Frekwensie van die lopende gemiddeld Filter Die frekwensieweergawe van 'n LTI stelsel is die DTFT van die impulsrespons, Die impulsrespons van 'n L - sample bewegende gemiddelde is sedert die bewegende gemiddelde filter is FIR, die frekwensieweergawe verminder om die eindige som Ons kan die baie nuttig identiteit gebruik om die frekwensie reaksie as waar ons toelaat dat AE minus jomega skryf. N 0, en M L minus 1. Ons kan belangstel in die omvang van hierdie funksie word ten einde te bepaal watter frekwensies te kry deur middel van die filter unattenuated en wat verswakte. Hier is 'n plot van die omvang van hierdie funksie lyk, vir L 4 (rooi), 8 (groen) en 16 (blou). Die horisontale as wissel van nul tot pi radiale per monster. Let daarop dat in al drie gevalle, die frekwensieweergawe het 'n laagdeurlaat kenmerk. 'N konstante komponent (nul frekwensie) in die insette gaan deur die filter unattenuated. Sekere hoër frekwensies, soos pi / 2, is heeltemal uitgeskakel word deur die filter. Maar, as die bedoeling was om 'n laagdeurlaatfilter ontwerp, dan het ons nie baie goed gedoen. Sommige van die hoër frekwensies is verswakte net met 'n faktor van ongeveer 1/10 (vir die 16 punt bewegende gemiddelde) of 1/3 (vir die vier punt bewegende gemiddelde). Ons kan baie beter as dit doen. Bogenoemde plot is geskep deur die volgende Matlab kode: omega 0: pi / 400: pi H4 (1/4) (1-exp (-iomega4)) ./ (1-exp (-iomega)) H8 (1/8 ) (1-exp (-iomega8)) ./ (1-exp (-iomega)) H16 (1/16) (1-exp (-iomega16)) ./ (1-exp (-iomega)) plot (omega , ABS (H4) ABS (H8) ABS (H16)) as (0, PI, 0, 1) Kopiereg kopie 2000- - Universiteit van Kalifornië, BerkeleyExponential filter Hierdie bladsy beskryf eksponensiële filter, die eenvoudigste en mees gewilde filter. Dit is deel van die artikel filter wat deel is van 'n Gids tot Fout opsporing en diagnose .. Oorsig, tydkonstante, en analoog gelykstaande Die eenvoudigste filter is die eksponensiële filter. Dit het net een stem parameter (behalwe die voorbeeld interval). Dit vereis dat die berging van slegs een veranderlike - die vorige uitset. Dit is 'n IIR (outoregressiewe) filter - die gevolge van 'n inset verandering verval eksponensieel tot die grense van uitstallings of rekenaar rekenkundige wegsteek nie. In verskeie dissiplines, is die gebruik van hierdie filter ook verwys na as 8220exponential smoothing8221. In sommige dissiplines soos belegging analise, is die eksponensiële filter genoem 'n 8220Exponentially Geweegde Moving Average8221 (EWMA), of net 8220Exponential Moving Average8221 (EMA). Dit misbruik die tradisionele ARMA 8220moving average8221 terminologie van tydreeksanalise, want daar is geen insette geskiedenis wat gebruik word - net die huidige insette. Dit is die diskrete tyd ekwivalent van die 8220first orde lag8221 algemeen gebruik in analoog modellering van kontinue-tyd stelsels. In elektriese stroombane, 'n RC filter (filter met een weerstand en een kapasitor) is 'n eerste-orde lag. Wanneer die klem op die analogie te analoog stroombane, die enkele stem parameter is die 8220time constant8221, gewoonlik geskryf as die kleinletter Griekse letter Tau (). Trouens, die waardes van die diskrete monster tye presies ooreenstem met die ekwivalent deurlopende tydsverloop met dieselfde tyd konstant. Die verhouding tussen die digitale implementering en die tydkonstante word in die onderstaande vergelykings. Eksponensiële filter vergelykings en inisialisering Die eksponensiële filter is 'n geweegde kombinasie van die vorige skatting (uitset) met die nuutste insette data, met die som van die gewigte gelyk aan 1 sodat die uitset ooreenstem met die insette by gestadigde toestande. Na aanleiding van die filter notasie reeds bekendgestel: y (k) ay (k-1) (1-a) x (k) waar x (k) is die rou insette ten tye stap ky (k) is die gefilterde uitset ten tye stap ka is 'n konstante tussen 0 en 1, gewoonlik tussen 0.8 en 0.99. (A-1) of 'n word soms die 8220smoothing constant8221. Vir stelsels met 'n vaste tyd stap T tussen monsters, is die konstante 8220a8221 bereken en gestoor vir die gemak net vir die program ontwikkelaar spesifiseer 'n nuwe waarde van die verlangde tyd konstant. Vir stelsels met monsterneming data op ongereelde tussenposes, moet die eksponensiële funksie hierbo gebruik word met elke keer stap, waar t die tyd sedert die vorige voorbeeld. Die filter uitset is gewoonlik geïnisialiseer die eerste insette te pas. Soos die tydkonstante benaderings 0, 'n gaan na nul, so daar is geen filter 8211 die uitset is gelyk aan die nuwe insette. Soos die tydkonstante kry baie groot, 'n benaderings 1, sodat nuwe insette byna geïgnoreer 8211 baie swaar filter. Die filter vergelyking hierbo kan herrangskik in die volgende voorspeller-corrector ekwivalent: Hierdie vorm maak dit meer duidelik dat die veranderlike skatting (uitset van die filter) word voorspel as onveranderd teenoor die vorige skatting y (k-1) plus 'n regstelling termyn gebaseer op die onverwagte 8220innovation8221 - die verskil tussen die nuwe insette x (k) en die voorspelling y (k-1). Hierdie vorm is ook die gevolg van die afleiding van die eksponensiële filter as 'n eenvoudige spesiale geval van 'n Kalman filter. wat is die optimale oplossing vir 'n skatting probleem met 'n bepaalde stel aannames. Stap reaksie Een manier om te visualiseer die werking van die eksponensiële filter is om sy reaksie verloop van tyd tot 'n stap insette plot. Dit wil sê, wat begin met die filter toevoer en afvoer by 0, is die insetwaarde skielik verander na 1. Die gevolglike waardes word hieronder aangestip: In die bogenoemde plot, is die tyd gedeel deur die filter tydkonstante TLU, sodat jy kan meer maklik voorspel die resultate vir enige tydperk, vir enige waarde van die filter tydkonstante. Na 'n tyd gelyk aan die tydkonstante, die