Labview Esponenziale Mobile Media

Filtro VI Express specifica i seguenti tipi di filtri da usare: passa-basso, passa-alto, passa-banda, bandstop o levigatura. Il valore predefinito è passa-basso. Contiene le seguenti opzioni: Frequenza di taglio (Hz) 8212Specifies la frequenza di taglio del filtro. Questa opzione è disponibile solo quando si seleziona passa-basso o passa-alto dal menu a tendina Tipo Filtering. Il valore predefinito è 100. bassa frequenza di taglio (Hz) 8212Specifies la bassa frequenza di taglio del filtro. frequenza di taglio basso (Hz) deve essere inferiore frequenza di taglio (Hz) e osservare il criterio di Nyquist. Il valore predefinito è 100. Questa opzione è disponibile solo quando si seleziona passa-banda o Bandstop dal menu a tendina Tipo di filtraggio. frequenza di taglio (Hz) 8212Specifies l'alta frequenza di taglio del filtro. frequenza di taglio (Hz) deve essere maggiore frequenza di taglio basso (Hz) e osservare il criterio di Nyquist. Il valore predefinito è 400. Questa opzione è disponibile solo quando si seleziona passa-banda o Bandstop dal menu a tendina Tipo di filtraggio. Finite filtro risposta all'impulso (FIR) 8212Creates un filtro FIR. che dipende solo sugli ingressi attuali e passati. Poiché il filtro non dipende uscite precedenti, la risposta all'impulso decade a zero in un tempo finito. Perché filtri FIR restituiscono una risposta di fase lineare, utilizzare filtri FIR per le applicazioni che richiedono risposte fase lineare. Rubinetti 8212Specifies il numero totale dei coefficienti FIR, che deve essere maggiore di zero. Il valore predefinito è 29. Questa opzione è disponibile solo quando si seleziona l'opzione di filtro Finite risposta all'impulso (FIR). Aumentando il valore di prese causa la transizione tra la banda passante e stopband diventare più ripida. Tuttavia, poiché il valore di prese aumenta, la velocità di elaborazione rallenta. Infinite filtro risposta impulsiva (IIR) 8212Creates un filtro IIR che è un filtro digitale con risposte all'impulso che possono teoricamente essere lunghezza infinita o durata. Topologia 8212Determines il prototipo del filtro. È possibile creare un Butterworth, Chebyshev, Chebyshev inverso, ellittico, o Bessel progettazione del filtro. Questa opzione è disponibile solo quando si seleziona l'opzione del filtro Infinite risposta all'impulso (IIR). Il valore predefinito è Butterworth. Ordine 8212Order del filtro IIR, che deve essere maggiore di zero. Questa opzione è disponibile solo quando si seleziona l'opzione del filtro Infinite risposta all'impulso (IIR). Il valore predefinito è 3. L'aumento del valore dell'ordine provoca la transizione tra la banda passante ed il stopband a diventare più ripida. Tuttavia, poiché il valore di aumenti ordine, la velocità di elaborazione viene ridotta, e il numero di punti distorte all'inizio del segnale aumenta. Andando avanti-solo coefficienti medi 8212Yields (FIR). Questa opzione è disponibile solo quando si seleziona Smoothing dal menu a tendina Tipo di filtraggio. 8212Specifies rettangolari che tutti i campioni nella finestra mobile-media hanno lo stesso peso di calcolo ogni campione uscita levigata. Questa opzione è disponibile solo quando si seleziona Smoothing dal menu a tendina Tipo di filtraggio e l'opzione media mobile. Triangolari 8212Specifies che la finestra mobile ponderazione applicato ai campioni è triangolare con il picco centrato nel centro della finestra, una rampa di discesa simmetricamente su entrambi i lati del campione centrale. Questa opzione è disponibile solo quando si seleziona Smoothing dal menu a tendina Tipo di filtraggio e l'opzione media mobile. Metà larghezza di media mobile 8212Specifies la semilarghezza della finestra a media mobile in campioni. Il predefinito è 1. Per una metà larghezza media mobile M, l'intera larghezza della finestra a media mobile è campioni N 1 2M. Pertanto, la larghezza N è sempre un numero dispari di campioni. Questa opzione è disponibile solo quando si seleziona Smoothing dal menu a tendina Tipo di filtraggio e l'opzione media mobile. Esponenziale 8212Yields primo ordine coefficienti IIR. Questa opzione è disponibile solo quando si seleziona Smoothing dal menu a tendina Tipo di filtraggio. Costante di tempo esponenziali 8212Specifies medi la costante di tempo del filtro