Equazione Mobile Media Filtro

Una media mobile è una media dei dati calcolati per un periodo di tempo. La media mobile è l'indicatore di prezzo più popolare usato in analisi tecniche. Questa media può essere utilizzato con qualsiasi prezzo compreso Hi, Low, aprire o chiudere, e può essere applicata ad altri indicatori troppo. Una media mobile leviga una serie di dati, che è molto importante in un mercato volatile in quanto aiuta a identificare le tendenze significative. Dundas Chart for ASP ha quattro tipi di medie mobili, tra cui semplice, esponenziale. Triangolare. e ponderata. La differenza più importante tra le medie mobili di cui sopra è il modo in cui appesantiscono le loro datapoints. Si consiglia di leggere Utilizzare le formule finanziarie prima di procedere oltre. Utilizzando formule finanziarie fornisce una spiegazione dettagliata su come utilizzare le formule, e spiega anche le varie opzioni disponibili quando si applica una formula. Un grafico a linee è una buona scelta quando si visualizza una media mobile semplice. Interpretazione finanziaria: La media mobile viene utilizzato per confrontare i prezzi un securitys con la sua media mobile. L'elemento più importante nel calcolo della media mobile è un periodo di tempo, che dovrebbe essere uguale al ciclo di mercato osservata. La media mobile è un indicatore di ritardo, e sarà sempre dietro il prezzo. Quando il prezzo sta seguendo un andamento della media mobile è molto vicino al prezzo securitys. Quando un prezzo è in costante aumento, la media mobile sarà probabilmente stare giù a causa dell'influenza dei dati storici. Calcolo: La media mobile è calcolata utilizzando la seguente formula: Nella formula precedente, il n-valore rappresenta un periodo di tempo. I periodi di tempo più comuni sono: 10 giorni, 50 giorni e 200 giorni. Un movimento si muove in media, perché come ogni nuovo punto di dati viene aggiunto il punto di dati più vecchi è caduto. Una media mobile semplice dà ugual peso ad ogni prezzo punto di dati. Questo esempio dimostra come calcolare una media mobile a 20 giorni utilizzando i filtri di Formula method. FIR, filtri IIR, e la costante coefficiente equazione alle differenze causale lineare media mobile (FIR) Filtri Weve discussi sistemi in cui ogni campione di uscita è una ponderata somma di (alcuni dei) i campioni di ingresso. Diamo un sistema somma pesata causale, dove causale significa che un dato campione di uscita dipende solo sul campione corrente di ingresso e altri ingressi precedenti nella sequenza. Né sistemi lineari in sistemi generali, non finite di risposta d'impulso, in particolare, hanno bisogno di essere causale. Tuttavia, la causalità è conveniente per un tipo di analisi che sono state andando a visitare al più presto. Se abbiamo simboleggiato gli ingressi come valori di un vettore x. e le uscite come valori di un vettore y corrispondente. allora tale sistema può essere scritta come dove i valori di aeb sono quotweightsquot applicate ai campioni di ingresso attuali e precedenti per ottenere il campione di uscita corrente. Possiamo pensare l'espressione come un'equazione, con il segno di uguale uguale significato, o come un'istruzione procedurale, con il segno di uguale senso di assegnazione. Consente scrivere l'espressione per ogni campione di uscita come un anello MATLAB di istruzioni di assegnazione, dove x è un N-lunghezza del vettore di campioni di ingresso e b è un M-lunghezza del vettore dei pesi. Al fine di trattare il caso speciale in partenza, ci sarà incorporare x in un xhat vettore più lungo il cui primo M-1 campioni sono pari a zero. Scriveremo la somma ponderata per ogni y (n) come un prodotto interno, e faremo alcune manipolazioni degli ingressi (come inversione b) a tal fine. Questo tipo di sistema è spesso chiamato un filtro a media mobile, per ovvie ragioni. Da nostre precedenti