filter uitset styg tot 63,21 van sy finale waarde. Na 'n tyd gelyk aan 2 keer konstantes, die waarde styg tot 86,47 van sy finale waarde. Die uitset na tye gelyk aan 3,4 en 5 keer konstantes is 95,02, 98,17, en 99,33 van die finale waarde, onderskeidelik. Sedert die filter is lineêre, beteken dit dat hierdie persentasies kan gebruik word vir enige grootte van die stapverandering, nie net vir die waarde van 1 wat hier gebruik word. Hoewel die stap reaksie in teorie neem 'n oneindige tyd, uit 'n praktiese oogpunt, dink aan die eksponensiële filter as 98-99 8220done8221 reageer ná 'n tyd gelyk aan 4 tot 5 filter tyd konstantes. Variasies op die eksponensiële filter Daar is 'n variasie van die eksponensiële filter bekend as 'n 8220nonlinear eksponensiële filter8221 Weber, 1980 bedoel om swaar filter geraas binne 'n sekere 8220typical8221 amplitude, maar dan vinniger te reageer op groter veranderinge. Kopiereg 2010 - 2013, Greg Stanley Deel hierdie bladsy: 'n Eksponensiële bewegende gemiddelde IIR Filter Filter van gemete veranderlikes ingesluit mikrobeheerder gebaseer kringe is nodig om die gemiddelde waarde van die seine op te spoor en om hul veranderlikheid te verminder. As die seine verskil in hul gemiddelde waarde met verloop van tyd, die filter moet 'n manier om ou mates weggooi terwyl die integrasie van nuwe monsters. Die eksponensiële bewegende gemiddelde oneindige impule reaksie (IIR) filter is goed verstaan vir baie dekades en word op groot skaal in statistiese analise. Dit bied 'n bestryk eenvoudige middel van die bepaling van die gemiddelde waarde van 'n veranderlike wanneer die onderliggende model van die veranderlike is onbekend. As v N is die veranderlike wat gefiltreer, dan 'n nde beramer vir die gemiddelde waarde is: waar a gewig koëffisiënt waarvan die waarde bepaal die bedrag van gladstryking. Hoe nader 'n is om 0, hoe groter is die hoeveelheid glad. In sommige gevalle is die algoritme in hierdie vorm produseer intermediêre resultate wat groot kan word. Om dit te implementeer met behulp van 'n eindige presisie heelgetal rekenkunde, is dit gegiet in 'n effens ander vorm waarin intermediêre resultate word begrens deur 'n bekende waarde. Die gewig koëffisiënt is voorgestel as 'n 1-1 / h. waar c 'n krag van 2. Die krag k kan verhoog word tot die bedrag van smoothing verhoog, terwyl beperking tot 'n krag van 2 sal toelaat vermenigvuldig en deel te word uitgevoer met behulp van 'n baie vinnige links en regs skuif bedrywighede in 'n mikroverwerker. Die hoeveelheid CV av (N) is nagespoor tot presisie handhaaf: As byvoorbeeld die monsters is 8 bit hoeveelhede (soos gebruik in baie van die beskryf vir die SMPS kringe hier beskryf algoritmes), en k is gekies om 8, dan is die hoeveelheid CV av (n) kan voorgestel word as 'n 16 bit waarde sonder verlies van inligting (juis: 8k stukkies, sien hieronder). Sodra dit vasgestel is, is die hoeveelheid v av (N) wat verkry word deur 'n eenvoudige regs skuif deur k plekke. Op hierdie stadium is daar 'n verlies van inligting van minder as 1 lsb omvang wat (egter daarop dat daar korrelasies in hierdie verlore inligting wat sistematiese foute kan veroorsaak mag wees) kan geabsorbeer word in die onsekerhede van v N. Die veronderstelling dat die veranderlikes V I statisties onafhanklike, analise van variansie toon dat dit verminder met 'n faktor 1 / (2c). Vir stap veranderinge in v N die tydkonstante is c berekening tussenposes. Dop van die gemiddelde waarde word minder akkuraat as die tydkonstante verhoog om te vergelyk met die laagste frekwensie in die onderliggende sein model geword. Boonste limiet vir die gemiddelde waarde Die filter begin met v av (0) 0. Alle afmetings v N is tussen 0 en minstens B (waar B is gewoonlik 256 in ons voorbeelde). So werk terug na die begin van die reeks (wat in die praktyk is altyd eindig) wat net B. So het die maksimum waarde van die versterkte gemiddelde CV av (N) is cB wat binne 'n 16 bit nommer in die voorbeeld hierbo. Gewig in die geval waar die monsters het verskillende statistiese belang, dit is, 'n paar het 'n groter fout waarskynlikheid as ander, gewigte aangewend kan word om 'n meer algemene vorm van die filter te skep. Hierdie gewigte sal gekies word om 'n omgekeerde verhouding tot die foutwaarskynlikheid het. As w N is die gewigte wat toegepas moet word, kan die volgende filter gebruik word: Die tweede vergelyking produseer 'n IIR raming van die gemiddelde van die gewigte wat gebruik word in die eerste vergelyking. Dit kan bewys dat 'n onbevooroordeelde raming van die gemiddelde van v N produseer met 'n vergeet faktor van (1-a). Soos voorheen die gewysigde gemiddeldes CW av (N) en CW av (N) v av (N) wat op die linkerkant sal gevolg word, en die verlangde hoeveelhede onttrek deur 'n eenvoudige division. Moore amp Moore Consultancy Services Securities and Tegniese Analise Digitale Comments nie - Eksponensiële Bewegende Gemiddeldes (1) Rekursiewe syferfilters Een manier om digitale filters te struktureer op 'n meer doeltreffende basis is om 'n paar te gebruik van die opbrengs en pas dit toe op die insette. Dit maak die filter rekursiewe as die uitset re voorkom in die insette, die maak van die filter verskyn oneindige lengte. As gevolg van hierdie hierdie filters het ook die naam Oneindige Impulse Response (IIR) filters, soos die reaksie kan voortgaan om oneindig In hierdie geval hierdie baie eenvoudige IIR filter het net een stadium en neem 'n (klein) persentasie van die vorige uitset. Die vergelyking vir hierdie eenvoudige IIR Digitale Filter is: skematies die tekening van hierdie baie eenvoudige IIR filter lyk dit onder die grafiek hieronder toon wat gebeur. Reeks 1 die dun stap insette, produseer die volgende tipiese verbygaande uitgange. Met 'n 9 waarde vir k dan k 0.09, dan