Eksponensiële Bewegende Gemiddelde Laaglaatfilter

Is dit moontlik om 'n bewegende gemiddelde in C te implementeer sonder die behoefte aan 'n venster van monsters Ive het bevind dat ek 'n bietjie kan optimaliseer, deur die keuse van 'n venster grootte dis 'n krag van twee voorsiening te maak vir bietjie-verskuiwing in plaas van verdeel, maar nie nodig 'n buffer sal lekker wees. Is daar 'n manier om 'n nuwe bewegende gemiddelde resultaat slegs as 'n funksie van die ou gevolg en die nuwe monster te druk definieer 'n voorbeeld bewegende gemiddelde, oor 'n venster van 4 monsters te wees: Voeg nuwe monster e: 'n bewegende gemiddelde kan rekursief geïmplementeer , maar vir 'n presiese berekening van die bewegende gemiddelde jy die oudste insette monster in die som (dws die 'n in jou voorbeeld) onthou. Vir 'n lengte N bewegende gemiddelde wat jy bereken: waar yn is die uitsetsein en xn is die insetsein. Aand. (1) kan rekursief geskryf word as sodat jy altyd moet die monster xn-N onthou om te bereken (2). Soos uitgewys deur Conrad Turner, kan jy 'n (oneindig lank) eksponensiële venster plaas, wat dit moontlik maak om die uitset net uit die verlede uitset en die huidige insette te bereken gebruik, maar dit is nie 'n standaard (ongeweegde) bewegende gemiddelde, maar 'n eksponensieel geweegde bewegende gemiddelde, waar monsters verder in die verlede kry 'n kleiner gewig, maar (ten minste in teorie) wat jy nooit iets vergeet nie (die gewigte kry net kleiner en kleiner vir monsters ver in die verlede). inisialiseer totale 0, count0 (elke keer sien 'n nuwe waarde toe een insette (scanf), een totalnewValue, een inkrement (telling), een kloof gemiddelde (totale / telling voeg) Dit sou 'n bewegende gemiddelde oor alle insette Om die gemiddelde bereken word oor net die laaste 4 insette, sal vereis 4 inputvariables, miskien kopiëring elke insette om 'n ouer inputvariable, dan berekening van die nuwe bewegende gemiddelde. as som van die 4 inputvariables, gedeel deur 4 (regs skuif 2 sal goed wees as al die insette was positiewe na die gemiddelde calculationLow-pass filter Dit is in die eerste plek daarop dit sal nie volledig wees in enige sin maak nie. Dit bestaan ​​om fragmente van nuttige inligting bevat. pseudokode die eksponensieel geweeg bewegende gemiddelde (EWMA) is die naam vir wat is waarskynlik die maklikste digitale, tyd-domein verwesenliking van die (eerste-orde) laagdeurlaat op diskrete data. dit filter glad met behulp van 'n bewegende plaaslike gemiddelde, wat dit 'n trae navolger van die insetsein maak. Intuïtief, dit sal stadig reageer op die vinnige veranderinge (die hoë frekwensie inhoud) terwyl hy nog as gevolg van die algehele neiging van die sein (die lae-frekwensie-inhoud). Dit is geweeg met 'n veranderlike (sien x3b1) in staat wees om sy sensitiwiteit wissel. In aansoeke daardie monster op 'n gereelde interval (bv klank) kan jy betrekking x3b1 om frekwensie inhoud. In sulke gevalle dikwels wil hê jy moet 'n gefilterde uitset reeks te bereken vir 'n inset-reeks, deur herhaling deur middel van 'n lys so iets te doen: of die ekwivalent: Laasgenoemde vorm kan meer intuïtief / insiggewende voel: die verandering in die gefilterde uitset is eweredig aan die bedrag van verandering en geweeg deur die filter sterkte x3b1. Beide kan help kyk hoe die gebruik van die onlangse gefiltreer uitset gee die stelsel traagheid: 'n Kleiner x3b1 (groter 1-x3b1 in die voormalige) (maak ook vir 'n groter RC) beteken die uitset sal meer traag pas, en moet minder geraas wys (sedert die afsnyfrekwensie is laer (verifieer)). 'N Groter x3b1 (kleiner 1-x3b1) (kleiner RC) beteken dat die uitset vinniger (minder traagheid) gevalle sal pas, maar wees meer sensitief vir geraas (sedert die afsnyfrekwensie is hoër (verifieer)) Sedert die berekening is plaaslike, waar jy net die nuutste waarde kan voorkom stoor 'n groot verskeidenheid van die volgende te doen vir elke nuwe monster (dikwels 'n klomp van die tye in 'n ry, om seker te maak ons ​​pas genoeg). In gevalle van nie-so-gereelde monsterneming x3b1 is meer verwant aan spoed van aanpassing as om frekwensie inhoud. Dit is nog steeds relevant, maar die notas op frekwensie inhoud van toepassing minder streng. Jy wil tipies implementeer die skikking / geheue as dryf - selfs as jy SY terugkeer - om probleme wat veroorsaak word deur afrondingsfoute te vermy. Die meeste van die probleem: wanneer alphadifference (self 'n drywende vermenigvuldiging) minder as 1 is, word dit 0 in 'n (truncatng) gooi 'n heelgetal. Byvoorbeeld, wanneer Alpha is 0,01, dan sein verskille kleiner as 100 sal maak vir 'n aanpassing van 0 (via heelgetal afkorting), sodat die filter sal nooit aan te pas by die werklike ADC waarde. EWMA het die woord eksponensiële daarin, want elke nuwe gefiltreer uitset effektief gebruik al die waardes voordat dit, en effektief met eksponensieel verrottende gewigte. Sien die Wikipedia skakels vir meer bespreking. 'N Grafiese voorbeeld: 'n kiekie van arduinoscope - 'n bewegende grafiek, met die nuutste monsters aan die linkerkant. Die rou sein op die top is 'n paar SECONDSs waarde van 'n ADC monsterneming van 'n drywende pen, met 'n vinger raak dit elke nou en dan. Die ander is lowpassed weergawes daarvan, op die verhoging van sterkpunte. Sommige dinge om op te let daaroor: die slowish eksponensiële aanpassing te stap-agtige reaksies (amper soos 'n heffing kapasitor - vinnig aanvanklik, dan stadiger en stadiger) die onderdrukking van enkele groot spykers / afwykings. dat sy beslis moontlik om te hard te filtreer (alhoewel dit reg hang baie af van die monsterneming spoed en die aanpassing / inhoud / frekwensies jou doel behoeftes). in die tweede beeld, die die volle omvang ossillasie kom uit halfpad nie soseer as gevolg van filter, maar ook grootliks omdat die meeste rou monsters om daar versadig aan beide kante van die ADC wissel. Op x3b1, x3c4, en die afsnyfrekwensie Hierdie artikel / artikel is 'n saadjie x2014 waarskynlik 'n hopie van 'n halwe gesorteer notas, is nie goed gekontroleer so kan verkeerde stukkies het. (Voel vry om te ignoreer, op te los, of vir my sê) x3b1 is die smoothing