discussioni, dovrebbe essere evidente che tale sistema è lineare e shift-invariante. Naturalmente, sarebbe molto più veloce di utilizzare la funzione di convoluzione MATLAB conv () invece del nostro mafilt (). Invece di considerare il primo M-1 campioni di ingresso pari a zero, potremmo considerare loro di essere la stessa degli ultimi M-1 campioni. Questo è lo stesso come trattare l'ingresso come periodica. Ebbene utilizzare cmafilt () come nome della funzione, una piccola modifica della mafilt precedente funzione (). Nel determinare la risposta all'impulso di un sistema, di solito non c'è differenza tra i due, in quanto tutti i campioni non iniziali di ingresso sono pari a zero: Dato un sistema di questo tipo è lineare e spostare-invariante, sappiamo che il suo effetto sul sinusoide sarà solo in scala e spostarla. Qui è importante che noi usiamo la versione circolare La versione circolare-convoluta è spostato e scalato un po ', mentre la versione con circonvoluzione ordinaria è distorto alla partenza. Vediamo quello che il ridimensionamento e lo spostamento esatto è quello di utilizzare una FFT: Sia ingresso e uscita hanno ampiezza solo a frequenze 1 e -1, che è come dovrebbe essere, dato che l'ingresso era una sinusoide e il sistema è stato lineare. I valori di uscita sono maggiori con un rapporto di 10,62,518 mila 1,3281. Questo è il guadagno del sistema. Che cosa circa la fase Abbiamo solo bisogno di guardare in cui l'ampiezza è diverso da zero: L'ingresso ha una fase di PI2, come avevamo richiesto. La fase di uscita è spostata di un ulteriore 1,0594 (con segno opposto per la frequenza negativa), o circa 16 di un ciclo verso destra, come si può vedere sul grafico. Ora lascia provare una sinusoide con la stessa frequenza (1), ma invece di ampiezza 1 e PI2 di fase, permette di provare l'ampiezza e la fase 1.5 0. Sappiamo che solo la frequenza 1 e -1 avranno diverso da zero ampiezza, così lascia basta guardare a loro: Anche in questo caso il rapporto di ampiezza (15.937712.0000) è 1,3281 - e per quanto riguarda la fase è di nuovo spostato di 1,0594 Se questi esempi sono tipici, siamo in grado di prevedere l'effetto del nostro sistema (risposta impulsiva .1 .2 .3 .4 .5) su qualsiasi sinusoide a frequenza 1 - l'ampiezza sarà aumentato di un fattore di 1,3281 e la frequenza positiva) fase (sarà spostato di 1,0594. Potremmo continuare per calcolare l'effetto di questo sistema sinusoidi di altre frequenze con gli stessi metodi. Ma c'è un modo molto più semplice, e che definisce il punto generale. Poiché convoluzione (circolare) nel dominio del tempo significa moltiplicazione nel dominio della frequenza, da segue che In altre parole, la DFT della risposta all'impulso è il rapporto tra la DFT dell'uscita al DFT dell'ingresso. In questa relazione i coefficienti DFT sono numeri complessi. Poiché abs (C1C2) abs (c1) abs (c2) per tutti i numeri complessi c1, c2, questa equazione ci dice che lo spettro di ampiezza della risposta all'impulso sarà sempre il rapporto dello spettro di ampiezza dell'uscita a quella dell'ingresso . Nel caso dell'angolo spettro di fase, angolo (C1C2) (c1) - angolo (c2) per tutti c1, c2 (con la condizione che le fasi che differiscono di n2pi sono considerati uguali). Pertanto lo spettro di fase della risposta all'impulso sarà sempre la differenza tra gli spettri fase di uscita e l'ingresso (con qualunque correzioni 2pi sono necessari per mantenere il risultato tra - pi e pi). Possiamo vedere gli effetti di fase più chiaramente se scartare la rappresentazione della fase, cioè se si aggiungono vari multipli di 2pi come necessario per minimizzare i salti che sono prodotte dalla natura periodica della funzione dell'angolo (). Sebbene l'ampiezza e la fase sono di solito utilizzati per la presentazione grafica e anche tabulare, poiché sono un modo intuitivo di pensare agli