Series 2 (die dik lyn) is die eerste tipiese verbygaande reaksie. As die persentasie (k) is gedaal tot 5 (k 0.05) dan Series 3 (die dun lyn onder Series 1) is die verwagte resultaat. Met k verder gedaal tot 1 (k 0,01) dan het ons reeks 4 (die stippellyn goed onder die ander twee uitgange) is die reaksie. Hierdie uitgange al volg eksponensiële tyd antwoorde. So, met 'n bietjie terugvoer wat ons het die eerder komplekse nie-rekursiewe filter verander in 'n eenvoudige rekursiewe filter met min of meer dieselfde frekwensie reaksie, maar 'n ander tyd reaksie Die IIR filter uitsetgolfvorm steeds vir ewig (tot oneindig) om saam te kom op die stabiele waarde, en dit is hoekom hierdie filters kry die naam Oneindige Impulse Response (IIR) filters. Die probleem is nou om hierdie antwoorde te bind sodat hulle met mekaar verband hou met beide tegniese Trading, die gemene deler is (normaalweg dae), en daarom is dit nodig om die rekursiewe faktor (k) verband in 'n tydperk faktor. Gelukkig is daar 'n gegewe direkte verhouding en dit is deur middel van die formule soos volg: Waar het ons besluit k 0.09, hierdie formule vat om 21,2222 periodes, en vir k 0.05, hierdie formule vat om 39,0 tydperke en vir k 0,01, hierdie formule vat om 199,0 tydperke. Gaan agteruit, ons regtig wil om uit te vind die k-faktor van die tydperk en deur die omzetting die formule word dit: So vir 11.0 Periodes dan k 0,1666666, vir 21.0 Periodes dan k 0,090909 en vir k 40.0 Periodes k dan 0,0487804 Dit alles lyk baie eenvoudig , maar die verhouding moet vasgemaak. Met verwysing na die grafiek is dit duidelik dat die tyd reaksie is 'n eksponensiële verval. In fisika land, al die natuurlike optrede volg 'n eksponensiële koers van lading en verval. Kyk na 'n put spoel: al varoosh aan die begin en dit eindig 'n druppel (voor die prop druppels in die tenk te hervul) Wanneer motor hoofligte blus hulle dowwe en donker gaan in 'n eksponensiële wyse. Dit is 'n natuurlike verskynsel oral Wanneer reën begin en stop val, reën digtheid met verloop van tyd is 'n eksponensiële funksie, en dit volg dieselfde eksponensiële verval reëls Terug in Elektroniese Land eksponensiële verrot is baie algemeen en die lading en ontlading keer gemeet word in 'n genormaliseerde benadering genoem tydkonstante (T). Een tydkonstante ontlaai tot ongeveer 37, twee tot ongeveer 14, drie tot sowat 5 vier tot ongeveer 1,8 en vyf tot sowat 0,6 - wat is basies niks Wanneer elektroniese komponente hef hulle die omgekeerde van die ontlading dws volg: 63, 86, 95 , 98,2, 99,4, ens met verwysing na die eenvoudige IIR Digitale Filter vergelyking waar dit is te reageer op 'n Heaviside trapfunksie, die aanklag kurwe het die volgende vergelyking: y (t) x (0). (1-exp t / T) Waar T tydkonstante (of tydperk) waarde. Die grafiek van hierdie vergelyking presies in lyn met die eenvoudige rekursiewe filter hierbo beskryf, so sal ook deur die toepassing van Heavisides Stap funksie (deur die tyd wat wissel insette 'n 1 in plaas van 'n 0) en dan vervang die tydperke wat die tyd faktor t (39) in die direk bo vergelyking, dan y (39) (1-exp -39 / T) 0,8646647 so 0,1353352 exp -39 / T en ln (0,1353352) -2 so exp -2 exp -39 / T so -2 -39 / T, en transponering, T 19.5 wat alles gedoen wat die Hoërskool wiskunde beteken dit basies beteken dat die gespesifiseerde aantal periodes in 'n eenvoudige rekursiewe filter is gelykstaande aan twee (2) tydkonstantes. Met ander woorde, wanneer ons spesifiseer 'n (sê) 100-dag rekursiewe filter, by die 100 ste dag, sal die opbrengs van die filter reaksie (uit 'n stap Input) gelyk dié van twee tydkonstante (86 van die maksimum bedrag). Ons het nou die wiskunde om die opbrengs van die filter akkuraat te voorspel uit enige bekende insette nie raai Dankie, Oliver Heaviside en diegene vroeër briljante wiskundiges Nou kan ons sy fundamentele wiskunde gebruik om die reaksie op 'n oprit te bereken, en die fout te Die op grafiek die linkerkant hieronder toon 'n 100-eenheid stap insette word toegepas op beide 'n SMA20 en 'n EMA20 filter, en die twee uitgange en duidelik gesien. Van die stap insette, die SMA20 uitset styg as 'n oprit totdat dit treffers die maksimum waarde net soos 'n keur koers beperkte versterker Die EMA20 styg vinnig dan val af om eksponensieel te asimptoties konvergeer op die stabiele opbrengs. Die twee uitgange te steek oor die 80 merk, en dit 'n verwysing na gebruik wanneer vergelyk 'n magdom van ander reaksies. Die onderstaande regterhand grafiek toon 'n IIR filter reaksie op 'n eenheid oprit (een vertikale posisie per horisontale stap). (Dit kan gekyk word as sê 1 sent per dag.) Hierdie keer k 0,15 sodat die tydperke 12,33333, en die tydkonstante (T) is dus 6,166667 Periodes. Die Eenheid Ramp is die reguit stippellyn dun positiewe helling lyn en onder dit is die dik lyn uitset reaksie op die oprit, wat ook neem af en raak asimptoties parallel met die oprit. Die vertikale afstand tussen hierdie twee is die fout. So nou weet ons dat hierdie eenvoudige IIR filter het 'n eksponensiële eerste orde reaksie, wat 'n nul fout om 'n stabiele insetwaarde en 'n bekende konstante fout om 'n oprit insette het. Die formule vir die fout is fout R / k 1, waar R die tempo van helling van die insette. Vervang k 0,15 in hierdie vergelyking gee 'n oneindige dwaling van 5,66666 en dit is presies wat die grafiek toon. 