29 september 2013 Flytte gjennomsnitt ved konvolusjon Hva er glidende gjennomsnitt og hva er det bra for Hvordan flytter gjennomsnittet gjort ved å bruke convolution Flytte gjennomsnitt er en enkel operasjon som vanligvis brukes til å undertrykke støy av et signal: vi setter verdien av hvert punkt til gjennomsnitt av verdiene i nabolaget. Med en formel: Her er x inngangen, og y er utgangssignalet, mens størrelsen på vinduet er w, skulle være merkelig. Formelen ovenfor beskriver en symmetrisk operasjon: prøvene tas fra begge sider av det aktuelle punktet. Nedenfor er et virkelighetseksempel. Det punktet som vinduet ligger faktisk er rødt. Verdier utenfor x skal være nuller: For å spille rundt og se effekten av glidende gjennomsnitt, ta en titt på denne interaktive demonstrasjonen. Slik gjøres det ved konvolusjon Som du kanskje har gjenkjent, beregner det enkle glidende gjennomsnittet likningen: i begge tilfeller skyves et vindu langs signalet og elementene i vinduet oppsummeres. Så, prøv å gjøre det samme ved å bruke konvolusjon. Bruk følgende parametre: Ønsket utgang er: Som første tilnærming, la oss prøve det vi får ved å samle x-signalet med følgende k-kjerne: Utgangen er nøyaktig tre ganger større enn den forventede. Det kan også ses at utgangsvurderingene er oppsummeringen av de tre elementene i vinduet. Det er fordi under konvolusjonen glir vinduet sammen, alle elementene i det blir multiplisert med en og deretter oppsummert: yk 1 cdot x 1 cdot x 1 cdot x For å få de ønskede verdiene for y. Utgangen skal deles med 3: Ved en formel som inkluderer divisjonen: Men ville det ikke være optimal å gjøre avdelingen under konvolusjonen. Her kommer ideen ved å omplassere ligningen: Så vi skal bruke følgende k-kjerne: På denne måten vil vi få ønsket utdata: Generelt: hvis vi ønsker å gjøre bevegelige gjennomsnitt ved konvolusjon som har en vindusstørrelse på w. vi skal bruke følgende k-kjerne: En enkel funksjon som gjør det bevegelige gjennomsnittet er: Et eksempelbruk er: Jeg må beregne et glidende gjennomsnitt over en dataserie, innenfor en for-løkke. Jeg må få glidende gjennomsnitt over N9 dager. Array Im computing in er 4 serier av 365 verdier (M), som i seg selv er gjennomsnittsverdier for et annet sett med data. Jeg vil plotte gjennomsnittverdiene av dataene mine med det bevegelige gjennomsnittet i en tomt. Jeg googled litt om å flytte gjennomsnitt og conv kommandoen og fant noe som jeg prøvde å implementere i min kode .: Så i utgangspunktet beregner jeg mitt gjennomsnitt og plotter det med et (feil) glidende gjennomsnitt. Jeg plukket wts verdien rett utenfor mathworks nettstedet, så det er feil. (kilde: mathworks. nlhelpeconmoving-average-trend-estimation. html) Mitt problem er imidlertid at jeg ikke forstår hva dette wts er. Kan noen forklare om det har noe å gjøre med verdiene i vektene: det er ugyldig i dette tilfellet. Alle verdier er vektet det samme. Og hvis jeg gjør dette helt feil, kan jeg få litt hjelp med det Min oppriktige takk. spurte 23 september klokken 19:05 Bruk av conv er en utmerket måte å implementere et bevegelig gjennomsnitt på. I koden du bruker, er wts hvor mye du veier hver verdi (som du gjettet). summen av den vektoren skal alltid være lik en. Hvis du vil vektere hver verdi jevnt og gjøre et N-bevegelig filter, så vil du gjøre det. Ved å bruke det gyldige argumentet i conv, vil det føre til at du har færre verdier i Ms enn du har i M. Bruk det samme hvis du ikke har noe imot effekten av null polstring. Hvis du har signalbehandlingsverktøyskassen, kan du bruke cconv hvis du vil prøve et sirkulært glidende gjennomsnitt. Noe som Du burde lese conv and cconv dokumentasjonen for mer informasjon hvis du ikke allerede har. Du kan bruke filter til å finne et løpende gjennomsnitt uten å bruke en forløkke. Dette eksemplet finner det løpende gjennomsnittet av en 16-elementvektor, ved hjelp av en vindustørrelse på 5. 