Moving Average Matlab Nan

Dengan menggunakan MATLAB, bagaimana saya dapat menemukan rata-rata pergerakan hari ke-3 dari kolom matriks tertentu dan menambahkan rata-rata bergerak ke matriks tersebut. Saya mencoba menghitung rata-rata pergerakan 3 hari dari bawah ke atas matriks. Saya telah memberikan kode saya: Dengan matriks dan topeng berikut ini: Saya telah mencoba menerapkan perintah konv tetapi saya menerima kesalahan. Inilah perintah konv yang saya coba gunakan pada kolom ke 2 matriks a: Output yang saya inginkan diberikan dalam matriks berikut: Jika Anda memiliki saran, saya akan sangat menghargainya. Terima kasih Untuk kolom 2 dari matriks a, saya menghitung rata-rata pergerakan 3 hari sebagai berikut dan menempatkan hasilnya di kolom 4 dari matriks a (saya mengganti nama matriks sebagai 39desiredOutput39 hanya untuk ilustrasi). Rata-rata 3 hari dari 17, 14, 11 adalah 14 rata-rata 3 hari 14, 11, 8 adalah 11 rata-rata 3 hari 11, 8, 5 adalah 8 dan rata-rata 3 hari 8, 5, 2 adalah 5. Tidak ada nilai di bawah 2 baris untuk kolom ke-4 karena penghitungan untuk rata-rata pergerakan 3 hari dimulai dari bawah. Hasil 39valid39 tidak akan ditampilkan sampai setidaknya 17, 14, dan 11. Mudah-mudahan ini masuk akal ndash Aaron 12 Jun 13 at 1:28 Secara umum akan membantu jika Anda menunjukkan kesalahannya. Dalam hal ini Anda melakukan dua hal yang salah: Pertama, konvolusi Anda perlu dibagi tiga (atau panjang rata-rata bergerak) Kedua, perhatikan ukuran c. Anda tidak bisa hanya cocok c ke a. Cara khas untuk mendapatkan rata-rata bergerak adalah dengan menggunakan yang sama: tapi itu tidak seperti yang Anda inginkan. Sebagai gantinya Anda terpaksa menggunakan beberapa baris: Download movAv. m (lihat juga movAv2 - versi terbaru yang memungkinkan pembobotan) Deskripsi Matlab mencakup fungsi yang disebut movavg dan tsmovavg (time-series moving average) di Financial Toolbox, movAv dirancang untuk Mereplikasi fungsi dasar ini. Kode di sini memberikan contoh bagus untuk mengelola indeks di dalam loop, yang bisa membingungkan untuk memulai. Saya sengaja menyimpan kode pendek dan sederhana agar proses ini tetap jelas. MovAv melakukan moving average sederhana yang dapat digunakan untuk memulihkan data yang bising dalam beberapa situasi. Ia bekerja dengan mengambil rata-rata input (y) di atas jendela waktu geser, ukurannya ditentukan oleh n. Semakin besar n, semakin besar jumlah perataan efek n relatif terhadap panjang vektor masukan y. Dan efektif (baik, semacam) menciptakan filter frekuensi lowpass - lihat contoh dan bagian pertimbangan. Karena jumlah smoothing yang diberikan oleh masing-masing nilai n relatif terhadap panjang vektor input, nilainya selalu bernilai untuk menguji nilai yang berbeda untuk melihat apa yang sesuai. Ingat juga bahwa n poin hilang pada masing-masing rata-rata jika n adalah 100, 99 poin pertama dari vektor input tidak berisi data yang cukup untuk rata-rata 100pt. Hal ini dapat dihindari agak oleh rata-rata susun, misalnya, kode dan grafik di bawah membandingkan sejumlah rata-rata jendela panjang yang berbeda. Perhatikan bagaimana kelancaran 1010pt dibandingkan dengan rata-rata 20pt tunggal. Dalam kedua kasus tersebut 20 titik data hilang secara total. Buat xaxis x1: 0,01: 5 Menghasilkan noise noiseReps 4 noise repmat (randn (1, ceil (numel (x) noiseReps)), noiseReps, 1) noise reshape (noise, 1, length (noise) noiseReps) Menghasilkan ydata noise yexp X) 10noise (1: length (x)) Perfrom averages: y2 movAv (y, 10) 10 pt y3 movAv (y2, 10) 1010 pt y4 movAv (y, 20) 20 pt