Moving Average Drift

Ek het 'n vraag oor die afleiding van die gemiddelde dryfsnelheid in 'n dirigent: dryfsnelheid is die gemiddelde snelheid wat 'n vrye lading wat in 'n dirigent het as gevolg van die invloed van 'n elektriese veld toegepas op die dirigent. In 'n metaal, sal die vrye lading 'n elektron wees. As hulle beweeg deur middel van die dirigent, sal elektrone gereeld stamp in ione. As die gemiddelde vrye tyd van die elektron, dit wil sê die gemiddelde tyd tussen opeenvolgende botsings, dan tussen twee botsings, sal die optrede van 'n eksterne elektriese veld te maak die elektron versnel deur (ee / m), waar E die sterkte van die veld (en dit krag konstant), e die lading van 'n elektron, 'n m die massa van die elektron. Gemeen handboeke hierdie hoeveelheid (ee / m) is gelyk aan die grootte van die drif snelheid in die dirigent. Dit verwar, aangesien die hoeveelheid druk die gemiddelde maksimum spoed verkry deur die elektron, dit wil sê die spoed dit net voor dit bots met die volgende ione. Maar dryfsnelheid is veronderstel om die gemiddelde snelheid van die elektron as gevolg van die veld, so ek dink die grootte moet net die helfte van hierdie hoeveelheid wees. gevra 12 April 15 by 03:26 TonyK Onbehoorlike punktuasie verwar die leser. Hierdie en ander kwessies wat verband hou met die titel duidelikheid, is bespreek op 'n sekere lengte in die meta. Die grootliks upvoted post daar is die resultaat van die insette van ander gebruikers via baie kommentaar (waarvan die meeste is nou geskrap). Dit doesn39t quotharmquot iemand anders die persoon wat probeer om 'n antwoord te kry toe ek sien swak leestekens, spelling, ens Ek is minder geneig om die ekstra moeite om die vraag te verstaan. Wat skade doen dit om mense oor die beste praktyke te herinner uitvoering maak DanielSank 1 Oktober 15 by 22:23 2 Antwoorde Ek dink die handboek beskrywing is 'n geval van handuit ruk. As jy en. wikipedia. org/wiki/Driftvelocity check dit sê die die drif snelheid is 'n faktor van die toegepaste elektriese veld en die mobiliteit draer. Maar as jy mobiliteit draer te vors, en. wikipedia. org/wiki/Electronmobility sê dat die soort versnelling jy beskryf is moontlik in vaste stowwe vir afstande / keer so klein / kort as die gemiddelde gratis pad / tyd, maar dat in daardie gevalle dryfsnelheid en mobiliteit is nie sinvol nie. So ek dink dryfsnelheid veronderstel is om te wees vir verskeie verbrysel. (Jy het selfs een dryfsnelheid vir gate en 'n ander vir elektrone.) Om eerlik na die handboek aanbieding wees, soos 'n beskrywing kom gewoonlik in 'n bespreking van waarom so baie materiaal is ohmiese, spesifiek die situasie van mobiliteit lae-veld, wat dikwels konstante (dryfsnelheid om proporsionele die toepassing elektriese veld). Die idee is dat daar 'n baie groot hitte spoed van die draer, en dat vir die toepassing elektriese veld die snelheid didnt alles wat veel persentasiegewys verander. So vir 'n effektiewe kenmerkende tyd tussen effektiewe botsings, didnt die tyd tussen botsings regtig verander baie. So sterker velde het net proporsioneel sterker effekte en veranderinge in snelheid In daardie sin is die faktor van twee isnt die kwessie, dit is net 'n kenmerk tyd, en in die lae veld limiet wat kenmerkend tyd nie die geval verandering vir verskillende Toegepaste velde. Dit is nie letterlik 'n tyd tussen letterlike klassieke botsings van klassieke deeltjies. Wat is die kenmerkende tyd Dit is belangrik om seker te maak jy weet dat die gemiddelde snelheid probeer jy om uit te vind (die drif snelheid) isnt regtig die tyd gemiddeld snelheid van 'n bepaalde elektron. In plaas daarvan, wat jy doen, is jy die momentum van elke elektron neem en voeg dit tot die totale momentum van die elektrone kry, deel dit deur die aantal elektrone om die gemiddelde momentum van die elektrone te kry, en dan los wat vir snelheid. So dit is regtig 'n ruimtelike gemiddelde. Daar is sintuie waar dat baie naby aan 'n tyd gemiddelde kan wees, maar dat minder as nuttig kan wees. OK, so 'n paar elektrone beweeg stadiger, sommige is vinniger beweeg. Op enige oomblik (of klein tydsinterval) sommige van hulle is naby genoeg om die ander dele van die draad (of naby genoeg aan mekaar) dat hulle momentum te ruil met hulle so dont hou al van die momentum van die elektriese veld sal hulle gee op daardie momentum (of klein tydsinterval). In afwesigheid van 'n toegepaste veld, die elektrone as 'n groep het 'n verspreiding van snelhede, sommige stadiger, en 'n paar vinniger, en 'n paar wys in verskillende rigtings. In 'n tyd interval, kan dit wees dat die elektron in 'n bepaalde streek verander van 'n vinniger een in 'n stadiger een, of van een gaan in een rigting een gaan in 'n ander rigting. Maar die verspreiding van snelhede bly dieselfde. So in werklikheid, kan die elektriese veld momentum verskaf aan elke elektron, maar soms in plaas van om daardie momentum en meer gaan in daardie rigting, die elektron ruil dit met ander. Noudat ons weet wat regtig gebeur, kan kyk na die geval van geen Toegepaste elektriese veld, maar maak 'n groot skaal bruto oorvereenvoudiging. Dit op groot skaal bruto oorvereenvoudiging is om te sê dat die elektron gaan in 'n reguit lyn op watter snelheid het en dan kry regtig vinnig geklap en begin gaan in 'n ewekansige rigting en ewekansige spoed (maar lukraak gekies uit 'n waarskynlikheid verspreiding soos dié van die hele versameling elektrone). Dit massiewe en bruto oorvereenvoudiging korrek kry dat die snelheid van 'n elektron is soms onveranderlike, en soms verander, maar dat algehele het die waarskynlikheid verspreiding dat die versameling het. (Wat afhanklik is van temperatuur, vir 'n normale metale en kamertemperatuur, die meeste van die elektrone wat teen naby 106 meter per sekonde, naby aan 1 van die spoed van lig, redelik vinnig, en nie baie is baie vinniger en gaan nie veel gaan veel stadiger en hulle ewe reis in alle rigtings binne die draad.) So jy kan eenvoudig vir en dan probeer om eenvoudig vir hoe lank tussen botsings, wat