 bits pour la moyenne et les valeurs d'entrée. Les valeurs intermédiaires doivent utiliser des mathématiques 64 bits pour éviter les erreurs de débordement. Les valeurs alpha proches de zéro représentent des moyennes lourdes alors qu'une valeur alpha de l'une n'a pas de moyenne. Sur la ligne où temp0 est calculé, je crois que la fin de la ligne devrait être lue (65535 - alpha) Sinon, un alpha de 1 inclurait incorrectement la moyenne précédente ainsi que la nouvelle valeur. Documentation de sortie tsmovavg (tsobj, s, lag) Renvoie la moyenne mobile simple par pour l'objet série chronologique financière, tsobj. Lag indique le nombre de points de données précédents utilisés avec le point de données courant lors du calcul de la moyenne mobile. La sortie tsmovavg (vecteur, s, lag, dim) renvoie la moyenne mobile simple pour un vecteur. Lag indique le nombre de points de données précédents utilisés avec le point de données courant lors du calcul de la moyenne mobile. La sortie tsmovavg (tsobj, e, timeperiod) renvoie la moyenne mobile pondérée exponentielle pour l'objet série chronologique financière, tsobj. La moyenne mobile exponentielle est une moyenne mobile pondérée, où timeperiod spécifie la période de temps. Les moyennes mobiles exponentielles réduisent le décalage en appliquant plus de poids aux prix récents. Par exemple, une moyenne mobile exponentielle de 10 périodes pondère le prix le plus récent de 18,18. Pourcentage exponentiel 2 (TIMEPER 1) ou 2 (WINDOWSIZE 1). La sortie tsmovavg (vecteur, e, timeperiod, dim) renvoie la moyenne mobile pondérée exponentielle pour un vecteur. La moyenne mobile exponentielle est une moyenne mobile pondérée, où timeperiod spécifie la période de temps. Les moyennes mobiles exponentielles réduisent le décalage en appliquant plus de poids aux prix récents. Par exemple, une moyenne mobile exponentielle de 10 périodes pondère le prix le plus récent de 18,18. (2 (durée 1)). La sortie tsmovavg (tsobj, t, numperiod) renvoie la moyenne mobile triangulaire pour la série chronologique de temps, tsobj. La moyenne mobile triangulaire double les données. Tsmovavg calcule la première moyenne mobile simple avec la largeur de la fenêtre de ceil (numperiod 1) 2. Ensuite, il calcule une seconde moyenne mobile simple sur la première moyenne mobile avec la même taille de fenêtre. La sortie tsmovavg (vecteur, t, numperiod, dim) renvoie la moyenne mobile triangulaire pour un vecteur. La moyenne mobile triangulaire double les données. Tsmovavg calcule la première moyenne mobile simple avec la largeur de la fenêtre de ceil (numperiod 1) 2. Ensuite, il calcule une seconde moyenne mobile simple sur la première moyenne mobile avec la même taille de fenêtre. La sortie tsmovavg (tsobj, w, weights) renvoie la moyenne mobile pondérée de l'objet série chronologique financière, tsobj. En fournissant des poids pour chaque élément dans la fenêtre mobile. La longueur du vecteur de poids détermine la taille de la fenêtre. Si des facteurs de poids plus importants sont utilisés pour des prix plus récents et des facteurs plus faibles pour les prix antérieurs, la tendance est plus sensible aux changements récents. La sortie tsmovavg (vecteur, w, poids, dim) renvoie la moyenne mobile pondérée pour le vecteur en fournissant des poids pour chaque élément de la fenêtre en mouvement. La longueur du vecteur de poids détermine la taille de la fenêtre. Si des facteurs de poids plus importants sont utilisés pour des prix plus récents et des facteurs plus faibles pour les prix antérieurs, la tendance est plus sensible aux changements récents. La sortie tsmovavg (tsobj, m, numperiod) renvoie la moyenne mobile modifiée pour l'objet série chronologique financière, tsobj. La moyenne mobile modifiée est semblable à la moyenne mobile simple. Considérons l'argument numperiod comme le décalage de la moyenne mobile simple. La première moyenne mobile modifiée est calculée comme une moyenne mobile simple. Les valeurs suivantes sont calculées en ajoutant le nouveau prix et en soustrayant la dernière moyenne de la somme obtenue. La sortie tsmovavg (vecteur, m, numperiod, dim) renvoie la moyenne mobile modifiée pour le vecteur. La moyenne mobile modifiée est semblable à la moyenne mobile simple. Considérons l'argument numperiod comme le décalage de la moyenne mobile simple. La première moyenne mobile modifiée est calculée comme une moyenne mobile simple. Les valeurs suivantes sont calculées en ajoutant le nouveau prix et en soustrayant la dernière moyenne de la somme obtenue. Dim 8212 dimension pour fonctionner le long d'un entier positif avec une valeur 1 ou 2 Dimension à utiliser, spécifié comme un entier positif avec une valeur de 1 ou 2. dim est un argument d'entrée facultatif et s'il n'est pas inclus comme entrée, la valeur par défaut La valeur 2 est supposée. La valeur par défaut de dim 2 indique une matrice orientée vers les lignes, chaque ligne étant une variable et chaque colonne étant une observation. Si dim 1. l'entrée est supposée être un vecteur colonne ou une matrice orientée colonne, où chaque colonne est une variable et chaque ligne une observation. E 8212 Indicateur pour le vecteur de caractères de moyenne mobile exponentielle La moyenne mobile exponentielle est une moyenne mobile pondérée, où la période de temps est la période de temps de la moyenne mobile exponentielle. Les moyennes mobiles exponentielles réduisent le décalage en appliquant plus de poids aux prix récents. Par exemple, une moyenne mobile exponentielle de 10 périodes pondère le prix le plus récent de 18,18. Pourcentage exponentiel 2 (TIMEPER 1) ou 2 (WINDOWSIZE 1) période de temps 8212 Longueur de la période non négative entière Sélectionnez votre pays
No comments:
Post a Comment