Media Móvil De Nyquist

Indicador de media móvil de 3ª generación Promedio móvil de 3ª generación Promedios móviles basados ​​en el teorema de la señal de Nyquist-Shannon. Se sugiere matemáticamente que tenga el menor desfase posible. Menos rezago que los promedios generales y de segunda generación, como los promedios de cero-retardo de Ehlers. Descargar Fig. 1. Comparación de promedios móviles. El promedio de tercera generación es mejor con menos retraso en comparación con todos los demás promedios. Todos los promedios se realizaron con el mismo tamaño de ventana 21. Los datos representan 3x60 puntos de datos con una distribución gaussiana alrededor de 100 y 200 y una desviación estándar de 5 puntos. Fórmulas como en Drschner 2011. Implementación EMA basada en el algoritmo MetaTrader4, segunda generación utiliza la corrección Ehler (2001), la tercera generación se basa en el teorema de Nyquist-Shannon como se describe en Drschner (2011) con lambda de 4. Promedios móviles de la 3ª generación Se supone que las medias móviles suavizan los datos y eliminan el ruido y la información inútil. Múltiples variantes promedio se utilizan ampliamente, por ejemplo Simple Moving Average (SMA) o Exponentially Moving Average (EMA) (Wikipedia, Moving Averages, 2011). Un desafío es que las medias móviles introducen un retraso, es decir, la curva suavizada sigue la tendencia usualmente más tarde (véase la figura 1). Los promedios móviles adaptativos como VIYDA (Chande, 1992 Brown) y Kaufmans Adaptive Moving Average (KAMA) (Kaufmann, 1995) trataron de abordar esta cuestión incorporando variables dinámicas. En 2001, J. Ehler introdujo un concepto general basado en la teoría de la señal que nos referimos como promedios de segunda generación (Ehler, 2001). En este caso, la suposición básica es que la serie temporal se compone de un número limitado de fases de se~nales superpuestas que harıan aplicable la teorıa de se~nal (Ehler, 2001 Huang, et al., 1998). En 2011, M. G. Drschner declaró que bajo el modelo de teoría de la señal-el teorema de Nyquist-Shannon (Wikipedia, Nyquist, 2008) debe ser aplicado (Drschner, 2011). En su trabajo, Drschner esbozó que los promedios de acuerdo a estos criterios tendrían el menor retraso teóricamente posible y los denominaron 3er generación de promedios móviles. Indicador Parámetro Tengo un valor continuo para el cual Id desea calcular una media móvil exponencial. Normalmente Id simplemente usa la fórmula estándar para esto: donde S n es el nuevo promedio, alfa es el alfa, Y es la muestra, y S n-1 es el promedio anterior. Por desgracia, debido a varios problemas que no tienen un tiempo de muestra consistente. Puedo saber que puedo probar como máximo, digamos, una vez por milisegundo, pero debido a factores fuera de mi control, es posible que no pueda tomar una muestra durante varios milisegundos a la vez. Un caso más probable, sin embargo, es que la muestra simple un poco temprano o tarde: en lugar de muestreo a 0, 1 y 2 ms. Muestra a 0, 0,9 y 2,1 ms. Yo anticipo que, independientemente de los retrasos, mi frecuencia de muestreo estará muy, muy por encima del límite de Nyquist, y por lo tanto no necesito preocuparme por aliasing. Creo que puedo lidiar con esto de una manera más o menos razonable variando el alfa apropiadamente, basado en el tiempo transcurrido desde la última muestra. Parte de mi razonamiento de que esto funcionará es que la EMA interpola linealmente entre el punto de datos anterior y el actual. Si consideramos el cálculo de una EMA de la siguiente lista de muestras a intervalos t: 0,1,2,3,4. Deberíamos obtener el mismo resultado si usamos el intervalo 2t, donde los insumos se vuelven 0,2,4, a la derecha. Si la EMA hubiera asumido que, en t 2, el valor había sido 2 desde