faktor, teoreties tussen 0,0 en 1,0, in die praktyk gewoonlik lt0.2 en dikwels lt0.1 of kleiner, want behalwe dit is jy skaars doen enige filter. In DSP is dit dikwels gebaseer op: x394 t. gereeld geskryf dt. die tyd interval tussen monsters (resiprook van sampling rate) 'n keuse van tydkonstante x3c4 (TLU), ook bekend as RC (laasgenoemde 'n verwysing na 'n resistor-plus-kapasitor stroombaan wat ook nie laagdeurlaat lyk. Spesifiek, RC gee die tyd waarin die kapasitor laai na as jy kies 'n RC naby youll dt kry Alfa's hoër as 0,5, en ook 'n afsnyfrekwensie wat naby die Nyquist frekwensie (gebeur op 0,666 (verifieer)), wat so min dat dit die filter redelik filters uit nutteloos. In die praktyk sal jy dikwels kies 'n RC wat ten minste 'n paar veelvoude van dt, wat beteken dat x3b1 is op die einde van 0,1 of minder. Wanneer die monsterneming gebeur streng gereeld, want dit is vir 'n goeie en baie ander DSP aansoeke, .. die afsnyfrekwensie aka knie frekwensie is goed-gedefinieerde, naamlik: byvoorbeeld, wanneer RC0.002sec, die donker is by op 200Hz, 2000Hz, en 20000Hz monsterneming, dit maak vir Alfa's van 0,7, 0,2, en 0,024 onderskeidelik. (op dieselfde monsterneming spoed: die laer Alpha is, hoe stadiger sal die aanpassing by nuwe waardes en hoe laer die effektiewe afsnyfrekwensie) (kontroleer) vir 'n eerste-orde laagdeurlaat: teen laer frekwensies, die reaksie is byna heeltemal plat, op hierdie frekwensie die reaksie is -3dB (begin daal in 'n sagte draai / knie) by 'n hoër frekwensies dit dit druppels op 6db / oktaaf ​​(20dB / dekade) hoër-orde variasies afval vinniger en het 'n harder knie. Let daar sal ook 'n faseverskuiwing, wat agter bly die insette wees. Dit hang af van die frekwensie dit begin vroeër as die amplitude falloff, en sal wees -45 grade by die knie frekwensie (verifieer). Arduino voorbeeld Hierdie artikel / artikel is 'n saadjie x2014 waarskynlik 'n hopie van 'n halwe gesorteer notas, is nie goed gekontroleer so kan verkeerde stukkies het. (Voel vry om te ignoreer, op te los, of vertel my) Dit is 'n enkel-stuk-of-geheue weergawe, want as jy belangstel om net in die (jongste) produksie waarde. Semi-sortedExponential Filter Hierdie bladsy beskryf eksponensiële filter, die eenvoudigste en mees gewilde filter. Dit is deel van die artikel filter wat deel is van 'n Gids tot Fout opsporing en diagnose .. Oorsig, tydkonstante, en analoog gelykstaande Die eenvoudigste filter is die eksponensiële filter. Dit het net een stem parameter (behalwe die voorbeeld interval). Dit vereis dat die berging van slegs een veranderlike - die vorige uitset. Dit is 'n IIR (outoregressiewe) filter - die gevolge van 'n inset verandering verval eksponensieel tot die grense van uitstallings of rekenaar rekenkundige wegsteek nie. In verskeie dissiplines, is die gebruik van hierdie filter ook verwys na as 8220exponential smoothing8221. In sommige dissiplines soos belegging analise, is die eksponensiële filter genoem 'n 8220Exponentially Geweegde Moving Average8221 (EWMA), of net 8220Exponential Moving Average8221 (EMA). Dit misbruik die tradisionele ARMA 8220moving average8221 terminologie van tydreeksanalise, want daar is geen insette geskiedenis wat gebruik word - net die huidige insette. Dit is die diskrete tyd ekwivalent van die 8220first orde lag8221 algemeen gebruik in analoog modellering van kontinue-tyd stelsels. In elektriese stroombane, 'n RC filter (filter met een weerstand en een kapasitor) is 'n eerste-orde lag. Wanneer die klem op die analogie te analoog stroombane, die enkele stem parameter is die 8220time constant8221, gewoonlik geskryf as die kleinletter Griekse letter Tau (). Trouens, die waardes van die diskrete monster tye presies ooreenstem met die ekwivalent deurlopende tydsverloop met dieselfde tyd konstant. Die verhouding tussen die digitale implementering en die tydkonstante word in die onderstaande vergelykings. Eksponensiële filter vergelykings en inisialisering Die eksponensiële filter is 'n geweegde kombinasie van die vorige skatting (uitset) met die nuutste insette data, met die som van die gewigte gelyk aan 1 sodat die uitset ooreenstem met die insette by gestadigde toestande. Na aanleiding van die filter notasie reeds bekendgestel: y (k) ay (k-1) (1-a) x (k) waar x (k) is die rou insette ten tye stap ky (k) is die gefilterde uitset ten tye stap ka is 'n konstante tussen 0 en 1, gewoonlik tussen 0.8 en 0.99. (A-1) of 'n word soms die 8220smoothing constant8221. Vir stelsels met 'n vaste tyd stap T tussen monsters, is die konstante 8220a8221 bereken en gestoor vir die gemak net vir die program ontwikkelaar spesifiseer 'n nuwe waarde van die verlangde tyd konstant. Vir stelsels met monsterneming data op ongereelde tussenposes, moet die eksponensiële funksie hierbo gebruik word met elke keer stap, waar t die tyd sedert die vorige voorbeeld. Die filter uitset is gewoonlik geïnisialiseer die eerste insette te pas. Soos die tydkonstante benaderings 0, 'n gaan na nul, so daar is geen filter 8211 die uitset is gelyk aan die nuwe insette. Soos die tydkonstante kry baie groot, 'n benaderings 1, sodat nuwe insette byna geïgnoreer 8211 baie swaar filter. Die filter vergelyking hierbo kan herrangskik in die volgende voorspeller-corrector ekwivalent: Hierdie vorm maak dit meer duidelik dat die veranderlike skatting (uitset van die filter) word voorspel as onveranderd teenoor die vorige skatting y (k-1) plus 'n regstelling termyn gebaseer op die onverwagte 8220innovation8221 - die verskil tussen die nuwe insette x (k) en die voorspelling y (k-1). Hierdie vorm is ook die gevolg van die afleiding van die eksponensiële filter as 'n eenvoudige spesiale geval van 'n Kalman filter. wat is die optimale oplossing vir 'n skatting probleem met 'n bepaalde stel aannames. Stap reaksie Een manier om te visualiseer die werking van die eksponensiële filter is om sy reaksie verloop van tyd tot 'n stap insette plot. Dit wil sê, wat begin met die filter toevoer en afvoer by 0, is die insetwaarde skielik verander na 1. Die gevolglike waardes word hieronder aangestip: In die bogenoemde plot, is die tyd gedeel deur die filter tydkonstante