y5 movAv (y, 40) 40 pt Y6 movAv (y, 100) 100 pt Plot figure plot (x, y, y2, y3, y4, y5, y6) legenda (data mentah, 10pt moving average, 1010pt, 20pt, 40pt, 100pt) xlabel (x) ylabel Y) judul (Perbandingan moving averages) movAv. m kode fungsi run-through output movAv (y, n) Baris pertama mendefinisikan nama fungsi, input dan output. Masukan x harus berupa vektor data untuk melakukan rata-rata, n harus jumlah titik untuk melakukan rata-rata di atas output akan berisi data rata-rata yang dikembalikan oleh fungsinya. Preallocate output outputNaN (1, numel (y)) Temukan titik tengah n ruas tengah (n2) Pekerjaan utama fungsi dilakukan dalam loop, tapi sebelum memulai dua hal disiapkan. Pertama, keluarannya adalah pra-alokasi sebagai NaN, ini melayani dua tujuan. Pertama, preallokasi pada umumnya adalah praktik yang baik karena mengurangi juggling memori yang harus dilakukan Matlab, kedua, sangat memudahkan untuk menempatkan data rata-rata ke dalam output dengan ukuran yang sama dengan vektor input. Ini berarti xaxis yang sama dapat digunakan kemudian untuk keduanya, yang sesuai untuk merencanakan, sebagai alternatif NaN dapat dilepas nanti dalam satu baris kode (output output (Variabel midPoint akan digunakan untuk menyelaraskan data pada vektor output. N 10, 10 poin akan hilang karena, untuk 9 titik pertama vektor masukan, tidak ada cukup data untuk mengambil nilai rata-rata 10 poin. Karena outputnya akan lebih pendek dari pada input, maka perlu diselaraskan dengan benar. Digunakan sehingga jumlah data yang sama hilang pada awal dan akhir, dan input dijaga sejajar dengan output oleh buffer NaN yang dibuat saat preallocating output. Untuk 1: length (y) - n Temukan kisaran indeks untuk mengambil rata-rata Over (a: b) ban Menghitung mean output (amidPoint) mean (y (a: b)) end Dalam for loop itu sendiri, mean diambil alih setiap segmen berturut-turut dari input. Loop akan berjalan untuk a. Didefinisikan sebagai 1 sampai dengan panjang input (y), minus data yang akan hilang (n). Jika input 100 point lo Ng dan n adalah 10, loop akan berjalan dari (a) 1 sampai 90. Ini berarti indeks pertama dari segmen akan dirata-ratakan. Indeks kedua (b) hanya satu-1. Jadi pada iterasi pertama, a1. N10. Jadi b 11-1 10. Rata-rata pertama diambil alih y (a: b). Atau x (1:10). Rata-rata segmen ini, yang merupakan satu nilai tunggal, disimpan dalam output di indeks amidPoint. Atau 156. Pada iterasi kedua, a2. B 210-1 11. Jadi mean diambil alih x (2:11) dan disimpan dalam output (7). Pada iterasi terakhir dari loop untuk input dengan panjang 100, a91. B 9010-1 100 sehingga mean diambil alih x (91: 100) dan disimpan dalam output (95). Ini menghasilkan output dengan total n (10) nilai NaN pada indeks (1: 5) dan (96: 100). Contoh dan pertimbangan Moving averages berguna dalam beberapa situasi, tapi tidak selalu pilihan terbaik. Berikut adalah dua contoh dimana mereka belum tentu optimal. Kalibrasi Mikrofon Kumpulan data ini mewakili tingkat masing-masing frekuensi yang dihasilkan oleh speaker dan dicatat oleh mikrofon dengan respons linier yang diketahui. Output speaker bervariasi dengan frekuensi, namun kami dapat memperbaiki variasi ini dengan data kalibrasi - output dapat disesuaikan secara level untuk menjelaskan fluktuasi dalam kalibrasi. Perhatikan bahwa data mentahnya berisik - ini berarti bahwa perubahan kecil pada frekuensi tampaknya memerlukan perubahan level yang besar dan tidak menentu. Apakah ini realistis Atau apakah ini merupakan produk dari lingkungan rekaman Yang masuk akal dalam hal ini untuk