Weighted Moving Average Filter C ++

Eu sei que isso é possível com impulso como per. But eu realmente gostaria de evitar o uso de impulso eu tenho googled e não encontrei qualquer exemplos adequados ou legíveis. Basicamente eu quero acompanhar a média móvel de um fluxo em curso de um fluxo de números de ponto flutuante Usando os números mais recentes de 1000 como uma amostra de dados. Qual é a maneira mais fácil de conseguir this. I experimentei com o uso de uma matriz circular, média móvel exponencial e uma média móvel mais simples e descobriu que os resultados da matriz circular adequado às minhas necessidades melhor . Se suas necessidades são simples, você pode tentar usar uma média móvel exponencial. Basta, você faz uma variável de acumulador, e como seu código olha para cada amostra, o código atualiza o acumulador com o Novo valor Você escolhe um alfa constante que está entre 0 e 1, e calcula isso. Você só precisa encontrar um valor de alfa onde o efeito de uma determinada amostra dura apenas cerca de 1000 samples. Hmm, eu realmente não tenho certeza que isso é Adequado para você, agora t O que eu colocar aqui O problema é que 1000 é uma janela muito longa para uma média móvel exponencial Eu não tenho certeza se há um alfa que iria espalhar a média sobre os últimos 1000 números, sem subfluxo no cálculo do ponto flutuante Mas se você Queria uma média menor, como 30 números ou assim, esta é uma maneira muito fácil e rápida de fazê-lo. 12 12 em 4 44. 1 em sua postagem A média móvel exponencial pode permitir que o alfa ser variável Então isso permite que ele Ser usado para computar médias de base de tempo, por exemplo bytes por segundo Se o tempo desde a última atualização de acumulador é mais de 1 segundo, você deixa alfa ser 1 0 Caso contrário, você pode deixar alfa usecs desde a última atualização 1000000 jxh 12 de junho 12 em 6 21.Basicamente, eu quero acompanhar a média móvel de um fluxo em curso de um fluxo de números de ponto flutuante usando os mais recentes números 1000 como um exemplo de dados. Note que o abaixo atualiza o total como elementos como adicionado substituído, evitando costoso ON traversal para calcular A soma - necessária para o E média - on demand. Total é feito um parâmetro diferente de T para suportar, por exemplo, usando um longo longo quando totalizando 1000 long s, um int para char s, ou um dobro ao total float s. This é um pouco falho em que numsamples poderia Passar INTMAX passado - se você se importa que você poderia usar um unsigned long long ou usar um membro bool dados extra para gravar quando o recipiente é preenchido pela primeira vez enquanto ciclismo numsamples em torno da matriz melhor então renomeado algo inócuo como pos. answered 12 de junho 12 em 5 19.um pressupõe que o operador vazio T amostra é, na verdade void operador T amostra oPless Jun 8 14 at 11 52. oPless ahhh bem vislumbrado realmente eu quis dizer para ele ser vazio operador T amostra, mas é claro que você poderia usar qualquer nota que você gostou Will fix, Obrigado Tony D Jun 8 14 em 14 27. É possível implementar uma média móvel em C sem a necessidade de uma janela de samples. I ve encontrei que eu posso otimizar um pouco, escolhendo um tamanho de janela que sa poder de dois para Permitir a mudança de bit em vez de dividir, mas não precisando de um buf Fer seria bom Existe uma maneira de expressar um novo média móvel resultado apenas como uma função do antigo resultado e da nova amostra. Define um exemplo de média móvel, através de uma janela de 4 amostras para ser. Add nova amostra eA média móvel pode Ser executado recursivamente, mas para um cálculo exato da média móvel você tem que lembrar a mais antiga amostra de entrada na soma ou seja, o a no seu exemplo Para um comprimento N média móvel que você compute. where yn é o sinal de saída e xn é a entrada Sinal Eq 1 pode ser escrito recursivamente as. So você sempre precisa lembrar a amostra x nN, a fim de calcular 2.As apontado por Conrad Turner, você pode usar uma infinitamente longa janela exponencial em vez disso, o que permite que você calcule a saída apenas A partir da saída do passado e da entrada atual. mas isso não é uma média móvel padrão não ponderada, mas uma média móvel exponencialmente ponderada, onde as amostras mais no passado obter um peso menor, mas pelo menos na teoria você nunca esquecer nada os pesos jus T obter menor e menor para amostras longe no passado. Eu implementei uma média móvel sem memória item individual para um programa de rastreamento GPS que eu escrevi. Começo com 1 amostra e dividir por 1 para obter o atual avg. I então adicionar outra amostra e Dividir por 2 para o atual avg. This continua até chegar ao comprimento da média. Cada tempo depois, eu adicionar na nova amostra, obter a média e remover essa média do total. I não sou um matemático, mas este Parecia ser uma boa maneira de fazer isso Eu imaginei que iria transformar o estômago de um verdadeiro cara de matemática, mas, ele se mostra é uma das formas aceitas de fazê-lo E funciona bem Basta lembrar que quanto maior o seu comprimento mais lento é Seguindo o que você quer seguir Isso pode não importar a maior parte do tempo, mas quando os satélites seguintes, se você é lento, a trilha poderia estar longe da posição real e vai ficar mal Você poderia ter uma lacuna entre o sat e os pontos à direita Eu escolhi um comprimento de 15 atualizado 6 vezes por minuto para obter ade Quate suavização e não ficar muito longe da posição real sentado com a trilha alisada dots. answered 16 de novembro de 16 às 23 03.initialize total 0, contagem de 0 cada vez vendo um novo valor. Then um scanf de entrada, um add newValue total, um