Eksponentiaalinen Liikkuva Keskiarvo Epäsäännöllinen

Eksponentiaaliset liikkuvat keskiarvot epäsäännöllisille aikasarjoille. Aikasarjan analyysissä on usein tarve tasoitustoimintoihin, jotka reagoivat nopeasti signaalin muutoksiin. Tyypillisessä sovelluksessa saatat käsitellä tulosignaalia reaaliajassa ja haluat laskea tällaisia ​​asioita kuten hiljattain keskimääräinen arvo tai saada hetkellinen kaltevuus. Mutta reaalimaailman signaalit ovat usein meluisia. Muutamat meluisat näytteet tekevät signaalin nykyisen arvon tai sen kaltevuuden vaihtelevan suuresti. Keskimääräiset vaihtelut. Yksinkertaisin tasoitustoiminto on ikkuna liukuva keskiarvo Kun näytteet tulevat, otat keskimäärin viimeisimmät N-arvot Tämä tasoittaa piikkejä mutta aiheuttaa viivästymisen tai viivästymisen Keskimäärinsi viivästyy aina liikkuva keskiarvon leveys. Edellä oleva esimerkki on suhteellisen kallis laskentaa Jokaisesta näytteestä sinun on toistettava koko ikkunan kokoon. Mutta on olemassa halvempia tapoja säilyttää kaikkien näytteiden summa puskuriin ikkunassa ja säätää summa uusina näytteinä com e. Muun tyyppinen liukuva keskiarvo on painotettu liukuva keskiarvo, joka painaa jokaista asentoa näyteikkunassa. Ennen keskiarvoistamista kerroit jokaisen näytteen kyseisen ikkunapaikan painosta. Teknisesti tätä kutsutaan konvoluutiona. Yksi tyypillinen painotustoiminto koskee kellokäyrää näyteikkunaan Tämä antaa signaalin, joka on viritetty ikkunan keskelle ja silti melko sietävä meluisille näytteille. Rahoitusanalyysissä käytetään usein painotustoimintoa, joka arvottaa viimeaikaisia ​​näytteitä enemmän ja antaa liikkuvan keskiarvon, joka tarkemmin seuraa äskettäiset näytteet Vanhemmille näytteille annetaan asteittain vähemmän painoa Tämä hieman vähentää latenssien vaikutuksia, mutta silti antaa kohtuullisen hyvän tasoituksen. Painotetun keskiarvon mukaan sinun on aina toistettava koko ikkunan koon jokaista näytettä kohti, ellet voi rajoittaa sallittuja painoja tiettyjä toimintoja. Exponential Moving Average. Toinen keskimääräinen tyyppi on eksponentiaalinen liukuva keskiarvo, tai EMA Tämä on usein u jossa latenssi on kriittinen, kuten reaaliaikaisessa taloudellisessa analyysissä. Tässä keskiarvossa painot vähenevät eksponentiaalisesti. Jokainen näyte arvostetaan noin prosentti pienemmäksi kuin seuraava viimeisin näyte. Tällä rajoituksella voit laskea liikkuvan keskiarvon hyvin tehokkaasti. Jos alfa on vakio, joka kuvaa, miten ikkunan painot vähenevät ajan myötä Esimerkiksi jos jokainen näyte painotetaan edellisen näytteen arvosta 80: een, aseta alfa 0 2 Pienempi alfa pidetään pidempänä kuin liikkuva keskiarvo esim. se muuttuu tasaisemmaksi, mutta vähemmän reaktiivisia uusiin näytteisiin. Painot EMA: lle alfa 0: llä 20. Kuten näet, jokaisen uuden näytteen on vain keskitettävä se edellisen keskiarvon arvoon. Laskenta on hyvin nopeaa. Teoriassa kaikki aiemmat näytteet edistävät nykyistä keskiarvoa, mutta niiden osuus eksponentiaalisesti pienenee ajan myötä. Tämä on erittäin voimakas tekniikka, ja luultavasti paras, jos haluat saada liikkuvan keskiarvon, joka reagoi qui Uusilla näytteillä on hyvät tasoitusominaisuudet ja ne on helppo laskea. Koodi on triviaali. EMA epäsäännöllisille