min of meer met betrekking tot hoe ver uitmekaar dinge en jou spoed. Jou spoed is meestal dieselfde. So is daar 'n tyd tussen botsings. Dit is die kenmerk van tyd, maar daar isnt regtig 'n drif snelheid daar, want dit isnt regtig beweeg in reguit lyne dan kry doodop regtig hard regtig vinnig. Dit is net 'n storie wat gelykstaande is genoeg om 'n paar antwoorde reg te kry. Genoeg van die kenmerke is korrek om te verduidelik waarom 'n materiaal is ohmiese in die sin dat vir baie van die verskillende velde, die verhouding tussen stroomdigtheid en elektriese veld is konstant. Dit isnt regtig konstant, dit hang af van digtheid en temperatuur en so. So, wat is dryfsnelheid regtig en waar kom dit vandaan regtig Die wat eintlik korrek, dit is die ruimtelike gemiddelde, sodat jy het 'n groot snelheid vektore (106 meter per sekonde) wat deel uitmaak van 'n veel groter hoeveelheid aantal elektrone (10 of meer) wys in baie rigtings wys elke watter manier. So het die 10 plus vektore wys in 10 of meer verskillende rigtings. Maar hulle hoef gemiddeld uit na nul wanneer daar 'n toegepaste veld, daar is 'n bietjie meer wys een manier as die teenoorgestelde manier, en 'n bietjie groter in sommige rigtings as ander. Dit ruimtelike gemiddeld van die snelhede is die drif snelheid. Dit is regtig net die totale stroom digtheid geskryf asof was 'n gemiddelde snelheid van die aanklagte. Dit kom oor as gevolg van die netto effek van die draad en die elektriese veld. Kom ons praat oor wat nog baie meer. Hoe die verstrooiing teen die elektriese veld Vergeet van die elektriese veld vir nou, laat sien wat om te draad nie en kan doen om elektrone. Die draad het sellulêre wat kan rondbeweeg en dit was dele wat min of meer vas in plek relatief tot mekaar. Soos dele van die trein, kan die hele trein beweeg, maar elke stoel in die trein het 'n vaste afstand van die ander voorsitters van die trein. As die trein begin beweeg en 'n persoon sit op die stoel, kan die voorsitter hulle stoot totdat hulle beweeg met die trein. Dieselfde met die draad. Jy kan jou hande langs elke deel van die draad en beweeg dit. As jy dit doen, die hele draad beweeg, net soos die trein beweeg. Maar in die trein, as daar 'n bal geteister regop in die lug net voor die trein begin beweeg dan vir 'n bietjie jy 'n bal nie beweeg in 'n bewegende trein. Dieselfde met die mobiele elektrone in 'n sekere sin is dit vry van die draad, isnt dit vas aan 'n een plek, sodat die draad begin om te beweeg en die elektron hom bevind in rus (nie regtig aangesien die meeste van die tyd wat dit beweeg teen 106 meter per sekonde, maar op ruimtelike gemiddelde dit is in rus). So het die elektrone vind hulself te wees in rus (ruimtelik gemiddeld) in 'n bewegende draad. Maar net soos die bal uiteindelik tref die agterkant van die trein of die vloer van die trein, die elektrone nie kry uiteindelik saamgesleep. Die draad wat opruk na hulle treffers dit moeiliker uit een rigting as die ander. Aanvanklik is hulle rond hardloop in alle rigtings op gelyke spoed, maar toe hulle getref deel van die draad wat deel vorm van die draad beweeg, sodat wanneer hulle getref kop op hulle harder gedruk en toe hulle oorval kry hulle terug minder hard gestoot, die netto effek is dat hulle begin om te beweeg in die rigting van die draad, teen die spoed van die draad. So nou kan bring die elektriese veld. Stel jou voor 'n elektriese veld wat wys in die x rigting, dan wil dit om elektrone in die - x rigting versnel. Maar wat as die draad beweeg in die x rigting. As dit op die regte spoed beweeg dit sou maak die elektrone in die x rigting presies soveel op ruimtelike gemiddelde as die elektriese veld maak hulle gaan in die - x rigting. So het die netto effek is die elektrone sal ongeveer ewe beweeg in alle rigting. Dit is presies wat gebeur in die raam beweeg teen dryfsnelheid. In die raam die elektrone ewe beweeg in alle rigting, is die draad beweeg teen dryfsnelheid en daar is 'n elektriese veld. Dit is letterlik waar die drif snelheid vandaan kom. Die spoed van die draad met betrekking tot die gemiddelde snelheid van die elektrone wat soveel versnelling van elektron-draad interaksies produseer as die elektron kry van elektron-elektriese-veld interaksies. 'N baie eenvoudige siening van dinge gebeur binnekant van 'n dirigent. wrywing kragte wat stadig elektrone af is eweredig aan die spoed van elektrone. Daar is dus 'n finale spoed waarteen wrywingskragte en krag as gevolg van elektriese veld balans uit. Dit spoed kan viewd as die drif spoed. Dit verwys na 'n spoed waarteen al die elektrone beweeg af in die dirigent in die rigting van die toegepaste veld. Wrywingskragte word veroorsaak deur elektron-elektron, elektron-phonon botsings. So, dit is die manier waarop energie verloor as gevolg van entropie. antwoord 10 Julie toe 15 9: 40Smoothing data verwyder ewekansige variasie en programme tendense en sikliese komponente Inherent in die versameling van data geneem met verloop van tyd is 'n vorm van ewekansige variasie. Daar bestaan ​​metodes vir die vermindering van van die kansellasie van die effek as gevolg van ewekansige variasie. 'N dikwels gebruikte tegniek in bedryf is glad. Hierdie tegniek, wanneer dit behoorlik toegepas word, blyk duidelik die onderliggende tendens, seisoenale en sikliese komponente. Daar is twee afsonderlike groepe glad metodes Berekening van gemiddelde metodes Eksponensiële Smoothing Metodes Neem gemiddeldes is die eenvoudigste manier om data te stryk Ons sal eers ondersoek sommige gemiddelde metodes, soos die eenvoudige gemiddeld van al die afgelope data. 