Liukuva Keskiarvo Nan Matlab

MATLABin avulla, kuinka löydän matriisin tietyn sarakkeen kolmen vuorokauden liukuvan keskiarvon ja liitän liukuva keskiarvo tähän matriisiin. Yritän laskea kolmen päivän liukuva keskiarvo alhaalta ylös matriisin päähän, jonka olen antanut code. Given seuraava matriisi a ja mask. I on yrittänyt toteuttaa conv-komento mutta saan virheen Tässä on conv-komento, jota olen yrittänyt käyttää matriisin 2. sarakkeessa. Output I desire on annettu matriisin jälkeen. Jos sinulla on ehdotuksia, olisin kiitollinen siitä Kiitos. Matriisin a sarakkeessa 2 laskennan kolmen vuorokauden liikkuvaa keskiarvoa seuraavasti ja saatan tuloksen matriisin sarakkeessa 4, jonka nimeytin matriisi a haluttu ulostulo vain havainnollistamiseksi Kolmen päivän keskiarvo 17, 14, 11 on 14 kolmen päivän keskiarvo 14, 11, 8 on 11 3 päivän keskiarvo 11, 8, 5 on 8 ja 3 päivän keskiarvo 8, 5, 2 on 5 Ei ole arvoa neljännen sarakkeen alareunassa kahdella rivillä, koska kolmen päivän liukuva keskiarvo alkaa pohja Kelvollinen tulos näkyy, kunnes vähintään 17, 14 ja 11 Toivottavasti tämä on järkevää Aaron 12. kesäkuuta 13 klo 1 28. Yleisesti se auttaa, jos näytät virheen Tässä tapauksessa teet kahta asiaa väärin . Ensin konvoluutiot on jaettava kolmella tai liikkuvan keskiarvon pituudella. Toinen, huomaa c: n kokoa. Et voi vain sopeutua c: ksi. Tyypillinen tapa saada liikkuva keskiarvo olisi käyttää samaa. Mutta se ei t näytä mitä haluat. Vaihda käyttää muutama linja. Lataa movAv m katso myös movAv2 - päivitetty versio, joka mahdollistaa painotuksen. Optilation Matlab sisältää toiminnot nimeltään movavg ja tsmovavg aikasarjan liukuva keskiarvo Financial Toolboxissa movAv on jonka tarkoituksena on kopioida näiden toimintojen perustoiminnot. Koodi on tässä mukava esimerkki sisäisten silmukoiden indeksien hallinnasta, mikä voi olla hämmentävä aluksi. Minulla on tarkoituksella säilytetty koodi lyhyt ja yksinkertainen pitääksesi tämän prosessin clear. movAv suorittaa yksinkertaisen liikkuvan keskiarvon ge, jota voidaan käyttää meluisten tietojen talteenottoon joissakin tilanteissa. Se toimii ottamalla y: n keskiarvo liukuvan ajan ikkunan yli, jonka koko määritellään n: n avulla. Mitä suurempi n on, sitä suurempi on tasoituksen vaikutus n on suhteessa sisääntulovektorin y pituuteen ja hyvinkin hyvin, eräänlainen luo alipäästösuodattimen - katso esimerkkien ja huomioiden osiota. Koska kunkin n: n arvon tarjoama tasoitusmäärä on suhteessa sisääntulon pituuteen vektori, se kannattaa aina kokeilla erilaisia ​​arvoja, jotta voidaan nähdä, mikä on tarkoituksenmukaista. Muista myös, että n pistettä katoaa jokaisesta keskiarvosta, jos n on 100, tulovektorin ensimmäiset 99 pistettä eivät sisällä riittäviä tietoja 100 prosenttiyksikköä. Tämä voidaan välttää jonkin verran keskittämällä pinoamisia, esimerkiksi alla oleva koodi ja kaavio vertaavat useita eri pituusikkunan keskiarvoja Huomaa, kuinka sujuvaa 10 10pt - arvoa verrataan yhteen 20pt-keskiarvoon Molemmissa tapauksissa yhteensä 20 dataa katoaa. Luo xaxis x 1 0 01 5 Luo melukohinaa 4 kohinaa, 1 melutasoa, kohinaa 1 kohinaa, kohinaa, kohinaa 1 kohinaa, 1 kohinaa kohinaa kohinaa 1 x pituus x x keskiarvoista y2 movAv y, 10 10 pt y3 movAv y2, 10 10 10 pt y4 movAv y, 20 20 pt y5 movAv y, 40 40 pt y6 movAv y, 100 100 