4 จุด เฉลี่ยเคลื่อนที่ กรอง

ค่าเฉลี่ยเคลื่อนที่ตัวอย่างนี้สอนวิธีคำนวณค่าเฉลี่ยเคลื่อนที่ของชุดเวลาใน Excel ค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อทำให้เกิดความผิดปกติ (ยอดเขาและหุบเขา) เพื่อรับรู้แนวโน้มได้ง่ายขึ้น 1. ขั้นแรกให้ดูที่ซีรี่ส์เวลาของเรา 2. ในแท็บข้อมูลคลิกการวิเคราะห์ข้อมูล หมายเหตุ: ไม่สามารถหาปุ่ม Data Analysis คลิกที่นี่เพื่อโหลด Add-in Analysis ToolPak 3. เลือก Moving Average และคลิก OK 4. คลิกที่กล่อง Input Range และเลือกช่วง B2: M2 5. คลิกที่ช่อง Interval และพิมพ์ 6. 6. คลิกที่ Output Range box และเลือก cell B3 8. วาดกราฟของค่าเหล่านี้ คำอธิบาย: เนื่องจากเราตั้งค่าช่วงเป็น 6 ค่าเฉลี่ยเคลื่อนที่คือค่าเฉลี่ยของ 5 จุดข้อมูลก่อนหน้าและจุดข้อมูลปัจจุบัน เป็นผลให้ยอดเขาและหุบเขาจะเรียบออก กราฟแสดงแนวโน้มที่เพิ่มขึ้น Excel ไม่สามารถคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับจุดข้อมูล 5 จุดแรกเนื่องจากไม่มีจุดข้อมูลก่อนหน้านี้เพียงพอ 9. ทำซ้ำขั้นตอนที่ 2 ถึง 8 สำหรับช่วงที่ 2 และช่วงที่ 4 ข้อสรุป: ช่วงที่ใหญ่กว่ายอดเนินและหุบเขาจะยิ่งเรียบขึ้น ช่วงค่าที่ใกล้กว่าค่าเฉลี่ยเคลื่อนที่จะอยู่ที่จุดข้อมูลที่เกิดขึ้นจริงการตอบสนองตามความถี่ของตัวกรองเฉลี่ยที่ใช้งานการตอบสนองต่อความถี่ของระบบ LTI คือ DTFT ของการตอบสนองต่ออิมพัลส์การตอบสนองต่อแรงกระตุ้นของค่าเฉลี่ยเคลื่อนที่ L-sample คือ เนื่องจากตัวกรองค่าเฉลี่ยเคลื่อนที่เป็น FIR การตอบสนองต่อความถี่ลดลงเป็นจำนวน จำกัด เราสามารถใช้ข้อมูลที่เป็นประโยชน์ในการเขียนการตอบสนองตามความถี่ที่เราได้ให้ ae minus jomega N 0 และ M L ลบ 1. เราอาจสนใจขนาดของฟังก์ชั่นนี้เพื่อหาความถี่ที่จะได้รับผ่านตัวกรองที่ไม่มีการลดทอนและจะถูกลดทอนลง ด้านล่างเป็นพล็อตของขนาดของฟังก์ชั่นนี้สำหรับ L 4 (สีแดง), 8 (สีเขียว) และ 16 (สีฟ้า) แกนแนวนอนมีตั้งแต่ศูนย์ถึง pi radian ต่อตัวอย่าง สังเกตได้ว่าในทั้งสามกรณีการตอบสนองต่อความถี่มีลักษณะ lowpass คอมโพเนนต์คงที่ (ความถี่เป็นศูนย์) ในอินพุตจะผ่านตัวกรองที่ไม่มีการลดทอน ความถี่ที่สูงขึ้นบางอย่างเช่น pi 2 จะถูกกำจัดออกโดยตัวกรอง อย่างไรก็ตามหากมีเจตนาในการออกแบบตัวกรองสัญญาณ Lowpass เราก็ยังไม่ได้ผลดีนัก บางส่วนของความถี่ที่สูงขึ้นจะลดทอนลงได้เพียงประมาณ 110 (สำหรับค่าเฉลี่ยเคลื่อนที่ 16 จุด) หรือ 13 (สำหรับค่าเฉลี่ยเคลื่อนที่สี่จุด) เราสามารถทำได้ดีกว่าที่ พล็อตข้างต้นถูกสร้างขึ้นโดยรหัส Matlab ต่อไปนี้: omega 0: pi400: pi H4 (14) (1-exp (-iomega4)) (1-exp (-iomega)) H8 (18) (1-exp (- (1-exp (-iomega16)) (1-exp (-iomega)) พล็อต (โอเมก้า, abs (H4) abs (H8) abs ( H16)) แกน (0, pi, 0, 1) สำเนาลิขสิทธิ์ 2000- - มหาวิทยาลัยแคลิฟอร์เนีย, BerkeleyMoving Average Filter (MA filter) กำลังโหลด ตัวกรองค่าเฉลี่ยเคลื่อนที่เป็นตัวกรองแบบ FIR (Finite Impulse Response) แบบ Low Pass ที่ใช้กันโดยทั่วไปสำหรับการจัดเรียงข้อมูลตัวอย่างแบบสุ่มตัวอย่าง ใช้เวลา M ตัวอย่างของการป้อนข้อมูลในแต่ละครั้งและใช้ค่าเฉลี่ยของ M-samples เหล่านี้และสร้างจุดเอาต์พุตเดี่ยว เป็นโครงสร้าง LPF (Low Pass Filter) ที่เรียบง่ายซึ่งเป็นประโยชน์สำหรับนักวิทยาศาสตร์และวิศวกรในการกรององค์ประกอบเสียงรบกวนที่ไม่พึงประสงค์จากข้อมูลที่ต้องการ เมื่อความยาวของตัวกรองเพิ่มขึ้น (พารามิเตอร์ M) ความนุ่มนวลของเอาท์พุทจะเพิ่มขึ้นในขณะที่ความคมชัดของการเปลี่ยนข้อมูลจะเพิ่มมากขึ้น นี่หมายความว่าตัวกรองนี้มีการตอบสนองโดเมนเวลาที่ยอดเยี่ยม แต่มีการตอบสนองต่อความถี่ต่ำ ตัวกรอง MA ทำหน้าที่สำคัญ 3 ประการคือ 1) ต้องใช้ M Input Point, คำนวณค่าเฉลี่ยของ M-points เหล่านี้และสร้างจุดเอาต์พุตเดี่ยว 2) เนื่องจากมีการคำนวณการคำนวณ ตัวกรองแนะนำจำนวนครั้งที่แน่นอนของการหน่วงเวลา 3) ตัวกรองทำหน้าที่เป็นตัวกรองความถี่ต่ำ (มีการตอบสนองโดเมนความถี่ต่ำและการตอบสนองโดเมนที่ดี) รหัส Matlab: โค้ด MATLAB ดังต่อไปนี้จะจำลองการตอบสนองโดเมนตามเวลาของตัวกรองค่าเฉลี่ยเคลื่อนที่ M-point และคำนวณการตอบสนองความถี่ของความยาวของตัวกรองต่างๆ การตอบสนองโดเมนระยะเวลา: ในพล็อตแรกเรามีข้อมูลเข้าที่จะเข้าสู่ตัวกรองค่าเฉลี่ยเคลื่อนที่ การป้อนข้อมูลมีเสียงดังและวัตถุประสงค์ของเราคือการลดเสียงรบกวน ตัวเลขต่อไปคือการตอบสนองการส่งออกของตัวกรองการเคลื่อนที่เฉลี่ย 3 จุด สามารถอนุมานได้จากรูปที่ตัวกรอง 3 จุด Moving Average ไม่ได้ทำอะไรมากนักในการกรองเสียงรบกวน เราเพิ่มตัวกรองก๊อกเป็น 51 จุดและเราจะเห็นว่าเสียงในเอาต์พุตลดลงมากซึ่งแสดงในรูปถัดไป เราเพิ่มก๊อกต่อไปที่ 101 และ 501 และเราสามารถสังเกตได้ว่าถึงแม้จะมีสัญญาณรบกวนอยู่เกือบเป็นศูนย์การเปลี่ยนภาพจะลดลงอย่างเห็นได้ชัด (สังเกตความชันที่ด้านข้างของสัญญาณและเปรียบเทียบกับการเปลี่ยนแปลงของผนังอิฐที่เหมาะสมใน