'N Bestuurder van 'n pakhuis wil weet hoeveel 'n tipiese verskaffer lewer in 1000 dollar eenhede. Hy / sy neem 'n monster van 12 verskaffers, na willekeur, die verkryging van die volgende resultate: Die berekende gemiddelde of gemiddeld van die data 10. Die bestuurder besluit om dit te gebruik as die skatting vir uitgawes van 'n tipiese verskaffer. Is dit 'n goeie of slegte skat Gemiddelde kwadraat fout is 'n manier om te oordeel hoe goed 'n model is Ons sal bereken die gemiddelde kwadraat fout. Die fout ware bedrag wat minus die beraamde bedrag. Die fout vierkant is die fout hierbo, vierkantig. Die SSE is die som van die gekwadreerde foute. Die MSE is die gemiddeld van die kwadraat foute. MSE lei byvoorbeeld Die uitslae is: Fout en gekwadreerde foute Die raming 10 Die vraag ontstaan: kan ons gebruik maak van die gemiddelde inkomste voorspel as ons vermoed dat 'n tendens 'n blik op die grafiek hieronder toon duidelik dat ons nie dit sou doen. Gemiddeld weeg al verlede Waarnemings ewe In opsomming, ons verklaar dat die eenvoudige gemiddelde of gemiddeld van al verlede waarnemings is net 'n nuttige skatting vir vooruitskatting wanneer daar geen tendense. As daar tendense, gebruik verskillende skattings dat die tendens in ag neem. Die gemiddelde weeg al verlede Waarnemings ewe. Byvoorbeeld, die gemiddelde van die waardes 3, 4, 5 is 4. Ons weet natuurlik dat 'n gemiddelde word bereken deur die toevoeging van al die waardes en die som te deel deur die aantal waardes. Nog 'n manier van berekening van die gemiddelde is deur die byvoeging van elke waarde gedeel deur die aantal waardes, of 3/3 4/3 5/3 1 1,3333 1,6667 4. Die vermenigvuldiger 1/3 is die gewig genoem. In die algemeen: bar frac som links (frac regs) x1 links (frac regs) x2,. ,, Links (frac regs) xn. Die (links (frac regs)) is die gewigte en, natuurlik, hulle vat om 1.Exponentially geweegde bewegende gemiddelde kaarte vir die opsporing van konsep drif Gordon J. Ross. . Niall M. Adams Dimitris K. Tasoulis David J. Hand Departement Wiskunde, Imperial College in Londen SW7 2AZ, die Verenigde Koninkryk van 13 April 2010 beskikbaar aanlyn 17 September 2011. gekommunikeer deur die R. C. Guido Abstract Klassifisering stroom data vereis die ontwikkeling van metodes wat computationeel doeltreffende en in staat om te gaan met veranderinge in die onderliggende verdeling van die stroom, 'n verskynsel wat in die literatuur as konsep drif bekend is. Ons stel 'n nuwe metode vir die opsporing van konsep drif wat 'n eksponensieel geweeg bewegende gemiddelde (EWMA) grafiek gebruik om die foutieve classificatie tempo van 'n streaming klassifiseerder te monitor. Ons benadering is modulêre en kan dus uitgevoer word in parallel met 'n onderliggende klassifiseerder om 'n bykomende laag van konsep drif opsporing voorsien. Verder ons metode is computationeel doeltreffende met oorhoofse O (1) en werk in 'n ten volle aanlyn wyse met geen behoefte om datapunte te stoor in die geheue. In teenstelling met baie bestaande benaderings tot konsep drif opsporing, ons metode laat die tempo van vals positiewe ontdekkings te beheer en konstant gehou met verloop van tyd. Hoogtepunte Ons bied 'n enkele slaag en bestryk doeltreffende konsep drif opsporing algoritme. Geskik vir ontplooiing op 'n hoë frekwensie data strome. Laat die tempo van vals positiewe ontdekkings te beheer, in teenstelling met bestaande metodes. Eksperimente op beide werklike en sintetiese data toon positiewe resultate opgelewer. Sleutelwoorde Streaming klassifikasie Konsep drif Verandering detectionMoving gemiddelde en eksponensiële gladstryking modelle As 'n eerste stap in die beweging van buite gemiddelde modelle, ewekansige loop modelle, en lineêre tendens modelle, nonseasonal patrone en tendense kan geëkstrapoleer deur 'n bewegende-gemiddelde of glad model. Die basiese aanname agter gemiddelde en glad modelle is dat die tyd reeks is plaaslik stilstaande met 'n stadig wisselende gemiddelde. Vandaar, neem ons 'n bewegende (plaaslike) gemiddelde om die huidige waarde van die gemiddelde skat en dan gebruik dit as die voorspelling vir die nabye toekoms. Dit kan beskou word as 'n kompromie tussen die gemiddelde model en die ewekansige-stap-sonder-drif-model. Dieselfde strategie gebruik kan word om te skat en ekstrapoleer 'n plaaslike tendens. 'N bewegende gemiddelde is dikwels 'n quotsmoothedquot weergawe van die oorspronklike reeks, want kort termyn gemiddelde het die effek van gladstryking uit die knoppe in die oorspronklike reeks. Deur die aanpassing van die mate van gladstryking (die breedte van die bewegende gemiddelde), kan ons hoop om 'n soort van 'n optimale balans tussen die prestasie van die gemiddelde en die stogastiese wandeling modelle slaan. Die eenvoudigste soort gemiddelde model is die. Eenvoudige (ewe-geweeg) Moving Average: Die voorspelling vir die waarde van Y op tyd T1 wat gemaak word op tydstip t is gelyk aan die eenvoudige gemiddelde van die mees onlangse m waarnemings: (hier en elders sal ek die simbool 8220Y-hat8221 gebruik om op te staan vir 'n voorspelling van die tyd reeks Y gemaak op die vroegste moontlike voor datum deur 'n gegewe model.) Hierdie gemiddelde is gesentreer op tydperk t (M1) / 2, wat impliseer dat die skatting van die plaaslike gemiddelde sal neig om agter die werklike waarde van die plaaslike gemiddelde met sowat (M1) / 2 periodes. So, sê ons die gemiddelde ouderdom van die data in die eenvoudige bewegende gemiddelde is (M1) / 2 met betrekking tot die tydperk waarvoor die voorspelling is bereken: dit is die hoeveelheid tyd waarop voorspellings sal neig om agter draaipunte in die data. Byvoorbeeld, as jy gemiddeld die afgelope 5 waardes, sal die voorspellings wees oor 3 periodes laat in reaksie op draaipunte. Let daarop dat indien M1, die eenvoudige bewegende gemiddelde (SMA) model is soortgelyk aan die ewekansige loop model (sonder groei). As m is baie groot (vergelykbaar met die lengte van die skatting tydperk), die SMA model is gelykstaande aan die gemiddelde model. Soos met enige parameter van 'n voorspelling model, is dit gebruiklik om die waarde van k te pas ten einde die beste quotfitquot om die data, dit wil sê die kleinste voorspelling foute gemiddeld behaal. Hier is 'n voorbeeld van 'n reeks wat blykbaar ewekansige skommelinge toon om 'n stadig-wisselende gemiddelde. In die eerste plek kan probeer om dit aan te pas met 'n ewekansige loop model, wat gelykstaande is aan 'n eenvoudige bewegende