Flytting Gjennomsnitt Filteranvendelser

Den bevegelige gjennomsnittet som et filter Det bevegelige gjennomsnittet brukes ofte til utjevning av data i nærvær av støy. Det enkle glidende gjennomsnittet blir ikke alltid gjenkjent som FIT-filteret (Finite Impulse Response), det er det, men det er faktisk et av de vanligste filtre i signalbehandling. Ved å behandle det som et filter, kan det sammenlignes med f. eks. Windowed-sinc filtre (se artiklene på lavpass, høypass og bandpass og bandavvisningsfiltre for eksempler på dem). Den store forskjellen med de filtre er at det bevegelige gjennomsnittet er egnet for signaler som den nyttige informasjonen er inneholdt i tidsdomene. hvorav utjevningsmålinger ved gjennomsnittsverdi er et godt eksempel. Windowed-sinc filtre, derimot, er sterke utøvere i frekvensdomene. med utjevning i lydbehandling som et typisk eksempel. Det er en mer detaljert sammenligning av begge typer filtre i Time Domain vs Frekvensdomenes ytelse av filtre. Hvis du har data som både tid og frekvensdomene er viktige for, kan du kanskje se på Variasjoner på Moving Average. som presenterer en rekke vektede versjoner av det bevegelige gjennomsnittet som er bedre på det. Det bevegelige gjennomsnittet av lengden (N) kan defineres som skrevet som det typisk blir implementert, med den nåværende utgangsprøven som gjennomsnittet av de tidligere (N) - prøver. Sett som et filter, utfører det bevegelige gjennomsnitt en konvolusjon av inngangssekvensen (xn) med en rektangulær puls av lengde (N) og høyde (1N) (for å gjøre området for pulsen, og dermed forsterkningen av filteret , en ). I praksis er det best å ta (N) merkelig. Selv om et glidende gjennomsnitt kan også beregnes ved å bruke et jevnt antall prøver, har det en fordel at forsinkelsen av filteret vil være et heltall antall prøver ved bruk av en merkelig verdi for (N) siden forsinkelsen av et filter med (N) prøvene er nøyaktig ((N-1) 2). Det bevegelige gjennomsnittet kan deretter justeres nøyaktig med de opprinnelige dataene ved å skifte det med et heltall antall prøver. Time Domain Siden det bevegelige gjennomsnittet er en konvolusjon med en rektangulær puls, er frekvensresponsen en sinc-funksjon. Dette gjør det noe som det dobbelte av windowed-sinc filteret, siden det er en konvolusjon med en sinc puls som resulterer i en rektangulær frekvensrespons. Det er denne sync frekvensrespons som gjør det bevegelige gjennomsnittet en dårlig utøver i frekvensdomenet. Det virker imidlertid veldig bra i tidsdomene. Derfor er det perfekt å glatte data for å fjerne støy mens du samtidig holder et raskt trinnsvar (Figur 1). For den typiske Additive White Gaussian Noise (AWGN) som ofte antas, har gjennomsnittlige (N) prøver effekten av å øke SNR med en faktor (sqrt N). Siden støyen for de enkelte prøvene er ukorrelert, er det ingen grunn til å behandle hver prøve forskjellig. Derfor vil det bevegelige gjennomsnittet, som gir hver prøve samme vekt, bli kvitt den maksimale mengden støy for en gitt trinnresponsskarphet. Gjennomføring Fordi det er et FIR-filter, kan det bevegelige gjennomsnittet implementeres gjennom konvolusjon. Det vil da ha samme effektivitet (eller mangel på det) som alle andre FIR-filter. Det kan imidlertid også implementeres rekursivt, på en svært effektiv måte. Det følger direkte fra definisjonen at denne formelen er resultatet av uttrykkene for (yn) og (yn1), det vil si hvor vi legger merke til at forandringen mellom (yn1) og (yn) er at et ekstra uttrykk (xn1N) vises på slutten, mens uttrykket (xn-N1N) er fjernet fra begynnelsen. I praktiske anvendelser er det ofte mulig å utelate divisjonen med (N) for hvert begrep ved å kompensere for den resulterende gevinsten av (N) på et annet sted. Denne rekursive gjennomføringen vil bli mye raskere enn konvolusjon. Hver ny