2) Glatt som en del av kurvefiksjonsverktøyskassen (som er tilgjengelig i de fleste tilfeller) glatter du (y) dataene i kolonnevektoren y bruker et glidende gjennomsnittsfilter. Resultatene returneres i kolonnevektoren. Standardspenningen for glidende gjennomsnitt er 5. Mye av min forskning fokuserer på de dynamiske forholdene mellom eiendeler i markedet (1,2,3). Vanligvis bruker jeg korrelasjon som et mål for relasjonsavhengighet siden resultatene er enkle å kommunisere og forstå (i motsetning til gjensidig informasjon. Som er noe mindre brukt i økonomi enn det er i informasjonsteori). Imidlertid må analyse av dynamikken i korrelasjonen kreve at vi beregner en bevegelig korrelasjon (a. c. windowed, trailing eller rolling). Flytte gjennomsnitt er godt forstått og enkelt beregnet 8211 de tar hensyn til ett aktiv ad gangen og produserer en verdi for hver tidsperiode. Flytte korrelasjoner, i motsetning til bevegelige gjennomsnitt, må ta hensyn til flere eiendeler og produsere en matrise av verdier for hver tidsperiode. I det enkleste tilfellet bryr vi seg om sammenhengen mellom to eiendeler 8211 for eksempel SampP 500 (SPY) og finanssektoren (XLF). I dette tilfellet trenger vi bare å være oppmerksom på en verdi i matrisen. Men hvis vi skulle legge til energisektoren (XLE), blir det vanskeligere å beregne og representere disse korrelasjonene effektivt. Dette gjelder alltid for 3 eller flere forskjellige eiendeler. I8217ve skrev koden under for å forenkle denne prosessen (nedlasting). Først gir du en matrise (dataMatrix) med variabler i kolonnene 8211 for eksempel SPY i kolonne 1, XLF i kolonne 2 og XLE i kolonne 3. For det andre gir du en vinduestørrelse (windowSize). For eksempel, hvis dataMatrix inneholdt øyeblikkelig retur, så ville en vindusstørrelse på 60 produsere timelønnsrelaterte estimater. Tredje, du angir hvilken kolonne (indexColumn) du bryr deg om å se resultatene for. I vårt eksempel vil vi sannsynligvis spesifisere kolonne 1, da dette vil tillate oss å observere sammenhengen mellom (1) SampP og finanssektoren og (2) SampP og energisektoren. Bildet nedenfor viser resultatene for nøyaktig eksempelet ovenfor for fredag 1. oktober 2010. ShareBookmark 2 Responses to 8220Calculating Moving Correlation i Matlab8221 it8217s ikke klart hvordan du håndterer NA. Hvordan ville du beregne korrelasjoner for indekser i forskjellige land hvor ett datapunkt kan mangle på grunn av en bestemt ferie i et enkelt land Hei Paolo, Koden som I8217ve postet doesn8217t omhandler NaNs grasiøst. Du kan se fra denne Matlab-dokumentasjonssiden at du kan legge til 82208216rows8217, 8216complete82178221 til Corrcoef-kommandoen for å grasiøst håndtere problemet. mathworkshelptechdocrefcorrcoef. html De andre alternativene er å slippe datoen helt, interpolere eller bruke en mer sofistikert metode for å håndtere manglende observasjoner. Legg igjen et svar Avbryt svar Den beste måten å gjøre dette på (etter min mening) ville være å bruke en sirkulær buffer for å lagre bildene dine. I en sirkulær - eller ringbuffer overskrives det eldste dataelementet i arrayet av det nyeste elementet som er trykket inn i matrisen. Grunnleggende om å lage en slik struktur er beskrevet i den korte Mathworks-videoen. Implementere en enkel sirkulær buffer. For hver iterasjon av hovedlinjen som omhandler et enkelt bilde, bare legg inn et nytt bilde i sirkulærbufferen, og bruk deretter MATLAB s innebygd gjennomsnittlig funksjon for å få gjennomsnittet effektivt. Hvis du må bruke en vindusfunksjon til dataene, gjør du en midlertidig kopi av rammene multiplisert med vindufunksjonen og ta gjennomsnittet av kopien ved hver iterasjon av sløyfen. besvart 6 aug 12 klokken 10:11 beregner en slags flytende gjennomsnitt for hver av de 10 bandene over alle bildene dine. Denne linjen beregner et glidende gjennomsnitt av gjennomsnittverdien over bildene dine: For begge vil du legge til en bufferstruktur som bare holder de siste 10 bildene. For å forenkle det, kan du også bare holde alt i minnet. Her er et eksempel på Yout: Endre denne linjen: (Legg til en dimensjon) Og endre dette: Så for å vise bruk Du ville gjøre sth. ligner på meanvalue svarte aug 6 12 kl 14:19 Ditt svar 2017 Stack Exchange, Inc
No comments:
Post a Comment