esponenziale ponderazione in secondi. Il valore predefinito è 0.001. Questa opzione è disponibile solo quando si seleziona Smoothing dal menu a tendina Tipo di filtraggio e l'opzione esponenziale. Consente di visualizzare il segnale di ingresso. Se si dati filo al VI Express ed eseguirlo, segnale di ingresso visualizza i dati reali. Se si chiude e riapre il VI Express, Ingresso segnale visualizza i dati del campione fino a quando si esegue nuovamente il VI Express. Consente di visualizzare un'anteprima della misura. La trama Preview risultati indica il valore della misura selezionata con una linea tratteggiata. Se si dati filo al VI Express ed eseguire il VI, risultato Anteprima visualizza i dati reali. Se si chiude e si riapre il VI Express, Risultato Anteprima visualizza i dati del campione fino a quando si esegue nuovamente il VI. Se i valori di frequenza di taglio non sono validi, Risultato di anteprima non visualizza i dati validi. Contiene le seguenti opzioni: Nota La modifica delle opzioni nella sezione modalità di visualizzazione non influisce sul comportamento del filtro VI Express. Utilizzare le opzioni di visualizzazione della modalità di visualizzare ciò che il filtro fa al segnale. LabVIEW non salva queste opzioni quando si chiude la finestra di configurazione. Segnali 8212Displays la risposta del filtro come segnali reali. Mostra come spettro 8212Specifies se visualizzare i reali segnali di risposta del filtro come spettro di frequenza o abbandonare la visualizzazione come display basata sul tempo. Il display frequenza è utile per visualizzare come il filtro influenza i vari componenti di frequenza del segnale. Il valore di default è quello di visualizzare la risposta del filtro come un display basato sul tempo. Questa opzione è disponibile solo quando si seleziona l'opzione Segnali. Funzione di trasferimento 8212Displays la risposta del filtro come una funzione di trasferimento. Contiene le seguenti opzioni: Magnitude in dB 8212Presents la risposta grandezza del filtro in decibel. Frequenza nel registro 8212Presents la risposta in frequenza del filtro su una scala logaritmica. Visualizza la risposta in ampiezza del filtro. Questo display è disponibile solo quando si imposta View Mode per la funzione di trasferimento. Consente di visualizzare la risposta di fase del filtro. Questo display è disponibile solo quando si imposta Vista al modo di trasferimento funzione. Moving modelli medi e esponenziale Come primo passo per andare oltre i modelli medi, modelli random walk, e modelli di tendenza lineare, i modelli non stagionali e le tendenze possono essere estrapolati utilizzando un MOVING - modello di media o lisciatura. L'assunto di base dietro media e modelli di livellamento è che la serie temporale è localmente stazionario con una media lentamente variabile. Quindi, prendiamo una media mobile (locale) per stimare il valore corrente della media e poi utilizzarla come la previsione per il prossimo futuro. Questo può essere considerato come un compromesso tra il modello media e la deriva modello random walk-senza-. La stessa strategia può essere utilizzata per stimare e estrapolare una tendenza locale. Una media mobile è spesso chiamato una versione quotsmoothedquot della serie originale, perché la media a breve termine ha l'effetto di appianare i dossi nella serie originale. Regolando il grado di lisciatura (la larghezza della media mobile), possiamo sperare di colpire un qualche tipo di equilibrio ottimale tra le prestazioni dei modelli medi e random walk. Il tipo più semplice di modello di media è il. Semplice (equamente ponderate) Media mobile: Le previsioni per il valore di Y al tempo t1 che viene fatta al tempo t è pari alla media semplice dei più recenti osservazioni m: (Qui e altrove mi utilizzerà il simbolo 8220Y-hat8221 di stare per una previsione di serie temporali Y fatta quanto prima prima possibile da un dato modello.) Questa media è centrato periodo t - (m1) 2, il che implica che la stima della media locale tenderà a restare indietro il vero valore della media locale circa (m1) 2 periodi. Così, diciamo l'età media dei dati nella media mobile semplice (m1) 2 rispetto al periodo per il quale è calcolata la previsione: questa è la quantità di tempo per cui previsioni tenderanno a restare indietro ruotando punti nei dati . Ad