aikasarjille. EMA-standardi on hieno, kun signaali näytetään säännöllisin välein. Mutta entä jos näytteet tulevat epäsäännöllisin väliajoin. Kuvittele jatkuva signaali, joka näytetään epäsäännöllisin väliajoin Tämä on tavanomainen tilanne talouden analysoinnissa Teoriassa on jatkuvatoiminen funktio minkä tahansa rahoitusvälineen arvolle, mutta voit vain näyte tämän signaalin aina, kun joku todella suorittaa kaupan. koostuu arvosta sekä siitä, kun se havaittiin. Yksi tapa käsitellä tätä on muuntaa epäsäännöllinen signaali säännölliseksi signaaliksi, interpoloimalla havaintojen välillä ja resamplingin avulla. Mutta tämä menettää tietoja ja tuo uudelleen viivästyksen. EMA voidaan laskea epäsäännölliselle aikasarjalle suoraan. Tässä toiminnossa siirrytte nykyiseen näytteeseen signaalista, edellisestä näytteestä ja kuluneesta ajasta. een kaksi, ja edellinen arvo palauttaa tämän toiminnon. Niin kuinka hyvin tämä työ Osoita olen ve synnytetty siniaalto, sitten näytteenoton epäsäännöllisin väliajoin ja esitteli noin 20 melua Tämä on signaali vaihtelee satunnaisesti - 20 alkaen alkuperäinen oikea sinisignaali. Kuinka hyvin epäsäännöllinen eksponentiaalinen liikkuva keskiarvo palauttaa signaalin. Punainen viiva on alkuperäinen siniaalto näytteitä epäsäännöllisin välein. Sininen viiva on signaali, jonka kohina on lisätty. Sininen viiva on ainoa signaali, jota EMA näkee Vihreä linja on tasoitettu EMA Voit nähdä, että se palauttaa signaalin melko hyvin Vähän heikko, mutta mitä voit odottaa tällaisesta meluisasta lähdesignaalista. Se siirretään noin 15 oikealle, koska EMA tuo käyttöön jonkin latenssin Pehmeämpi haluat sen, sitä enemmän latenssi näet Mutta tästä voit esimerkiksi laskea hetkellisen kaltevuus meluisa epäsäännöllinen signaali. Mitä voit tehdä, että Hmm. I on jatkuva arvo, jonka haluaisin laskea Expo Jos S n on uusi keskiarvo, on alfa, Y on näyte, ja S n-1 on edellinen keskiarvo. Valitettavasti eri asioiden vuoksi en halua minulla on johdonmukainen näyteaika, jonka tiedän voivani ottaa näytteitä enimmillään, esimerkiksi kerran millisekunnissa, mutta tekijöitä, jotka eivät kuulu minun kontrollointiin, en ehkä pysty ottamaan näytettä useita millisekunteina kerrallaan. Todennäköisemmin yleisempi tapaus , on kuitenkin se, että olen yksinkertainen näyte hieman aikaisin tai myöhässä näytteenoton sijaan 0, 1 ja 2 ms: n näytteellä 0, 0 9 ja 2 1 ms: ssä en ennakoida, että viivästymisistä huolimatta näytteenottotaajuus on kaukana, paljon Nyquist-rajan yläpuolella, joten en tarvitse olla huolissaan aliasingista. Olen sitä mieltä, että voin käsitellä tätä enemmän tai vähemmän kohtuullisella tavalla muuttamalla alfaa asianmukaisesti, joka perustuu viimeisen näytteen kestoon. että EMA interpoloi lineaarisesti edellisen datapisteen ja nykyisen Ifin välillä harkitsemme seuraavien näytteiden luettelon EMA: n laskemista välein t 0,1,2,3,4 Meidän pitäisi saada sama tulos, jos käytämme aikaväliä 2t, jossa syötteet tulevat 0,2,4: een, jos EMA: lla olisi oletetaan, että t 2: ssä arvo oli 2, koska t 0, joka olisi sama kuin aikavälillä t laskemalla 0,2,2,4,4, jota se ei tee. Onko tämä järkevää ollenkaan. joku kertoa minulle, miten muuttaa alfa asianmukaisesti