effetti di un sistema sui vari componenti di frequenza del suo ingresso, i coefficienti di Fourier complessi sono più utili algebricamente, in quanto consentono la semplice espressione del rapporto l'approccio generale abbiamo visto possa funzionare con filtri arbitrari del tipo delineato, in cui ogni campione di uscita è una somma pesata di un insieme di campioni di ingresso. Come accennato in precedenza, questi sono spesso chiamati filtri Finite Impulse Response, perché la risposta all'impulso è di dimensione finita, o, talvolta, Moving Average filtri. Possiamo determinare le caratteristiche di risposta in frequenza di un tale filtro dalla FFT della sua risposta all'impulso, e possiamo anche progettare nuovi filtri con caratteristiche desiderate da IFFT da una specificazione della risposta in frequenza. Autoregressive (IIR) Filtri ci sarebbe poco senso avere nomi per filtri FIR a meno che non ci fosse un altro tipo (s) per distinguerli da, e così coloro che hanno studiato pragmatica non sarà sorpreso di sapere che c'è davvero un altro importante tipo di filtro lineare tempo-invariante. Questi filtri sono a volte chiamate ricorsiva perché il valore di output precedente (così come ingressi precedenti) questioni, anche se gli algoritmi sono generalmente scritti usando costrutti iterativi. Essi sono chiamati anche filtri Infinite Impulse Response (IIR), perché in generale la loro risposta ad un impulso va avanti per sempre. Talvolta sono anche chiamati filtri autoregressivi, poiché i coefficienti possono essere considerati come il risultato di fare regressione lineare per esprimere i valori dei segnali in funzione dei valori di segnale precedenti. Il rapporto di filtri FIR e IIR può essere visto chiaramente in un'equazione differenza costante coefficiente lineare, ossia impostando una somma pesata di uscite pari ad una somma pesata di ingressi. Questo è come l'equazione che abbiamo dato in precedenza per il filtro FIR causale, tranne che, oltre alla somma ponderata degli input, abbiamo anche una somma pesata di uscite. Se vogliamo pensare a questo come una procedura per la generazione di campioni di uscita, abbiamo bisogno di riorganizzare l'equazione per ottenere un'espressione per il campione y uscita in corrente (n), adottando la convenzione che un (1) 1 (ad esempio scalando altro come e BS), siamo in grado di sbarazzarsi della 1a (1) termine: y (n) B (1) x (n) b (2) x (n-1). b (NB1) x (n-nb) - a (2) y (n-1) -. - Un (NA1) y (n-na) Se tutti un (n) diverso da (1) sono zero, questo riduce al nostro vecchio amico il filtro FIR causale. Questo è il caso generale di un (causale) Filtro LTI, ed è implementato dal filtro funzione MATLAB. Vediamo il caso dove il B coefficienti diversi da b (1) sono zero (invece del caso FIR, dove a (n) sono zero): In questo caso, il campione di uscita y corrente (n) viene calcolato come ponderata combinazione del campione x ingresso corrente (n) e le precedenti campioni di uscita y (n-1), y (n-2), ecc Per avere un'idea di ciò che accade con tali filtri, lascia l'inizio con il caso in cui: Cioè, il campione di uscita corrente è la somma della corrente di ingresso del campione e la metà del campione di uscita precedente. Ebbene prendere un impulso di ingresso attraverso un qualche tempo passi, uno alla volta. Dovrebbe essere chiaro a questo punto che possiamo facilmente scrivere un'espressione per il valore di campionamento di uscita n-esima: si tratta solo (se MATLAB contata da 0, questo sarebbe semplicemente .5n). Poiché ciò che stiamo calcolando è la risposta all'impulso del sistema, abbiamo dimostrato con l'esempio che la risposta all'impulso può infatti avere infiniti campioni diversi da zero. Per implementare questa banale filtro del primo ordine in MATLAB, potremmo usare il filtro. La chiamata sarà simile a questo: e il risultato è: è questo business davvero