esempio, se si sta una media degli ultimi 5 valori, le previsioni saranno circa 3 periodi in ritardo nel rispondere a punti di svolta. Si noti che se m1, il modello di media mobile semplice (SMA) è equivalente al modello random walk (senza crescita). Se m è molto grande (paragonabile alla lunghezza del periodo di stima), il modello SMA è equivalente al modello medio. Come con qualsiasi parametro di un modello di previsione, è consuetudine per regolare il valore di k per ottenere la migliore quotfitquot ai dati, cioè i più piccoli errori di previsione in media. Ecco un esempio di una serie che sembra mostrare fluttuazioni casuali intorno a una media lentamente variabile. Innanzitutto, proviamo per adattarsi con un modello casuale, che è equivalente a una media mobile semplice di 1 termine: Il modello random walk risponde molto velocemente alle variazioni della serie, ma così facendo raccoglie gran parte del quotnoisequot nel dati (le fluttuazioni casuali) e il quotsignalquot (media locale). Se invece cerchiamo una semplice media mobile di 5 termini, si ottiene un insieme più agevole dall'aspetto delle previsioni: Il 5-termine mobile semplice rese medie in modo significativo gli errori più piccoli rispetto al modello random walk in questo caso. L'età media dei dati di questa previsione è 3 ((51) 2), in modo che tende a ritardo punti di svolta da circa tre periodi. (Per esempio, una flessione sembra essersi verificato in periodo di 21, ma le previsioni non girare intorno fino a diversi periodi più tardi.) Si noti che le previsioni a lungo termine dal modello SMA sono una retta orizzontale, proprio come nel random walk modello. Pertanto, il modello SMA presuppone che vi sia alcuna tendenza nei dati. Tuttavia, mentre le previsioni del modello random walk sono semplicemente uguale all'ultimo valore osservato, le previsioni del modello di SMA sono pari ad una media ponderata dei valori ultimi. I limiti di confidenza calcolato dai Statgraphics per le previsioni a lungo termine della media mobile semplice non ottengono più ampio con l'aumento della previsione all'orizzonte. Questo ovviamente non è corretto Purtroppo, non vi è alcuna teoria statistica di fondo che ci dice come gli intervalli di confidenza deve ampliare per questo modello. Tuttavia, non è troppo difficile da calcolare le stime empiriche dei limiti di confidenza per le previsioni di più lungo orizzonte. Ad esempio, è possibile impostare un foglio di calcolo in cui il modello SMA sarebbe stato utilizzato per prevedere 2 passi avanti, 3 passi avanti, ecc all'interno del campione di dati storici. È quindi possibile calcolare le deviazioni standard campione degli errori in ogni orizzonte di previsione, e quindi la costruzione di intervalli di confidenza per le previsioni a lungo termine aggiungendo e sottraendo multipli della deviazione standard appropriato. Se cerchiamo una media del 9 termine semplice movimento, otteniamo le previsioni ancora più fluide e più di un effetto ritardo: L'età media è ora 5 punti ((91) 2). Se prendiamo una media mobile 19-termine, l'età media aumenta a 10: Si noti che, in effetti, le previsioni sono ora in ritardo punti di svolta da circa 10 periodi. Quale quantità di smoothing è meglio per questa serie Ecco una tabella che mette a confronto le loro statistiche di errore, anche compreso in media 3-termine: Modello C, la media mobile a 5-termine, i rendimenti il ​​valore più basso di RMSE da un piccolo margine su 3 - term e 9 termine medie, e le loro altre statistiche sono quasi identici. Così, tra i modelli con le statistiche di errore molto simili, possiamo scegliere se avremmo preferito un po 'più di risposta o un po' più scorrevolezza nelle previsioni. (Torna a inizio pagina.) Browns semplice esponenziale (media mobile esponenziale ponderata) Il modello a media mobile semplice di cui sopra ha la proprietà indesiderabile che tratta le ultime osservazioni k ugualmente e completamente ignora tutte le osservazioni che precedono. Intuitivamente, dati passati devono essere attualizzati in modo più graduale - per esempio, il più recente osservazione dovrebbe avere un peso poco più di 2 più recente, e la 2 più recente dovrebbe ottenere un po 'più peso che la 3 più recente, e presto. Il modello semplice di livellamento esponenziale (SES) realizza questo. Diamo 945 denotano