Näytä työsi I e näytä minulle matematiikka, joka osoittaa, että menetelmä todella tekee oikein asia. asked Kesäkuu 21 09 klo 13 05.You shouldn t saada sama EMA eri input Think EMA suodattimena, näytteenotto 2t: ssä vastaa alasäytteenottoa ja suodatin antaa antaa toisen eron Tämä selkeä minulle, koska 0,2,4 sisältää korkeampia taajuuskomponentteja kuin 0,1,2,3,4 Ellei kysymys on, miten vaihdan suodattimen lennossa, jotta se antaa saman tuotoksen Ehkä puuttuu jotain freespace kesäkuu 21 09 klo 15 52. Mutta panos ei ole diff erilainen, se on vain näytteitä harvemmin 0,2,4 välein 2t on kuin 0, 2, 4 välein t, jolloin se osoittaa, että näyte ei ole huomioitu Curt Sampson 21.6. klo 23 45. Tämä vastaus perustuu minun hyvää ymmärrystä alipäästösuodattimien eksponentiaalinen liukuva keskiarvo on todella vain yksinapainen alipäästösuodatin, mutta minun homma ymmärtää, mitä etsit mielestäni seuraava on mitä haluat. Ensin voit yksinkertaistaa yhtälöä hieman näyttää entistä monimutkaisemmalta, mutta se on helpompaa koodissa I aioin käyttää Y: n lähtöä ja X: lle panosta S: n sijaan lähtöä varten ja Y: lle sisään syötettäväksi, kuten olette tehneet. Toiseksi, tässä arvo on yhtä kuin 1-e-t missä t on näytteiden välinen aika ja se on alipäästösuodattimen aikavakio, jonka sanon samaa lainausmerkkiä, koska tämä toimii hyvin, kun t on pieni verrattuna 1 ja 1-e-tt: een Mutta ei liian pieniä, kvantisointiongelmia, ja ellet käytä muutama eksoottinen tekniikka, tarvitset yleensä ylimääräisiä N-bittiä resoluutiota tilamuuttujallasi S ere N - log 2 Suurten arvojen t osalta suodatusvaikutus alkaa katoa, kunnes pääset siihen pisteeseen, jossa on lähellä 1 ja olet periaatteessa vain määrittänyt tulon lähtöön. Tämän pitäisi toimia oikein erilaisilla arvoilla t muutos t ei ole kovin tärkeä, kunhan alfa on pieni, muuten ajetaan joitain melko outoja Nyquist-aiheiden aliaksia jne. ja jos työskentelet prosessorilla, jossa kertolasku on halvempaa kuin jako, tai kiinteäpistekysymykset ovat tärkeitä, täsmäytä 1 ja harkitse yrittää lähentää kaavaa. Jos todella haluat tietää, miten kaava saadaan, niin harkitse sen differentiaaliyhtälön lähdettä. joka X: n yksikköaskelfunktiolla on ratkaisu Y 1 - e - t Pieniä t arvoja varten johdannaista voidaan arvioida Yt: llä, jolloin saadaan 1-e-t: n ekstrapolointi yritetään sovittaa käyttäytyminen yksikköaskeleen funktion kanssa. Voisitteko käsitellä yritettäessä täsmää ylös käyttäytymisosaa I teidän jatkuvan ajanjakson ratkaisu Y 1 - exp - t ja sen yleistäminen skaalattuun askelfunktioon, jonka suuruus on x ja alkutila y 0, mutta en ymmärrä miten nämä ajatukset yhdistetään tuloksen saavuttamiseksi Rhys Ulerich 4. toukokuuta 13 klo 22 34. Tämä ei ole täydellinen vastaus, mutta se voi olla alkua. Se on niin pitkälle kuin saan tämän tunnin aikana tai niin pelata minua lähettämällä se esimerkkinä siitä, mitä minä etsin, ja ehkä inspiraation toisille, jotka työskentelevät ongelman suhteen. Aloitan S 0: llä, joka on keskiarvosta, joka on saatu edellisestä keskiarvosta S -1 ja näytteestä Y 0, joka on otettu t 0 t 1 - t 0: ssä, on minun näyteintervalli ja asetettu mihin tahansa sopivaan että näyteväli ja kausi, jonka yli haluan keskiarvoa. Olen harkinnut, mitä