gemiddelde van 1 kwartaal: Die ewekansige loop model reageer baie vinnig om veranderinge in die reeks, maar sodoende dit tel baie van die quotnoisequot in die data (die ewekansige skommelinge) asook die quotsignalquot (die plaaslike gemiddelde). As ons eerder probeer 'n eenvoudige bewegende gemiddelde van 5 terme, kry ons 'n gladder lyk stel voorspellings: Die 5 termyn eenvoudige bewegende gemiddelde opbrengste aansienlik kleiner foute as die ewekansige loop model in hierdie geval. Die gemiddelde ouderdom van die data in hierdie voorspelling is 3 ((51) / 2), sodat dit is geneig om agter draaipunte met sowat drie periodes. (Byvoorbeeld, blyk 'n afswaai het plaasgevind by tydperk 21, maar die voorspellings nie omdraai tot verskeie tydperke later.) Let daarop dat die langtermyn-voorspellings van die SMA model is 'n horisontale reguit lyn, net soos in die ewekansige loop model. So, die SMA model veronderstel dat daar geen neiging in die data. Maar, terwyl die voorspellings van die ewekansige loop model is eenvoudig gelyk aan die laaste waargenome waarde, die voorspellings van die SMA model is gelykstaande aan 'n geweegde gemiddelde van die afgelope waardes. Die vertroue perke bereken deur Stat Graphics vir die langtermyn-voorspellings van die eenvoudige bewegende gemiddelde nie groter as die vooruitskatting horison styg kry. Dit is natuurlik nie korrek Ongelukkig is daar geen onderliggende statistiese teorie wat ons vertel hoe die vertrouensintervalle behoort te brei vir hierdie model. Dit is egter nie te moeilik om empiriese ramings van die vertroue perke vir die langer-horison voorspellings te bereken. Byvoorbeeld, kan jy die opstel van 'n sigblad waarop die SMA model sal gebruik word om 2 stappe vooruit, 3 stappe vooruit, ens binne die historiese data monster voorspel. Jy kan dan bereken die monster standaardafwykings van die foute op elke voorspelling horison, en dan bou vertrouensintervalle vir langer termyn voorspellings deur optelling en aftrekking veelvoude van die toepaslike standaard afwyking. As ons probeer om 'n 9-termyn eenvoudige bewegende gemiddelde, kry ons selfs gladder voorspellings en meer van 'n sloerende uitwerking: Die gemiddelde ouderdom is nou 5 periodes ((91) / 2). As ons 'n 19-termyn bewegende gemiddelde te neem, die gemiddelde ouderdom toeneem tot 10: Let daarop dat, inderdaad, is die voorspellings nou agter draaipunte met sowat 10 periodes. Watter bedrag van smoothing is die beste vir hierdie reeks Hier is 'n tabel wat hulle dwaling statistieke vergelyk, ook met 'n 3-gemiddelde: Model C, die 5-termyn bewegende gemiddelde, lewer die laagste waarde van RMSE deur 'n klein marge oor die 3 - term en 9 termyn gemiddeldes, en hul ander statistieke is byna identies. So, onder modelle met 'n baie soortgelyke fout statistieke, kan ons kies of ons 'n bietjie meer responsiewe ingesteldheid of 'n bietjie meer gladheid in die voorspellings sou verkies. (Terug na bo.) Browns Eenvoudige Eksponensiële Smoothing (eksponensieel geweeg bewegende gemiddelde) Die eenvoudige bewegende gemiddelde model hierbo beskryf het die ongewenste eienskap dat dit behandel die laaste k Waarnemings ewe en heeltemal ignoreer al voorafgaande waarnemings. Intuïtief, moet afgelope data verdiskonteer in 'n meer geleidelike mode - byvoorbeeld, die mees onlangse waarneming moet 'n bietjie meer gewig kry as 2 mees onlangse, en die 2de mees onlangse moet 'n bietjie meer gewig as die 3 mees onlangse kry, en so aan. Die eenvoudige eksponensiële gladstryking (SES) model accomplishes hierdie. Laat 945 dui n quotsmoothing constantquot ( 'n getal tussen 0 en 1). Een manier om die model te skryf is om 'n reeks L dat die huidige vlak (dit wil sê die plaaslike gemiddelde waarde) van die reeks verteenwoordig as geraamde van data tot op hede te definieer. Die waarde van L op tydstip t is rekursief bereken uit sy eie vorige waarde soos volg: Dus, die huidige stryk waarde is 'n interpolasie tussen die vorige stryk waarde en die huidige waarneming, waar 945 kontroles die nabyheid van die geïnterpoleerde waarde tot die mees onlangse waarneming. Die voorspelling vir die volgende tydperk is eenvoudig die huidige stryk waarde: anders gestel ons kan die volgende voorspelling direk in terme van vorige voorspellings en vorige waarnemings uit te druk, in enige van die volgende ekwivalent weergawes. In die eerste weergawe, die voorspelling is 'n interpolasie tussen vorige skatting en vorige waarneming: In die tweede weergawe, is die volgende voorspelling verkry deur die aanpassing van die vorige skatting in die rigting van die vorige fout deur 'n breukdeel bedrag 945. is die fout gemaak by tyd t. In die derde weergawe, die voorspelling is 'n eksponensieel geweeg (dit wil sê afslag) bewegende gemiddelde met afslag faktor 1- 945: Die interpolasie weergawe van die voorspelling formule is die eenvoudigste om te gebruik as jy die uitvoering van die model op 'n spreadsheet: dit pas in 'n enkele sel en bevat selverwysings verwys na die vorige skatting, die vorige waarneming, en die sel waar die waarde van 945 gestoor. Let daarop dat indien 945 1, die SES model is gelykstaande aan 'n ewekansige loop model (sonder groei). As 945 0, die SES model is gelykstaande aan die gemiddelde model, met die veronderstelling dat die eerste stryk waarde gelyk aan die gemiddelde is ingestel. (Terug na bo.) Die gemiddelde ouderdom van die data in die eenvoudige eksponensiële-glad voorspelling is 1/945 relatief tot die tydperk waarvoor die voorspelling is bereken. (Dit is nie veronderstel duidelik te wees, maar dit kan maklik aangetoon deur die evaluering van 'n oneindige reeks.) Dus, die eenvoudige bewegende gemiddelde voorspelling is geneig om agter draaipunte met sowat 1/945 periodes. Byvoorbeeld, wanneer 945 0.5 die lag is 2 periodes wanneer 945 0.2 die lag is 5 periodes wanneer 945 0.1 die lag is 10 periodes, en so aan. Vir 'n gegewe gemiddelde ouderdom (bv bedrag van lag), die eenvoudige eksponensiële gladstryking (SES) voorspelling is 'n bietjie beter as die