una constantquot quotsmoothing (un numero compreso tra 0 e 1). Un modo per scrivere il modello è quello di definire una serie L che rappresenta il livello attuale (cioè il valore medio locale) della serie come stimato dai dati fino ad oggi. Il valore di L al momento t è calcolata in modo ricorsivo dal proprio valore precedente in questo modo: Così, il valore livellato corrente è una interpolazione tra il valore livellato precedente e l'osservazione corrente, dove 945 controlla la vicinanza del valore interpolato al più recente osservazione. Le previsioni per il prossimo periodo è semplicemente il valore livellato corrente: Equivalentemente, possiamo esprimere la prossima previsione direttamente in termini di precedenti previsioni e osservazioni precedenti, in una delle seguenti versioni equivalenti. Nella prima versione, la previsione è una interpolazione tra precedente meteorologiche e precedente osservazione: Nella seconda versione, la prossima previsione è ottenuta regolando la previsione precedente nella direzione dell'errore precedente di una quantità frazionaria 945. è l'errore al tempo t. Nella terza versione, la previsione è di un (cioè scontato) media mobile esponenziale ponderata con fattore di sconto 1- 945: La versione di interpolazione della formula di previsione è il più semplice da usare se si implementa il modello su un foglio di calcolo: si inserisce in un singola cellula e contiene i riferimenti di cella che puntano alla previsione precedente, l'osservazione precedente, e la cella in cui è memorizzato il valore di 945. Si noti che se 945 1, il modello SES è equivalente ad un modello random walk (senza crescita). Se 945 0, il modello SES è equivalente al modello medio, assumendo che il primo valore livellato è impostata uguale alla media. (Torna a inizio pagina). L'età media dei dati nelle previsioni semplice esponenziale-levigante è di 1 945 relativo al periodo per il quale è calcolata la previsione. (Questo non dovrebbe essere ovvio, ma può essere facilmente dimostrare valutando una serie infinita.) Quindi, la semplice previsione media mobile tende a restare indietro punti di svolta da circa 1 945 periodi. Ad esempio, quando 945 0.5 il ritardo è di 2 periodi in cui 945 0.2 il ritardo è di 5 periodi in cui 945 0.1 il ritardo è di 10 periodi, e così via. Per una data età media (cioè quantità di ritardo), il semplice livellamento esponenziale (SES) previsione è un po 'superiore alla previsione media mobile semplice (SMA) perché pone relativamente più peso sulla più recente --i. e osservazione. è leggermente più quotresponsivequot ai cambiamenti che si verificano nel recente passato. Per esempio, un modello di SMA con 9 termini e un modello di SES con 945 0,2 entrambi hanno un'età media di 5 per i dati nelle loro previsioni, ma il modello SES mette più peso sugli ultimi 3 valori di quanto non faccia il modello SMA e al contempo doesn8217t interamente 8220forget8221 sui valori più di 9 periodi vecchi, come mostrato in questo grafico: un altro importante vantaggio del modello SES sul modello SMA è che il modello SES utilizza un parametro smoothing che è continuamente variabile, in modo che possa facilmente ottimizzato utilizzando un algoritmo quotsolverquot per minimizzare l'errore quadratico medio. Il valore ottimale di 945 nel modello SES a questa serie risulta essere 0,2961, come illustrato di seguito: L'età media dei dati in questa previsione è 10.2961 3.4 periodi, che è simile a quella di una media 6 termine mobile semplice. Le previsioni a lungo termine dal modello SES sono una linea retta orizzontale. come nel modello SMA e il modello random walk senza crescita. Si noti tuttavia che gli intervalli di confidenza calcolati da Statgraphics ora divergono in modo ragionevole dall'aspetto, e che sono sostanzialmente più stretto gli intervalli di confidenza per il modello random walk. Il modello di SES presuppone che la serie è un po 'predictablequot quotmore di quanto non faccia il modello random walk. Un modello SES è in realtà un caso particolare di un modello ARIMA. così la teoria statistica dei modelli ARIMA fornisce una solida base per il calcolo intervalli di confidenza per il modello SES. In particolare, un modello SES è un modello ARIMA con una differenza nonseasonal, un MA (1) termine, e nessun termine costante. altrimenti