TLU, sodat jy kan meer maklik voorspel die resultate vir enige tydperk, vir enige waarde van die filter tydkonstante. Na 'n tyd gelyk aan die tydkonstante, die filter uitset styg tot 63,21 van sy finale waarde. Na 'n tyd gelyk aan 2 keer konstantes, die waarde styg tot 86,47 van sy finale waarde. Die uitset na tye gelyk aan 3,4 en 5 keer konstantes is 95,02, 98,17, en 99,33 van die finale waarde, onderskeidelik. Sedert die filter is lineêre, beteken dit dat hierdie persentasies kan gebruik word vir enige grootte van die stapverandering, nie net vir die waarde van 1 wat hier gebruik word. Hoewel die stap reaksie in teorie neem 'n oneindige tyd, uit 'n praktiese oogpunt, dink aan die eksponensiële filter as 98-99 8220done8221 reageer ná 'n tyd gelyk aan 4 tot 5 filter tyd konstantes. Variasies op die eksponensiële filter Daar is 'n variasie van die eksponensiële filter bekend as 'n 8220nonlinear eksponensiële filter8221 Weber, 1980 bedoel om swaar filter geraas binne 'n sekere 8220typical8221 amplitude, maar dan vinniger te reageer op groter veranderinge. Kopiereg 2010 - 2013, Greg Stanley Deel hierdie bladsy: Moving gemiddeldes - Eenvoudige en Eksponensiële Bewegende Gemiddeldes - Eenvoudige en Eksponensiële Inleiding bewegende gemiddeldes glad die prys data om 'n tendens volgende aanwyser vorm. Hulle het nie die prys rigting voorspel nie, maar eerder die huidige rigting met 'n lag te definieer. Bewegende gemiddeldes lag omdat hulle op grond van vorige pryse. Ten spyte hiervan lag, bewegende gemiddeldes te help gladde prys aksie en filter die geraas. Hulle vorm ook die boustene vir baie ander tegniese aanwysers en overlays, soos Bollinger Bands. MACD en die McClellan Ossillator. Die twee mees populêre vorme van bewegende gemiddeldes is die Eenvoudige bewegende gemiddelde (SMA) en die eksponensiële bewegende gemiddelde (EMA). Hierdie bewegende gemiddeldes gebruik kan word om die rigting van die tendens te identifiseer of definieer potensiaal ondersteuning en weerstand vlakke. Here039s n grafiek met beide 'n SMA en 'n EMO daarop: Eenvoudige bewegende gemiddelde Berekening 'n Eenvoudige bewegende gemiddelde is wat gevorm word deur die berekening van die gemiddelde prys van 'n sekuriteit oor 'n spesifieke aantal periodes. Die meeste bewegende gemiddeldes is gebaseer op sluitingstyd pryse. 'N 5-dag eenvoudig bewegende gemiddelde is die vyf dag som van die sluiting pryse gedeel deur vyf. Soos die naam aandui, 'n bewegende gemiddelde is 'n gemiddelde wat beweeg. Ou data laat val as nuwe data kom beskikbaar. Dit veroorsaak dat die gemiddelde om te beweeg langs die tydskaal. Hieronder is 'n voorbeeld van 'n 5-daagse bewegende gemiddelde ontwikkel met verloop van drie dae. Die eerste dag van die bewegende gemiddelde dek net die laaste vyf dae. Die tweede dag van die bewegende gemiddelde daal die eerste data punt (11) en voeg die nuwe data punt (16). Die derde dag van die bewegende gemiddelde voort deur die val van die eerste data punt (12) en die toevoeging van die nuwe data punt (17). In die voorbeeld hierbo, pryse geleidelik verhoog 11-17 oor 'n totaal van sewe dae. Let daarop dat die bewegende gemiddelde styg ook 13-15 oor 'n driedaagse berekening tydperk. Let ook op dat elke bewegende gemiddelde waarde is net onder die laaste prys. Byvoorbeeld, die bewegende gemiddelde vir die eerste dag is gelyk aan 13 en die laaste prys is 15. Pryse die vorige vier dae laer was en dit veroorsaak dat die bewegende gemiddelde te lag. Eksponensiële bewegende gemiddelde Berekening eksponensiële bewegende gemiddeldes te verminder die lag deur die toepassing van meer gewig aan onlangse pryse. Die gewig van toepassing op die mees onlangse prys hang af van die aantal periodes in die bewegende gemiddelde. Daar is drie stappe om die berekening van 'n eksponensiële bewegende gemiddelde. Eerstens, bereken die eenvoudige bewegende gemiddelde. 'N eksponensiële bewegende gemiddelde (EMA) moet iewers begin so 'n eenvoudige bewegende gemiddelde word gebruik as die vorige period039s EMO in die eerste berekening. Tweede, bereken die gewig vermenigvuldiger. Derde, bereken die eksponensiële bewegende gemiddelde. Die onderstaande formule is vir 'n 10-dag EMO. 'N 10-tydperk eksponensiële bewegende gemiddelde van toepassing 'n 18,18 gewig na die mees onlangse prys. 'N 10-tydperk EMO kan ook 'n 18,18 EMO genoem. A 20-tydperk EMO geld 'n 9,52 weeg om die mees onlangse prys (2 / (201) 0,0952). Let daarop dat die gewig vir die korter tydperk is meer as die gewig vir die langer tydperk. Trouens, die gewig daal met die helfte elke keer as die bewegende gemiddelde tydperk verdubbel. As jy wil ons 'n spesifieke persentasie vir 'n EMO, kan jy hierdie formule gebruik om dit te omskep in tydperke en gee dan daardie waarde as die parameter EMA039s: Hier is 'n spreadsheet voorbeeld van 'n 10-dag eenvoudig bewegende gemiddelde en 'n 10- dag eksponensiële bewegende gemiddelde vir Intel. Eenvoudige bewegende gemiddeldes is reguit vorentoe en verg min verduideliking. Die 10-dag gemiddeld net beweeg as nuwe pryse beskikbaar raak en ou pryse af te laai. Die eksponensiële bewegende gemiddelde begin met die eenvoudige bewegende gemiddelde waarde (22,22) in die eerste berekening. Na die eerste berekening, die normale formule oorneem. Omdat 'n EMO begin met 'n eenvoudige bewegende gemiddelde, sal sy werklike waarde nie besef tot 20 of so tydperke later. Met ander woorde, kan die waarde van die Excel spreadsheet verskil van die term waarde as gevolg van die kort tydperk kyk terug. Hierdie sigblad gaan net terug 30 periodes, wat beteken dat die invloed van die eenvoudige bewegende gemiddelde het 20 periodes om te ontbind het. StockCharts gaan terug ten minste 250-tydperke (tipies veel verder) vir sy berekeninge sodat die gevolge van die eenvoudige bewegende gemiddelde in die eerste berekening volledig verkwis. Die sloerfaktor Hoe langer die bewegende gemiddelde, hoe meer die lag. 