'N rekursiewe (IIR) Filter in Praktyk Bogenoemde artikel het net beskryf die innerlike werking van die mees eenvoudige rekursiewe filter, (IIR filter) wat net gebeur met die identiese werking van 'n eksponensiële bewegende gemiddelde (EMA) en feitlik niks behalwe verander word van 'n paar benaming byvoorbeeld 'n 20-dag EMO is regtig 'n IIR filter met k 0,095238 en dat behoort geen verrassing te wees. Ons weet ook nou dat die tydkonstante vir 'n 20 dag EMO filter is dus 10 dae en dat die oprit fout faktor is 9.5 (met die aanvaarding een sent per dag oprit koers). Die bostaande grafiek (geneem uit MarketTools Chart) toon die reaksie verskil tussen 'n SMA20 (Groen) en 'n EMA20 (Blue). Soos die buurt prys begin by die EMO oprit aanvanklik spore nader en wankel rond terwyl die SMA20 gly in stadiger (veelsydige) en vorm 'n feitlik reguit lyn. Dit behoort geen verrassing te wees, as ons weet dat die SMA is veel minder reaktief om onlangse wysigings as 'n EMO. Jy kan duidelik sien die fout dat hulle 'n oprit in pryse en dit kan gebruik word om 'n voordeel wanneer jy tegniese ontleding Hierdie grafiek toon ook die Moving Gemiddeldes dop van die pryse, maar met 'n baie soortgelyke prys verreken (fout) wat veroorsaak word deur die bykans konstante tempo van verandering in die prys oor 'n beperkte tyd (in hierdie geval). Die probleem met die prys is dat daar 'n terugvoer stelsel wat die prys variasies reguleer en hierdie terugvoering menslike beheer wat werk soos volg: Vir een of ander rede, iemand sien wat hulle wil graag 'n bepaalde voorraad aan te koop, maar die prys is effens hoër as die vorige verhandelingsprys. Toe hulle die voorraad aankoop van die nuwe prys is nou hoër. Ander sien dat die prys as óf te hoog is, korrek of nog goedkoop. Met hierdie gedagte in gedagte, ander handelaars gebruik die vorige pryse as 'n verwysing en is geneig om daardie prys terug na die verwysing prys wat elkeen van hulle het reg te stel. Dit veroorsaak dat die prys om te wissel in 'n ossillasie wyse wat geneig is om te stabiliseer met die tyd. Alles is nie verlore as dit is belangrik om te verstaan dat die bewegende gemiddelde tegnologie is 'n 1ste orde stelsel, vir nou is dit gebruik kan word in die wete dat as die pryse is oor die algemeen laer as die bewegende gemiddelde, dan is die pryse is eintlik val met verloop van tyd, en as die pryse is bo die bewegende gemiddelde, dan is die pryse is oor die algemeen stygende met tyd. Dit maak dus baie sin om hierdie baie basiese reël weet, want dit beteken dat die enigste aandele om betrokke te wees in diegene met die pryse bo die bewegende gemiddelde lyn. Maar wat tydkonstante moet gebruik word vir die bewegende gemiddelde en waarom Feitlik geen tegniese ontleding pakkette kom oral in die buurt hierdie diepte, en hulle het almal te behandel SMA en EMO met 'n werklike gebrek aan begrip. Die probleem is amper selfverduidelikend in dat feitlik al die data is EOD gebaseer en as gevolg van daardie, oorkruising bewegende gemiddeldes kan die meeste koop-verkoop seine Met ander woorde op te los, die bevordering van tegniese ontleding gestop soos 'n bus slaan van 'n krans toe bewegende gemiddeldes was opgelos met EOD data. Dit werk winste uit tegniese gebaseer verkope kan verwesenlik stop ontwikkeling Een bewegende gemiddelde Nadat stewig gevestig die feit dat 'n SMA en 'n EMO is albei 1ste orde stelsels, en dat beide van hierdie die geraas van handel variasies, veral die noue waardes effektief te verminder gebaseer op EOD data dit kom as geen verrassing dat hierdie gemiddeldes het 'n gebruik as 'n koop of aanduiding nie te koop vir sekuriteite wat enige vorm van tendens het. Hulle gebruik 'n eenvoudige aansoek dat die fout tussen die werklike naby prys en die bewegende gemiddelde met positiewe aangedui dat die sekuriteit gehou moet word en die omgekeerde. Hierdie aanwyser is die mees primitiewe van alle tegniese aanwysers, en dit is ligjare buite die gebruik van enige vorm van finansiële gegenereer aanduiding te wys as 'n sekuriteit prys styg of val in 'n tendens. Die aanwyser regtig skyn wanneer die sekuriteit is in 'n tendens, maar wanneer die prys hang of plat uit dit 'n probleem van besluiteloosheid. Die grafiek hieronder dui hierdie situasie, en dit word geïllustreer deur die insluiting van 'n skakelaar funksie om te wys wat kan gebeur. Die skakelaar funksie getoon die prys bewegende gemiddelde grafieke. In die linkerkantse geval is dit 'n EMA12, en as die noue prys wissel, die skakelaar word baie besluiteloos wanneer die prys tendens vlak uit of veranderinge rigting. Een manier om die probleem is om 'n stadiger bewegende gemiddelde soos die EMA21 gebruik soos aangedui op die regterkant. Die aantal besluiteloosheid punte verminder, wat beteken dat die aantal nutteloos ambagte aansienlik sal verminder word, maar kyk nader en 'n aansienlike wins lopies verloor omdat die bewegende gemiddelde is te laat in te skakel oor. In die agtergrond is daar 'n positiewe deurdat die 12 en 21 EOD bewegende gemiddeldes is gladder as die EOD naby en dit op sigself kan gebruik word om voordeel. Twee Moving gemiddeldes volgens twee bewegende gemiddeldes te vergelyk (wat op sigself is reeds stryk deur hul eie eienskappe), kan 'n skoner aanduiding verkry word en dit kan 'n paar voordele bied. Die onderstaande grafieke toon 'n paar voorbeelde op dieselfde sekuriteit vir direkte vergelyking. Bogenoemde linkerhand grafiek het dieselfde skakelaar funksie gebaseer op twee bewegende gemiddeldes EMA12 en EMA26 en sien dat die besluiteloosheid is feitlik nul. Dit is 'n positiewe stap, maar 'n nader kyk na die werklike oorskakeling punte toon dat dit baie konserwatief en in baie gevalle 'n aansienlike winste verlore voordat die besluit geneem is om uit te trek. As dit nie was vir hierdie dan dit kan 'n ideale houvas / sell aanwyser suiwer gebaseer op noue pryse van EOD figure wees. Die regs bo grafiek (geneem uit OmniTrader) toon 'n ses maande die lig van 'n voorraad en daar is twee eksponensiële bewegende gemiddeldes (EMAS) ook op die grafiek. In hierdie spesifieke geval is die bewegende gemiddelde wat die aandeelpryse drukkies is 'n EMA8 en die ander een wat stadig konvergeer in die aandeelprys is 'n