Hva Er Moving Average Filter

Den bevegelige gjennomsnittet som et filter Det bevegelige gjennomsnittet brukes ofte til utjevning av data i nærvær av støy. Det enkle glidende gjennomsnittet blir ikke alltid gjenkjent som FIT-filteret (Finite Impulse Response), det er det, men det er faktisk et av de vanligste filtre i signalbehandling. Ved å behandle det som et filter, kan det sammenlignes med f. eks. Windowed-sinc filtre (se artiklene på lavpass, høypass og bandpass og bandavvisningsfiltre for eksempler på dem). Den store forskjellen med de filtre er at det bevegelige gjennomsnittet er egnet for signaler som den nyttige informasjonen er inneholdt i tidsdomene. hvorav utjevningsmålinger ved gjennomsnittsverdi er et godt eksempel. Windowed-sinc filtre, derimot, er sterke utøvere i frekvensdomene. med utjevning i lydbehandling som et typisk eksempel. Det er en mer detaljert sammenligning av begge typer filtre i Time Domain vs Frekvensdomenes ytelse av filtre. Hvis du har data som både tid og frekvensdomene er viktige for, kan du kanskje se på Variasjoner på Moving Average. som presenterer en rekke vektede versjoner av det bevegelige gjennomsnittet som er bedre på det. Det bevegelige gjennomsnittet av lengden (N) kan defineres som skrevet som det typisk blir implementert, med den nåværende utgangsprøven som gjennomsnittet av de tidligere (N) - prøver. Sett som et filter, utfører det bevegelige gjennomsnitt en konvolusjon av inngangssekvensen (xn) med en rektangulær puls av lengde (N) og høyde (1N) (for å gjøre området for pulsen, og dermed forsterkningen av filteret , en ). I praksis er det best å ta (N) merkelig. Selv om et glidende gjennomsnitt kan også beregnes ved å bruke et jevnt antall prøver, har det en fordel at forsinkelsen av filteret vil være et heltall antall prøver ved bruk av en merkelig verdi for (N) siden forsinkelsen av et filter med (N) prøvene er nøyaktig ((N-1) 2). Det bevegelige gjennomsnittet kan deretter justeres nøyaktig med de opprinnelige dataene ved å skifte det med et heltall antall prøver. Time Domain Siden det bevegelige gjennomsnittet er en konvolusjon med en rektangulær puls, er frekvensresponsen en sinc-funksjon. Dette gjør det noe som det dobbelte av windowed-sinc filteret, siden det er en konvolusjon med en sinc puls som resulterer i en rektangulær frekvensrespons. Det er denne sync frekvensrespons som gjør det bevegelige gjennomsnittet en dårlig utøver i frekvensdomenet. Det virker imidlertid veldig bra i tidsdomene. Derfor er det perfekt å glatte data for å fjerne støy mens du samtidig holder et raskt trinnsvar (Figur 1). For den typiske Additive White Gaussian Noise (AWGN) som ofte antas, har gjennomsnittlige (N) prøver effekten av å øke SNR med en faktor (sqrt N). Siden støyen for de enkelte prøvene er ukorrelert, er det ingen grunn til å behandle hver prøve forskjellig. Derfor vil det bevegelige gjennomsnittet, som gir hver prøve samme vekt, bli kvitt den maksimale mengden støy for en gitt trinnresponsskarphet. Gjennomføring Fordi det er et FIR-filter, kan det bevegelige gjennomsnittet implementeres gjennom konvolusjon. Det vil da ha samme effektivitet (eller mangel på det) som alle andre FIR-filter. Det kan imidlertid også implementeres rekursivt, på en svært effektiv måte. Det følger direkte fra definisjonen at denne formelen er resultatet av uttrykkene for (yn) og (yn1), det vil si hvor vi legger merke til at forandringen mellom (yn1) og (yn) er at et ekstra uttrykk (xn1N) vises på slutten, mens uttrykket (xn-N1N) er fjernet fra begynnelsen. I praktiske applikasjoner er det ofte mulig å utelate divisjonen med (N) for hvert begrep ved å kompensere for den resulterende gevinsten av (N) på et annet sted. Denne rekursive gjennomføringen vil bli mye raskere enn konvolusjon. Hver ny verdi av (y) kan beregnes med bare to tillegg, i stedet for (N) tilleggene som ville være nødvendige for en enkel implementering av definisjonen. En ting å se etter med en rekursiv implementering er at avrundingsfeil vil samle seg. Dette kan eller ikke kan være et problem for søknaden din, men det innebærer også at denne rekursive implementeringen faktisk vil fungere bedre med et heltall implementering enn med flytende punktnumre. Dette er ganske uvanlig, siden en flytende punktimplementering vanligvis er enklere. Konklusjonen av alt dette må være at du aldri bør undervurdere bruken av det enkle glidende