Eu sou novo em Simulink. Eu quero fazer a média dos dados de entrada (que vem após alguns intervalos) de um bloco. Por exemplo, os dados emoldurados contínuos de 42 amostras estão fora de um bloco. Junto com os dados emoldurados, há outra saída (tag) que informa que esses framesamples pertencem a qual categoria. As tags são números de 1-6. A saída é aleatória. Quero média a mesma categoria de dados. Como a primeira moldura é de cat1, então depois de 4 quadros frame cat1 novamente vem. Agora, como eu deveria média este novo quadro com o anterior Eu quero fazer isso para todas as categorias. Por favor, me ajude neste. Perguntou Mar 26 14 at 13:35 Uma solução rápida e suja seria implementar um arraylist para cada categoria. Inicialize a lista com NaNs e mantenha um contador para a última amostra de cada categoria. Usando a função média você pode obter a média de todas as medições. Se você quiser apenas a média do quadro atual e do quadro anterior, você pode simplesmente dizer (cat1 (n1) cat1 (n11)) onde cat1 é o arraylist para quadros da categoria 1 e n1 é o índice do quadro anterior em cat1 . Se você quer uma média móvel ponderada para uma implementação em tempo real, crie uma variável média para cada categoria (chamar av1, av2, etc.) e compute av1 alphaav1 (1-alfa) cat1 (n11) (onde alfa é o peso atribuído Para a média anterior (alphalt1) e cat1 (n11) é a nova medida) sempre que uma frame cat1 entra. Respondeu Mar 26 14 em 17: 39Documentation saída tsmovavg (tsobj, s, lag) retorna a média móvel simples por para o tempo financeiro série objeto, tsobj. Lag indica o número de pontos de dados anteriores usados com o ponto de dados atual ao calcular a média móvel. A saída tsmovavg (vetor, s, lag, dim) retorna a média móvel simples para um vetor. Lag indica o número de pontos de dados anteriores usados com o ponto de dados atual ao calcular a média móvel. A saída tsmovavg (tsobj, e, timeperiod) retorna a média móvel ponderada exponencial para a série de tempo financeiro objeto, tsobj. A média móvel exponencial é uma média móvel ponderada, em que timeperiod especifica o período de tempo. As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pondera o preço mais recente em 18,18. Percentual Exponencial 2 (TIMEPER 1) ou 2 (WINDOWSIZE 1). Saída tsmovavg (vetor, e, timeperiod, dim) retorna a média móvel ponderada exponencial para um vetor. A média móvel exponencial é uma média móvel ponderada, em que timeperiod especifica o período de tempo. As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pondera o preço mais recente em 18,18. (2 (intervalo de tempo 1)). A saída tsmovavg (tsobj, t, numperiod) retorna a média móvel triangular para a série de tempo financeiro objeto, tsobj. A média móvel triangular alisa os dados. Tsmovavg calcula a primeira média móvel simples com largura de janela de ceil (numperiod 1) 2. Em seguida, calcula uma segunda média móvel simples na primeira média móvel com o mesmo tamanho de janela. A saída tsmovavg (vetor, t, numperiod, dim) retorna a média móvel triangular para um vetor. A média móvel triangular alisa os dados. Tsmovavg calcula a primeira média móvel simples com largura de janela de ceil (numperiod 1) 2. Em seguida, calcula uma segunda média móvel simples na primeira média móvel com o mesmo tamanho de janela. A saída tsmovavg (tsobj, w, weights) retorna a média móvel ponderada para o objeto da série temporal financeira, tsobj. Fornecendo pesos para cada elemento na janela em movimento. O comprimento do vetor de peso determina o tamanho da janela. Se fatores de peso maiores forem usados para preços mais recentes e fatores menores para preços anteriores, a tendência é mais responsiva a mudanças recentes. A saída tsmovavg (vetor, w, pesos, dim) retorna a média móvel ponderada para o vetor fornecendo pesos para cada elemento na janela em movimento. O comprimento do vetor de peso determina o tamanho da janela. Se fatores de peso maiores forem usados para preços mais recentes e fatores menores para preços anteriores, a tendência é mais responsiva a mudanças recentes. A saída tsmovavg (tsobj, m, numperiod) retorna a média móvel modificada para o objeto da série de tempo financeiro, tsobj. A média móvel modificada é semelhante à média móvel simples. Considere o argumento numperiod como a defasagem da média móvel simples. A primeira média móvel modificada é calculada como uma média móvel simples. Valores subseqüentes são calculados adicionando o novo preço e subtraindo a última média da soma resultante. A saída tsmovavg (vetor, m, numperiod, dim) retorna a média móvel modificada para o vetor. A média móvel modificada é semelhante à média móvel simples. Considere o argumento numperiod como a defasagem da média móvel simples. A primeira média móvel modificada é calculada como uma média móvel simples. Valores subseqüentes são calculados adicionando o novo preço e subtraindo a última média da soma resultante. Dim 8212 dimensão para operar ao longo de inteiro positivo com valor 1 ou 2 Dimensão para operar junto, especificado como um inteiro positivo com um valor de 1 ou 2. dim é um