noto come un modello quotARIMA (0,1,1) senza constantquot. Il MA (1) coefficiente nel modello ARIMA corrisponde alla quantità 1- 945 nel modello SES. Ad esempio, se si adatta un modello ARIMA (0,1,1) senza costante alla serie analizzate qui, il MA stimato (1) coefficiente risulta essere 0,7029, che è quasi esattamente un meno 0,2961. È possibile aggiungere l'assunzione di una tendenza non-zero costante lineare per un modello SES. Per fare questo, basta specificare un modello ARIMA con una differenza non stagionale e di un (1) termine MA con una costante, cioè un (0,1,1) modello ARIMA con costante. Le previsioni a lungo termine avranno quindi una tendenza che è uguale alla tendenza medio rilevato nel corso dell'intero periodo di stima. Non si può fare questo in collaborazione con destagionalizzazione, perché le opzioni di destagionalizzazione sono disattivati ​​quando il tipo di modello è impostato su ARIMA. Tuttavia, è possibile aggiungere una costante a lungo termine tendenza esponenziale ad un semplice modello di livellamento esponenziale (con o senza regolazione stagionale) utilizzando l'opzione di regolazione inflazione nella procedura di previsione. Il tasso appropriato quotinflationquot (crescita percentuale) per periodo può essere stimato come il coefficiente di pendenza in un modello trend lineare montato i dati in combinazione con una trasformazione logaritmo naturale, oppure può essere basata su altri, informazione indipendente per quanto riguarda le prospettive di crescita a lungo termine . (Ritorna all'inizio pagina.) Browns lineari (cioè doppie) modelli esponenziale La SMA e modelli di SES per scontato che non vi è alcuna tendenza di alcun tipo nei dati (che di solito è OK, o almeno non troppo male per 1- previsioni passo avanti quando i dati sono relativamente rumoroso), e possono essere modificati per includere un trend lineare costante come indicato sopra. Che dire di tendenze a breve termine Se una serie mostra un tasso variabile di crescita o un andamento ciclico che si distingue chiaramente contro il rumore, e se vi è la necessità di prevedere più di 1 periodo a venire, allora la stima di una tendenza locale potrebbe anche essere un problema. Il semplice modello di livellamento esponenziale può essere generalizzata per ottenere un modello lineare di livellamento esponenziale (LES) che calcola le stime locali sia a livello e di tendenza. Il modello di tendenza tempo-variante più semplice è Browns lineare modello di livellamento esponenziale, che utilizza due diverse serie levigato che sono centrate in diversi punti nel tempo. La formula di previsione si basa su un'estrapolazione di una linea attraverso i due centri. (Una versione più sofisticata di questo modello, Holt8217s, è discusso qui di seguito.) La forma algebrica di Brown8217s lineare modello di livellamento esponenziale, come quello del semplice modello di livellamento esponenziale, può essere espresso in una serie di forme diverse ma equivalenti. La forma quotstandardquot di questo modello è di solito espressa come segue: Sia S denotano la serie singolarmente-levigata ottenuta applicando semplice livellamento esponenziale di serie Y. Cioè, il valore di S al periodo t è dato da: (Ricordiamo che, in semplice livellamento esponenziale, questo sarebbe il tempo per Y al periodo t1) Allora che Squot denotano la serie doppiamente levigata ottenuta applicando semplice livellamento esponenziale (utilizzando lo stesso 945) per serie S:. Infine, le previsioni per Y tk. per qualsiasi kgt1, è data da: Questo produce e 1 0 (vale a dire imbrogliare un po ', e lasciare che la prima previsione uguale l'attuale prima osservazione), ed e 2 Y 2 8211 Y 1. dopo di che le previsioni sono generati usando l'equazione di cui sopra. Questo produce gli stessi valori stimati come la formula basata su S e S se questi ultimi sono stati avviati utilizzando S 1 S 1 Y 1. Questa versione del modello è usato nella pagina successiva che illustra una combinazione di livellamento esponenziale con regolazione stagionale. modello Holt8217s lineare esponenziale Brown8217s LES calcola stime locali di livello e l'andamento lisciando i dati recenti, ma il fatto che lo fa con un singolo parametro smoothing pone un vincolo sui modelli di dati che è in grado di adattarsi: il livello e tendenza non sono autorizzati