pt Plot kuva tontti x, y, y2, y3, y4, y5, y6 legenda data, 10pt liikkuva keskiarvo, 10 10pt, 20pt, 40pt, 100pt xlabel x ylabel y title Liikkuvien keskiarvojen vertailu. movAv m-koodin läpivientifunktion lähtö movAv y, n Ensimmäinen rivi määrittää toiminnon nimen, tulot ja lähdöt Tulo x pitäisi olla datan vektori keskimäärän suorittamiseksi, n on pistemäärä, joka suorittaa keskimääräisen tuloksen, sisältää funktion palauttavan keskiarvon. Preallocate-ulostulon tuotto NaN 1, numel y Etsi keskipiste n keskipisteen kierroksella n 2 Toiminnon päätehtävä tehdään silmukan silmukalle, mutta ennen kuin aloitetaan kaksi asiaa, valmistellaan Fir että tuotos on ennalta kohdistettu NaN: nä, se palvelee kahta tarkoitusta varten Ensinnäkin esivalinta on yleisesti hyvää käytäntöä, koska se vähentää Matlabin tekemien muistijongleerausten tekemistä, toiseksi se tekee erittäin helposti keskitetyn datan sijoitettavaksi lähdöksi, jonka koko on sama kuin tulovektori Tämä tarkoittaa, että samaa xaxia voidaan käyttää myöhemmin molempia varten, mikä on kätevää piirtää, vaihtoehtoisesti NaN: t voidaan poistaa myöhemmin yhdellä koodin ulostulon rivillä. Muuttujaa midPointia käytetään datan kohdistamiseksi lähtövektoriin Jos n 10, 10 pistettä menetetään, koska tulovektorin ensimmäisten 9 pisteen kohdalla ei ole tarpeeksi tietoa kymmenen pisteen keskiarvon ottamiseksi. Koska lähtö on lyhyempi kuin syöttö, se on kohdistettava oikein. Midpoint käytetään siten, että yhtä suuri määrä tietoja menetetään alussa ja lopussa, ja tulo pidetään kohdistettuna lähtöön, jonka NaN-puskureita luodaan, kun esivalinta tuottaa. 1-pituiseksi y - n Etsi indeksialue keskimäärin laskettuna. Laske keskiarvo a keskipisteen keskiarvo yab-pää Itsessään itse silmukalle syötetään keskiarvo kullekin tulolähteen kullekin segmentille Silmukka ajetaan sille, joka on määritelty 1: ksi tulon y pituuden mukaan, miinus menetettävän datan mukaan n Jos tulo on 100 pisteen pituinen ja n on 10, silmukka ajaa 1: stä 90: een. Tämä tarkoittaa, että segmentin ensimmäinen indeksi keskiarvoidaan. Toinen indeksi b on yksinkertaisesti n-1. Joten ensimmäisellä iteroinnilla, a 1 n 10 niin b 11-1 10 Ensimmäinen keskiarvo otetaan yab: n tai x 1: n mukaan 10 Tämän segmentin keskiarvo, joka on yksittäinen arvo, tallennetaan lähtöön indeksissä a midpoint tai 1 5 6. Toisessa iteraatiossa , a 2 b 2 10-1 11, joten keskiarvo otetaan x 2 11: n kohdalta ja tallennetaan lähtöön 7 Silmukan viimeinen iterointi tulon 100 pituudelle, 91 b 90 10-1 100, joten keskiarvo otetaan yli x 91 100 ja tallennetaan lähtöön 95 Tämä jättää tuotoksen yhteensä n 10 NaN-arvoa indeksillä 1 5 ja 96 100.Esimerkkejä ja huomioita Liikkuvat keskiarvot ovat hyödyllisiä joissakin tilanteissa, mutta ne ei ole aina paras valinta Tässä on kaksi esimerkkiä, joissa ne eivät välttämättä ole optimaalisia. Mikrofoni kalibrointi Tämä datayhdistelmä edustaa kunkin kaiuttimen tuottaman taajuuden tasoa ja tallennetaan mikrofonilla, jolla on tunnettu lineaarinen vaste Kaiuttimen lähtö vaihtelee taajuus, mutta voimme korjata tämän vaihtelun kalibrointidatalla - lähtö voidaan säätää tasolle kalibroinnin vaihtelujen huomioon ottamiseksi. Huomaa, että raakatiedot ovat meluisat - tämä tarkoittaa, että pieni taajuuden muutos näyttää vaatineen suuri, epätäsmällinen muutos