Criado em quarta-feira, 08 de outubro de 2008 20:04 Atualizado em quinta-feira, 14 de março de 2017 01:29 Escrito por Batuhan Osmanoglu Acessos: 41213 Média móvel em Matlab Muitas vezes eu me encontro na necessidade de prover os dados que eu tenho para reduzir o ruído um pouco pouco. Eu escrevi algumas funções para fazer exatamente o que eu quero, mas os matlabs criados na função de filtro funcionam muito bem também. Aqui vou escrever sobre dados em média 1D e 2D. O filtro 1D pode ser realizado usando a função de filtro. A função de filtro requer pelo menos três parâmetros de entrada: o coeficiente de numerador para o filtro (b), o coeficiente de denominador para o filtro (a) e os dados (X), é claro. Um filtro de média em execução pode ser definido simplesmente por: Para dados 2D, podemos usar a função Matlabs filter2. Para obter mais informações sobre como funciona o filtro, você pode digitar: Aqui está uma implementação rápida e suja de um filtro médio 16 por 16 em movimento. Primeiro precisamos definir o filtro. Como tudo o que queremos é contribuição igual de todos os vizinhos, podemos usar apenas a função. Nós dividimos tudo com 256 (1616), uma vez que não queremos alterar o nível geral (amplitude) do sinal. Para aplicar o filtro, podemos simplesmente dizer o seguinte. Abaixo estão os resultados para a fase de um interferograma SAR. Neste caso, Range está no eixo Y e o Azimuth é mapeado no eixo X. O filtro tinha 4 pixels de largura em alcance e 16 pixels de largura em Azimuth. Preciso calcular uma média móvel em uma série de dados, dentro de um loop for. Eu tenho que obter a média móvel em N9 dias. A matriz de computação é uma série de 365 valores (M), que em si são valores médios de outro conjunto de dados. Eu quero traçar os valores médios dos meus dados com a média móvel em um gráfico. Eu gritei um pouco sobre as médias móveis e o comando conv e encontrei algo que eu tentei implementar no meu código .: então, basicamente, eu calculo o meu significado e traço-o com uma média móvel (errada). Eu escolhi o valor de Wts diretamente do site Mathworks, então isso é incorreto. (Fonte: mathworks. nlhelpeconmoving-average-trend-estimate. html) Meu problema, porém, é que eu não entendo o que é isso. Alguém poderia explicar Se isso tem algo a ver com os pesos dos valores: isso é inválido neste caso. Todos os valores são ponderados o mesmo. E se eu estou fazendo isso inteiramente errado, eu poderia obter alguma ajuda com isso, meus mais sinceros agradecimentos. Perguntou 23 de setembro 14 às 19:05 Usando conv é uma excelente maneira de implementar uma média móvel. No código que você está usando, é o quanto você está pesando cada valor (como você adivinhou). A soma desse vetor deve ser sempre igual a uma. Se você deseja pesar cada valor de forma uniforme e fazer um tamanho N, mover o filtro, então você gostaria de fazer. Usando o argumento válido em conv resultaria em ter menos valores na Ms do que em M. Use o mesmo se você não se importar com os efeitos de Zero preenchimento. Se você tiver a caixa de ferramentas de processamento de sinal, você pode usar o cconv se quiser experimentar uma média móvel circular. Algo como Você deve ler a documentação conv e cconv para obter mais informações se você não tiver já. Eu tenho um vetor e eu quero calcular a média móvel dele (usando uma janela de largura 5). Por exemplo, se o vetor em questão for 1,2,3,4,5,6,7,8. Então a primeira entrada do vetor resultante deve ser a soma de todas as entradas em 1,2,3,4,5 (ou seja, 15) a segunda entrada do vetor resultante deve ser a soma de todas as entradas em 2,3,4, 5,6 (ou seja, 20) etc. No final, o vetor resultante deve ser 15,20,25,30. Como posso fazer isso. A função conv está bem no seu beco: Três respostas, três métodos diferentes. Aqui está um benchmark rápido (tamanhos de entrada diferentes, largura de janela fixa de 5) usando o tempo, sinta-se livre para puxar buracos nele (nos comentários) se você acha que precisa ser refinado. Conv surge como a abordagem mais rápida é cerca de duas vezes mais rápido que as moedas se aproximam (usando o filtro). E cerca de quatro vezes mais rápido que Luis Mendos se aproxima (usando cumsum). Aqui está outro benchmark (tamanho de entrada fixo de 1e4. Largura de janela diferente). Aqui, a aproximação de Luis Mendos cumsum surge como o vencedor claro, porque sua complexidade é principalmente governada pelo comprimento da entrada e é insensível à largura da janela. Conclusão Para resumir, você deve usar a abordagem conv se sua janela for relativamente pequena, use a abordagem cumsum se sua janela for relativamente grande. Código (para benchmarks)
No comments:
Post a Comment