a variare a tassi indipendenti. modello Holt8217s LES risolve questo problema includendo due costanti di lisciatura, uno per il livello e uno per la tendenza. In ogni momento t, come nel modello Brown8217s, il c'è una stima L t del livello locale e una T t stima della tendenza locale. Qui vengono calcolati ricorsivamente dal valore di Y osservata al tempo t e le stime precedenti del livello e l'andamento di due equazioni che si applicano livellamento esponenziale separatamente. Se il livello stimato e tendenza al tempo t-1 sono L t82091 e T t-1. rispettivamente, la previsione per Y tshy che sarebbe stato fatto al tempo t-1 è uguale a L t-1 T t-1. Quando si osserva il valore effettivo, la stima aggiornata del livello è calcolata in modo ricorsivo interpolando tra Y tshy e le sue previsioni, L t-1 T t-1, con pesi di 945 e 945. 1- La variazione del livello stimato, vale a dire L t 8209 L t82091. può essere interpretato come una misura rumorosa della tendenza al tempo t. La stima aggiornata del trend viene poi calcolata in modo ricorsivo interpolando tra L t 8209 L t82091 e la stima precedente del trend, T t-1. utilizzando pesi di 946 e 1-946: L'interpretazione del trend-smoothing costante 946 è analoga a quella del livello-levigatura costante 945. Modelli con piccoli valori di 946 assume che la tendenza cambia solo molto lentamente nel tempo, mentre i modelli con grande 946 supporre che sta cambiando più rapidamente. Un modello con un grande 946 ritiene che il lontano futuro è molto incerto, perché gli errori in trend-stima diventano molto importanti quando la previsione più di un periodo avanti. (Torna a inizio pagina.) Il livellamento costanti di 945 e 946 può essere stimato nel modo consueto minimizzando la media errore delle previsioni 1-step-ahead quadrato. Quando questo fatto in Statgraphics, le stime risultano essere 945 0,3048 e 946 0.008. Il valore molto piccolo di 946 significa che il modello assume molto poco cambiamento di tendenza da un periodo all'altro, in modo sostanzialmente questo modello sta cercando di stimare un trend di lungo periodo. Per analogia con la nozione di età media dei dati utilizzati nella stima del livello locale della serie, l'età media dei dati che viene utilizzato per stimare la tendenza locale è proporzionale a 1 946, anche se non esattamente uguale ad esso . In questo caso risulta essere 10,006 125. Questo isn8217t un numero molto preciso in quanto la precisione della stima di 946 isn8217t realmente 3 decimali, ma è dello stesso ordine generale di grandezza della dimensione del campione di 100, così questo modello è una media di più di un bel po 'di storia nella stima del trend. La trama meteo seguente mostra che il modello LES stima un leggermente maggiore tendenza locale alla fine della serie rispetto alla tendenza costante stimata nel modello SEStrend. Inoltre, il valore stimato di 945 è quasi identica a quella ottenuta inserendo il modello SES con o senza tendenza, quindi questo è quasi lo stesso modello. Ora, queste sembrano le previsioni ragionevoli per un modello che dovrebbe essere stimare un trend locale Se si 8220eyeball8221 questa trama, sembra che la tendenza locale si è trasformato in basso alla fine della serie Quello che è successo I parametri di questo modello sono stati stimati minimizzando l'errore quadratico delle previsioni 1-step-ahead, non le previsioni a lungo termine, nel qual caso la tendenza doesn8217t fare un sacco di differenza. Se tutti si sta guardando sono errori 1-step-avanti, non si è visto il quadro più ampio delle tendenze sopra (diciamo) 10 o 20 periodi. Al fine di ottenere questo modello più in sintonia con la nostra bulbo oculare estrapolazione dei dati, siamo in grado di regolare manualmente la tendenza-smoothing costante in modo che utilizzi una base più breve per la stima di tendenza. Ad esempio, se si sceglie di impostare 946 0.1, quindi l'età media dei dati utilizzati nella stima la tendenza locale è di 10 periodi, il che significa che ci sono in media il trend negli ultimi 20 periodi che o giù di lì. Here8217s quello che la trama del tempo si presenta come se impostiamo 946 0.1, mantenendo 945 0.3. Questo sembra intuitivamente ragionevole a questa serie, anche se probabilmente è pericoloso estrapolare questa tendenza eventuali più di 10 periodi in futuro. Che dire