argumento de entrada opcional e se não for incluído como uma entrada, o padrão Valor 2 é assumido. O padrão de dim 2 indica uma matriz orientada a linhas, onde cada linha é uma variável e cada coluna é uma observação. Se dim 1. a entrada é assumida como sendo um vetor de coluna ou uma matriz orientada a coluna, onde cada coluna é uma variável e cada linha uma observação. E 8212 Indicador para vetor de caracteres de média móvel exponencial A média móvel exponencial é uma média móvel ponderada, em que o tempo é o período de tempo da média móvel exponencial. As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pondera o preço mais recente em 18,18. Porcentagem Exponencial 2 (TIMEPER 1) ou 2 (WINDOWSIZE 1) período de tempo 8212 Comprimento do período de tempo inteiro não negativo Selecionar o seu PaísDocumentação Método da Média Móvel 8212 Método de valor médio Janela deslizante (padrão) Ponderação exponencial Janela deslizante 8212 Uma janela de comprimento O comprimento da janela move - Dados ao longo de cada canal. Para cada amostra a janela se move, o bloco calcula a média sobre os dados na janela. Ponderação exponencial 8212 O bloco multiplica as amostras por um conjunto de factores de ponderação. A magnitude dos fatores de ponderação diminui exponencialmente à medida que a idade dos dados aumenta, nunca atingindo zero. Para calcular a média, o algoritmo soma os dados ponderados. Especifique o comprimento da janela 8212 Sinalizador para especificar o comprimento da janela em (padrão) desativado Quando você seleciona essa caixa de seleção, o comprimento da janela deslizante é igual ao valor especificado em Comprimento da janela. Quando você desmarca essa caixa de seleção, o comprimento da janela deslizante é infinito. Neste modo, o bloco calcula a média da amostra atual e todas as amostras anteriores no canal. Comprimento da janela 8212 Comprimento da janela deslizante 4 (padrão) positivo escalar inteiro O comprimento da janela especifica o comprimento da janela deslizante. Esse parâmetro aparece quando você seleciona a caixa de seleção Especificar comprimento da janela. Esquecendo o fator 8212 Fator de ponderação exponencial 0,9 (padrão) real escalar real na faixa (0,1 Este parâmetro se aplica quando você define o Método para Ponderação exponencial Um fator de esquecimento de 0,9 dá mais peso aos dados mais antigos do que um fator de esquecimento de 0,1 Simples usando 8212 Tipo de simulação a ser executada Geração de código (padrão) Execução interpretada Simulação Usando código C gerado. A primeira vez que você executa uma simulação, Simulink x00AE gera código C. O código C é reutilizado para simulações subseqüentes, desde que o modelo não mude. Esta opção requer tempo de inicialização adicional, mas fornece mais rápido Simulação de modelo usando o interpretador MATLAB x00AE Esta opção reduz o tempo de inicialização, mas tem velocidade de simulação mais lenta do que o código geração . Mais Sobre Algoritmos Método de Janela Deslizante No método de janela deslizante, a saída para cada amostra de entrada é a média da amostra atual e das amostras anteriores de Len - 1. Len é o comprimento da janela. Para calcular as primeiras saídas Len - 1, quando a janela ainda não tem dados suficientes, o algoritmo preenche a janela com zeros. Como exemplo, para calcular a média quando a segunda amostra de entrada chega, o algoritmo preenche a janela com Len - 2 zeros. O vector de dados, x. É então as duas amostras de dados seguido de Len - 2 zeros. Quando você define a propriedade SpecifyWindowLength como false. O algoritmo escolhe um comprimento de janela infinito. Neste modo, a saída é a média móvel da amostra atual e todas as amostras anteriores no canal. Método de ponderação exponencial No método de ponderação exponencial, a média móvel é calculada recursivamente utilizando estas fórmulas: w N. x03BB x03BB w N x2212 1. x03BB 1. x x00AF N. x03BB (1 x2212 1 w N. x03BB) x x00AF N x2212 X03BB) x N x x00AF N. x03BB 8212 Média móvel na amostra atual x N 8212 Dados atuais amostra de entrada x x00AF N x2212 1. x03BB 8212 Média móvel na amostra anterior 955 8212 Fator w N. x03BB 8212 Fator de ponderação aplicado à amostra de dados corrente (1 x2212 1 w N. x03BB) x x00AF N x2212 1. x03BB 8212 Efeito dos dados anteriores sobre a média Para a primeira amostra, onde N 1, o algoritmo escolhe w N. x03BB 1. Para a próxima amostra, o fator de ponderação é atualizado e utilizado para calcular a média, de acordo com a equação recursiva. À medida que a idade dos dados aumenta, a magnitude do factor de ponderação diminui exponencialmente e nunca atinge zero. Em outras palavras, os dados recentes têm mais influência sobre a média atual do que os dados mais antigos. O valor do fator de esquecimento determina a taxa de variação dos fatores de ponderação. Um fator de esquecimento de 0.9 dá mais peso aos dados mais antigos do que um fator de esquecimento de 0.1. Um fator de esquecimento de 1,0 indica memória infinita. Todas as amostras anteriores recebem um peso igual. Objetos do sistema Selecione seu país
No comments:
Post a Comment