EMA35. Dit is 'n goeie voorbeeld as die vinniger EMO het die omvang van die EOD waardes van die aandeelprys sny dit verskeie kere. Die stadiger EMO skaars bereik die EOD prys wissel. OmniTrader het 'n baie mooi eienskap in dat elke toets aanwyser kan ingestel word om self-optimaliseer self vir elke sekuriteit oor 'n bepaalde geskiedenis (bv 250 handelsdae). Dit gee die aanwysers 'n goeie kans om 'n baie beter treffer-koers as wat jy normaalweg sou kry deur eenvoudig die opstel van die aanwyser parameters self voorsien. In hierdie geval het hulle by EMA12 en EMA40 en gevestig op EMA8 en EMA35 vir 'n optimale resultaat. Die probleem is dat van onsekerheid as beide bewegende gemiddeldes konvergeer op mekaar en het nie 'n skoon crossover. Dit is nie 'n groot probleem as ons weet dat beide SMA en EMO albei 1ste orde stelsels en as gevolg van dat hulle asimptoties konvergeer op 'n konstante toevoer, so as 'n prys konstant bly, dan is die twee bewegende gemiddeldes sal beide konvergeer op daardie konstante waarde, maar teen verskillende tempo's. Die werklike probleem is een van geraas (eintlik prys fluktuasie oor 'n konstante waarde) en dit kan veroorsaak dat die vinniger bewegende gemiddelde om geheel verslaan oor die meer stabiele stadiger (meer) bewegende gemiddelde. Daar is verskeie oplossings vir hierdie probleem, en elkeen het hul meriete. Verskeie Bewegende Gemiddeldes uitbreiding op die tema van bewegende gemiddeldes van een tot twee baie is 'n logiese progressie en die benadering van veelvuldige Bewegende Gemiddeldes is nogal 'n eenvoudige konsep om te visualiseer. Daryl Guppy uitgedink en dit bestaan uit tien bewegende gemiddeldes in twee groepe wat meetkundig gespasieer. Die eerste groep is korttermyn EMA3, EMA5, EMA7, EMA10 en EMA15, terwyl die lang termyn bewegende gemiddeldes is EMA30, EMA35, EMA40, EMA50 en EMA60. Om 'n visuele oor hoe dit lyk te kry, die twee grafieke hieronder toon die algemene foto's. In die linkerhand grafiek hieronder, die vyf langer termyn bewegende gemiddeldes te volg in die algemeen parallelle lyne as die voorraad prystendense up, die pryse steiler dan dan terug op en die bewegende gemiddelde lyne uit te brei van mekaar en dan bymekaar en dan uit te brei as die nuwe tendens stelle in plek en die bewegende gemiddeldes te vorm weer parallelle lyne. nader kyk in die regterhand grafiek van dieselfde voorraad met die korter stel bewegende gemiddeldes, word dit duidelik dat wanneer die eksponensiële bewegende gemiddeldes konvergeer of divergeer, dan is daar iets is om te gebeur Die rede dat hierdie bewegende gemiddeldes te vorm doeltreffend parallelle lyne, terwyl 'n tendens in die gang is dat die fout van werklike prys bewegende gemiddelde is afhanklik van die terugvoer faktor in die EMO. In direkte vergelyking die SMA gebaseer op dieselfde tyd konstantes word hieronder getoon: Die grafieke hierbo toon dieselfde reënboog van kurwes, maar almal met SMA in plaas van EMO. Dit is as gevolg van die nie-lineêre te stap insette reaksie wat die EMO het dat die kurwes laat bymekaarkom op mekaar, waar die SMA stel kurwes in hierdie laer twee grafieke duidelik mekaar verby skiet. Guppy meerdere Bewegende Gemiddeldes Daryl Guppy ontwikkel 'n reënboog van verskeie bewegende gemiddeldes, bekend as die Guppy Bewegende Gemiddeldes (GMA) dat wanneer geplaas op 'n prys grafiek, konvergeer as die tendens begin om plaas te vind, en weer bymekaar as die tendens van die hand gewys, en al die res van die tyd wat hulle is uiteenlopende Hoe maklik is dit op grond van EOD verkeer, Daryls EMO konstantes is, vir die kort termyn: 3, 5, 8, 10, 12, 15, en vir 'n lang termyn 30, 35, 40, 45, 50, en 60. vir die kort termyn konstantes, my raaiskoot is dat dit gebaseer is op 'n eenvoudige rekenkundige stel EMAS wat nominaal 2.4 periodes uitmekaar was en stel tot die naaste heelgetal vir die tydperk, wat lei tot: 3 , 5.4, 7.8, 10.2, 12.6 en 15.0 gee 3, 5, 8, 10, 13 en 15, met die 13 teruggesak tot 12 Dit lyk vir my dat die langtermyn-konstantes is gebaseer op 'n ander rekenkundige reeks met 55 ontbreek uit waarskynlik omdat dit te krap het daar, en dat my vertel dat hierdie volgorde 'n meetkundige vordering in elk geval moes gewees het. Met vyf tussenposes tussen 30 en 60 die vermenigvuldiger is oor 1,1487 so die volgorde word 30.00, 34.46, 39,59, 45,47, 52,23, 60,00 en bring dit na die naaste Heelgetalle verleen: 30, 34, 40, 45, 52, 60 en dit sou Gee 'n baie selfs stel langer termyn EMA van 'n meetkundige vordering kry die langtermyn konstantes. So hoekom is ek verslaaf aan meetkundige reekse, en hoekom het hulle hierdie dinge by die skool leer dit is goed soos hierdie, die lewe verhoudings is eintlik meetkundig verwant alles is 'n verhouding met die ander dinge, selfs toevoegings tot gesinne meetkundig verwant nie aritmetisch verwant aan die groter skaal. Ek weet dat die onderwysers my nie wys wanneer by die skool en ek het 'n paar bloedige fantastiese onderwysers. By verre was die beste onderwysers diegene wat industriële en sakevaardighede het deur nie-skool ervaring, en was die afguns van diegene wat didnt. In elk geval Om die prentjie daar is niks soos 'n visuele voorbeeld hierbo Die twee grafieke voorbeelde van die Guppy Bewegende Gemiddeldes (GMMA) gee te sien, en dit is Eksponensiële Bewegende Gemiddeldes, nie Eenvoudige bewegende gemiddeldes. Interessant, as SMA het 'n veelsydige reaksie omdat hulle dit nie oorreageer op die mees onlangse waardes as EMA doen. Daar is twee families van hierdie en die linkerkant toon die langtermyn-band weg van die pryse en saam op veranderinge. Die regterkant toon die kort termyn bewegende gemiddeldes van naderby na die (naby) pryse. Gaan op 'n ander raaklyn, deur die oprigting van 'n meetkundige vordering gebaseer op wortel 2 soos per 