ข้อมูลของเรา) การตอบสนองต่อความถี่: จากการตอบสนองต่อความถี่คุณสามารถยืนยันได้ว่าการม้วนออกช้ามากและการลดทอนของแถบหยุดไม่ดี เมื่อพิจารณาการลดทอนแถบหยุดนี้อย่างชัดเจนตัวกรองค่าเฉลี่ยเคลื่อนที่จะไม่สามารถแยกย่านความถี่หนึ่งจากอีกความถี่หนึ่งได้ อย่างที่เราทราบดีว่าประสิทธิภาพที่ดีในโดเมนเวลาทำให้ประสิทธิภาพในโดเมนความถี่ต่ำและในทางกลับกัน ในระยะสั้นค่าเฉลี่ยเคลื่อนที่เป็นตัวกรองการปรับความเรียบที่ยอดเยี่ยม (การดำเนินการในโดเมนเวลา) แต่เป็นตัวกรองความถี่ต่ำที่ไม่ดี (การดำเนินการในโดเมนความถี่) ลิงก์ภายนอก: หนังสือแนะนำ: เครื่องคิดเลขเฉลี่ยที่ SidebarMoving กำหนดรายการ ของข้อมูลลำดับคุณสามารถสร้างค่าเฉลี่ยเคลื่อนที่ n-point (หรือค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย) โดยหาค่าเฉลี่ยของชุดจุดต่อเนื่องกัน ตัวอย่างเช่นถ้าคุณมีชุดข้อมูลที่สั่งซื้อไว้ 10, 11, 11, 15, 13, 14, 12, 10, 11 ค่าเฉลี่ยเคลื่อนที่ 4 จุดคือ 11.75, 12.5, 13.25, 13.5, 12.25, 11.75 ค่าเฉลี่ยเคลื่อนที่ เพื่อให้ข้อมูลที่กลมกลืนกันอย่างราบรื่นทำให้ยอดคมชัดลดลงเนื่องจากแต่ละจุดข้อมูลดิบให้น้ำหนักเศษส่วนเพียงเล็กน้อยในค่าเฉลี่ยเคลื่อนที่ ค่าที่มากขึ้นของ n กราฟที่ราบเรียบของค่าเฉลี่ยเคลื่อนที่เมื่อเทียบกับกราฟของข้อมูลต้นฉบับ นักวิเคราะห์หุ้นมักมองไปที่การเคลื่อนไหวโดยเฉลี่ยของข้อมูลราคาหุ้นเพื่อคาดการณ์แนวโน้มและดูรูปแบบที่ชัดเจนมากขึ้น คุณสามารถใช้เครื่องคิดเลขด้านล่างเพื่อหาค่าเฉลี่ยเคลื่อนที่ของชุดข้อมูล จำนวนเงื่อนไขใน n-Point Moving Average โดยง่ายหากจำนวนคำในชุดเดิมมีค่า d และจำนวนคำที่ใช้ในแต่ละค่าเฉลี่ยคือ n จำนวนคำในลำดับค่าเฉลี่ยที่เคลื่อนไหวจะเป็นเช่นถ้าคุณมีลำดับราคาหุ้น 90 และใช้ค่าเฉลี่ยของการกลิ้งเฉลี่ย 14 วันลำดับค่าเฉลี่ยกลิ้งจะมีค่า 90 - 14 1 77 คะแนน เครื่องคิดเลขนี้คำนวณค่าเฉลี่ยเคลื่อนที่ที่มีการถ่วงน้ำหนักทุกคำเท่ากัน คุณยังสามารถสร้างค่าเฉลี่ยเคลื่อนที่ที่มีการถ่วงน้ำหนักซึ่งคำศัพท์บางคำได้รับน้ำหนักมากกว่าคนอื่น ๆ ยกตัวอย่างเช่นให้น้ำหนักมากขึ้นกับข้อมูลล่าสุดหรือสร้างเกณฑ์ถ่วงน้ำหนักแบบรวมศูนย์ที่มีการนับคำกลางมากขึ้น ดูบทความและเครื่องคิดเลขโดยรวมที่มีการถ่วงน้ำหนักสำหรับข้อมูลเพิ่มเติม พร้อมกับค่าเฉลี่ยเลขคณิตที่เคลื่อนที่นักวิเคราะห์บางคนยังมองไปที่ค่ามัธยฐานของข้อมูลที่สั่งซื้อเนื่องจากค่ามัธยฐานไม่ได้รับผลกระทบจากค่าผิดปกติที่แปลกประหลาด