menerapkan rata-rata bergerak yang menghaluskan kurva tingkat frekuensi untuk memberikan kurva kalibrasi yang sedikit kurang tidak menentu. Tapi mengapa tidak optimal dalam contoh ini Data lebih banyak akan lebih baik - beberapa kalibrasi berjalan rata-rata akan menghancurkan kebisingan di sistem (selama acak) dan memberikan kurva dengan detail yang kurang halus hilang. Rata-rata bergerak hanya dapat memperkirakan hal ini, dan dapat menghilangkan beberapa penurunan frekuensi dan puncak yang lebih tinggi dari kurva yang benar-benar ada. Gelombang sinus Menggunakan rata-rata bergerak pada gelombang sinus menyoroti dua poin: Masalah umum memilih sejumlah titik yang masuk akal untuk melakukan rata-rata di atas. Yang sederhana, tapi ada metode analisis sinyal yang lebih efektif daripada rata-rata sinyal osilasi dalam domain waktu. Dalam grafik ini, gelombang sinus asli diplot dengan warna biru. Kebisingan ditambahkan dan diplot sebagai kurva oranye. Rata-rata bergerak dilakukan pada berbagai titik untuk melihat apakah gelombang asli dapat dipulihkan. 5 dan 10 poin memberikan hasil yang masuk akal, namun jangan menghilangkan noise seluruhnya, karena jumlah titik yang lebih banyak mulai kehilangan detail amplitudo karena rata-rata meluas melebihi fase yang berbeda (ingat oscilat gelombang sekitar nol, dan rata-rata (-1 1) 0).Sebuah pendekatan alternatif adalah dengan membangun filter lowpass daripada yang bisa diterapkan pada sinyal di domain frekuensi. Im tidak akan membahas detail karena melampaui lingkup artikel ini, namun karena suaranya jauh lebih tinggi daripada frekuensi dasar gelombang, akan cukup mudah jika membuat filter lowpass daripada yang akan mengeluarkan frekuensi tinggi. Noise. Documentation M movmean (A, k) mengembalikan sebuah array nilai mean k - point lokal, di mana masing-masing mean dihitung di atas jendela geser dengan panjang k pada elemen tetangga A. Bila k aneh, jendela terpusat pada Elemen dalam posisi saat ini Bila k adalah genap, jendela berpusat pada elemen arus dan elemen sebelumnya. Ukuran jendela secara otomatis terpotong pada titik akhir bila tidak ada cukup elemen untuk mengisi jendela. Saat jendela terpotong, rata-rata diambil alih hanya elemen yang mengisi jendela. M adalah ukuran yang sama dengan A. Jika A adalah vektor, maka movmean beroperasi sepanjang vektor. Jika A adalah array multidimensional, maka movmean beroperasi sepanjang dimensi array pertama yang ukurannya tidak sama 1. M movmean (A, kb kf) menghitung mean dengan jendela panjang kbkf1 yang mencakup elemen pada posisi saat ini, elemen kb Mundur, dan elemen kf maju. M movmean (, redup) mengembalikan array rata-rata bergerak sepanjang dimensi redup untuk setiap sintaks sebelumnya. Misalnya, jika A adalah matriks, maka movmean (A, k, 2) beroperasi di sepanjang kolom A. menghitung mean geser k-sederet untuk setiap baris. M movmean (, nanflag) menentukan apakah akan memasukkan atau menghilangkan nilai NaN dari perhitungan untuk salah satu dari sintaks sebelumnya. Movmean (A, k, includenan) mencakup semua nilai NaN dalam perhitungan sementara movmean (A, k, omitnan) mengabaikannya dan menghitung mean lebih sedikit poin. M movmean (, Endpoints, endptmethod) menentukan metode untuk menangani titik akhir, menggunakan Endpoint dan satu psikiater. membuang. mengisi. Atau skalar atau nilai logis. Misalnya, movmean (A, k, Endpoints, membuang) hanya menghasilkan nilai rata-rata yang dihitung dengan tepat k elemen yang berbeda dari A. membuang perhitungan titik akhir yang dikurangi. Pilih negaramu