tason huomioon ottaminen Onko tämä realistinen vai onko tämä tallennusympäristön tuote? Tässä tapauksessa on järkevää soveltaa liikkuvan keskiarvon, joka tasoittaa tason taajuuskäyrän, jotta saadaan kalibrointikäyrä, joka on hieman epätäsmällisempi Mutta miksi tämä esimerkki ei ole optimaalinen. Edellinen data olisi parempi - useat kalibroinnit keskimäärin yhdessä tuhoaisivat melun järjestelmässä niin kauan kuin se toimi dom ja antaa käyrän vähemmän hienovaraisia ​​yksityiskohtia menettänyt Liikkuva keskiarvo voi vain lähentää tätä, ja voi poistaa joitakin korkeampia taajuus dips ja huiput kaarteesta, jotka todella ovat olemassa. Sine aallot Liikkuva keskiarvo siniaallot korostaa kaksi pistettä. kysymys kohtuullisen määrän pistettä suorittaa keskimääräinen over. It s yksinkertainen, mutta on olemassa tehokkaampia menetelmiä signaalin analyysiin keskiarvon värähteleviä signaaleja aika-alalla. Tässä kaaviossa alkuperäinen siniaalto on piirretty sinisellä Noise on lisätty ja piirretty oranssina käyränä Liikkuva keskiarvo suoritetaan eri pisteissä, jotta voidaan nähdä, voidaanko alkuperäinen aalto saada takaisin 5 ja 10 pistettä tuottavat kohtuullisia tuloksia, mutta eivät poista melua kokonaan, kun enemmän pisteitä alkaa menetetään amplitudin yksityiskohtia, kun keskiarvo ulottuu eri vaiheiden välillä, muistaa aalto värähtää noin nollaan ja keskiarvo -1 1 0. Vaihtoehtoinen lähestymistapa olisi rakentaa alipäästösuodatin, jota voidaan käyttää jota sovelletaan taajuusalueella olevaan signaaliin, en aio mennä yksityiskohtiin, koska se ylittää tämän artikkelin soveltamisalan, mutta koska kohina on huomattavasti korkeampi kuin aaltojen perustaajuus, tässä tapauksessa olisi melko helppoa rakentaa alipäästösuodatin kuin poistaa korkeataajuisen melun. movmean A, k palauttaa joukon paikallisia k-pisteen keskiarvoja, jossa jokainen keskiarvo lasketaan A: n naapurisegmenttien kautta pituuden k liukuvan ikkunan avulla. Kun k on pariton, ikkuna keskitetään nykyisen sijainnin elementtiin Kun k on tasainen, ikkuna keskitetään nykyisten ja aiempien elementtien ympärille. Ikkunan koko katkaistaan ​​automaattisesti lopetuspisteissä, kun ikkunan täyttämiseen ei ole tarpeeksi elementtiä Kun ikkuna on katkaistu, keskiarvo on otettu huomioon vain elementit, jotka täyttävät ikkunan M on sama koko kuin A. If A on vektori, sitten movmean toimii pitkin vektorin pituutta. Jos A on moniulotteinen taulukko, niin movmean toimii ensimmäisen kokoisen mittasuhteen pitkin, jonka koko ei ole 1.M movmean A, kb kf laskee keskiarvon ikkunan pituudella kb kb 1, joka sisältää elementin nykyiseen sijaintiin, kb elementit taaksepäin ja kf elementit eteenpäin. movmean, Esimerkiksi, jos A on matriisi, niin movmean A, k, 2 toimii sarakkeen A mukaisesti laskemalla k-elementin liukuva keskiarvo kullekin riville. movmean, nanflag määrittää, sisältääkö NaN-arvot millään edelliseltä syntaksilta, movmean A, k, mukaan lukien kaikki NaN-arvot laskennassa samalla kun movmean A, k, omitnan jättää ne huomiotta ja laskee keskiarvon alle pienemmillä pisteillä. M, movmean, Name, Value määrittää lisäparametrit liikkuvalle keskimäärälle käyttämällä yhtä tai useampaa arvo-arvoa. Esimerkiksi jos x on aikavälien vektori, niin movmean A, k, SamplePoints x laskee liukuvan keskiarvon kertaa x. Sele ct maasi.