le statistiche di errore Ecco un confronto modello per i due modelli sopra indicati, nonché tre modelli SES. Il valore ottimale di 945.per modello SES è di circa 0,3, ma risultati simili (con leggermente più o meno reattività, rispettivamente) sono ottenute con 0,5 e 0,2. exp lineare (A) Holts. levigatura con alfa e beta 0,3048 0.008 (B) Holts exp lineare. levigatura con alpha 0.3 e beta 0.1 (C) livellamento esponenziale semplice con alfa 0,5 (D) livellamento esponenziale semplice con alpha 0.3 (E) livellamento esponenziale semplice con alpha 0.2 Le loro statistiche sono quasi identiche, quindi abbiamo davvero can8217t fare la scelta sulla base di errori di previsione 1-step-avanti all'interno del campione di dati. Dobbiamo ripiegare su altre considerazioni. Se crediamo fermamente che ha senso basare la stima attuale tendenza su quanto è successo negli ultimi 20 periodi o giù di lì, siamo in grado di fare un caso per il modello LES con 945 0,3 e 946 0.1. Se vogliamo essere agnostici sul fatto che vi è una tendenza locale, poi uno dei modelli SES potrebbe essere più facile da spiegare e darebbe anche altre previsioni middle-of-the-road per i prossimi 5 o 10 periodi. (Ritorna all'inizio pagina.) Quale tipo di trend-estrapolazione è meglio: L'evidenza empirica orizzontale o lineare suggerisce che, se sono già stati adeguati i dati (se necessario) per l'inflazione, allora può essere imprudente per estrapolare lineare a breve termine tendenze molto lontano nel futuro. Le tendenze evidenti oggi possono rallentare in futuro, dovuta a cause diverse quali obsolescenza dei prodotti, l'aumento della concorrenza, e flessioni cicliche o periodi di ripresa in un settore. Per questo motivo, semplice livellamento esponenziale spesso si comporta meglio out-of-sample che altrimenti potrebbero essere previsto, nonostante la sua quotnaivequot estrapolazione di tendenza orizzontale. modifiche di tendenza smorzato del modello di livellamento esponenziale lineare sono spesso utilizzati in pratica per introdurre una nota di conservatorismo nelle sue proiezioni di tendenza. Il modello LES smorzata-tendenza può essere implementato come un caso particolare di un modello ARIMA, in particolare, un modello (1,1,2) ARIMA. E 'possibile calcolare gli intervalli di confidenza intorno previsioni a lungo termine prodotte da modelli di livellamento esponenziale, considerandoli come casi speciali di modelli ARIMA. (Attenzione: non tutto il software calcola correttamente intervalli di confidenza per questi modelli.) La larghezza degli intervalli di confidenza dipende (i) l'errore RMS del modello, (ii) il tipo di levigatura (semplice o lineare) (iii) il valore (s) della costante di smoothing (s) e (iv) il numero di periodi avanti si prevedono. In generale, gli intervalli distribuite più veloce come 945 diventa più grande nel modello SES e si propagano molto più velocemente quando lineare piuttosto che semplice lisciatura viene utilizzato. Questo argomento è discusso ulteriormente nella sezione modelli ARIMA delle note. (Torna a inizio pagina.) Moving Filter Media w continuo acquisitio dati n Im cercando di filtrare segnali multipli rumoroso. Im attualmente utilizzando un NI9203 w un campionamento cDAQ-9174 a 1000 Hz. Io uso DAQmx confronti per avviare l'attività e acquisire il segnale. Ive ha provato con smoothing coefficients. vi filtro in coppia con IIR filter. vi (Moving Avg. png) questo sembra funzionare per segnali simulati e per i dati registrati. Tuttavia, quando cerco di usare questa impostazione per tempo reale media è semplicemente taglia tutti i segnali a zero. Ive ha esaminato utilizzando registri a scorrimento, ma per ottenere il risultato necessario a quanto pare avrei dovuto usare centinaia di elementi. Infine Im cercando di filtrare il segnale per ottenere una lettura più costante per l'utente. Ad esempio durante il funzionamento l'utente deve esaminare lo stato corrente dei valori in tempo reale. Questo è difficile momento quando il rumore presenta valori - 100 cambiando ogni 100ms. Qualsiasi aiuto o suggerimenti sarebbero apprezzati, grazie in anticipo. Messaggio 1 di 9 (6.255 Visualizzazioni) Re: Moving Filter Media w continuo acquisitio dati n 2013/09/25 12:31 senza collegare il vostro VI, voi non dare a nessuno informazioni sufficienti per aiutarvi. Errare è umano, ma