gjennomsnittsfilteret i signalbehandlingsprogrammer. Filter designverktøy Denne artikkelen er utfylt med et filterdesignverktøy. Eksperimenter med forskjellige verdier for (N) og visualiser de resulterende filtrene. Prøv det nå Flytt gjennomsnittlige filtre Flytte gjennomsnitt er utsatt for whipsaws, når prisen krysser frem og tilbake over det bevegelige gjennomsnittet i et varierende marked. Traders har utviklet en rekke filtre gjennom årene for å eliminere falske signaler. Det enkleste glidende gjennomsnittssystemet genererer signaler når prisen krysser glidende gjennomsnitt: Gå lenge når prisen krysser over det bevegelige gjennomsnittet underfra. Gå kort når prisen krysser til under glidende gjennomsnittet fra ovenfor. Filtre legges til objektivt måle når prisen har krysset glidende gjennomsnitt. De vanligste filtre er: Lukkepris - enten en, to eller tre påfølgende dager må alle lukke overbeløve det glidende gjennomsnittet. Hele linjen må krysse det bevegelige gjennomsnittet. To eller tre streker (i rekkefølge) må alle være fri for det bevegelige gjennomsnittet. gjennomsnittlig må helling i retning av handel Typisk pris. Medianpris eller vektet lukk kan også brukes som erstatning for sluttkurs. Handler er kun oppgitt dersom det bevegelige gjennomsnittet skråner i retning av handelen. Dette filteret vil ikke fungere med eksponentielle glidende gjennomsnitt fordi det eksponentielle glidende gjennomsnittet alltid skråner opp når prisen lukker over det bevegelige gjennomsnittet og skråner ned hvis det lukkes under. Avslutt når prisen re-krysser glidende gjennomsnitt. Flytende gjennomsnittshelling kan brukes sammen med andre filtre som sluttkurs. Det eneste bevegelige gjennomsnittet brukes med to filtre: Mus over diagramtekster for å vise handelssignaler. Gå kort - to lukker under et fallende glidende gjennomsnitt. Går langrennende gjennomsnitt er nå stigende og prisen har stengt over glidende gjennomsnitt i 2 dager. Følgende dukkert under det bevegelige gjennomsnittet (i begynnelsen av januar) blir filtrert ut. Den lange handel er avsluttet da det er to lukker under det bevegelige gjennomsnittet. Ingen kort handel inngår når det bevegelige gjennomsnittet skråner oppover. Gå lenge - to lukker over et stigende glidende gjennomsnitt. Gå kort da det er to lukker under et fallende glidende gjennomsnitt. Gå lenge - to lukker over et stigende glidende gjennomsnitt. Gå kort - to lukker under et fallende glidende gjennomsnitt. Gå langrennende gjennomsnitt stiger igjen og det er 2 stenger over det. Legg merke til hvor lønnsom den lange handel 2 er under den sterke oppadgående trenden, sammenlignet med når prisen pisker rundt det relativt flytende gjennomsnittet. Ofte bytter du inn og ut av handler. Trendindikatorer er normalt urentable, og bør unngås, under varierende markeder. Frequency Response of the Running Average Filter. Frekvensresponsen til et LTI-system er DTFT av impulsresponsen. Impulsresponsen av et L-prøve-glidende gjennomsnitt er Siden Flytende gjennomsnittlig filter er FIR, frekvensresponsen reduseres til den endelige summen. Vi kan bruke den svært nyttige identiteten til å skrive frekvensresponsen som hvor vi har sluppet minus jomega. N 0 og M L minus 1. Vi kan være interessert i størrelsen på denne funksjonen for å avgjøre hvilke frekvenser som kommer gjennom filteret som ikke er overvåket og som er dempet. Nedenfor er et plott av størrelsen på denne funksjonen for L 4 (rød), 8 (grønn) og 16 (blå). Den horisontale aksen varierer fra null til pi radianer per prøve. Legg merke til at frekvensresponsen i alle tre tilfeller har en lowpass-karakteristikk. En konstant komponent (nullfrekvens) i inngangen passerer gjennom filteret uopprettholdt. Visse høyere frekvenser, som pi 2, elimineres helt av filteret. Men hvis hensikten var å designe et lavpassfilter, har vi ikke gjort det veldig bra. Noen av de høyere frekvensene dempes bare med en faktor på ca 110 (for 16 poeng glidende gjennomsnitt) eller 13 (for firepunkts glidende gjennomsnitt). Vi kan gjøre mye bedre enn det. Ovennevnte tegning ble opprettet av følgende Matlab-kode: omega 0: pi400: pi H4 (14) (1-exp (-iomega4)). (1-exp (-iomega)) H8 (18) iomega8)). (1-exp (-iomega)) H16 (116) (1-exp (-iomega16)) (1-exp (-iomega)) plot (omega, abs (H4) abs H16)) akse (0, pi, 0, 1) Copyright copy 2000- - University of California, BerkeleyMoving Gjennomsnittlig filter Du kan bruke