ancora lineare Possiamo guardare a questo empiricamente: Per un approccio più generale, si consideri il valore di un campione di uscita y (n). Con la sostituzione successiva potremmo scrivere questo come questo è proprio come il nostro vecchio amico forma convoluzione somma di un filtro FIR, con la risposta all'impulso fornito dal .5k espressione. e la lunghezza della risposta all'impulso essendo infinito. Così gli stessi argomenti che abbiamo usato per dimostrare che filtri FIR è lineare verrà ora applicata qui. Finora questo può sembrare come un sacco di storie per non molto. Che cosa è tutta questa linea di indagine buono per ben rispondere a questa domanda in più fasi, a partire da un esempio. La sua non è una grande sorpresa che siamo in grado di calcolare un esponenziale campionato per moltiplicazione ricorsiva. Vediamo un filtro ricorsivo che fa qualcosa di meno ovvio. Questo tempo ben rendono un filtro del secondo ordine, in modo che la chiamata per filtrare sarà della scheda consente impostato secondo a2 coefficiente uscita -2cos (2pi40), e il terzo coefficiente uscita a3 1 e osservare l'impulso risposta. Non molto utile come un filtro, in realtà, ma non genera una sinusoide campionata (da un impulso) con tre moltiplicare-aggiunge per campione Per comprendere come e perché lo fa, e come filtri ricorsiva può essere progettato e analizzato il caso più generale, abbiamo bisogno di fare un passo indietro e dare un'occhiata ad alcune altre proprietà di numeri complessi, sulla strada per comprendere la z transform. Updated 12 marzo 2013 Quali sono RC filtraggio e media esponenziale e come si differenziano la risposta a la seconda parte della questione è che sono lo stesso processo Se uno viene da un background di elettronica quindi RC filtro (o RC Smoothing) è la solita espressione. D'altra parte un approccio basato sulle statistiche di serie storiche ha il nome di media esponenziale, o per utilizzare il nome completo esponenziale ponderata media mobile. Questo è anche variamente conosciuta come EWMA o EMA. Uno dei principali vantaggi del metodo è la semplicità della formula per calcolare l'uscita successiva. Ci vuole una frazione del precedente uscita e tempi di uno meno questa frazione della corrente di ingresso. Algebricamente al tempo k il lisciato uscita y k è data da quanto mostrato in seguito questa semplice formula sottolinea i recenti avvenimenti, leviga le variazioni ad alta frequenza e rivela tendenze a lungo termine. Nota: ci sono due forme di dell'equazione media esponenziale, quello sopra e una variante Entrambi sono corrette. Vedere le note alla fine di questo articolo per ulteriori dettagli. In questa discussione useremo unica equazione (1). La formula sopra è talvolta scritto nella maniera più limitata. Come questa formula derivata e qual è la sua interpretazione Un punto chiave è come possiamo selezionare. Per guardare in questo modo semplice è quello di prendere in considerazione un filtro passa-basso RC. Ora un filtro passa-basso RC è semplicemente un resistore R in serie e un condensatore in parallelo C come illustrato di seguito. L'equazione serie temporali per questo circuito è il prodotto RC ha unità di tempo ed è noto come la costante di tempo T. per il circuito. Supponiamo di rappresentiamo l'equazione di cui sopra nella sua forma digitale per una serie temporale che ha i dati prelevati ogni h secondi. Abbiamo Questo è esattamente la stessa forma l'equazione precedente. Confrontando i due rapporti per una dobbiamo che riduce al semplice rapporto Da qui la scelta di N è guidato da quello che un tempo costante che abbiamo scelto. Ora l'equazione (1) può essere riconosciuto come un filtro passa basso e la costante di tempo caratterizza il comportamento del filtro. Per vedere il significato della costante di tempo abbiamo bisogno di guardare alla frequenza