'N 10-dag eksponensiële bewegende gemiddelde pryse sal baie nou omhels en draai kort ná pryse draai. Kort bewegende gemiddeldes is soos spoed bote - ratse en vinnige te verander. In teenstelling hiermee het 'n 100-daagse bewegende gemiddelde bevat baie afgelope data wat dit stadiger. Meer bewegende gemiddeldes is soos see tenkwaens - traag en stadig om te verander. Dit neem 'n groter en meer prysbewegings vir 'n 100-daagse bewegende gemiddelde kursus te verander. bo die grafiek toon die SampP 500 ETF met 'n 10-dag EMO nou na aanleiding van pryse en 'n 100-dag SMA maal hoër. Selfs met die Januarie-Februarie afname, die 100-dag SMA gehou deur die loop en nie draai. Die 50-dag SMA pas iewers tussen die 10 en 100 dae bewegende gemiddeldes wanneer dit kom by die lag faktor. Eenvoudige vs Eksponensiële Bewegende Gemiddeldes Hoewel daar duidelike verskille tussen eenvoudige bewegende gemiddeldes en eksponensiële bewegende gemiddeldes, een is nie noodwendig beter as die ander. Eksponensiële bewegende gemiddeldes minder lag en is dus meer sensitief vir onlangse pryse - en onlangse prysveranderings. Eksponensiële bewegende gemiddeldes sal draai voor eenvoudige bewegende gemiddeldes. Eenvoudige bewegende gemiddeldes, aan die ander kant, verteenwoordig 'n ware gemiddelde van die pryse vir die hele tydperk. As sodanig, kan eenvoudig bewegende gemiddeldes beter geskik wees om ondersteuning of weerstand vlakke te identifiseer. Bewegende gemiddelde voorkeur hang af van doelwitte, analitiese styl en tydhorison. Rasionele agente moet eksperimenteer met beide tipes bewegende gemiddeldes, asook verskillende tydsraamwerke om die beste passing te vind. Die onderstaande grafiek toon IBM met die 50-dag SMA in rooi en die 50-dag EMO in groen. Beide 'n hoogtepunt bereik in die einde van Januarie, maar die daling in die EMO was skerper as die afname in die SMA. Die EMO opgedaag het in die middel van Februarie, maar die SMA voortgegaan laer tot aan die einde van Maart. Let daarop dat die SMA opgedaag het meer as 'n maand nadat die EMO. Lengtes en tydsraamwerke Die lengte van die bewegende gemiddelde is afhanklik van die analitiese doelwitte. Kort bewegende gemiddeldes (20/05 periodes) is die beste geskik vir tendense en handel kort termyn. Rasionele agente belangstel in medium termyn tendense sou kies vir langer bewegende gemiddeldes wat 20-60 periodes kan verleng. Langtermyn-beleggers sal verkies bewegende gemiddeldes met 100 of meer periodes. Sommige bewegende gemiddelde lengtes is meer gewild as ander. Die 200-daagse bewegende gemiddelde is miskien die mees populêre. As gevolg van sy lengte, dit is duidelik 'n langtermyn-bewegende gemiddelde. Volgende, die 50-dae - bewegende gemiddelde is baie gewild vir die medium termyn tendens. Baie rasionele agente gebruik die 50-dag en 200-dae - bewegende gemiddeldes saam. Korttermyn, 'n 10-dae bewegende gemiddelde was baie gewild in die verlede, want dit was maklik om te bereken. Een van die nommers bygevoeg eenvoudig en verskuif die desimale punt. Tendens Identifikasie Dieselfde seine gegenereer kan word met behulp van eenvoudige of eksponensiële bewegende gemiddeldes. Soos hierbo aangedui, die voorkeur hang af van elke individu. Hierdie voorbeelde sal onder beide eenvoudige en eksponensiële bewegende gemiddeldes gebruik. Die term bewegende gemiddelde is van toepassing op beide eenvoudige en eksponensiële bewegende gemiddeldes. Die rigting van die bewegende gemiddelde dra belangrike inligting oor pryse. 'N stygende bewegende gemiddelde wys dat pryse oor die algemeen is aan die toeneem. A val bewegende gemiddelde dui daarop dat pryse gemiddeld val. 'N stygende langtermyn bewegende gemiddelde weerspieël 'n langtermyn - uptrend. A val langtermyn bewegende gemiddelde weerspieël 'n langtermyn - verslechtering neiging. bo die grafiek toon 3M (MMM) met 'n 150-dag eksponensiële bewegende gemiddelde. Hierdie voorbeeld toon hoe goed bewegende gemiddeldes werk wanneer die neiging is sterk. Die 150-dag EMO van die hand gewys in November 2007 en weer in Januarie 2008. Let daarop dat dit 'n 15 weier om die rigting van hierdie bewegende gemiddelde om te keer. Hierdie nalopend aanwysers identifiseer tendens terugskrywings as hulle voorkom (op sy beste) of nadat hulle (in die ergste geval) voorkom. MMM voortgegaan laer in Maart 2009 en daarna gestyg 40-50. Let daarop dat die 150-dag EMO nie opgedaag het nie eers na hierdie oplewing. Sodra dit gedoen het, maar MMM voortgegaan hoër die volgende 12 maande. Bewegende gemiddeldes werk briljant in sterk tendense. Double CROSSOVER twee bewegende gemiddeldes kan saam gebruik word om crossover seine op te wek. In tegniese ontleding van die finansiële markte. John Murphy noem dit die dubbele crossover metode. Double CROSSOVER behels een relatief kort bewegende gemiddelde en een relatiewe lang bewegende gemiddelde. Soos met al die bewegende gemiddeldes, die algemene lengte van die bewegende gemiddelde definieer die tydraamwerk vir die stelsel. 'N Stelsel met behulp van 'n 5-dag EMO en 35-dag EMO sal geag kort termyn. 'N Stelsel met behulp van 'n 50-dag SMA en 200-dag SMA sal geag medium termyn, miskien selfs 'n lang termyn. N bullish crossover vind plaas wanneer die korter bewegende gemiddelde kruise bo die meer bewegende gemiddelde. Dit is ook bekend as 'n goue kruis. N lomp crossover vind plaas wanneer die korter bewegende gemiddelde kruise onder die meer bewegende gemiddelde. Dit staan ​​bekend as 'n dooie kruis. Bewegende gemiddelde CROSSOVER produseer relatief laat seine. Na alles, die stelsel werk twee sloerende aanwysers. Hoe langer die bewegende gemiddelde periodes, hoe groter is die lag in die seine. Hierdie seine werk groot wanneer 'n goeie tendens vat. Dit sal egter 'n bewegende gemiddelde crossover stelsel baie whipsaws produseer in die afwesigheid van 'n sterk tendens. Daar is ook 'n driedubbele crossover metode wat drie bewegende gemiddeldes behels. Weereens, is 'n sein gegenereer wanneer die kortste bewegende gemiddelde kruisies die twee langer bewegende gemiddeldes. 