verdi av (y) kan beregnes med bare to tillegg, i stedet for (N) tilleggene som ville være nødvendige for en enkel implementering av definisjonen. En ting å se etter med en rekursiv implementering er at avrundingsfeil vil samle seg. Dette kan eller ikke kan være et problem for søknaden din, men det innebærer også at denne rekursive implementeringen faktisk vil fungere bedre med et heltall implementering enn med flytende punktnumre. Dette er ganske uvanlig, siden en flytende punktimplementering vanligvis er enklere. Konklusjonen av alt dette må være at du aldri bør undervurdere bruken av det enkle glidende gjennomsnittsfilteret i signalbehandlingsprogrammer. Filter designverktøy Denne artikkelen er utfylt med et filterdesignverktøy. Eksperimenter med forskjellige verdier for (N) og visualiser de resulterende filtrene. Prøv det nåFIR Filter Basics 1.1 Hva er quotFIR filtersquot FIR filtre er en av to primære typer digitale filtre som brukes i Digital Signal Processing (DSP) applikasjoner, den andre typen er IIR. 1.2 Hva betyr quotFIRquot betyr quotFIRquot quotFinite Impulse Responsequot. Hvis du legger inn en impuls, det vil si en enkelt quot1quot-prøve etterfulgt av mange quot0quot-prøver, vil nuller komme ut etter at quot1quot-prøven har gått gjennom filterets forsinkelseslinje. 1.3 Hvorfor er impulsresponsen quotfinitequot I det vanlige tilfellet er impulsresponsen endelig fordi det ikke er tilbakemelding i FIR. Manglende tilbakemelding garanterer at impulsresponsen vil være endelig. Derfor er uttrykket quotfinite impulse responsequot nesten synonymt med quotno feedbackquot. Men hvis tilbakemeldingen er ansatt, er impulsresponsen endelig, men filteret er fortsatt en FIR. Et eksempel er det bevegelige gjennomsnittsfilteret, hvor den Nth-forhåndseksempler trekkes tilbake (hver gang en ny prøve kommer inn). Dette filteret har en endelig impulsrespons, selv om den bruker tilbakemelding: etter N prøver av en impuls, vil utgangen vil alltid være null. 1.4 Hvordan uttaler jeg quotFIRquot Noen sier at bokstavene F-I-R andre uttaler som om det var en type tre. Vi foretrekker treet. (Forskjellen er om du snakker om et F-I-R-filter eller et FIR-filter.) 1.5 Hva er alternativet til FIR-filtre DSP-filtre kan også være quotInfinite Impulse Responsequot (IIR). (Se dspGurus IIR FAQ.) IIR-filtre bruker tilbakemelding, så når du skriver inn en impuls, ringer utgangen teoretisk på ubestemt tid. 1.6 Hvordan sammenligner FIR-filtre med IIR-filtre Hver har fordeler og ulemper. Samlet sett er fordelene ved FIR-filter større enn ulempene, så de brukes mye mer enn IIR. 1.6.1 Hva er fordelene med FIR-filter (sammenlignet med IIR-filtre) Sammenlignet med IIR-filtre, tilbyr FIR-filtre følgende fordeler: De kan enkelt utformes for å være kvadratlinjefase (og vanligvis er). Enkelt sagt, linjeskiftfiltre forsinker inngangssignalet, men donrsquot forvrenger sin fase. De er enkle å implementere. På de fleste DSP-mikroprosessorer kan FIR-beregningen gjøres ved å løse en enkelt instruksjon. De er egnet til multi-rate applikasjoner. Med multi-rate mener vi enten quotdecimationquot (redusere samplingsfrekvensen), quotinterpolationquot (øke samplingsfrekvensen), eller begge deler. Uansett om deimerer eller interpolerer, gjør bruk av FIR-filtre det mulig å utelate noen av beregningene, og gir dermed en viktig beregningseffektivitet. I motsetning dersom IIR-filtre brukes, må hver utgang beregnes individuelt, selv om den utgangen vil kasseres (slik at tilbakemeldingen vil bli innlemmet i filteret). De har ønskelige numeriske egenskaper. I praksis må alle DSP-filtre implementeres ved å bruke finite-presis aritmetikk, det vil si et begrenset antall biter. Bruk av finite-presisjon aritmetikk i IIR-filtre kan forårsake betydelige problemer på grunn av bruk av tilbakemelding, men FIR-filtre uten tilbakemelding kan vanligvis implementeres med færre biter, og designeren har færre praktiske problemer å løse i forbindelse med ikke-ideell aritmetikk. De kan implementeres ved hjelp av fraksjonal aritmetikk. I motsetning til IIR-filtre, er det alltid mulig å implementere et FIR-filter ved hjelp av koeffisienter med størrelsen mindre enn 1,0. (Den samlede gevinsten til FIR-filteret kan justeres ved utgang, hvis ønskelig.) Dette er et viktig hensyn når du bruker fastpunkts-DSP, fordi det gjør implementeringen mye enklere. 