tapahtuu, jos kaipaan näytettä t1: ssä ja sen sijaan täytyy tehdä näytteen Y 2 otettu t 2: llä No, voimme aloittaa laajentamalla yhtälön katso, mitä olisi tapahtunut, jos olisimme olleet 1. Huomaamme, että sarja näyttää ulottuvan äärettömän paljon tällä tavoin, koska voimme korvata S n oikealla puolella loputtomiin. Oh, joten se ei todellakaan ole polynomi tyhmää minua, mutta jos kerromme alkusanaa yhdellä, näemme sitten kuvion. Se on eksponentiaalinen sarja Quelle yllätys Kuvittele, että tulet ulos yhtälöstä eksponentiaaliselle liikkuvalle keskiarvolle. Joka tapauksessa, minulla on tämä x 0 x 1 x 2 x 3 asia menossa, ja olen varma, että minulla on tuoksuva e tai luonnollinen logaritmi, joka potkaisee täällä, mutta voin t muistaa, missä olin menossa seuraavaksi ennen kuin loppui aikaa. Jokainen vastaus tähän kysymykseen tai mikä tahansa todistus tällaisen vastauksen oikeellisuudesta riippuu suuresti mittaamistasi tiedoista. Jos näytteesi otettiin t 0 0ms t 1 0 9 ms ja t 2 2 1 ms, mutta valintasi perustuu 1 ms: n välein ja siksi haluat paikallisesti säädetyn n todistuksen valinnan oikeellisuudesta merkitsisi tuntemalla näytearvot t1ms ja t2ms. This johtaa kysymykseen Voitteko interpoloida tietosi resonably, jotta järkevät arvaukset siitä, mitä arvojen välillä olisi voinut olla tai c Jos et näe kumpaa näistä on mahdollista, niin siltä osin kuin näen sen, looginen valinta väliarvosta Yt on viimeksi laskettu keskiarvo eli Y t S n jossa n on maksimissaan sellainen että tn t. Tämä valinta on yksinkertainen seuraus Jätä yksin riippumatta siitä, mikä aikaero oli. Jos toisaalta on mahdollista interpoloida arvot, niin tämä antaa sinulle keskimäärin vakio-aikavälin näytteitä Lopuksi, jos se Sillä on mahdollista interpoloida keskimäärin itse, mikä tekee kysymyksestä merkityksettömän. Vastaus: Kesäkuu 21 09 klo 15 08.balpha 27 2k 10 87 118. Luulen, että voin interpoloida tietoni, koska otan sen näytteen diskreettiin väliajoin. Olen jo tehnyt niin standardin EMA Anyway, oletan, että tarvitsen todisteita, jotka osoittavat, että se toimii sekä standardi EMA, joka myös tuottaa virheellisen tuloksen, jos arvot eivät muutu melko tasaisesti näytekausien välillä. Curt Sampson 21. kesäkuuta 09 klo 15 21. Mutta se on mitä sanon kun katsot EMA: n arvojen interpolointia, olette tehneet, jos jätät alfan koska se on, koska viimeisimmän keskiarvon lisääminen Y ei muuta keskiarvoa Jos sanot, että tarvitset jotain, joka toimii samoin kuin standardi EMA - mikä on väärä alkuperäisen kanssa Jos et ole enemmän tietoa mittaamistasi tiedoista, kaikki alfan paikalliset säädöt ovat parhaimmillaan mielivaltaisia ​​balfoja. Kesäkuu 21 09 klo 15 31.Haluan jättää alfa-arvon yksin ja täyttää puuttuvat tiedot . Koska et tiedä, mitä tapahtuu silloin, kun voit ottaa näytteen, voit täyttää nämä näytteet 0: llä tai pitää edellisen arvon vakaina ja käyttää näitä arvoja EMA: lle tai jotain taaksepäin interpolaatiota, kun sinulla on uusi näyte, täytä puuttuvat arvot ja uudelleenmittaus EMA. What yritän saada on sinulla on sisääntulo xn, joka on reikiä Ei ole mitään keinoa päästä käsiksi tosiasiat puuttuvat tiedot Joten voit käyttää nolla järjestyksessä pidä tai asettaa se on nolla tai