'n fotografie lens, 'n tipiese volgorde is 5, 7, 10, 14, 20, 28, 40, 56, 80, 113, 200 ens Die links hand een is gebaseer op EMO en die een aan die regterkant is gebaseer op SMA. Omdat die SMA het 'n liniêre verbygaande reaksie hierop het die algehele spoor is 'n bietjie meer afgeronde as die EMO wat 'n tapse verval reaksie, vandaar die spuit van eksponensiële bewegende gemiddeldes in vergelyking met die aantal CROSSOVER met die eenvoudige bewegende gemiddeldes het. Dit is 'n baie gewilde instrument en Guppys reënboë gee 'n hoë impak van visuele, en as dit is wat jy soek, dan is dit dit is nie net dit interessant om te kyk na die verskillende bewegende gemiddeldes afwyk en konvergeer, maar gaan dit 'n stap verder te bereken en vertoon dit divergensie en konvergensie is die volgende logiese evolusionêre stap. Terwyl hierdie reënboë van bewegende gemiddeldes 'n visuele impak behulp EOD data, wanneer dit kom by data te handel is dit 'n heel ander storie, as die stappe is baie kleiner as gevolg van die kort tydgleuwe, en dit gee aanleiding tot die volgorde van CROSSOVER eintlik ontleed , aangesien dit tel die verskil tussen 'n handelsmerk en 'n belegging, maar meer later 'n plaasvervanger vir wend om handel te dryf (live) data is om 'n beter filter gebruik - of waterval (sit een na die ander) 'n eerste orde filters in probeer om 'n hoër maak verlies in die stop band met 'n korter en meer lineêre risetime - en kaskade EMAS die volgende avontuur stepUpdated 12 Maart 2013 wat is RC filter en Eksponensiële hulpbronne en hoe verskil hulle die antwoord op die tweede deel van die vraag is dat hulle die dieselfde proses As een kom uit 'n elektroniese agtergrond dan RC filter (of RC Smoothing) is die gewone uitdrukking. Aan die ander kant 'n benadering wat gebaseer is op statistieke tydreekse het die naam Eksponensiële Berekening van gemiddelde of om die volle naam Eksponensiële Geweegde bewegende gemiddelde gebruik. Dit is ook onder andere bekend as EWMA of EMO. 'N Belangrike voordeel van die metode is die eenvoud van die formule vir die berekening van die volgende uitset. Dit neem 'n fraksie van die vorige uitset en een minus die fraksie keer die huidige insette. Algebraïes op tyd k die stryk uitset y k gegee word deur Soos later aangetoon hierdie eenvoudige formule beklemtoon die onlangse gebeure, glad uit 'n hoë frekwensie variasies en onthul lang tendense termyn. Neem kennis dat daar twee vorme van die eksponensiële gemiddelde vergelyking, die een bo en 'n variant Albei is korrek. Sien die notas aan die einde van die artikel vir meer besonderhede. In hierdie bespreking sal ons net gebruik vergelyking (1). Bogenoemde formule word soms geskryf in die meer beperkte mode. Hoe word hierdie formule afgelei en wat is die interpretasie 'n belangrike punt is hoe ons kies. Om te kyk na hierdie een eenvoudige manier is om 'n RC laaglaatfilter oorweeg. Nou 'n RC laaglaatfilter is bloot 'n reeks weerstand R en 'n parallelle kapasitor C soos hieronder geïllustreer. Die tydreekse vergelyking vir hierdie kring is die produk RC het eenhede van tyd en staan bekend as die tydkonstante, T. vir die kring. Veronderstel ons verteenwoordig die bostaande vergelyking in sy digitale vorm vir 'n tydreeks wat data geneem elke h sekondes het. Ons het Dit is presies dieselfde vorm as die vorige vergelyking. Die vergelyking van die twee verhoudings vir 'n ons het wat verminder om die baie eenvoudige verhouding Vandaar die keuse van N is gelei deur wat tydkonstante ons gekies. Nou vergelyking (1) kan erken as 'n laaglaatfilter en die tydkonstante tipeer die gedrag van die filter. Om die betekenis van die tydkonstante wat ons nodig het om te kyk na die frekwensie kenmerk van hierdie laagdeurlaat RC filter sien. In sy algemene vorm is hierdie Uitdrukking in modulus en fase vorm ons het waar die fasehoek is. Die frekwensie staan bekend as die nominale verdelg frekwensie. Fisies kan dit getoon dat by hierdie frekwensie die krag in die sein is verminder deur die helfte en die amplitude word verminder deur die faktor. In dB terme van hierdie frekwensie is waar die amplitude is verminder deur 3dB. Dit is duidelik dat as die tydkonstante T verhogings so dan die uitroei frekwensie verminder en ons pas meer smoothing die data, wat ons skakel die hoër frekwensies. Dit is belangrik om daarop te let dat die frekwensieweergawe in radiale / sekonde. Dit is daar 'n faktor van betrokke. Byvoorbeeld keuse van 'n tydkonstante van 5 sekondes gee 'n effektiewe verdelg frekwensie van. Een gewilde gebruik van RC glad is om die optrede van 'n meter soos gebruik in 'n gesonde vlak meter na te boots. Dit is oor die algemeen gekenmerk deur hul tydkonstante soos 1 sekonde vir S tipe en 0,125 sekondes vir F tipes. Vir hierdie 2 gevalle is die effektiewe verdelg frekwensies is onderskeidelik 0.16Hz en 1.27Hz. Eintlik is dit nie die tydkonstante ons gewoonlik wil kies, maar dié tydperke ons wil insluit. Gestel ons het 'n sein waar ons wil funksies met 'n tweede periode P sluit. Nou 'n tydperk P is 'n frekwensie. Ons kan dan kies om 'n tydkonstante T gegee deur. Maar weet ons dat ons oor 30 van die uitset (-3dB) by verloor. So die keuse van 'n tydkonstante wat presies ooreenstem met die periodiciteiten ons wil hou is nie die beste skema. Dit is gewoonlik beter om 'n effens hoër afgesny frekwensie kies, sê. Die tydkonstante is dan wat in praktiese terme is soortgelyk aan. Dit verminder die verlies aan sowat 15 op hierdie periodisiteit. Vandaar in praktiese terme gebeure behou met 'n periodisiteit van of groter kies dan 'n tydkonstante van. Dit sluit in die uitwerking van periodiciteiten van af te gaan. Byvoorbeeld, as ons wil die gevolge van gebeure gebeur met insluit sê 'n tweede periode (0.125Hz) 8 Daarna volg 'n tydkonstante van 0.8 