t0. Que sería el mismo que el cálculo del intervalo t cálculo en 0,2,2,4,4, lo que no lo hace. ¿O es que tiene sentido en absoluto ¿Puede alguien decirme cómo variar el alfa adecuadamente Por favor, muestre su trabajo. Es decir. Muéstrame las matemáticas que demuestran que tu método realmente está haciendo lo correcto. No deberías obtener el mismo EMA para diferentes entradas. Piense en EMA como un filtro, el muestreo en 2t es equivalente a muestreo descendente, y el filtro va a dar una salida diferente. Esto es claro para mí ya que 0,2,4 contiene componentes de frecuencia más alta que 0,1,2,3,4. A menos que la pregunta es, ¿cómo puedo cambiar el filtro sobre la marcha para hacer que dar la misma salida. Tal vez estoy perdiendo algo ndash freespace Jun 21 09 at 15:52 Pero la entrada no es diferente, it39s muestra sólo menos a menudo. 0,2,4 a intervalos 2t es como 0,, 2, 4 en los intervalos t, donde indica que la muestra es ignorada ndash Curt Sampson Jun 21 09 at 23:45 Esta respuesta basada en mi buena comprensión del paso bajo Filtros (media móvil exponencial es realmente sólo un filtro de paso simple de un solo polo), pero mi comprensión nebulosa de lo que estás buscando. Creo que lo siguiente es lo que quieres: Primero, puedes simplificar tu ecuación un poco (parece más complicado pero es más fácil en código). Im que va a utilizar Y para la salida y X para la entrada (en vez de S para la salida y Y para la entrada, como usted ha hecho). En segundo lugar, el valor de alpha aquí es igual a 1-e-Datat / tau donde Deltat es el tiempo entre muestras, y tau es la constante de tiempo del filtro de paso bajo. Digo igual entre comillas porque esto funciona bien cuando Deltat / tau es pequeño comparado con 1, y alpha 1-e-Datat / tau asymp Deltat / tau. (Pero no demasiado pequeño: se ejecuta en cuestiones de cuantificación, ya menos que recurrir a algunas técnicas exóticas que por lo general necesitan un N bits adicionales de resolución en su estado variable S, donde N - log 2 (alfa).) Para valores más grandes de Deltat / Tau el efecto de filtrado comienza a desaparecer, hasta llegar al punto en que el alfa está cerca de 1 y básicamente sólo se asigna la entrada a la salida. Esto debería funcionar correctamente con valores variables de Deltat (la variación de Deltat no es muy importante, siempre y cuando el alfa sea pequeño, de lo contrario se encontrará con algunos problemas más extraños de Nyquist / aliasing / etc.) y si está trabajando en un procesador Donde la multiplicación es más barata que la división, o cuestiones de punto fijo son importantes, precalculate omega 1 / tau, y considere tratar de aproximar la fórmula de alfa. Si realmente quiere saber cómo derivar la fórmula alfa 1-e-Datat / tau, considere su fuente de ecuaciones diferenciales: cuando X es una función de escalón unitario, tiene la solución Y 1 - e - t / tau. Para valores pequeños de Deltat, la derivada puede ser aproximada por DeltaY / Deltat, produciendo Y tau DeltaY / Deltat X DeltaY (XY) (Deltat / tau) alfa (XY) y la extrapolación de alfa 1-e - Detat / tau proviene de Tratando de igualar el comportamiento con el caso de función de paso de unidad. ¿Podría por favor elaborar en el quottrying para coincidir con la parte de comportamiento que entiendo su solución de tiempo continuo Y 1 - exp (-t47) y su generalización a una función escalonada de escalón con magnitud xy condición inicial y (0). Pero no veo cómo juntar estas ideas para lograr su resultado. Ndash Rhys Ulerich May 4 13 at 22:34 Esta no es una respuesta completa, pero puede ser el comienzo de uno. Es tan lejos como llegué con esto en una hora o así de jugar Im publicarlo como un ejemplo de lo que estoy buscando, y tal vez una inspiración para otros que trabajan en el problema. Empiezo