Para calcular a média sobre apenas as últimas 4 entradas, exigiria 4 variáveis ​​de entrada, talvez copiando cada entrada para uma variável de entrada mais antiga, então calculando a nova média móvel Como a soma das 4 variáveis ​​de entrada, dividido por 4 direito turno 2 seria bom se todas as entradas foram positivas para fazer a média de cálculo. resposta fevereiro 3 15 em 4 06. Isso vai realmente calcular a média total e NÃO a média móvel Como contagem Obtém maior o impacto de qualquer nova amostra de entrada torna-se extremamente pequeno Hilmar fevereiro 3 15 em 13 53.Your Answer.2017 Stack Exchange, Inc. Exponential Moving médias para Irregular Time Series. In análise de séries de tempo, muitas vezes há uma necessidade de suavização Funções que reagem rapidamente a mudanças no sinal Na aplicação típica, você pode estar processando um sinal de entrada em tempo real, e quer calcular coisas como o valor médio recente, ou obter uma inclinação instantânea para ele Mas os sinais do mundo real são muitas vezes Ruidoso Algumas amostras barulhentas farão com que o valor atual do sinal, ou sua inclinação, varie amplamente. Médias de Mudar. A função de suavização mais simples é uma média móvel com janelas. À medida que as amostras chegam, você toma uma média dos valores de N mais recentes. Mas introduz um atraso ou latência Sua média será sempre atrasada pela largura de sua média móvel. O exemplo acima é relativamente caro para calcular Para cada amostra você tem que iterar em todo o tamanho da janela Mas há maneiras mais baratas Manter a soma de todas as amostras na janela em um buffer e ajustar a soma como novas amostras vêm in. Onother tipo de média móvel é a média móvel ponderada que pesos para cada posição na amostra w Indow Antes da média você multiplicar cada amostra pelo peso daquela posição da janela Tecnicamente isso é chamado de convolução. Uma função de ponderação típica aplica uma curva de sino para a janela de amostra Isso dá um sinal que está mais sintonizado para o centro da janela e ainda Um pouco tolerante de amostras barulhentas Na análise financeira, você geralmente usa uma função de ponderação que valoriza amostras recentes mais, para dar uma média móvel que acompanha mais de perto amostras recentes amostras mais antigas são dadas progressivamente menos peso Isso atenua um pouco os efeitos da latência, Boa suavização. Com uma média ponderada, você sempre tem que iterar sobre o tamanho da janela inteira para cada amostra a menos que você pode restringir os pesos permitidos para determinadas funções. A média móvel exponencial. Outro tipo de média é a média móvel exponencial, ou EMA This É freqüentemente usado onde latência é crítica, como em análise financeira em tempo real Nesta média, os pesos diminuem expo Nentially Cada amostra é avaliada alguns por cento menor do que a próxima amostra mais recente Com esta restrição você pode calcular a média móvel muito efficiently. Where alfa é uma constante que descreve como o peso das janelas diminuir ao longo do tempo Por exemplo, se cada amostra foi ponderada em 80 do valor da amostra anterior, você iria definir alfa 0 2 O alfa menor torna-se mais a sua média móvel é, por exemplo, torna-se mais suave, mas menos reativa a novas amostras. Os pesos para um EMA com alfa 0 20. Como você pode Ver, para cada nova amostra você só precisa de média com o valor da média anterior So computação é muito muito rápido. Em teoria todas as amostras anteriores contribuem para a média atual, mas sua contribuição torna-se exponencialmente menor ao longo do tempo. Este é um muito Poderosa e provavelmente a melhor se você quiser obter uma média móvel que responda rapidamente a novas amostras, tem boas propriedades de suavização e é rápido para computar. O código é trivial. EMA para Irregular T Ime Series. The EMA padrão é bom quando o sinal é amostrado em intervalos de tempo regulares Mas o que se suas amostras vêm em intervalos irregulares. Imagine um sinal contínuo que é amostrado em intervalos irregulares Esta é a situação usual na análise financeira Em teoria, há um Função contínua para o valor de qualquer instrumento financeiro, mas você só pode provar este sinal sempre que alguém realmente executa um comércio Assim, seu fluxo de dados consiste em um valor, mais o tempo em que foi observado. Uma maneira de lidar com isso é converter O sinal irregular para um sinal regular, interpolando entre observações, e reamostragem Mas isso perde dados, e ele re-introduz latência. É possível calcular um EMA para uma série de tempo irregular diretamente. Nesta função, você passa a corrente Amostra do seu sinal, ea amostra anterior, ea quantidade de tempo decorrido entre os dois, eo valor anterior retornado por esta função. Assim como este trabalho para demonstrar I ve gene Avaliado uma onda senoidal, em seguida, amostrados em intervalos irregulares, e introduziu cerca de 20 de ruído que é o sinal irá variar aleatoriamente - 20 a partir do sinal de seno verdadeiro original. Como bem a média móvel exponencial irregular recuperar o sinal. A linha vermelha é o Onda senoidal original amostrada em intervalos irregulares A linha azul é o sinal com o ruído adicionado A linha azul é o único sinal que a EMA vê A linha verde é a EMA suavizada Você pode ver que recupera o sinal muito bem Um pouco vacilante, mas o que pode Você espera de um sinal de fonte tão ruidoso. É deslocado cerca de 15 para a direita, porque o EMA introduz um pouco de latência Quanto mais suave você quiser, mais latência você verá Mas a partir deste você pode, por exemplo, calcular um declive instantâneo para um Ruidoso sinal irregular. O que você pode fazer com isso Hmm.