sekondes. Dit gee 'n afgesny frekwensie van ongeveer 0.2Hz sodat ons 8 tweede tydperk is goed in die hoof deurlaatband van die filter. As ons die data is monsterneming by 20 keer / sekonde (h 0.05) dan die waarde van N is (0.8 / 0.05) 16 en. Dit gee 'n insig in hoe om te stel. Basies 'n bekende monster tempo dit tipeer die gemiddelde tydperk en kies wat 'n hoë frekwensie skommelinge sal geïgnoreer word. Deur te kyk na die uitbreiding van die algoritme kan ons sien dat dit bevoordeel die mees onlangse waardes, en ook waarom dit staan bekend as eksponensiële gewig. Ons het Vervanging van y k-1 gee die proses 'n paar keer Herhaling lei tot gevolg is in die reeks dan duidelik die terme aan die regterkant kleiner geword en op te tree soos 'n verrottende eksponensiële. Dit is die huidige produksie is bevooroordeeld teenoor die meer onlangse gebeure, maar die groter ons kies T dan die minder vooroordeel. Ter opsomming kan ons sien dat die eenvoudige formule beklemtoon die onlangse gebeure stryk uit 'n hoë frekwensie (kort tydperk) gebeure onthul langtermyn tendense Aanhangsel 1 8211 Alternatiewe vorms van die vergelyking Let Daar is twee vorms van die eksponensiële gemiddelde vergelyking wat in die literatuur verskyn. Albei is korrek en gelyk. Die eerste vorm soos hierbo getoon is (A1) Die alternatiewe vorm is 8230 (A2) Let op die gebruik van in die eerste vergelyking en in die tweede vergelyking. In beide vergelykings en is waardes tussen nul en eenheid. Vroeër is gedefinieer as nou die keuse om Vandaar definieer die alternatiewe vorm van die eksponensiële gemiddelde vergelyking in fisiese terme beteken dit dat die keuse van vorm een gebruik, hang af van hoe 'n mens wil om te dink aan óf neem as die terugvoer fraksie vergelyking (A1) of soos die fraksie van die insette vergelyking (A2). Die eerste vorm is effens minder omslagtig in wat die RC filter verhouding, en lei tot 'n eenvoudiger begrip in filter terme. Hoof Seinverwerking ontleder by Prosig Dr Colin Mercer is Hoof Seinverwerking ontleder by Prosig en het verantwoordelikheid vir seinverwerking en die toepassing daarvan. Hy was voorheen by die Instituut van klank en vibrasie Research (ISVR) by Southampton Universiteit waar hy die Data-analise Sentrum gestig. Hy is 'n geoktrooieerde ingenieur en 'n genoot van die British Computer Society. Ek dink jy wil die 8216p8217 verander na die simbool vir pi. Marco, dankie vir die wys dat uit. Ek dink dit is een van ons ouer artikels wat oorgedra is van 'n ou woordverwerkingsdokument. Dit is duidelik dat die redakteur (my) versuim het om raak te sien dat die pi het nie korrek oorgeskryf. Dit sal binnekort reggestel word. it8217s 'n baie goeie artikel verduideliking oor die eksponensiële gemiddelde Ek glo daar is 'n fout in die formule vir T. Dit moet T h (N-1), nie T (N-1) / h wees. Mike, dankie vir die spot nie. Ek het nou net terug nagegaan dr Mercer8217s oorspronklike tegniese kennis in ons argief en dit blyk dat daar fout is gemaak wanneer die oordrag van die vergelykings om die blog. Ons sal die pos op te los. Dankie dat jy ons laat weet Dankie dankie dankie. Jy kan 100 DSP tekste te lees sonder om iets te sê dat 'n eksponensiële gemiddelde filter is die ekwivalent van 'n R-C filter vind. hmm, het jy die vergelyking vir 'n EMO korrekte weergawe is dit nie YK aXk (1-a) YK-1 in plaas van YK aYk-1 (1-a) Xk Alan, Beide vorms van die vergelyking verskyn in die literatuur, en beide vorms korrek as ek hieronder sal wys. Die punt wat jy maak is belangrike een, want die gebruik van die alternatiewe vorm beteken dat die fisiese verhouding met 'n RC filter is minder duidelik, ook die interpretasie van die betekenis van 'n bewys in die artikel is nie geskik is vir die alternatiewe vorm. Eerste laat ons wys beide vorms korrek is. Die vorm van die vergelyking wat ek gebruik is en die alternatiewe vorm wat verskyn in baie tekste is Note in die bogenoemde Ek latex 1 / latex gebruik in die eerste vergelyking en latex 2 / latex in die tweede vergelyking. Die staking van beide vorms van die vergelyking word getoon wiskundig hieronder om eenvoudige stappe op 'n slag. Wat is nie dieselfde is die waarde wat gebruik word vir latex / latex in elke vergelyking. In beide vorms latex / latex is nie 'n waarde tussen nul en eenheid. Eerste herskryf vergelyking (1) te vervang latex 1 / latex deur latex / latex. Dit gee latexyk y (1 - beta) xk / latex 8230 (1A) Nou definieer latexbeta (1 - 2) / latex en so het ons ook latex 2 (1 - beta) / latex. Vervang dit in vergelyking (1A) gee latexyk (1-2) y 2xk / latex 8230 (1B) En ten slotte weer die reël gee Hierdie vergelyking is identies aan die alternatiewe vorm gegee in vergelyking (2). Sit meer net latex 2 (1-1) / latex. In fisiese terme beteken dit dat die keuse van vorm een gebruik, hang af van hoe 'n mens wil om te dink aan óf neem latexalpha / latex as die terugvoer fraksie vergelyking (1) of as die fraksie van die insette vergelyking (2). Soos hierbo genoem ek die eerste vorm gebruik soos dit is 'n bietjie minder omslagtig in wat die RC filter verhouding, en lei tot eenvoudiger begrip in filter terme. Maar laat die bogenoemde is, na my mening, 'n tekort in die artikel as ander mense kan 'n verkeerde afleiding maak so 'n hersiene weergawe sal binnekort verskyn. I8217ve het altyd gewonder oor hierdie, dankie vir die beskrywing van dit so duidelik. Ek dink nog 'n rede die eerste formulering is mooi is alfa kaarte te 8216smoothness8217: 'n hoër keuse van Alpha beteken 'n 8216more smooth8217 uitset. Michael Dankie vir waarneming 8211 ék sal by die artikel iets op die lyne as dit is altyd beter na my mening in verband te bring fisiese aspekte. Dr Mercer, Uitstekende artikel, dankie. Ek het 'n vraag oor die tydkonstante wanneer dit gebruik word met 'n wgk detector