con S 0. Que es el promedio resultante del promedio anterior S -1 y la muestra Y 0 tomada en t 0. (T 1 - t 0) es mi intervalo de muestreo y alfa se ajusta a lo que sea apropiado para ese intervalo de muestra y el período sobre el cual deseo mediar. He considerado lo que sucede si me pierdo la muestra en t 1 y en su lugar tienen que conformarse con la muestra Y 2 tomada en t 2. Pues bien, podemos comenzar expandiendo la ecuación para ver lo que habría pasado si hubiéramos tenido Y 1: Observo que la serie parece extenderse infinitamente de esta manera, porque podemos sustituir indefinidamente el S n en el lado derecho: Ok , Por lo que no es realmente un polinomio (tonto yo), pero si multiplicamos el término inicial por uno, entonces vemos un patrón: Hm: es una serie exponencial. Quelle sorpresa Imagina que saliendo de la ecuación para una media móvil exponencial Así que de todos modos, tengo esta x 0 x 1 x 2 x 3. Cosa que va, y estoy seguro de que estoy oliendo e o un logaritmo natural dando patadas por aquí, pero no puedo recordar donde me dirigía después antes de que me quedé sin tiempo. Cualquier respuesta a esta pregunta, o cualquier prueba de corrección de tal respuesta, depende altamente de los datos que usted está midiendo. Si sus muestras se tomaron en t 0 0ms. T _ {1} 0,9ms y t _ {2} 2,1ms. Pero su elección de alfa se basa en intervalos de 1 ms, y por lo tanto desea un alpha n ajustado localmente. La prueba de corrección de la elección significaría conocer los valores de la muestra en t1ms y t2ms. Esto conduce a la pregunta: ¿Puede usted interpolar sus datos resonably para tener sanas suposiciones de qué valores intermedios pudo haber sido? ¿O usted puede incluso interpolar el promedio sí mismo? Si ninguno de éstos es posible, entonces por lo que yo lo veo, el lógico La elección de un valor intermedio Y (t) es el promedio calculado más recientemente. Es decir, Y (t) asımpona S n en la que n es maxmial tal que t n ltt. Esta elección tiene una consecuencia simple: Dejar alfa solo, no importa cuál era la diferencia de tiempo. Si, por otro lado, es posible interpolar sus valores, entonces esto le dará muestras de intervalo constante promedio. Por último, si es posible interpolar el promedio mismo, eso haría la pregunta sin sentido. Respondió Jun 21 09 at 15:08 balpha 9830 26.1k 9679 9 9679 84 9679 116 Creo que puedo interpolar mis datos: dado que I39m muestreo a intervalos discretos, I39m ya hacerlo con una EMA estándar De todos modos, asumir que necesito Un quotproofquot que muestra que funciona tan bien como un estándar EMA, que también tiene producirá un resultado incorrecto si los valores no están cambiando bastante suavemente entre períodos de muestra. Ndash Curt Sampson Jun 21 09 at 15:21 Pero eso es lo que estoy diciendo: Si consideras a la EMA una interpolación de tus valores, lo harás si dejas alfa tal cual (porque insertar el promedio más reciente como Y no cambia el promedio) . Si usted dice que necesita algo que funciona igual que un EMA estándar - lo que está mal con el original A menos que tenga más información acerca de los datos que está midiendo, cualquier ajuste local alfa será arbitrario. Ndash balpha 9830 Jun 21 09 at 15:31 Me gustaría dejar el valor de alpha solo, y rellenar los datos faltantes. Puesto que usted no sabe qué sucede durante el tiempo en que usted no puede probar, usted puede llenar esas muestras con 0s, o mantener el valor anterior estable y utilizar esos valores para el EMA. O una interpolación hacia atrás una vez que tenga una nueva muestra, rellene los valores faltantes y vuelva a calcular la EMA. Lo que estoy tratando de obtener es que tiene una entrada xn que tiene agujeros. No hay forma de evitar el hecho de que faltan datos. Por lo tanto, puede utilizar