eenvoudige bewegende gemiddelde (SMA) voorspel, want dit plaas relatief meer gewig op die mees onlangse waarneming --i. e. dit is 'n bietjie meer quotresponsivequot om veranderinge voorkom in die onlangse verlede. Byvoorbeeld, 'n SMA model met 9 terme en 'n SES model met 945 0.2 beide het 'n gemiddelde ouderdom van 5 vir die data in hul voorspellings, maar die SES model plaas meer gewig op die laaste 3 waardes as wel die SMA model en by die Terselfdertyd is dit doesn8217t heeltemal 8220forget8221 oor waardes meer as 9 tydperke oud was, soos getoon in hierdie grafiek: nog 'n belangrike voordeel van die SES model die SMA model is dat die SES model maak gebruik van 'smoothing parameter wat voortdurend veranderlike, so dit kan maklik new deur die gebruik van 'n quotsolverquot algoritme om die gemiddelde minimum te beperk kwadraat fout. Die optimale waarde van 945 in die SES model vir hierdie reeks blyk te wees 0,2961, soos hier gewys word: die gemiddelde ouderdom van die data in hierdie voorspelling is 1 / 0,2961 3.4 tydperke, wat soortgelyk is aan dié van 'n 6-termyn eenvoudige bewegende gemiddelde. Die langtermyn-voorspellings van die SES model is 'n horisontale reguit lyn. soos in die SMA model en die ewekansige loop model sonder groei. Let egter daarop dat die vertrouensintervalle bereken deur Stat Graphics nou divergeer in 'n redelike aantreklike mode, en dat hulle aansienlik nouer as die vertrouensintervalle vir die ewekansige loop model. Die SES model veronderstel dat die reeks is 'n bietjie quotmore predictablequot as wel die ewekansige loop model. 'N SES model is eintlik 'n spesiale geval van 'n ARIMA model. sodat die statistiese teorie van ARIMA modelle bied 'n goeie basis vir die berekening van vertrouensintervalle vir die SES model. In die besonder, 'n SES model is 'n ARIMA model met een nonseasonal verskil, 'n MA (1) termyn, en geen konstante term. andersins bekend as 'n quotARIMA (0,1,1) model sonder constantquot. Die MA (1) koëffisiënt in die ARIMA model stem ooreen met die hoeveelheid 1- 945 in die SES model. Byvoorbeeld, as jy 'n ARIMA (0,1,1) model inpas sonder konstante om die reeks te ontleed hier, die beraamde MA (1) koëffisiënt blyk te wees 0,7029, wat byna presies 'n minus 0,2961. Dit is moontlik om die aanname van 'n nie-nul konstante lineêre tendens voeg by 'n SES model. Om dit te doen, net 'n ARIMA model met een nonseasonal verskil en 'n MA (1) termyn met 'n konstante, dit wil sê 'n ARIMA (0,1,1) model met 'n konstante spesifiseer. Die langtermyn-voorspellings sal dan 'n tendens wat gelyk is aan die gemiddelde tendens waargeneem oor die hele skatting tydperk is. Jy kan dit nie doen in samewerking met seisoenale aanpassing, omdat die aanpassing opsies seisoenale is afgeskakel wanneer die model tipe is ingestel op ARIMA. Jy kan egter 'n konstante langtermyn eksponensiële tendens om 'n eenvoudige eksponensiële gladstryking model voeg (met of sonder seisoenale aanpassing) deur gebruik te maak van die opsie inflasie-aanpassing in die vooruitskatting prosedure. Die toepaslike quotinflationquot (persentasie groei) koers per periode kan geskat word as die helling koëffisiënt in 'n lineêre tendens model toegerus om die data in samewerking met 'n natuurlike logaritme transformasie, of dit kan op grond van ander, onafhanklike inligting oor die langtermyn groeivooruitsigte . (Terug na bo.) Browns Lineêre (dws dubbel) Eksponensiële glad die SMA modelle en SES modelle aanvaar dat daar geen tendens van enige aard in die data (wat gewoonlik OK of ten minste nie-te-sleg vir 1- stap-ahead voorspellings wanneer die data is relatief raserig), en hulle kan verander word om 'n konstante lineêre tendens inkorporeer soos hierbo getoon. Wat van kort termyn tendense As 'n reeks vertoon 'n wisselende koers van groei of 'n sikliese patroon wat uitstaan ​​duidelik teen die geraas, en as daar 'n behoefte aan meer as 1 tydperk wat voorlê voorspel, dan skatting van 'n plaaslike tendens kan ook wees n probleem. Die eenvoudige eksponensiële gladstryking model veralgemeen kan word na 'n lineêre eksponensiële gladstryking (LES) model wat plaaslike begrotings van beide vlak en tendens bere te kry. Die eenvoudigste-time wisselende tendens model is Browns lineêr eksponensiële gladstryking model, wat twee verskillende reëlmatige reeks wat op verskillende punte gesentreer in die tyd gebruik. Die vooruitskatting formule is gebaseer op 'n ekstrapolasie van 'n streep deur die twee sentrums. ( 'N meer gesofistikeerde weergawe van hierdie model, Holt8217s, word hieronder bespreek.) Die algebraïese vorm van Brown8217s lineêr eksponensiële gladstryking model, soos dié van die eenvoudige eksponensiële gladstryking model, uitgedruk kan word in 'n aantal verskillende maar ekwivalente vorms. Die quotstandardquot vorm van hierdie model word gewoonlik uitgedruk as volg: Laat S dui die enkel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking om reeks Y. Dit is, is die waarde van S op tydperk t gegee word deur: (Onthou dat, onder eenvoudige eksponensiële gladstryking, dit sou die voorspelling vir Y by tydperk T1 wees) Dan Squot dui die dubbel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking (met behulp van dieselfde 945) tot reeks S:. ten slotte, die voorspelling vir Y tk. vir enige kgt1, word gegee deur: Dit lewer e 1 0 (dit wil sê kul n bietjie, en laat die eerste skatting gelyk wees aan die werklike eerste waarneming), en e 2 Y 2 8211 Y 1. waarna voorspellings gegenereer met behulp van die vergelyking hierbo. Dit gee dieselfde toegerus waardes as die formule gebaseer op S en S indien laasgenoemde is begin met behulp van S 1 S 1 Y 1. Hierdie weergawe van die model gebruik word op die volgende bladsy wat 'n kombinasie van eksponensiële gladstryking met seisoenale aanpassing illustreer. Holt8217s Lineêre Eksponensiële Smoothing Brown8217s LES model bere plaaslike begrotings van vlak en tendens deur glad die onlangse data, maar die feit dat dit nie so met 'n enkele glad parameter plaas 'n beperking op die data patrone wat dit