'N Eenvoudige trippel crossover stelsel kan 5-dag, 10-dag en 20-dae - bewegende gemiddeldes te betrek. bo die grafiek toon Home Depot (HD) met 'n 10-dag EMO (groen stippellyn) en 50-dag EMO (rooi lyn). Die swart lyn is die daaglikse naby. Met behulp van 'n bewegende gemiddelde crossover gevolg sou gehad het drie whipsaws voor 'n goeie handel vang. Die 10-dag EMO gebreek onder die 50-dag EMO die einde van Oktober (1), maar dit het nie lank as die 10-dag verhuis terug bo in die middel van November (2). Dit kruis duur langer, maar die volgende lomp crossover in Januarie (3) het plaasgevind naby die einde van November prysvlakke, wat lei tot 'n ander geheel verslaan. Dit lomp kruis het nie lank geduur as die 10-dag EMO terug bo die 50-dag 'n paar dae later (4) verskuif. Na drie slegte seine, die vierde sein voorafskaduwing n sterk beweeg as die voorraad oor 20. gevorderde Daar is twee wegneemetes hier. In die eerste plek CROSSOVER is geneig om geheel verslaan. 'N Prys of tyd filter toegepas kan word om te voorkom dat whipsaws. Handelaars kan die crossover vereis om 3 dae duur voordat waarnemende of vereis dat die 10-dag EMO hierbo beweeg / onder die 50-dag EMO deur 'n sekere bedrag voor waarnemende. In die tweede plek kan MACD gebruik word om hierdie CROSSOVER identifiseer en te kwantifiseer. MACD (10,50,1) sal 'n lyn wat die verskil tussen die twee eksponensiële bewegende gemiddeldes te wys. MACD draai positiewe tydens 'n goue kruis en negatiewe tydens 'n dooie kruis. Die persentasie Prys ossillator (PPO) kan op dieselfde manier gebruik word om persentasie verskille te wys. Let daarop dat die MACD en die PPO is gebaseer op eksponensiële bewegende gemiddeldes en sal nie ooreen met eenvoudige bewegende gemiddeldes. Hierdie grafiek toon Oracle (ORCL) met die 50-dag EMO, 200-dag EMO en MACD (50,200,1). Daar was vier bewegende gemiddelde CROSSOVER oor 'n tydperk 2 1/2 jaar. Die eerste drie gelei tot whipsaws of slegte ambagte. A opgedoen tendens begin met die vierde crossover as ORCL gevorder tot die middel van die 20s. Weereens, bewegende gemiddelde CROSSOVER werk groot wanneer die neiging is sterk, maar produseer verliese in die afwesigheid van 'n tendens. Prys CROSSOVER bewegende gemiddeldes kan ook gebruik word om seine met 'n eenvoudige prys CROSSOVER genereer. N bullish sein gegenereer wanneer pryse beweeg bo die bewegende gemiddelde. N lomp sein gegenereer wanneer pryse beweeg onder die bewegende gemiddelde. Prys CROSSOVER kan gekombineer word om handel te dryf in die groter tendens. Hoe langer bewegende gemiddelde gee die toon aan vir die groter tendens en die korter bewegende gemiddelde word gebruik om die seine te genereer. 'N Mens sou kyk vir bullish prys kruise net vir pryse is reeds bo die meer bewegende gemiddelde. Dit sou wees die handel in harmonie met die groter tendens. Byvoorbeeld, as die prys is hoër as die 200-daagse bewegende gemiddelde, rasionele agente sal net fokus op seine wanneer prysbewegings bo die 50-dae - bewegende gemiddelde. Dit is duidelik dat, sou 'n skuif onder die 50-dae - bewegende gemiddelde so 'n sein voorafgaan, maar so lomp kruise sou word geïgnoreer omdat die groter tendens is up. N lomp kruis sou net dui op 'n nadeel binne 'n groter uptrend. 'N kruis terug bo die 50-dae - bewegende gemiddelde sou 'n opswaai in pryse en voortsetting van die groter uptrend sein. Die volgende grafiek toon Emerson Electric (EMR) met die 50-dag EMO en 200-dag EMO. Die voorraad bo verskuif en bo die 200-daagse bewegende gemiddelde gehou in Augustus. Daar was dips onder die 50-dag EMO vroeg in November en weer vroeg in Februarie. Pryse het vinnig terug bo die 50-dag EMO te lomp seine (groen pyle) voorsien in harmonie met die groter uptrend. MACD (1,50,1) word in die aanwyser venster te prys kruise bo of onder die 50-dag EMO bevestig. Die 1-dag EMO is gelyk aan die sluitingsprys. MACD (1,50,1) is positief wanneer die naby is bo die 50-dag EMO en negatiewe wanneer die einde is onder die 50-dag EMO. Ondersteuning en weerstand bewegende gemiddeldes kan ook dien as ondersteuning in 'n uptrend en weerstand in 'n verslechtering neiging. 'N kort termyn uptrend kan ondersteuning naby die 20-dag eenvoudig bewegende gemiddelde, wat ook gebruik word in Bollinger Bands vind. 'N langtermyn-uptrend kan ondersteuning naby die 200-dag eenvoudig bewegende gemiddelde, wat is die mees gewilde langtermyn bewegende gemiddelde vind. As Trouens, die 200-daagse bewegende gemiddelde ondersteuning of weerstand bloot omdat dit so algemeen gebruik word aan te bied. Dit is amper soos 'n self-fulfilling prophecy. bo die grafiek toon die NY Saamgestelde met die 200-dag eenvoudig bewegende gemiddelde van middel 2004 tot aan die einde van 2008. Die 200-dag voorsien ondersteuning talle kere tydens die vooraf. Sodra die tendens omgekeer met 'n dubbele top ondersteuning breek, die 200-daagse bewegende gemiddelde opgetree as weerstand rondom 9500. Moenie verwag presiese ondersteuning en weerstand vlakke van bewegende gemiddeldes, veral langer bewegende gemiddeldes. Markte word gedryf deur emosie, wat hulle vatbaar vir overschrijdingen maak. In plaas van presiese vlakke, kan bewegende gemiddeldes gebruik word om ondersteuning of weerstand sones identifiseer. Gevolgtrekkings Die voordele van die gebruik bewegende gemiddeldes moet opgeweeg word teen die nadele. Bewegende gemiddeldes is tendens volgende, of nalopend, aanwysers wat altyd 'n stap agter sal wees. Dit is nie noodwendig 'n slegte ding al is. Na alles, die neiging is jou vriend en dit is die beste om handel te dryf in die rigting van die tendens. Bewegende gemiddeldes te verseker dat 'n handelaar is in ooreenstemming met die huidige tendens. Selfs al is die tendens is jou vriend, sekuriteite spandeer 'n groot deel van die tyd in die handel reekse, wat bewegende gemiddeldes ondoeltreffend maak. Sodra 'n tendens, sal bewegende gemiddeldes jy hou in nie, maar ook gee laat seine. Don039t verwag om te verkoop aan die bokant en koop aan die onderkant met behulp van bewegende gemiddeldes. Soos met die meeste tegniese ontleding gereedskap, moet bewegende gemiddeldes nie gebruik word op hul eie, maar in samewerking met ander aanvullende gereedskap. Rasionele agente kan gebruik bewegende gemiddeldes tot die algehele tendens definieer en gebruik dan RSI om oorkoop of oorverkoop vlakke te definieer. Toevoeging van bewegende gemiddeldes te StockCharts Charts bewegende gemiddeldes is beskikbaar as 'n prys oortrek funksie op die SharpCharts werkbank. Die gebruik van die Overlays aftrekkieslys, kan gebruikers kies óf 'n eenvoudige bewegende gemiddelde of 'n eksponensiële bewegende gemiddelde. Die eerste parameter word gebruik om die aantal tydperke stel. 