jonkinlainen interpolointi xn: n ja x: n välillä n M missä M on puuttuvien näytteiden lukumäärä ja n rajan alku Mahdollisesti jopa arvoja, jotka ovat ennen n: tä. Vastaus: Kesäkuu 21 09 klo 13 35. Minulta tuntuu, että yksinkertaisesti alfa-muuttaminen oikeastaan ​​antaa minulle oikean interpoloinnin näiden kahden pisteen välillä, joista puhut, mutta paljon yksinkertaisemmin. Lisäksi olen sitä mieltä, että alfan vaihtelu käsittelee myös tavanomaisten näytteenottovälien välisiä näytteitä. Toisin sanoen , Minä etsin mitä olet kuvannut, mutta yrität käyttää matematiikkaa selvittääksesi yksinkertaisen tavan tehdä se Curt Sampson 21.6.2009 klo 14 07.En usko, että tällainen peto on oikea interpolointi Et yksinkertaisesti tiedä mitä tapahtui silloin, kun et näytä hyvää ja huonoa interpolointia tarkoittaa jonkinlaista tietoa siitä, mitä olet jättänyt, koska sinun on mitattava sen arvioimiseksi, onko interpolointi hyvä vai paha. Vaikka sanoitte, voit asettaa rajoituksia eli suurinta kiihdytystä, nopeus , jne. Luulen, että jos tiedät, miten mallinnetaan puuttuvat tiedot, niin vain mallinnetaan puuttuvat tiedot, sitten soveltaa EMA algoritmi ilman muutosta, eikä muuttaa alfa vain minun 2c freespace kesäkuu 21 09 klo 14 17. Tämä on täsmälleen mitä saavuin muokkaustani kysymykseen 15 minuuttia sitten Et yksinkertaisesti tiedä, mitä tapahtui sillä hetkellä, kun et näytä, mutta se on totta, vaikka otatte näytteitä jokaisella määrätyllä aikavälillä Näin Nyquistin miettiminensi niin kauan kuin sinä tiedä, että aaltomuoto ei muuta suunnia enemmän kuin joka toinen pari näytettä, todellinen näyteintervallin ei pitäisi olla väliä, ja sen pitäisi pystyä muuttamaan EMA-yhtälö näyttäisi minulle täsmälleen laskettavaksi ikään kuin aaltomuoto muuttuisi lineaarisesti viimeisestä näytteen arvosta nykyinen Curt Sampson kesäkuu 21 09 klo 14 26.I don t ajatella, että on aivan totta Nyquistin lause vaatii vähintään 2 näytettä yhtäjaksoa kohti pystyä tunnistamaan signaalin ainutlaatuisesti Jos et t tee niin, saat aliasing It olisi sama kuin sa mpling kuin fs1 jonkin aikaa, sitten fs2, sitten takaisin fs1, ja saat aliasing tietoja, kun näytteessä fs2 jos fs2 on alle Nyquist raja minun on myös tunnustettava en ymmärrä, mitä tarkoitat aaltomuoto muuttuu lineaarisesti viimeinen näyte nykyiseen yksi Voisitteko selittää Cheers, Steve freespace kesäkuu 21 09 at 14 36. Tämä on samankaltainen kuin avoin ongelma minun todo listan Minulla on yksi järjestelmä työskennellyt jossain määrin, mutta ei ole matemaattinen työtä tukemaan tätä ehdotusta still. Update yhteenveto Haluaisi pitää tasoitus tekijä alpha riippumatta kompensointi tekijä, jota viittaan beeta täällä Jason erinomainen vastaus jo hyväksytty täällä toimii hyvin minulle. Jos voit myös mitata aikaa, koska viimeinen näyte otettiin pyöristetty monta kertaa jatkuvan näytteenottoajan - näin 7 8 ms viimeisen näytteen jälkeen olisi 8 yksikköä, jota voitaisiin käyttää tasoittamiseen useita kertoja Sovelletaan kaavaa kahdeksan kertaa tässä tapauksessa Olet tehnyt tehokkaasti tasauksen puolueellisempaa kohti s nykyinen arvo. Jotta saisi paremman tasoituksen, meidän täytyy nipistää alfaa soveltamalla kaavaa 8 kertaa edellisessä tapauksessa. Mitä