in staat is om aan te pas: die vlak en tendens word nie toegelaat om wissel op onafhanklike tariewe. Holt8217s LES model spreek hierdie kwessie deur die insluiting van twee glad konstantes, een vir die vlak en een vir die tendens. Te eniger tyd t, soos in Brown8217s model, die daar is 'n skatting L t van die plaaslike vlak en 'n skatting T t van die plaaslike tendens. Hier is hulle rekursief bereken vanaf die waarde van Y op tydstip t en die vorige raming van die vlak en tendens waargeneem deur twee vergelykings wat eksponensiële gladstryking afsonderlik van toepassing op hulle. As die geskatte vlak en tendens op tydstip t-1 is L t82091 en T t-1. onderskeidelik, dan is die voorspelling vir Y tshy wat op tydstip t-1 sal gemaak is gelyk aan L t-1 T T-1. Wanneer die werklike waarde is waargeneem, is die opgedateer skatting van die vlak rekursief bereken deur interpol tussen Y tshy en sy voorspelling, L t-1 T T-1, die gebruik van gewigte van 945 en 1- 945. Die verandering in die geskatte vlak, naamlik L t 8209 L t82091. geïnterpreteer kan word as 'n lawaaierige meting van die tendens op tydstip t. Die opgedateer skatting van die tendens is dan rekursief bereken deur interpol tussen L t 8209 L t82091 en die vorige skatting van die tendens, T t-1. die gebruik van gewigte van 946 en 1-946: Die interpretasie van die tendens-glad konstante 946 is soortgelyk aan dié van die vlak glad konstante 945. Models met klein waardes van 946 aanvaar dat die tendens verander net baie stadig met verloop van tyd, terwyl modelle met groter 946 aanvaar dat dit vinniger is om te verander. 'N Model met 'n groot 946 is van mening dat die verre toekoms is baie onseker, omdat foute in die tendens-skatting word baie belangrik wanneer voorspel meer as een tydperk wat voorlê. (Terug na bo.) Die smoothing konstantes 945 en 946 kan in die gewone manier word beraam deur die vermindering van die gemiddelde kwadraat fout van die 1-stap-ahead voorspellings. Wanneer dit in Stat Graphics gedoen, die skattings uitdraai om te wees 945 0.3048 en 946 0,008. Die baie klein waarde van 946 beteken dat die model veronderstel baie min verandering in die tendens van een tydperk na die volgende, so basies hierdie model is besig om 'n langtermyn-tendens skat. Volgens analogie met die idee van die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike vlak van die reeks, die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike tendens is eweredig aan 1/946, hoewel nie presies gelyk aan Dit. In hierdie geval is dit blyk 1 / 0,006 125. Dit isn8217t n baie presiese aantal sover die akkuraatheid van die skatting van 946 isn8217t regtig 3 desimale plekke te wees, maar dit is van dieselfde algemene orde van grootte as die steekproefgrootte van 100 , so hierdie model is gemiddeld oor 'n hele klomp van die geskiedenis in die skatte van die tendens. Die voorspelling plot hieronder toon dat die LES model skat 'n effens groter plaaslike tendens aan die einde van die reeks as die konstante tendens geskat in die SEStrend model. Ook waarvan die beraamde waarde van 945 is byna identies aan die een wat deur die pas van die SES model met of sonder tendens, so dit is amper dieselfde model. Nou, doen hierdie lyk redelike voorspellings vir 'n model wat veronderstel is om te beraming 'n plaaslike tendens As jy hierdie plot 8220eyeball8221, dit lyk asof die plaaslike tendens afwaarts gedraai aan die einde van die reeks: Wat het die parameters van hierdie model gebeur is beraam deur die vermindering van die kwadraat fout van 1-stap-ahead voorspellings, nie langer termyn voorspellings, in welke geval die tendens 'n groot verskil doesn8217t maak. As alles wat jy is op soek na is 1-stap-ahead foute, is jy nie sien die groter prentjie van tendense oor (sê) 10 of 20 periodes. Ten einde hierdie model meer in harmonie te kry met ons oogbal ekstrapolasie van die data, kan ons met die hand die tendens-glad konstante pas sodat dit 'n korter basislyn vir tendens skatting. Byvoorbeeld, as ons kies om te stel 946 0.1, dan is die gemiddelde ouderdom van die gebruik in die skatte van die plaaslike tendens data is 10 periodes, wat beteken dat ons die gemiddeld van die tendens oor daardie laaste 20 periodes of so. Here8217s wat die voorspelling plot lyk asof ons '946 0.1 terwyl 945 0.3. Dit lyk intuïtief redelike vir hierdie reeks, maar dit is waarskynlik gevaarlik om hierdie tendens te ekstrapoleer nie meer as 10 periodes in die toekoms. Wat van die fout statistieke Hier is 'n model vergelyking vir die twee modelle hierbo asook drie SES modelle getoon. Die optimale waarde van 945.Vir die SES model is ongeveer 0,3, maar soortgelyke resultate (met 'n bietjie meer of minder 'n responsiewe ingesteldheid, onderskeidelik) verkry met 0,5 en 0,2. (A) Holts lineêre exp. glad met alfa 0,3048 en beta 0,008 (B) Holts lineêre exp. glad met alfa 0,3 en beta 0,1 (C) Eenvoudige eksponensiële gladstryking met alfa 0,5 (D) Eenvoudige eksponensiële gladstryking met alfa 0,3 (E) Eenvoudige eksponensiële gladstryking met alfa 0,2 hul statistieke is byna identies, so ons can8217t regtig die keuse te maak op die basis van 1-stap-ahead voorspelling foute binne die data monster. Ons het om terug te val op ander oorwegings. As ons glo dat dit sinvol om die huidige tendens skatting van wat die afgelope 20 periodes of so gebeur baseer, kan ons 'n saak vir die LES model met 945 0.3 en 946 0.1 maak. As ons wil hê agnostikus te wees oor die vraag of daar 'n plaaslike tendens, dan een van die SES modelle makliker om te verduidelik kan wees en sou ook vir meer middel-of-the-road voorspellings vir die volgende 5 of 10 periodes. (Terug na bo.) Watter tipe tendens-ekstrapolasie die beste: horisontale of lineêre empiriese bewyse dui daarop dat, indien die data is reeds aangepas (indien nodig) vir inflasie, dan is dit dalk onverstandig om kort termyn lineêre ekstrapoleer wees tendense baie ver in die toekoms. Tendense duidelik vandag mag verslap in die toekoms as gevolg van uiteenlopende oorsake soos produk veroudering, toenemende