'N opsionele parameter kan bygevoeg word om te spesifiseer watter prys veld moet gebruik word in die berekeninge - O vir die Ope, H vir die High, L vir die lae, en C vir die buurt. 'N Komma word gebruik om afsonderlike parameters. Nog 'n opsionele parameter kan bygevoeg word om die bewegende gemiddeldes te skuif na links (verlede) of regs (toekomstige). 'N negatiewe getal (-10) sou die bewegende gemiddelde skuif na links 10 periodes. 'N Positiewe nommer (10) sou die bewegende gemiddelde na regs skuif 10 periodes. Veelvuldige bewegende gemiddeldes kan oorgetrek die prys plot deur eenvoudig 'n ander oortrek lyn aan die werkbank. StockCharts lede kan die kleure en styl verander om te onderskei tussen verskeie bewegende gemiddeldes. Na die kies van 'n aanduiding, oop Advanced Options deur te kliek op die klein groen driehoek. Gevorderde Opsies kan ook gebruik word om 'n bewegende gemiddelde oortrek voeg tot ander tegniese aanwysers soos RSI, CCI, en Deel. Klik hier vir 'n lewendige grafiek met 'n paar verskillende bewegende gemiddeldes. Die gebruik van bewegende gemiddeldes met StockCharts skanderings Hier is 'n paar monster skanderings wat StockCharts lede kan gebruik om te soek na verskeie bewegende gemiddelde situasies: Bul bewegende gemiddelde Kruis: Dit skanderings lyk vir aandele met 'n stygende 150 dae eenvoudige bewegende gemiddelde en 'n lomp kruis van die 5 - Day EMO en 35-dag EMO. Die 150-daagse bewegende gemiddelde is stygende solank dit handel bo sy vlak vyf dae gelede. N bullish kruis vind plaas wanneer die 5-dag EMO bo die 35-dag EMO op bogemiddelde volume beweeg. Lomp bewegende gemiddelde Kruis: Dit skanderings lyk vir aandele met 'n dalende 150 dae eenvoudige bewegende gemiddelde en 'n lomp kruis van die 5-dag EMO en 35-dag EMO. Die 150-daagse bewegende gemiddelde val solank dit handel onder sy vlak vyf dae gelede. N lomp kruis vind plaas wanneer die 5-dag EMO beweeg onder die 35-dag EMO op bogemiddelde volume. Verdere Studie John Murphy039s boek het 'n hoofstuk gewy aan bewegende gemiddeldes en hul onderskeie gebruike. Murphy dek die voor - en nadele van bewegende gemiddeldes. Daarbenewens Murphy wys hoe bewegende gemiddeldes met Bollinger Bands en kanaal gebaseer handel stelsels. Tegniese ontleding van die finansiële markte John MurphyUpdated 12 Maart 2013 Wat is RC filter en Eksponensiële hulpbronne en hoe verskil hulle Die antwoord op die tweede deel van die vraag is dat hulle dieselfde proses As een kom uit 'n elektroniese agtergrond dan RC filter ( of RC Smoothing) is die gewone uitdrukking. Aan die ander kant 'n benadering wat gebaseer is op statistieke tydreekse het die naam Eksponensiële Berekening van gemiddelde of om die volle naam Eksponensiële Geweegde bewegende gemiddelde gebruik. Dit is ook onder andere bekend as EWMA of EMO. 'N Belangrike voordeel van die metode is die eenvoud van die formule vir die berekening van die volgende uitset. Dit neem 'n fraksie van die vorige uitset en een minus die fraksie keer die huidige insette. Algebraïes op tyd k die stryk uitset y k gegee word deur Soos later aangetoon hierdie eenvoudige formule beklemtoon die onlangse gebeure, glad uit 'n hoë frekwensie variasies en onthul lang tendense termyn. Neem kennis dat daar twee vorme van die eksponensiële gemiddelde vergelyking, die een bo en 'n variant Albei is korrek. Sien die notas aan die einde van die artikel vir meer besonderhede. In hierdie bespreking sal ons net gebruik vergelyking (1). Bogenoemde formule word soms geskryf in die meer beperkte mode. Hoe word hierdie formule afgelei en wat is die interpretasie 'n belangrike punt is hoe ons kies. Om te kyk na hierdie een eenvoudige manier is om 'n RC laaglaatfilter oorweeg. Nou 'n RC laaglaatfilter is bloot 'n reeks weerstand R en 'n parallelle kapasitor C soos hieronder geïllustreer. Die tydreekse vergelyking vir hierdie kring is die produk RC het eenhede van tyd en staan ​​bekend as die tydkonstante, T. vir die kring. Veronderstel ons verteenwoordig die bostaande vergelyking in sy digitale vorm vir 'n tydreeks wat data geneem elke h sekondes het. Ons het Dit is presies dieselfde vorm as die vorige vergelyking. Die vergelyking van die twee verhoudings vir 'n ons het wat verminder om die baie eenvoudige verhouding Vandaar die keuse van N is gelei deur wat tydkonstante ons gekies. Nou vergelyking (1) kan erken as 'n laaglaatfilter en die tydkonstante tipeer die gedrag van die filter. Om die betekenis van die tydkonstante wat ons nodig het om te kyk na die frekwensie kenmerk van hierdie laagdeurlaat RC filter sien. In sy algemene vorm is hierdie Uitdrukking in modulus en fase vorm ons het waar die fasehoek is. Die frekwensie staan ​​bekend as die nominale verdelg frekwensie. Fisies kan dit getoon dat by hierdie frekwensie die krag in die sein is verminder deur die helfte en die amplitude word verminder deur die faktor. In dB terme van hierdie frekwensie is waar die amplitude is verminder deur 3dB. Dit is duidelik dat as die tydkonstante T verhogings so dan die uitroei frekwensie verminder en ons pas meer smoothing die data, wat ons skakel die hoër frekwensies. Dit is belangrik om daarop te let dat die frekwensieweergawe in radiale / sekonde. Dit is daar 'n faktor van betrokke. Byvoorbeeld keuse van 'n tydkonstante van 5 sekondes gee 'n effektiewe verdelg frekwensie van. Een gewilde gebruik van RC glad is om die optrede van 'n meter soos gebruik in 'n gesonde vlak meter na te boots. Dit is oor die algemeen gekenmerk deur hul tydkonstante soos 1 sekonde vir S tipe en 0,125 sekondes vir F tipes. Vir hierdie 2 gevalle is die effektiewe verdelg frekwensies is onderskeidelik 0.16Hz en 1.27Hz. Eintlik is dit nie die tydkonstante ons gewoonlik wil kies, maar dié tydperke ons wil insluit. Gestel ons het 'n sein waar ons wil funksies met 'n tweede periode P sluit. Nou 'n tydperk P is 'n frekwensie. Ons kan