caratteristica di questo filtro passa-basso RC. Nella sua forma generale, questo esprime in modulo e fase di forma che abbiamo in cui l'angolo di fase è. La frequenza è chiamata frequenza di taglio nominale. Fisicamente si può dimostrare che a questa frequenza la potenza del segnale è stata ridotta di una metà e l'ampiezza è ridotta dal fattore. In termini dB questa frequenza è in cui l'ampiezza è stata ridotta di 3dB. Chiaramente all'aumentare T costante di tempo così allora la frequenza di taglio riduce e si applicano più smoothing ai dati, cioè si eliminano le frequenze più alte. E 'importante notare che la risposta in frequenza è espressa in radianssecond. Cioè vi è un fattore coinvolto. Ad esempio scegliendo una costante di tempo di 5 secondi dà un efficace taglio fuori frequenza. Un uso popolare di RC smoothing è simulare l'azione di un metro, come usato in un fonometro. Questi sono generalmente caratterizzate dalla loro costante di tempo ad esempio 1 secondo per tipi S e 0.125 secondi per tipi F. Per questi 2 casi le effettive frequenze di interruzione sono rispettivamente 0.16Hz e 1.27Hz. In realtà non è la costante di tempo che di solito desidera selezionare, ma quei periodi vogliamo includere. Supponiamo di avere un segnale in cui vogliamo includere caratteristiche con un secondo periodo P. Ora un periodo P è una frequenza. Potremmo scegliere una costante di tempo T data dal. Tuttavia sappiamo che abbiamo perso circa il 30 dell'uscita (3dB) a. Così la scelta di una costante di tempo che corrisponde esattamente alle periodicità che vogliamo mantenere non è il miglior schema. Di solito è meglio scegliere una frequenza leggermente superiore tagliato fuori, dicono. La costante di tempo è poi che in termini pratici è simile. Questo riduce la perdita di circa 15 in questo periodicità. Quindi, in termini pratici per mantenere eventi con una periodicità pari o superiore scegliendo una costante di tempo di. Ciò comprende gli effetti della periodicità di fino a circa. Per esempio, se vogliamo includere gli effetti di eventi che accadono con dire un secondo periodo di 8 (0.125Hz) quindi scegliere una costante di tempo di 0,8 secondi. Questo dà una frequenza di taglio di circa 0.2Hz modo che i nostri 8 secondo periodo è bene nella banda passante del filtro principale. Se fossimo il campionamento dei dati a 20 timessecond (h 0.05), allora il valore di N è (0.80.05) e 16. Questo dà alcune informazioni sul come impostare. Fondamentalmente per una frequenza di campionamento nota che caratterizza il periodo medio e di selezionare quali le fluttuazioni ad alta frequenza verranno ignorati. Osservando l'espansione dell'algoritmo possiamo vedere che favorisce i valori più recenti, ed anche perché si parla di ponderazione esponenziale. Abbiamo Sostituendo per y k-1 dà Ripetendo questo processo più volte porta a è perché nel range poi chiaramente i termini a destra diventano più piccole e si comportano come un esponenziale in decomposizione. Questa è la corrente di uscita è sbilanciata verso gli eventi più recenti, ma il più grande abbiamo scelto T poi il meno pregiudizi. In sintesi si vede che la formula semplice sottolinea i recenti avvenimenti appiana ad alta frequenza (breve periodo) eventi rivela lungo tendenze a lungo termine Appendice 1 8211 forme alternative dell'equazione Attenzione Ci sono due forme dell'equazione media esponenziale che compaiono nella letteratura. Entrambi sono corretti ed equivalente. La prima forma come mostrato sopra è (A1) La forma alternativa è 8230 (A2) Nota l'uso nella prima equazione e nella seconda equazione. In entrambe le equazioni e sono valori tra zero e l'unità. In precedenza è stato definito come Ora scegliendo definire qui la forma alternativa dell'equazione media esponenziale è In termini fisici significa che la scelta della forma si usa dipende da come si vuole