mededinging en sikliese afswaai of opwaartse fases in 'n bedryf. Om hierdie rede, eenvoudige eksponensiële gladstryking voer dikwels beter out-of-monster as wat dit andersins word verwag, ten spyte van sy quotnaivequot horisontale tendens ekstrapolasie. Gedempte tendens veranderinge van die lineêre eksponensiële gladstryking model word ook dikwels gebruik in die praktyk om 'n aantekening van konserwatisme in te voer in die tendens projeksies. Die gedempte-tendens LES model geïmplementeer kan word as 'n spesiale geval van 'n ARIMA model, in die besonder, 'n ARIMA (1,1,2) model. Dit is moontlik om vertrouensintervalle rondom langtermyn voorspellings wat deur eksponensiële gladstryking modelle bereken deur die oorweging van hulle as spesiale gevalle van ARIMA modelle. (Pasop: nie alle sagteware bereken vertrouensintervalle vir hierdie modelle korrek.) Die breedte van die vertrouensintervalle hang af van (i) die RMS fout van die model, (ii) die tipe glad (eenvoudige of lineêr) (iii) die waarde (s) van die smoothing konstante (s) en (iv) die aantal periodes voor jy voorspel. In die algemeen, die tussenposes versprei vinniger as 945 kry groter in die SES model en hulle uitgebrei, sodat baie vinniger as lineêre, eerder as eenvoudige smoothing gebruik. Hierdie onderwerp word verder in die ARIMA modelle deel van die notas bespreek. (Terug na bo.) 'N nader kyk na die Advanced CODAS bewegende gemiddelde Algoritme Versatile bewegende gemiddelde in Gevorderde CODAS algoritme filters golfvorm geraas, uittreksels bedoel, en elimineer basislyn drif. Die bewegende gemiddelde is 'n eenvoudige wiskundige tegniek hoofsaaklik gebruik word om afwykings te skakel en openbaar die werklike tendens in 'n versameling van data punte. Jy kan vertroud is met dit uit gemiddeld lawaaierige data in 'n groentjie fisika eksperiment, of uit die dop van die waarde van 'n belegging wees. Jy kan nie weet dat die bewegende gemiddelde is ook 'n prototipe van die eindige impulsrespons filter, die mees algemene tipe filter gebruik in rekenaar-gebaseerde toerusting. In gevalle waar 'n gegewe golfvorm word gewy word met geraas, waar 'n gemiddelde onttrek moet word van 'n periodiese sein, of waar 'n stadig dryf basislyn moet uitgeskakel word van 'n hoër frekwensie sein, kan 'n bewegende gemiddelde filter toegepas die gewenste te bereik gevolg. Die bewegende gemiddelde algoritme van Advanced CODAS bied hierdie soort van golfvorm filter prestasie. Gevorderde CODAS is 'n analise sagteware pakket wat werk op bestaande golfvorm data lêers geskep deur die eerste generasie WinDaq of tweede generasie WinDaq data verkryging pakkette. Benewens die bewegende gemiddelde algoritme, Advanced CODAS sluit ook 'n verslag generator nut en sagteware roetines vir golfvorm integrasie, differensiasie, piek en dal vaslegging, regstelling, en rekenkundige operasies. Bewegende gemiddelde filter Teorie DATAQ instrumente bewegende gemiddelde algoritme kan 'n groot mate van buigsaamheid in golfvorm filter aansoeke. Dit kan gebruik word as 'n laaglaatfilter om die geraas deel is van baie soorte golfvorms verswak, of as 'n hoë-pass filter om 'n drywende basislyn van 'n hoër frekwensie sein uit te skakel. Die prosedure wat gevolg word deur die algoritme om die bedrag van filters bepaal behels die gebruik van 'n glad faktor. Dit glad faktor, deur jou beheer word deur die sagteware, kan verhoog of verlaag die aantal werklike golfvorm data punte of monsters wat die bewegende gemiddelde sal strek spesifiseer. Enige periodieke golfvorm kan wees gedink as 'n lang tou of versameling van data punte. Die algoritme accomplishes 'n bewegende gemiddelde deur twee of meer van hierdie datapunte uit die verkry golfvorm, toe te voeg, te verdeel hul som van die totale aantal datapunte bygevoeg, die vervanging van die eerste data punt van die golfvorm met die gemiddelde net bereken en herhaal die stappe met die tweede, derde en so aan datapunte tot die einde van die data bereik word. Die resultaat is 'n tweede of gegenereer golfvorm bestaan ​​uit die gemiddeld data en met dieselfde aantal punte as die oorspronklike golfvorm. Figuur 1 8212 Enige periodieke golfvorm kan beskou word as 'n lang tou of versameling van data punte. In die bostaande illustrasie, is agtereenvolgende golfvorm data punte wat deur quotyquot om te illustreer hoe die bewegende gemiddelde bereken word. In hierdie geval, 'n glad faktor van drie toegepas, wat beteken dat drie agtereenvolgende datapunte vanaf die oorspronklike golfvorm bygevoeg, hulle som gedeel deur drie, en dan is dit kwosiënt is geplot as die eerste data punt van 'n gegenereer golfvorm. Die proses herhaal met die tweede, derde en so aan datapunte van die oorspronklike golfvorm tot aan die einde van die data bereik word. 'N Spesiale quotfeatheringquot tegniek gemiddeldes die begin en einde data punte van die oorspronklike golf-vorm om te verseker dat die gegenereerde golfvorm bevat dieselfde aantal datapunte as die oorspronklike. Figuur 1 illustreer hoe die bewegende gemiddelde algoritme is toegepas op datapunte (wat verteenwoordig word deur y) golfvorm. Die illustrasie beskik oor 'n glad faktor van 3, wat beteken dat die gemiddelde waarde (verteenwoordig deur a) word bereken oor 3 agtereenvolgende golfvorm datawaardes. Let op die oorvleueling wat in die bewegende gemiddelde berekeninge bestaan. Dit is hierdie oorvleueling tegniek, saam met 'n spesiale beginning - en eindpunt behandeling wat dieselfde aantal datapunte in die gemiddelde golfvorm genereer as bestaan ​​het in die oorspronklike. Die manier waarop die algoritme bereken 'n bewegende gemiddelde verdien 'n nader kyk en kan geïllustreer met 'n voorbeeld. Sê ons op 'n dieet gewees het vir twee weke en ons wil ons gemiddelde gewig bereken die afgelope 7 dae. Ons wil ons gewig op te som op dag 7 met ons gewig op dae 8, 9, 10, 11, 12, en 13 en dan vermenigvuldig met 1/7. Om die proses te formaliseer, kan dit uitgedruk word as: (. Y (7) y (8) y (9) y (13)) 'n (7) 1/7 Hierdie vergelyking kan verder veralgemeen