tämä tasoituslähestyminen menee ohi. On jo jättänyt 7 esimerkkiä edellä olevassa esimerkissä. Tämä arvioitiin vaihe 1 nykyisen arvon litteällä uudelleenkäytöllä vielä 7 kertaa. Jos määrittelemme approksimaatiokerroin beta, jota käytetään alfa-alfa-beeta-alfa-alfa-alfa-alfa-alfa sijasta, oletetaan, että 7 puuttuvaa näytettä muuttuivat päinvastoin aikaisempien ja nykyisten näytteiden arvojen välillä. Vastaus: Kesäkuu 21 09 klo 13 35.Olen ajattelemassa tätä, mutta vähän pilkkaamista matematiikan kanssa sai minut siihen pisteeseen, jossa uskon, että käytän kaavaa kahdeksan kertaa näytteen arvo, voin tehdä uuden alfan laskemisen, joka sallii minun käyttää kaavaa kerran ja antaa minulle saman tuloksen. Lisäksi tämä käsitteleisi automaattisesti näytteiden ottamisesta näytteiltä. Curt Sampson kesäkuu 21 0 9 at 13 47. Yksittäinen sovellus on hieno Mitä en ole vielä varma siitä, kuinka hyvä on 7 puuttuvien arvojen approksimaatio Jos jatkuva liike tekee jitterin paljon 8 millisekuntia, likimääräiset arvot voivat olla aivan pois todellisuus Mutta sitten, jos olet näytteenotossa 1ms korkein tarkkuus ilman viivästyneitä näytteitä olet jo kuvittanut jitter sisällä 1ms ei ole merkitystä Onko tämä päättely toimii sinulle Olen edelleen yrittää vakuuttaa itseäni toukokuu 21 09 at 14 08. Oikein That on tekijän beeta kuvauksestani. Beetakerroin lasketaan erotusvälin ja nykyisten ja edellisten näytteiden perusteella. Uusi alfa on alfa-beeta, mutta sitä käytetään vain kyseiseen näyteeseen. Vaikka näytät olevan siirrettäessä alfaa kaava, olen taipuvainen kohti jatkuvaa alfa tasoittava tekijä ja itsenäisesti laskettu beta tuning tekijä, joka kompensoi näytteet jääneet juuri nyt nik 21 kesäkuu klo 15 23.Exponential Filter. This sivu kuvaa eksponentiaalinen fi ltering, yksinkertaisin ja suosituin suodatin Tämä on osa osaa Suodatus, joka on osa Vianmääritys - ja diagnoositietoutta. Tarkkailu, aikavakio ja analoginen vastine. Yksinkertaisin suodatin on eksponentiaalisuodatin. Se on vain yksi tuningparametri muu kuin näytteen välein Se edellyttää vain yhden muuttujan tallennusta - edellinen lähtö Se on IIR autoregressiivinen suodatin - tulon muutoksen hajoaminen eksponentiaalisesti, kunnes näytön rajat tai tietokoneen aritmeettinen piilottavat sen. suodattimena käytetään myös nimitystä eksponentiaalinen tasoittaminen. Joissakin tieteenaloissa, kuten investointianalyysissä, eksponentiaalisuodatinta kutsutaan eksponentiaalisesti painotetuksi liikkuvan keskiarvon EWMA: ksi tai vain eksponentiaaliseksi liikkuvalle keskiarvolle EMA Tämä vääristää perinteisen ARMA-liikkeen keskiarvon terminologiaa aikasarjan analyysissä, koska ei syöttöhistoriaa, jota käytetään - vain nykyinen input. It on diskreetti aika vastaa ensimmäisen kertaluvun lag yleensä käyttää analogisen mallintaminen jatkuvatoimisissa ohjausjärjestelmissä Sähköpiireissä yhden suodattimen ja yhden kondensaattorin RC-suodatin on ensimmäisen kertaluvun viivästys Analogisten piirejä analogisesti korostamalla yksittäinen viritysparametri on aikavakio, joka tavallisesti on kirjoitettu alempana tapaus Kreikan kirje Tau Itse asiassa, arvot diskreettiä näytteen kertaa täsmälleen vastaavat vastaavaa jatkuvaa viiveellä samaa