pensare sia tenendo come equazione frazione feed back (A1) o come frazione dell'equazione ingresso (A2). La prima forma è leggermente meno ingombrante in mostra la relazione filtro RC, e conduce ad una comprensione più semplice in termini di filtro. Capo Signal Processing Analyst presso Prosig Dr Colin Mercer era precedentemente presso l'Istituto di Sound and Vibration Research (ISVR), Università di Southampton, dove ha fondato il Centro di analisi dei dati. Ha poi continuato a fondare Prosig nel 1977. Colin andato in pensione come capo Signal Processing Analyst presso Prosig nel dicembre 2016. E 'un Chartered Engineer e Fellow della British Computer Society. Penso che si desidera modificare il 8216p8217 al simbolo per pi greco. Marco, grazie per la segnalazione. Credo che questo sia uno dei nostri articoli più vecchi che è stato trasferito da un vecchio documento di elaborazione testi. Ovviamente, l'editor (me) non è riuscito a individuare che il pi greco non era stato trascritto correttamente. Esso sarà corretto a breve. it8217s un ottimo articolo spiegazione circa la media esponenziale Credo che ci sia un errore nella formula per T. Dovrebbe essere T h (N-1), non T (N-1) h. Mike, grazie per individuare questo. Ho appena controllato di nuovo al Dott Mercer8217s nota tecnica originale nel nostro archivio e sembra che non vi è stato errore commesso durante il trasferimento delle equazioni al blog. Noi correggere il post. Grazie per averci Grazie grazie grazie. Si potrebbe leggere 100 testi DSP senza trovare nulla dicendo che un filtro di media esponenziale è l'equivalente di un filtro R-C. hmm, avete l'equazione per un filtro EMA corretta non è vero Yk AXK (1-a) YK-1 anziché Yk AYK-1 (1-a) Xk Alan, Entrambe le forme dell'equazione appaiono in letteratura, e entrambe le forme sono corrette come mostrerò qui di seguito. Il punto che fai è una importante perché utilizzando il modulo alternativo significa che il rapporto fisico con un filtro RC è meno evidente, del resto l'interpretazione del significato di una illustrato in questo articolo, non è appropriato per la forma alternativa. Prima mostriamo entrambe le forme sono corrette. La forma della equazione che ho usato è e la forma alternativa che non appare in molti testi è nota in quanto sopra ho usato 1latex lattice nella prima equazione e lattice 2latex nella seconda equazione. L'uguaglianza di entrambe le forme dell'equazione è mostrato matematicamente seguito prendendo semplici passi alla volta. Ciò che non è lo stesso è il valore utilizzato per il lattice lattice in ogni equazione. In entrambe le forme lattice lattice è un valore compreso tra zero e unità. Prima equazione riscrittura (1) sostituzione 1latex lattice da lattice lattice. Questo dà y latexyk (1 - beta) xklatex 8230 (1A) Definire latexbeta (1 - 2) lattice e così abbiamo anche latex 2 (1 - beta) lattice. Sostituendo queste nell'equazione (1A) fornisce latexyk (1 - 2) y 2xklatex 8230 (1B) ed infine riorganizzare dà Questa equazione è identica alla forma alternativa proposta nell'equazione (2). Più semplicemente lattice 2 (1 - 1) lattice. In termini fisici significa che la scelta della forma si usa dipende da come si vuole pensare sia tenendo latexalphalatex come equazione di feed back frazione (1) o come frazione dell'equazione di ingresso (2). Come accennato sopra ho usato la prima forma è leggermente meno ingombrante in mostra la relazione filtro RC, e conduce alla comprensione più semplice in termini di filtro. Tuttavia omettendo quanto sopra è, a mio avviso, una carenza in questo articolo come altre persone potrebbe fare una deduzione non corretta in modo da una versione rivista sarà presto disponibile. I8217ve sempre chiesto questo, grazie per descrivere in modo chiaro. Credo che un altro motivo la prima formulazione è bello è mappe alpha per 8216smoothness8217: una