per davvero fallo in su richiede un computer. L'ottimista crede che siamo nel migliore dei mondi possibili - il pessimista teme che questo è vero. Oscenità è la sola lingua tutti i programmatori conoscono meglio. Un esperto è una persona che ha fatto tutti gli errori possibili. Per sapere qualcosa su LabVIEW senza alcun costo aggiuntivo, il lavoro l'esercitazione in linea LabVIEW (s): Messaggio 2 di 9 (6.252 Visualizzazioni) Re: Moving Filter Media w continuo acquisitio dati n 2013/09/25 12:37 Dal momento che si sta cercando a perfrom un filtro, mentre continua la raccolta dei dati, si potrebbe voler esaminare Point-to-Point filtrare vI. Avrete bisogno di mettere i dati delle forme d'onda in un ciclo for per elaborarlo, ma è possibile eseguire in tempo reale per voi. Ci sono solo due modi per dire a qualcuno grazie: Kudos e soluzioni non ufficiali Regole del Forum marcati e le linee guida discussioni dal utente avanzata pista non è finita. Partecipa alla conversazione: 2016 utenti avanzati Traccia Messaggio 3 di 9 (6.247 Visualizzazioni) Re: Moving Filter Media w continuo acquisitio dati n 2013/09/25 13:41 Ho allegato una versione leggermente semplificata del mio VI. Non sono sicuro di come avrei implementare un ciclo for con fuori interrompere il ciclo di consumo. Dalla mia comprensione se ho inserito un ciclo for il ciclo while sarebbe smettere di funzionare e quindi non registrare i dati fino a quando il ciclo for aveva completato, questa pausa del ciclo while dovrebbe accadere ogni interation del ciclo dando dati incoerenti. Messaggio 4 di 9 (6.233 Visualizzazioni) Re: Moving Filter Media w continuo acquisitio dati n 2013/09/25 14:43 Non hai attaccato il vostro VI, ma l'immagine di un punto nel tempo della tua esecuzione VI, ci sono stati non mostrato, non vi è alcun collegamento visibile al selettore caso per lo stato si sta mostrando, booleano 3 è apparentemente solo in mezzo al nulla, e tutto il quadro non ha alcun legame con il filtraggio che hai detto che stavi cercando di fare in il post originale. Una cosa che mi viene in mente, però, è che secondo me si sta cercando di fare un po 'troppo nel ciclo produttore. Avete cercato sine. NI per writeups su questa architettura si potrebbe desiderare di farlo e prendere diversi buoni spiegazioni ed esempi di programmi P-C, poi vedere dove il vostro sono qualitativamente differenti. In ogni caso, senza l'invio relativo alla tua domanda (e alcuni datapictures dei risultati per quelli di noi che non hanno l'attrezzatura esatto) un VI, questo è tutto per quanto posso andare qui. Altri potrebbero essere in grado di darvi una migliore ipotesi su cosa sta succedendo, ma sarà ancora solo una supposizione. Errare è umano, ma per davvero fallo in su richiede un computer. L'ottimista crede che siamo nel migliore dei mondi possibili - il pessimista teme che questo è vero. Oscenità è la sola lingua tutti i programmatori conoscono meglio. Un esperto è una persona che ha fatto tutti gli errori possibili. To learn something about LabVIEW at no extra cost, work the online LabVIEW tutorial(s): Im not trying to give you a lecture on forum etiquette, just pointing out the information that would make it easier for you to get help from the good folks here (maybe even I can help you). If you can pare your program down to the part you are having problems with, that will help. Even if you are using DAQ stuff to take data and someone doesnt have the same equipment, many times the structure of the VI is recognizable enough that they can help. If you can enclose a typical input data filestream that results in bad output, it also helps. As for your VI, I would probably split it up into three loops, the first just to take the data, second to log to a file, and third to filter for the users benefit. As crossrulz said, you can use a point-to-point filter in a FOR loop inside the filtering loop, then you wont lose any data because it doesnt affect that function. To err is human, but to really foul it up requires a computer. The optimist believes we are in the best of all possible worlds - the pessimist fears this is true. Profanity is the one language all programmers know best. An expert is someone who has made all the possible mistakes. To learn something about LabVIEW at no extra cost, work the online LabVIEW tutorial(s):