modulen Moving Average Filter til å beregne en serie ensidige eller tosidige gjennomsnitt over et datasett, bruker en vinduslengde du angir. Når du har definert et filter som oppfyller dine behov, kan du bruke det til utvalgte kolonner i et datasett ved å koble det til modulet Apply Filter. Modulen gjør alle beregningene og erstatter verdier i numeriske kolonner med tilsvarende bevegelige gjennomsnitt. Du kan bruke det resulterende glidende gjennomsnittet for plotting og visualisering, som en ny, jevn basislinje for modellering, for å beregne avvik i forhold til beregninger for lignende perioder, og så videre. Denne typen gjennomsnitt hjelper deg med å avsløre og prognostisere nyttige temporale mønstre i retrospektiv og sanntidsdata. Den enkleste typen glidende gjennomsnitt starter ved noen utvalg av serien, og bruker gjennomsnittet av den posisjonen pluss de forrige n-stillingene i stedet for den faktiske verdien. (Du kan definere n som du vil.) Jo lengre perioden n over hvilken gjennomsnittet beregnes, jo mindre varians vil du ha blant verdier. Også, ettersom du øker antallet verdier som brukes, har den mindre effekten en enkelt verdi har på det resulterende gjennomsnittet. Et glidende gjennomsnitt kan være ensidig eller tosidig. I et ensidig gjennomsnitt brukes bare verdier som går før indeksverdien. I et tosidig gjennomsnitt brukes tidligere og fremtidige verdier. For scenarier der du leser streamingdata, er kumulative og veide glidende gjennomsnitt spesielt nyttige. Et kumulativt glidende gjennomsnitt tar hensyn til punktene som går før gjeldende periode. Du kan vekt alle datapunkter likt når du beregner gjennomsnittet, eller du kan sikre at verdiene nærmere det nåværende datapunktet veies sterkere. I et vektet glidende gjennomsnitt. alle vekter må summe til 1. I et eksponentielt glidende gjennomsnitt. gjennomsnittene består av et hode og en hale. som kan vektes. En lettvektet hale betyr at halen følger hodet ganske tett, slik at gjennomsnittet oppfører seg som et glidende gjennomsnitt på en kortvektsperiode. Når halevektene er tyngre, opptrer gjennomsnittet mer som et lengre, enkelt, glidende gjennomsnitt. Legg til modulen Moving Average Filter til eksperimentet ditt. For lengde. skriv inn en positiv hele tallverdien som definerer den totale størrelsen på vinduet over hvilket filteret blir brukt. Dette kalles også filtermasken. For et glidende gjennomsnitt, bestemmer lengden på filteret hvor mange verdier som er i gjennomsnitt i glidevinduet. Lengre filtre kalles også høyere rekkefiltre, og gir et større beregningsvindu og en nærmere tilnærming av trendlinjen. Kortere eller lavere rekkefiltre bruker et mindre beregningsvindu og ligner mer opprinnelig dataene. For Type. velg hvilken type glidende gjennomsnitt som skal gjelde. Azure Machine Learning Studio støtter følgende typer bevegelige gjennomsnittlige beregninger: Et enkelt glidende gjennomsnitt (SMA) beregnes som et uvevet rullende middel. Triangulære glidende gjennomsnitt (TMA) er gjennomsnittlig to ganger for en jevnere trendlinje. Ordet trekantet er avledet fra formen av vektene som er brukt på dataene, som legger vekt på sentrale verdier. Et eksponentielt glidende gjennomsnitt (EMA) gir mer vekt til de nyeste dataene. Vektingen faller eksponentielt ut. Et modifisert eksponentielt glidende gjennomsnitt beregner et løpende glidende gjennomsnitt, hvor beregning av glidende gjennomsnitt på et hvilket som helst punkt vurderer det tidligere beregnede glidende gjennomsnittet på alle forrige punkter. Denne metoden gir en jevnere trendlinje. Gitt et enkelt punkt og et nåværende bevegelige gjennomsnitt beregner det kumulative glidende gjennomsnittet (CMA) det bevegelige gjennomsnittet på nåværende punkt. Legg til datasettet som har verdiene du vil beregne et glidende gjennomsnitt for, og legg til Bruk filter-modulen. Koble det bevegelige gjennomsnittsfilteret til venstre inngang på Apply Filter. og koble datasettet til høyre inngang. I kolonnen Aktiver bruker du kolonnevelgeren for å angi hvilke kolonner filteret skal brukes på. Som standard vil filteret du oppretter, bli brukt på alle numeriske kolonner, så vær sikker på å ekskludere noen kolonner som ikke har passende data. Kjør eksperimentet. På det tidspunktet erstattes den gjeldende (eller indeks) verdien for hvert sett med verdier som er definert av filterlengdesparameteren med den bevegelige gjennomsnittsverdien.