aikavakio Digitaalisen toteutuksen ja aikavakion välinen suhde on esitetty alla olevissa yhtälöissä. Eksponentti-suodatusyhtälöt ja alustus. eksponentiaalisuodatin on painotettu yhdistelmä aikaisemmasta ulostulosta, jonka ulostulo on uusimmalla tulodatalla, ja painojen summa on yhtä suuri kuin 1 siten, että ulostulo vastaa tuloa vakaassa tilassa Seuraavan suodattimen notaation jälkeen. kaye k-1 1-ax k. where xk on raakapäätös ajanhetkessä kyk on suodatettu lähtö ajanhetkellä ka on vakio välillä 0 ja 1, normaalisti välillä 0 8 ja 0 99 a-1 tai a kutsutaan joskus tasoitusvakiona. Jos järjestelmät, joilla on kiinteä aikaväli T näytteiden välillä, vakio a lasketaan ja tallennetaan helpoksi vain, kun sovelluskehittäjä määrittää uuden halutun aikavakion arvon. jossa tau on suodatusaikavakio samassa ajanjaksossa kuin T. For-järjestelmät, joissa on datanäytteitä epäsäännöllisin väliajoin, käytetään edellä mainittua eksponenttifunktiota jokaisen aikasyklin kanssa, missä T on aika edellisestä näytteestä. Suodattimen lähtö on tavallisesti alustettu vastaamaan ensimmäistä input. On aikavakio lähestyy 0, a menee nollaan, joten ei ole suodatus tuotos vastaa uutta panosta Koska aikavakio tulee hyvin suuri, lähestymistapoja 1, niin että uusi panos on melkein huomiotta hyvin raskas suodatus. Suodatinyhtälö voidaan uudelleenjärjestää seuraa - vaan ennustaja-korjaimen ekvivalentiksi. Tämä muoto tekee siitä selvemmäksi, että suodattimen muuttujan estimaattiulostulo ennustetaan muuttumattomana edellisestä arviosta y k-1 sekä odottamattomaan innovaatioon perustuva korjaava termi - uuden tulon xk ja ennuste y k-1 ero Tämä muoto on myös seurausta eksponentiaalisuodattimen johtamisesta Kalman-suodattimen yksinkertaisena erikoistapauksena, joka on optimaalinen ratkaisu estimointiongelmaan tietyllä oletusryhmällä. Step-vaste. On tapa eksponentiaalisuodattimen toiminnan visualisointi on piirtää sen vaste ajan mittaan vaiheen sisääntuloon, eli alkaen suodatinsyöttöstä ja lähdöstä 0 , tuloarvo muuttuu yhtäkkiä arvoon 1. Tuloksena olevat arvot on piirretty alla. Edellä olevassa kuvaajassa aika jaetaan suodattimen aikavakion tau avulla, joten voit helposti ennakoida tuloksia mihin tahansa ajanjaksoon, mikä tahansa suodattimen arvo aikavakio Kun aikavakio on sama kuin aikavakio, suodattimen lähtö nousee lopulliseen arvoonsa 63 21 Sen jälkeen, kun aika on yhtä kuin kaksi aikavakioa, arvo nousee sen lopulliseen arvoonsa 86 47. Lähtökerroin ajan jälkeen on 3,4 , ja 5 kertaa haittoja kun suodattimen pituus on 95 02, 98 17 ja 99 33. Koska suodatin on lineaarinen, tämä tarkoittaa, että näitä prosenttiosuuksia voidaan käyttää minkä tahansa askelmuutoksen suuruuteen, ei pelkästään arvon 1 käyttämiseen. askelvaste teoriassa vie äärettömän ajan käytännön näkökulmasta, ajattele eksponentiaalisuotinta 98-99: nä, joka reagoi sen jälkeen, kun aika oli 4 - 5 suodatusajan vakioita. Vaihtelut eksponentiaalisuodattimessa. Eksponentti-suodatin, jota kutsutaan epälineaariseksi eksponenttisuodattimeksi Weber, 1980, suunnitteli voimakkaasti suodattaa melua tiettyyn tyypilliseen amplitudiin, mutta vastasi sitten nopeammin suurempaan muutokseen. Copyright 2010 - 2013, Greg Stanley. Share tämä sivu.