1.6.2 Hva er ulempene med FIR-filter (sammenlignet med IIR-filtre) Sammenlignet med IIR-filtre, har FIR-filtre noen ganger den ulempen at de trenger mer minne og eller annen beregning for å oppnå en bestemt filterresponskarakteristikk. Også enkelte svar er ikke praktiske å implementere med FIR-filtre. 1.7 Hvilke begreper brukes til å beskrive FIR-filter Impulsrespons - Quimpulsresponsequot av et FIR-filter er faktisk bare settet med FIR-koeffisienter. (Hvis du legger et kvoteprotokvot i et FIR-filter som består av en quot1quot-prøve etterfulgt av mange quot0quot-prøver, vil filterets utgang være settet av koeffisienter, da den ene prøven beveger seg forbi hver koeffisient i sin tur for å danne utgangen.) Trykk - En FIR quottapquot er bare et koeffisientpar. Antallet FIR-kraner, ofte angitt som quotNquot, er en indikasjon på 1) mengden minne som kreves for å implementere filteret, 2) antall kalkulasjoner som kreves, og 3) mengden av kvoteringskvotene som filteret kan utføre, flere kraner betyr mer stoppbånddemping, mindre krusninger, smalere filtre, etc. Multiply-Accumulate (MAC) - I en FIR-sammenheng er en quotMACquot drift av å multiplisere en koeffisient av den tilsvarende forsinkede dataprøven og akkumulere resultatet. FIRs krever vanligvis en MAC per trykk. De fleste DSP mikroprosessorer implementerer MAC-operasjonen i en enkelt instruksjons syklus. Overgangsbånd - Båndet mellom frekvenser mellom passbånd og stoppbåndskanter. Jo smalere overgangsbåndet, desto flere kraner er nødvendig for å implementere filteret. (Et quotsmallquot overgangsbånd resulterer i et quotsharpquot filter.) Delay Line - Settet av minneelementer som implementerer quZ-1quot forsinkelseselementene i FIR-beregningen. Sirkulær buffer - En spesiell buffer som er quotcircularquot fordi inkrementering på slutten fører til at den vikles rundt til begynnelsen, eller fordi dekrementering fra begynnelsen fører til at den vikles rundt til slutten. Sirkulære buffere leveres ofte av DSP mikroprosessorer for å implementere kvoteringskvoten av prøvene gjennom FIR-forsinkelseslinjen uten å måtte bokstavelig talt flytte dataene i minnet. Når en ny prøve legges til bufferen, erstatter den automatisk den eldste. En enkel guide for bruk av populære bevegelige gjennomsnitt i forex-hvordan du kan bruke de populære bevegelige gjennomsnittene Gjør alt så enkelt som mulig, men ikke enklere. Etter mange års handel, blir du trykket hardt for å finne en indikator så enkelt eller effektivt som bevegelige gjennomsnitt. Flytte gjennomsnitt tar et fast sett med data og gir deg en gjennomsnittspris. Hvis gjennomsnittet beveger seg høyere, er prisen i en opptrend på minst en eller muligvis flere tidsrammer. Hvorfor Flytte Gjennomsnitt er populære diagram Opprettet av Tyler Yell, CMT Flytte gjennomsnitt er enkle å bruke, og kan være effektivt ved å gjenkjenne trending, rekkevidde eller korrigerende miljøer slik at du kan bli bedre posisjonert til neste trekk. Ofte vil handelsmenn bruke mer enn ett glidende gjennomsnitt fordi to glidende gjennomsnitt kan behandles som en trendutløser. Med andre ord, når kortere bevegelige gjennomsnittsværdier krysser over det langsommere bevegelige gjennomsnittet, som i fingerfeltstrategien, genereres et