una retención de orden cero, o establecerla en cero, o algún tipo de interpolación entre xn y xnM. Donde M es el número de muestras faltantes y n el inicio de la brecha. Posiblemente incluso usando valores antes de n. De gastar una hora o así que mucking sobre un pedacito con la matemáticas para esto, pienso que el variar simplemente el alfa me dará realmente la interpolación apropiada entre los dos puntos que usted habla, pero en un Mucho más sencillo. Además, creo que la variación del alfa también tratará adecuadamente con muestras tomadas entre los intervalos de muestreo estándar. En otras palabras, busco lo que describiste, pero tratando de usar las matemáticas para averiguar la forma sencilla de hacerlo. Ndash Curt Sampson Jun 21 09 at 14:07 No creo que haya una bestia como la interpolación quotproper. Simplemente no sabes lo que pasó en el momento en que no estás tomando muestras. Buena y mala interpolación implica algún conocimiento de lo que te perdiste, ya que tienes que medir en contra de eso para juzgar si una interpolación es buena o mala. A pesar de que dicho, usted puede colocar las limitaciones, es decir, con la aceleración máxima, velocidad, etc Creo que si usted sabe cómo modelar los datos que faltan, entonces sólo modelar los datos que faltan, a continuación, aplicar el algoritmo EMA sin cambio, más bien Que cambiar alfa. Just my 2c :) ndash freespace Jun 21 09 at 14:17 Esto es exactamente lo que estaba recibiendo en mi edición de la pregunta hace 15 minutos: quotYou simplemente don39t saber lo que pasó en el tiempo que no están muestreo, pero eso es cierto Incluso si usted muestra en cada intervalo designado. Así mi contemplación de Nyquist: mientras sepas que la forma de la onda no cambia las direcciones más que cada par de muestras, el intervalo real de la muestra no debería importar, y debería ser capaz de variar. La ecuación de EMA me parece exactamente para calcular como si la forma de onda cambió linealmente del último valor de la muestra al actual. Ndash Curt Sampson Jun 21 09 at 14:26 No creo que eso sea cierto. El teorema de Nyquist requiere un mínimo de 2 muestras por período para poder identificar de manera única la señal. Si no lo hace, obtendrá aliasing. Sería lo mismo que samplear fs1 por un tiempo, luego fs2, luego volver a fs1, y obtendrá aliasing en los datos cuando se muestre con fs2 si fs2 está por debajo del límite de Nyquist. También debo confesar que no entiendo lo que quieres decir con cambios de quotwaveform linealmente de la última muestra a la actual onequot. ¿Podría por favor explicar Cheers, Steve. Ndash freespace Jun 21 09 at 14:36 ​​Esto es similar a un problema abierto en mi lista de tareas. Tengo un esquema elaborado en cierta medida, pero no tienen trabajo matemático para respaldar esta sugerencia todavía. Actualizar el resumen de amplificador: Quisiera mantener el factor de suavizado (alfa) independiente del factor de compensación (que me refiero como beta aquí). Jasons excelente respuesta ya aceptada aquí funciona muy bien para mí. Si también se puede medir el tiempo transcurrido desde la última muestra (en múltiplos redondeados de su tiempo de muestreo constante - 7,8 ms desde la última muestra sería de 8 unidades), que podría ser utilizado para aplicar el suavizado varias veces. Aplicar la fórmula 8 veces en este caso. Usted ha hecho efectivamente un suavizado más inclinado hacia el valor actual. Para obtener un mejor suavizado, tenemos que ajustar el alfa al aplicar la fórmula 8 veces en el caso anterior. ¿Qué va a faltar esta aproximación de suavizado? Ya ha perdido 7 muestras en el ejemplo anterior Esto se aproximó en el paso 1 con una aplastada re-aplicación del valor actual un adicional de 7 veces Si definimos un factor de aproximación beta