maggiore scelta di alfa significa un'uscita 8216more smooth8217. Michael Grazie per l'osservazione 8211 io aggiungo all'articolo qualcosa su quelle linee in quanto è sempre meglio a mio avviso, di mettere in relazione agli aspetti fisici. Dr Mercer, Ottimo articolo, grazie. Ho una domanda per quanto riguarda la costante di tempo quando viene utilizzato con un rilevatore RMS come in un fonometro che si fa riferimento in questo articolo. Se uso le vostre equazioni per modellare un filtro esponenziale con il tempo 125ms costante e utilizzare un segnale di fase di ingresso, io davvero ottenere un output che, dopo 125ms, è il 63,2 del valore finale. Tuttavia, se la quadratura del segnale di ingresso e messo questo attraverso il filtro, poi vedo che ho bisogno di raddoppiare la costante di tempo in modo che il segnale di raggiungere il 63,2 del suo valore finale a 125ms. Puoi farmi sapere se questo è previsto. Grazie molto. Ian Ian Se si piazza un segnale come una sinusoide poi fondamentalmente si sta raddoppiando la frequenza del suo fondamentale nonché l'introduzione di un sacco di altre frequenze. Poiché la frequenza è in presenza raddoppiato, allora è essere 8216reduced8217 da una maggiore quantità dal filtro passa-basso. Di conseguenza ci vuole più tempo per raggiungere la stessa ampiezza. L'operazione di quadratura è un'operazione non lineare, quindi non credo che sarà sempre il doppio proprio in tutti i casi, ma tenderà a raddoppiare se abbiamo una bassa frequenza dominante. Si noti inoltre che il differenziale di un segnale quadrato è due volte il differenziale del segnale 8220un-squared8221. Ho il sospetto che si stia tentando di ottenere una forma di lisciatura quadratico medio, che è perfettamente bene e valido. Potrebbe essere meglio per applicare il filtro e poi piazza come sapete cutoff efficace. Ma se hai a disposizione solo il segnale squadrato quindi utilizzando un fattore di 2 per modificare il vostro valore alfa filtro circa, per tornare alla frequenza di taglio originale, o mettere un po 'più semplice definire la frequenza di taglio a due volte l'originale. Grazie per la risposta dottor Mercer. La mia domanda è stata veramente cercando di arrivare a ciò che è effettivamente fatto in un rilevatore RMS di un fonometro. Se la costante di tempo è fissato per 8216fast8217 (125ms) avrei pensato che intuitivamente ci si aspetta un segnale di ingresso sinusoidale per produrre una potenza di 63,2 del suo valore finale dopo 125ms, ma dal momento che il segnale viene quadrato prima che arrivi al 8216mean8217 rilevazione, sarà effettivamente prendere il doppio del tempo come lei ha spiegato. L'obiettivo principale di questo articolo è quello di mostrare l'equivalenza di filtraggio RC e media esponenziale. Se stiamo discutendo il tempo di integrazione equivale ad un vero e proprio integratore rettangolare, allora hai ragione che c'è un fattore di due coinvolti. In sostanza, se abbiamo un vero e proprio integratore rettangolare che integra per TI secondi il tempo integator RC equivalente per ottenere lo stesso risultato è 2RC secondi. Ti è diverso dal RC 8216time constant8217 T che è RC. Quindi se abbiamo un costante 8216Fast8217 tempo di 125 msec, ovvero RC 125 msec allora che è equivalente a un tempo di vera integrazione di 250 msec Grazie per l'articolo, è stato molto utile. Ci sono alcuni lavori recenti in neuroscienze che utilizzano una combinazione di filtri EMA (EMA breve finestrato 8211 EMA lungo-finestra) come un filtro passa-banda per l'analisi dei segnali in tempo reale. Vorrei applicarle, ma sto lottando con la finestra dimensioni diversi gruppi di ricerca hanno usato e la sua corrispondenza con la frequenza di taglio. Let8217s dicono voglio mantenere tutte le frequenze inferiori a 0,5 Hz (circa) e che acquisisco 10 campioni secondo. Ciò significa che 2s fp 0,5 Hz P T P100.2 h 