kjøpesignal til de bevegelige gjennomsnittene reverseres eller du treffer fortjenestemålet. Ett ord med advarsel: itrsquos er best å holde seg til noen spesifikke bevegelige gjennomsnitt. Dette forhindrer deg i å prøve å finne ldquoperfect moving averagerdquo og heller holde deg objektiv om trenden begynner, akselererer eller senkes. De bevegelige gjennomsnittene jeg ofte bruker er 8, 21, 55 for handelsutløsere og en 100 eller 200 for et rent trendfilter. Disse bevegelige gjennomsnitt er ofte brukt av investeringsbanker, men 100 amp 200 er den mest brukte. Det kortere glidende gjennomsnittet vil avhenge av din preferanse og hvor mange signaler du ønsker å handle. Hvem bruker Moving Gjennomsnitt Flytte gjennomsnitt er ofte den første indikatoren for at nye handelsmenn blir introdusert til og med god grunn. Det hjelper deg med å definere trenden og potensielle oppføringer i retning av trenden. Flytende gjennomsnitt blir imidlertid også benyttet av fondforvaltere for store investeringsbanker i analysen for å se om et marked nærmer seg støtte eller motstand eller potensielt reverserer etter en betydelig periode. GBPUSD Traded over 200 DMA for 261 Days Viser utmattelseskart laget av Tyler Yell, CMT Moving gjennomsnitt kan være et enkelt verktøy for å definere støtte og motstand i valutamarkedet. Når et marked er i en sterk trend, kan enhver sprette av et glidende gjennomsnitt, som den første sprettingen av 200-dma i GBPUSD-diagrammet ovenfor, presentere en betydelig mulighet til å delta i trenden til prisen lukker under 200-dma. Men hvis prisen fortsetter å bevege seg over og under det bevegelige gjennomsnittet i løpet av kort tid, er det sannsynlig at sannsynligheten i et område og disse reverseringer ikke er vesentlig fra et handelsperspektiv. Hvordan du kan bruke de populære bevegelige gjennomsnittene Det er mange bruksområder for å flytte gjennomsnitt, men et enkelt system er å lete etter et bevegelige gjennomsnittsoverskudd. Den bevegelige gjennomsnittlige crossover ser etter det korte eller raskere bevegelige gjennomsnittet for å krysse over et allerede stigende lengre eller langsiktig glidende gjennomsnitt som et kjøpssignal. Når du ser etter å selge et valutapar, kan du se etter det korte eller raskere bevegelige gjennomsnittet for å krysse under et fallende lengre eller langsiktig glidende gjennomsnitt som et salgssignal. AUDUSD har vist ren flytte rundt 21 amp 55-dma diagrammet laget av Tyler Yell, CMT Når du ser på å bruke bevegelige gjennomsnitt, vil din evne til å kontrollere nedadrettede risikoen bestemme din suksess. Itrsquos viktig å vite at markeder som en gang var trending, med svært rene bevegelige gjennomsnittssignaler, til et område med mer støy enn signaler. Hvis du kan bli komfortabel med et bestemt sett med bevegelige gjennomsnittsverdier, kan du objektivt analysere og handle i valutamarkedet ukedag og uke ut. --- Skrevet av Tyler Yell, handelsinstruktør Interessert i våre analytikere Beste visninger på store markeder Sjekk ut våre gratis handelsveiledninger her DailyFX gir forex nyheter og teknisk analyse om trender som påvirker de globale valutamarkedene. Gjennomsnittlig gjennomsnitt i R Til best av min kunnskap har R ikke en innebygd funksjon for å beregne bevegelige gjennomsnitt. Ved hjelp av filterfunksjonen kan vi imidlertid skrive en kort funksjon for å flytte gjennomsnitt: Vi kan da bruke funksjonen på data: mav (data) eller mav (data, 11) hvis vi vil spesifisere et annet antall datapunkter enn standard 5-plotting fungerer som forventet: plot (mav (data)). I tillegg til antall datapunkter hvorav gjennomsnittlig, kan vi også endre sidebeskrivelsen av filterfunksjonene: sides2 bruker begge sider, sides1 bruker bare tidligere verdier. Del dette: Post navigasjon Kommentar navigasjon Kommentar navigasjon