dan kies om 'n tydkonstante T gegee deur. Maar weet ons dat ons oor 30 van die uitset (-3dB) by verloor. So die keuse van 'n tydkonstante wat presies ooreenstem met die periodiciteiten ons wil hou is nie die beste skema. Dit is gewoonlik beter om 'n effens hoër afgesny frekwensie kies, sê. Die tydkonstante is dan wat in praktiese terme is soortgelyk aan. Dit verminder die verlies aan sowat 15 op hierdie periodisiteit. Vandaar in praktiese terme gebeure behou met 'n periodisiteit van of groter kies dan 'n tydkonstante van. Dit sluit in die uitwerking van periodiciteiten van af te gaan. Byvoorbeeld, as ons wil die gevolge van gebeure gebeur met insluit sê 'n tweede periode (0.125Hz) 8 Daarna volg 'n tydkonstante van 0.8 sekondes. Dit gee 'n afgesny frekwensie van ongeveer 0.2Hz sodat ons 8 tweede tydperk is goed in die hoof deurlaatband van die filter. As ons die data is monsterneming by 20 keer / sekonde (h 0.05) dan die waarde van N is (0.8 / 0.05) 16 en. Dit gee 'n insig in hoe om te stel. Basies 'n bekende monster tempo dit tipeer die gemiddelde tydperk en kies wat 'n hoë frekwensie skommelinge sal geïgnoreer word. Deur te kyk na die uitbreiding van die algoritme kan ons sien dat dit bevoordeel die mees onlangse waardes, en ook waarom dit staan ​​bekend as eksponensiële gewig. Ons het Vervanging van y k-1 gee die proses 'n paar keer Herhaling lei tot gevolg is in die reeks dan duidelik die terme aan die regterkant kleiner geword en op te tree soos 'n verrottende eksponensiële. Dit is die huidige produksie is bevooroordeeld teenoor die meer onlangse gebeure, maar die groter ons kies T dan die minder vooroordeel. Ter opsomming kan ons sien dat die eenvoudige formule beklemtoon die onlangse gebeure stryk uit 'n hoë frekwensie (kort tydperk) gebeure onthul langtermyn tendense Aanhangsel 1 8211 Alternatiewe vorms van die vergelyking Let Daar is twee vorms van die eksponensiële gemiddelde vergelyking wat in die literatuur verskyn. Albei is korrek en gelyk. Die eerste vorm soos hierbo getoon is (A1) Die alternatiewe vorm is 8230 (A2) Let op die gebruik van in die eerste vergelyking en in die tweede vergelyking. In beide vergelykings en is waardes tussen nul en eenheid. Vroeër is gedefinieer as nou die keuse om Vandaar definieer die alternatiewe vorm van die eksponensiële gemiddelde vergelyking in fisiese terme beteken dit dat die keuse van vorm een ​​gebruik, hang af van hoe 'n mens wil om te dink aan óf neem as die terugvoer fraksie vergelyking (A1) of soos die fraksie van die insette vergelyking (A2). Die eerste vorm is effens minder omslagtig in wat die RC filter verhouding, en lei tot 'n eenvoudiger begrip in filter terme. Hoof Seinverwerking ontleder by Prosig Dr Colin Mercer is Hoof Seinverwerking ontleder by Prosig en het verantwoordelikheid vir seinverwerking en die toepassing daarvan. Hy was voorheen by die Instituut van klank en vibrasie Research (ISVR) by Southampton Universiteit waar hy die Data-analise Sentrum gestig. Hy is 'n geoktrooieerde ingenieur en 'n genoot van die British Computer Society. Ek dink jy wil die 8216p8217 verander na die simbool vir pi. Marco, dankie vir die wys dat uit. Ek dink dit is een van ons ouer artikels wat oorgedra is van 'n ou woordverwerkingsdokument. Dit is duidelik dat die redakteur (my) versuim het om raak te sien dat die pi het nie korrek oorgeskryf. Dit sal binnekort reggestel word. it8217s 'n baie goeie artikel verduideliking oor die eksponensiële gemiddelde Ek glo daar is 'n fout in die formule vir T. Dit moet T h (N-1), nie T (N-1) / h wees. Mike, dankie vir die spot nie. Ek het nou net terug nagegaan dr Mercer8217s oorspronklike tegniese kennis in ons argief en dit blyk dat daar fout is gemaak wanneer die oordrag van die vergelykings om die blog. Ons sal die pos op te los. Dankie dat jy ons laat weet Dankie dankie dankie. Jy kan 100 DSP tekste te lees sonder om iets te sê dat 'n eksponensiële gemiddelde filter is die ekwivalent van 'n R-C filter vind. hmm, het jy die vergelyking vir 'n EMO korrekte weergawe is dit nie YK aXk (1-a) YK-1 in plaas van YK aYk-1 (1-a) Xk Alan, Beide vorms van die vergelyking verskyn in die literatuur, en beide vorms korrek as ek hieronder sal wys. Die punt wat jy maak is belangrike een, want die gebruik van die alternatiewe vorm beteken dat die fisiese verhouding met 'n RC filter is minder duidelik, ook die interpretasie van die betekenis van 'n bewys in die artikel is nie geskik is vir die alternatiewe vorm. Eerste laat ons wys beide vorms korrek is. Die vorm van die vergelyking wat ek gebruik is en die alternatiewe vorm wat verskyn in baie tekste is Note in die bogenoemde Ek latex 1 / latex gebruik in die eerste vergelyking en latex 2 / latex in die tweede vergelyking. Die staking van beide vorms van die vergelyking word getoon wiskundig hieronder om eenvoudige stappe op 'n slag. Wat is nie dieselfde is die waarde wat gebruik word vir latex / latex in elke vergelyking. In beide vorms latex / latex is nie 'n waarde tussen nul en eenheid. Eerste herskryf vergelyking (1) te vervang latex 1 / latex deur latex / latex. Dit gee latexyk y (1 - beta) xk / latex 8230 (1A) Nou definieer latexbeta (1 - 2) / latex en so het ons ook latex 2 (1 - beta) / latex. Vervang dit in vergelyking (1A) gee latexyk (1-2) y 2xk / latex 8230 (1B) En ten slotte weer die reël gee Hierdie vergelyking is identies aan die alternatiewe vorm gegee in vergelyking (2). Sit meer net latex 2 (1-1) / latex. In fisiese terme beteken dit dat die keuse van vorm een ​​gebruik, hang af van hoe 'n mens wil om te dink aan óf neem latexalpha / latex as die terugvoer fraksie vergelyking (1) of as die fraksie van die insette vergelyking (2). Soos hierbo genoem ek die eerste vorm gebruik soos dit is 'n bietjie minder omslagtig in wat die RC filter verhouding, en lei tot eenvoudiger begrip in filter terme. Maar laat die bogenoemde is, na my mening, 'n tekort in die artikel as ander mense kan 'n verkeerde afleiding maak so 'n hersiene weergawe sal binnekort verskyn. I8217ve het altyd gewonder oor hierdie, dankie vir die beskrywing van dit so duidelik. Ek dink nog 'n rede die eerste