1fs0.1 Thefore, la dimensione della finestra dovrei usare dovrebbe essere N3. È questo il ragionamento corretto Prima di rispondere alla tua domanda devo commentare l'uso di due filtri passa-alto per formare un filtro passa banda. Presumibilmente essi operano come due flussi separati, in modo da uno dei risultati è il contenuto da dire lattice latexf alla frequenza di campionamento metà e l'altro è il contenuto da dire lattice latexf per votare la metà del campione. Se tutto ciò che è stato fatto è la differenza nei livelli quadratici medi come indicante la potenza nella banda da lattice latexf al latexf lattice allora può essere ragionevole se i due tagliata frequenze sono sufficientemente distanziati ma mi aspetto che le persone con questa tecnica stanno cercando di simulare un filtro a banda stretta. A mio avviso, che sarebbe inaffidabile per un lavoro serio, e sarebbe una fonte di preoccupazione. Solo per riferimento un filtro passa banda è una combinazione di un filtro passa alto bassa frequenza per rimuovere le frequenze basse e un filtro passa basso ad alta frequenza per rimuovere le alte frequenze. Vi è naturalmente una forma passa-basso di un filtro RC, e ad una corrispondente EMA. Forse se il mio giudizio è essere ipercritico senza conoscere tutti i fatti Quindi la prego di inviarmi alcuni riferimenti agli studi che hai citato così che io possa criticare a seconda dei casi. Forse stanno usando un passa-basso e un filtro passa alto. Rivolgono ora alla tua domanda reale su come determinare N per una frequenza di cut-off determinato obiettivo Credo che sia meglio usare l'equazione di base T (N-1) h. La discussione su periodi mirava a dare alla gente una sensazione di quello che stava succedendo. Quindi, per favore vedi la derivazione di seguito. Abbiamo le relazioni in latex (N-1) hlatex e lattice latexT12 dove latexfclatex è la frequenza di taglio teorico e h è il tempo tra i campioni, chiaramente latexh 1 lattice dove latexfslatex è la frequenza di campionamento in samplessec. Riorganizzare T (N-1) h in una forma adatta per includere la frequenza di taglio, latexfclatex e la frequenza di campionamento, latexfslatex, viene illustrato di seguito. Quindi, utilizzando latexfc 0.5Hzlatex e latexfs 10latex samplessec in modo che il lattice (FCFS) 0.05latex dà così il valore intero più vicino è 4. Re-organizzare quanto sopra abbiamo così con N4 abbiamo latexfc 0,5307 Hzlatex. Utilizzando N3 dà un latexfclatex di 0.318 Hz. Nota con N1 abbiamo una copia completa senza filtering. Moving media Questo esempio vi insegna come calcolare la media mobile di una serie storica in Excel. Una media mobile viene utilizzata per appianare le irregolarità (picchi e valli) di riconoscere facilmente le tendenze. 1. In primo luogo, consente di dare un'occhiata alla nostra serie temporali. 2. Nella scheda dati fare clic su Analisi dati. Nota: non riesci a trovare il pulsante Data Analysis Clicca qui per caricare il componente aggiuntivo Strumenti di analisi. 3. Selezionare media mobile e fare clic su OK. 4. Fare clic nella casella intervallo di input e selezionare l'intervallo B2: M2. 5. Fare clic nella casella Intervallo e digitare 6. 6. Fare clic nella casella Intervallo di output e selezionare cella B3. 8. Tracciare la curva di questi valori. Spiegazione: perché abbiamo impostato l'intervallo di 6, la media mobile è la media degli ultimi 5 punti di dati e il punto di dati corrente. Come risultato, i picchi e le valli si distendono. Il grafico mostra una tendenza all'aumento. Excel non può calcolare la media mobile per i primi 5 punti di dati, perché non ci sono abbastanza punti dati precedenti. 9. Ripetere i passaggi 2-8 per l'intervallo 2 e l'intervallo 4. Conclusione: Il più grande l'intervallo, più i picchi e le valli si distendono. Minore è l'intervallo, più le medie mobili sono i punti dati effettivi.