word. Die bewegende gemiddelde van 'n golfvorm kan bereken word deur: Waar: 'n gemiddeld waarde N datapunt posisie is glad faktor y werklike data punt waarde Figuur 2 8212 Die vrag sel uitsetgolfvorm getoon oorspronklike en ongefiltreerde in die top-kanaal en as 'n 11-punt beweeg gemiddeld golfvorm in die onderste kanaal. Die geraas wat op die oorspronklike golfvorm te wyte was aan die intense vibrasies geskep deur die pers gedurende die verpakking werking. Die sleutel tot hierdie algoritmes buigsaamheid is sy wye verskeidenheid van te kies glad faktore (van 2 - 1000). Die glad faktor bepaal hoeveel werklike datapunte of monsters sal gemiddeld. Spesifisering enige positiewe glad faktor simuleer 'n laaglaatfilter terwyl spesifiseer van 'n negatiewe glad faktor simuleer 'n hoë-pass filter. Gegewe die absolute waarde van die smoothing faktor, hoër waardes groter glad beperkings op die gevolglike golfvorm en omgekeerd, laer waardes minder glad. Met die toepassing van die korrekte glad faktor, kan die algoritme ook gebruik word om die gemiddelde waarde van 'n gegewe periodieke golfvorm te onttrek. 'N Hoër positiewe glad faktor is tipies aangewend vir die opwekking van gemiddelde golfvorm waardes. Die toepassing van die bewegende gemiddelde Algoritme A opvallende kenmerk van die bewegende gemiddelde algoritme is dat dit baie keer toegepas kan word om dieselfde golfvorm indien nodig om die gewenste filter resultaat te kry. Golfvorm filter is 'n baie subjektiewe oefening. Wat kan 'n behoorlik gefilter golfvorm om 'n gebruiker kan onaanvaarbaar lawaaierige na 'n ander te wees. Net jy kan oordeel of die aantal gemiddeld punte gekies te hoog, te laag, of net reg was. Die buigsaamheid van die algoritme kan jy die smoothing faktor aan te pas en maak 'n ander pas deur die algoritme toe bevredigende resultate nie bereik word met die aanvanklike poging. Die aansoek en vermoëns van die bewegende gemiddelde algoritme kan die beste geïllustreer deur die volgende voorbeelde. Figuur 3 8212 Die EKG golfvorm getoon oorspronklike en ongefiltreerde in die top-kanaal en as 'n 97-punt bewegende gemiddelde golfvorm in die onderste kanaal. Let op die afwesigheid van basislyn drif in die onderste kanaal. Beide golfvorms word in 'n saamgeperste voorwaarde vir aanbieding doeleindes. A Ruisonderdrukking toepassing in gevalle waar 'n gegewe golfvorm is deurmekaar met geraas, kan die bewegende gemiddelde filter toegepas word op die geraas te onderdruk en lewer 'n duideliker prentjie van die golfvorm. Byvoorbeeld, is 'n gevorderde CODAS kliënt met behulp van 'n pers en 'n vrag sel in 'n verpakking werking. Hul produk was om saamgepers tot 'n voorafbepaalde vlak (gemonitor word deur die vrag sel) om die grootte van die pakket wat nodig is om die produk bevat verminder. Vir gehaltebeheer redes, het hulle besluit om die pers in samewerking met instrumentasie te monitor. 'N Onverwagse probleem verskyn toe hulle begin lees van die real-time vrag sel uitset. Sedert die druk masjien vibreer aansienlik terwyl dit in werking, die vrag selle uitsetgolfvorm was moeilik om te onderskei, want dit 'n groot hoeveelheid van die geraas wat as gevolg van die vibrasie soos in die top-kanaal van Figuur 2. Dit geraas uitgeskakel deur die opwekking van 'n 11-punt bewegende gemiddelde kanaal soos in die onderste kanaal van Figuur 2. Die gevolg was 'n baie duideliker prentjie van die vrag selle uitset. 'N Aansoek in die uitskakeling van Basislyn Drift In gevalle waar 'n stadig dryf basislyn behoeftes van 'n hoër frekwensie sein te verwyder, kan die bewegende gemiddelde filter toegepas word op die drywende basislyn te skakel. Byvoorbeeld, 'n EKG golfvorm vertoon tipies 'n mate van basislyn dwaal soos gesien kan word in die top-kanaal van figuur 3. Dit basislyn drif kan uitgeskakel word sonder om of die eienskappe van die golfvorm ontstellend soos in die onderste kanaal van figuur 3. Dit word bereik deur die toepassing van 'n toepaslike negatiewe waarde glad faktor tydens die bewegende gemiddelde berekening. Die toepaslike glad faktor bepaal word deur 'n golfvorm tydperk (in sekondes) deur die kanale voorbeeld interval. Die kanale voorbeeld interval is eenvoudig die omgekeerde van die kanale monster tempo en is gerieflik vertoon op die bewegende gemiddelde nut spyskaart. Die golfvorm tydperk is maklik bepaal uit die skerm deur die posisionering van die muis op 'n gerieflike plek op die golfvorm, die opstel van 'n tyd merker, en dan beweeg die wyser een volledige siklus weg van die vertoon tyd merker. Die tydsverskil tussen wyser en tyd merker is een golfvorm tydperk en vertoon aan die onderkant van die skerm in sekondes. In ons EKG byvoorbeeld die golfvorm besit 'n kanaal voorbeeld interval van 0,004 sekondes (verkry uit die bewegende gemiddelde nut spyskaart) en een golfvorm tydperk is gemeet aan 0,388 sekondes strek. Die verdeling van die golfvorm tydperk deur die kanale voorbeeld interval het ons 'n glad faktor van 97. Aangesien dit die basislyn drif wat ons is geïnteresseerd in die uitskakeling van ons toegepas n negatiewe glad faktor (-97) om die bewegende gemiddelde algoritme. Dit in werking afgetrek die bewegende gemiddeld gevolg van die oorspronklike golfvorm sein, wat die basislyn drif uitgeskakel sonder om golfvorm inligting. Ander Golfvorm bewegende gemiddelde Kwessies Wat die aansoek, die universele rede vir die toepassing van 'n bewegende gemiddelde filter is om quotsmooth outquot die hoë en lae afwykings en openbaar 'n meer verteenwoordigende intermediêre golfvorm waarde. Wanneer dit te doen, moet die sagteware nie ander kenmerke van die oorspronklike golfvorm kompromie in die proses vir die opwekking van 'n bewegende gemiddeld golfvorm. Byvoorbeeld, moet die sagteware outomaties die kalibrasie inligting wat verband hou met die oorspronklike data lêer aan te pas, sodat die bewegende gemiddeld golfvorm is in die toepaslike ingenieurswese eenhede toe gegenereer. Alle lesings in die syfers is geneem met behulp van WinDaq Data Acquisition sagteware