as in 'n gesonde vlak meter wat jy verwys na in die artikel. As ek jou vergelykings om 'n eksponensiële filter met tydkonstante 125ms model en gebruik 'n inset stap sein, kan ek wel 'n uitset wat na 125ms, is 63.2 van die finale waarde te kry. Maar as ek die insetsein Square en sit dit deur die filter, dan sien ek dat ek nodig het om die tydkonstante ten einde te verdubbel vir die sein om te bereik 63,2 van sy finale waarde in 125ms. Kan jy my laat weet as dit verwag word. Baie dankie. Ian Ian, As jy 'n sein soos 'n sinusgolf vierkante dan basies jy verdubbeling van die frekwensie van die fundamentele sowel as die bekendstelling van baie ander frekwensies. Omdat die frekwensie het in effek is verdubbel dan is dit om 8216reduced8217 deur 'n groter bedrag deur die laagdeurlaatfilter. Gevolglik neem dit langer om dieselfde amplitude bereik. Die kwadratuur werking is 'n nie lineêre werking so ek dink nie dit sal altyd presies verdubbel in alle gevalle, maar dit sal neig om te verdubbel as ons 'n dominante lae frekwensie. Let ook daarop dat die ewenaar van 'n kwadraat sein is twee keer die ewenaar van die 8220un-squared8221 sein. Ek vermoed dat jy dalk probeer om 'n vorm van gemiddelde vierkante glad, wat is heeltemal fyn en geldig te kry. Dit mag dalk beter wees om die filter toe te pas en dan vierkant as jy weet wat die effektiewe donker. Maar as alles wat jy het, is die kwadraat sein dan met behulp van 'n faktor van 2 tot verander jou filter alfa waarde sal ongeveer kry jy terug na die oorspronklike snit af frekwensie, of om dit 'n bietjie makliker te definieer jou afsnyfrekwensie teen dubbel die oorspronklike. Dankie vir jou reaksie Dr Mercer. My vraag is regtig probeer om dit wat eintlik gedoen in 'n wgk detector van 'n gesonde vlak meter te kry. As die tydkonstante is ingestel vir 8216fast8217 (125ms) Ek sou gedink het dat intuïtief jy sou verwag dat 'n sinusvormige insetsein om 'n uitset van 63,2 van sy finale waarde te produseer na 125ms, maar aangesien die sein word vierkantig voordat dit na die 8216mean8217 opsporing, sal dit eintlik neem twee keer so lank as wat jy verduidelik. Die beginsel doel van die artikel is om die ekwivalensie van RC filter en eksponensiële gemiddelde wys. As ons praat oor die integrasie tyd gelykstaande aan 'n ware vierkantige integreerder dan korrek dat daar 'n faktor van twee betrokke is. Eintlik as ons 'n ware vierkantige integreerder wat integreer vir Ti sekondes die ekwivalent RC integator tyd om dieselfde resultaat te bereik is 2RC sekondes. Ti is anders as die RC 8216time constant8217 T wat RC. So as ons 'n 8216Fast8217 tydkonstante van 125 msec, dit is RC 125 msec dan is dit gelykstaande aan 'n ware integrasie tyd van 250 msec Dankie vir die artikel, dit was baie behulpsaam. Daar is 'n paar onlangse vraestelle in neurowetenskap wat 'n kombinasie van EMO filters (kort met venster EMO 8211 langtermyn-met venster EMO) gebruik as 'n banddeurlaatfilter vir die regte tyd sein analise. Ek wil graag om hulle toe te pas, maar ek sukkel met die venster groottes verskillende navorsingsgroepe gebruik en sy korrespondensie met die afsnyfrekwensie. Let8217s sê ek wil al die frekwensies onder 0.5Hz (aprox) hou en dat ek verkry 10 monsters / sekonde. Dit beteken dat FP 0.5Hz P 2s T P / 100,2 h 1 / fs0.1 Thefore, die venster grootte Ek moet met behulp van moet N3 wees. Is dit redenasie korrek voordat jy jou vraag wat ek moet kommentaar lewer oor die gebruik van twee hoë slaagsyfer filters om 'n bandlaatfilter vorm. Vermoedelik hulle funksioneer as twee afsonderlike strome, sodat 'n gevolg is van die inhoud van seggenskap latexf / latex om die helfte monster tempo en die ander is die inhoud van seggenskap latexf / latex om die helfte monster tempo. As alles wat hy gedoen het, is die verskil in gemiddelde vierkante vlakke as 'n aanduiding van die krag in die band van latexf / latex om latexf / latex dan is dit dalk redelik wees indien die twee afgesny frekwensies voldoende ver van mekaar, maar ek verwag dat die mense wat dit gebruik hierdie tegniek probeer om 'n nouer band te filter na te boots. Na my mening dat onbetroubare vir ernstige werk sou wees, en sal 'n bron van kommer wees. Net vir verwysing 'n bandlaatfilter is 'n kombinasie van 'n lae frekwensie High Pass filter om die lae frekwensies en 'n hoë frekwensie Laaglaatfilter verwyder om die hoë frekwensies te verwyder. Daar is natuurlik 'n lae slaagsyfer vorm van 'n RC filter, en dus 'n ooreenstemmende EMO. Miskien al my oordeel is dat oorkrities sonder om te weet al die feite dus kan jy stuur vir my 'n paar verwysings na die studies wat jy genoem het, so ek kan kritiseer, soos toepaslik. Miskien het hulle is met behulp van 'n lae slaagsyfer asook 'n hoë slaag filter. Nou draai om jou werklike vraag oor hoe om te bepaal N vir 'n gegewe teiken afsnyfrekwensie Ek dink dit is die beste om die basiese vergelyking T (N-1) h gebruik. Die gesprek oor tydperke is daarop gemik om mense 'n gevoel van wat aangaan. So sien die afleiding hieronder. Ons het die verhoudings latexT (N-1) h / latex en latexT1 / 2 / latex waar latexfc / latex is die veronderstelde afsnyfrekwensie en h die tyd tussen monsters, duidelik latexh 1 / / latex waar latexfs / latex is die monster tempo in monsters / sek. Herrangskik T (N-1) h in 'n geskikte vorm om die afsnyfrekwensie, latexfc / latex en die monster tempo, latexfs / latex, word hieronder getoon sluit. So met behulp latexfc 0.5Hz / latex en latexfs 10 / latex monsters / sek sodat latex (FC / VS) 0.05 / latex gee sodat die naaste heelgetal waarde is 4. Re-reël van die bogenoemde het ons so met N4 ons het latexfc 0,5307 Hz / latex. Die gebruik van N3 gee 'n latexfc / latex van 0,318 Hz. Let met N1 ons 'n volledige afskrif sonder filter.
No comments:
Post a Comment