formulering is mooi is alfa kaarte te 8216smoothness8217: 'n hoër keuse van Alpha beteken 'n 8216more smooth8217 uitset. Michael Dankie vir waarneming 8211 ék sal by die artikel iets op die lyne as dit is altyd beter na my mening in verband te bring fisiese aspekte. Dr Mercer, Uitstekende artikel, dankie. Ek het 'n vraag oor die tydkonstante wanneer dit gebruik word met 'n wgk detector as in 'n gesonde vlak meter wat jy verwys na in die artikel. As ek jou vergelykings om 'n eksponensiële filter met tydkonstante 125ms model en gebruik 'n inset stap sein, kan ek wel 'n uitset wat na 125ms, is 63.2 van die finale waarde te kry. Maar as ek die insetsein Square en sit dit deur die filter, dan sien ek dat ek nodig het om die tydkonstante ten einde te verdubbel vir die sein om te bereik 63,2 van sy finale waarde in 125ms. Kan jy my laat weet as dit verwag word. Baie dankie. Ian Ian, As jy 'n sein soos 'n sinusgolf vierkante dan basies jy verdubbeling van die frekwensie van die fundamentele sowel as die bekendstelling van baie ander frekwensies. Omdat die frekwensie het in effek is verdubbel dan is dit om 8216reduced8217 deur 'n groter bedrag deur die laagdeurlaatfilter. Gevolglik neem dit langer om dieselfde amplitude bereik. Die kwadratuur werking is 'n nie lineêre werking so ek dink nie dit sal altyd presies verdubbel in alle gevalle, maar dit sal neig om te verdubbel as ons 'n dominante lae frekwensie. Let ook daarop dat die ewenaar van 'n kwadraat sein is twee keer die ewenaar van die 8220un-squared8221 sein. Ek vermoed dat jy dalk probeer om 'n vorm van gemiddelde vierkante glad, wat is heeltemal fyn en geldig te kry. Dit mag dalk beter wees om die filter toe te pas en dan vierkant as jy weet wat die effektiewe donker. Maar as alles wat jy het, is die kwadraat sein dan met behulp van 'n faktor van 2 tot verander jou filter alfa waarde sal ongeveer kry jy terug na die oorspronklike snit af frekwensie, of om dit 'n bietjie makliker te definieer jou afsnyfrekwensie teen dubbel die oorspronklike. Dankie vir jou reaksie Dr Mercer. My vraag is regtig probeer om dit wat eintlik gedoen in 'n wgk detector van 'n gesonde vlak meter te kry. As die tydkonstante is ingestel vir 8216fast8217 (125ms) Ek sou gedink het dat intuïtief jy sou verwag dat 'n sinusvormige insetsein om 'n uitset van 63,2 van sy finale waarde te produseer na 125ms, maar aangesien die sein word vierkantig voordat dit na die 8216mean8217 opsporing, sal dit eintlik neem twee keer so lank as wat jy verduidelik. Die beginsel doel van die artikel is om die ekwivalensie van RC filter en eksponensiële gemiddelde wys. As ons praat oor die integrasie tyd gelykstaande aan 'n ware vierkantige integreerder dan korrek dat daar 'n faktor van twee betrokke is. Eintlik as ons 'n ware vierkantige integreerder wat integreer vir Ti sekondes die ekwivalent RC integator tyd om dieselfde resultaat te bereik is 2RC sekondes. Ti is anders as die RC 8216time constant8217 T wat RC. So as ons 'n 8216Fast8217 tydkonstante van 125 msec, dit is RC 125 msec dan is dit gelykstaande aan 'n ware integrasie tyd van 250 msec Dankie vir die artikel, dit was baie behulpsaam. Daar is 'n paar onlangse vraestelle in neurowetenskap wat 'n kombinasie van EMO filters (kort met venster EMO 8211 langtermyn-met venster EMO) gebruik as 'n banddeurlaatfilter vir die regte tyd sein analise. Ek wil graag om hulle toe te pas, maar ek sukkel met die venster groottes verskillende navorsingsgroepe gebruik en sy korrespondensie met die afsnyfrekwensie. Let8217s sê ek wil al die frekwensies onder 0.5Hz (aprox) hou en dat ek verkry 10 monsters / sekonde. Dit beteken dat FP 0.5Hz P 2s T P / 100,2 h 1 / fs0.1 Thefore, die venster grootte Ek moet met behulp van moet N3 wees. Is dit redenasie korrek voordat jy jou vraag wat ek moet kommentaar lewer oor die gebruik van twee hoë slaagsyfer filters om 'n bandlaatfilter vorm. Vermoedelik hulle funksioneer as twee afsonderlike strome, sodat 'n gevolg is van die inhoud van seggenskap latexf / latex om die helfte monster tempo en die ander is die inhoud van seggenskap latexf / latex om die helfte monster tempo. As alles wat hy gedoen het, is die verskil in gemiddelde vierkante vlakke as 'n aanduiding van die krag in die band van latexf / latex om latexf / latex dan is dit dalk redelik wees indien die twee afgesny frekwensies voldoende ver van mekaar, maar ek verwag dat die mense wat dit gebruik hierdie tegniek probeer om 'n nouer band te filter na te boots. Na my mening dat onbetroubare vir ernstige werk sou wees, en sal 'n bron van kommer wees. Net vir verwysing 'n bandlaatfilter is 'n kombinasie van 'n lae frekwensie High Pass filter om die lae frekwensies en 'n hoë frekwensie Laaglaatfilter verwyder om die hoë frekwensies te verwyder. Daar is natuurlik 'n lae slaagsyfer vorm van 'n RC filter, en dus 'n ooreenstemmende EMO. Miskien al my oordeel is dat oorkrities sonder om te weet al die feite dus kan jy stuur vir my 'n paar verwysings na die studies wat jy genoem het, so ek kan kritiseer, soos toepaslik. Miskien het hulle is met behulp van 'n lae slaagsyfer asook 'n hoë slaag filter. Nou draai om jou werklike vraag oor hoe om te bepaal N vir 'n gegewe teiken afsnyfrekwensie Ek dink dit is die beste om die basiese vergelyking T (N-1) h gebruik. Die gesprek oor tydperke is daarop gemik om mense 'n gevoel van wat aangaan. So sien die afleiding hieronder. Ons het die verhoudings latexT (N-1) h / latex en latexT1 / 2 / latex waar latexfc / latex is die veronderstelde afsnyfrekwensie en h die tyd tussen monsters, duidelik latexh 1 / / latex waar latexfs / latex is die monster tempo in monsters / sek. Herrangskik T (N-1) h in 'n geskikte vorm om die afsnyfrekwensie, latexfc / latex en die monster tempo, latexfs / latex, word hieronder getoon sluit. So met behulp latexfc 0.5Hz / latex en latexfs 10 / latex monsters / sek sodat latex (FC / VS) 0.05 / latex gee sodat die naaste heelgetal waarde is 4. Re-reël van die bogenoemde het ons so met N4 ons het latexfc 0,5307 Hz / latex. Die gebruik van N3 gee 'n latexfc / latex van 0,318 Hz. Let met N1 ons 'n volledige afskrif sonder filter.