que se aplicará junto con alfa (Como alphabeta en lugar de sólo alfa), vamos a suponer que las 7 muestras perdidas estaban cambiando suavemente entre los valores de la muestra anterior y actual. Yo pensé en esto, pero un poco de mierda con las matemáticas me llevó al punto en el que creo que, en lugar de aplicar la fórmula ocho veces con el valor de la muestra, puedo hacer un cálculo De un nuevo alfa que me permitirá aplicar la fórmula una vez, y me dará el mismo resultado. Además, esto se ocuparía automáticamente de la cuestión de las muestras contrarrestadas por los tiempos de muestreo exactos. Ndash Curt Sampson Jun 21 09 at 13:47 La única solicitud está bien. Lo que no estoy seguro todavía es cómo es buena la aproximación de los 7 valores perdidos. Si el movimiento continuo hace que el valor de la fluctuación de fase a través de los 8 milisegundos, las aproximaciones pueden ser bastante fuera de la realidad. Pero, si usted está muestreando en 1ms (resolución más alta excluyendo las muestras retrasadas) ya ha calculado que el fluctuaciones dentro de 1ms no es relevante. ¿Este razonamiento funciona para usted (todavía estoy tratando de convencer a mí mismo). Ndash nik Jun 21 09 at 14:08 Derecho. Ese es el factor beta de mi descripción. Un factor beta se calcularía sobre la base del intervalo de diferencia y de las muestras actuales y anteriores. El nuevo alfa será (alfabeto), pero se utilizará sólo para esa muestra. Mientras que usted parece ser el alfa en la fórmula, tienden hacia alfa constante (factor de suavizado) y una beta independientemente calculada (un factor de ajuste) que compensa las muestras faltadas apenas ahora. Ndash nik Jun 21 09 at 15: 23moving media / raiz media cuadrada normalizar im buscando una característica que creo que se llama quotmoving averagequot o quotroot mean squarequot (rms) normalización, aunque admito que no soy el más audio-savvy. Lo que id como es normalizar la voz a un nivel coherente y no sólo al sonido más fuerte en la grabación. Encontré a esta persona preguntando sobre lo que creo que es lo mismo antes, y alguien sugirió usar plugins de nyquist: - audacity-forum. de/download/edgar/nyquist/nyquist-doc/nyquist. htm También encontré este quotfir10.nyquot Script, que sospecho que podría ser lo que estoy buscando, pero no puedo decir con seguridad: - n2.nabble / text-version-de-fir10.ny-td238442.html ¿alguien sabe si esta característica existe, o si los desarrolladores están trabajando en Que yo podría tratar de ayudar también - tengo una cuestión no relacionada (pipa sueño). Hago un poco de trabajo en una estación de radio de campus en Canadá, que utilizan soundforge para hacer su edición. ¿Habría algún punto para mí tratando de convencerlos ya otras estaciones de radio de campus de tomar el dinero que gastan en licencias soundforge y desviarlo en el desarrollo audacia hay alguna infraestructura para recibir ese tipo de dinero de una manera responsable y transparente de nuevo, esto Es probablemente un sueño de pipa, no estoy seguro de identificación realmente ser capaz de convencer a nadie, pero creo que vale la pena preguntar. Gracias por su tiempo todo el mundo, macho Abrir este mensaje en la vista de rosca Reporte de contenido como inapropiado Re: media móvil / media de la raíz normal normalizar Macho Philipovich escribió im buscando una característica que creo que se llama quotmoving averagequot o quotroot mean squarequot (rms) Aunque admito que no soy el más audio-savvy. Lo que id como es normalizar la voz a un nivel coherente y no sólo al sonido más fuerte en la grabación. Encontré a esta persona preguntando sobre lo que creo que es lo mismo antes, y alguien sugirió usar plugins de nyquist: - audacity-forum. de/download/edgar/nyquist/nyquist-doc/nyquist. htm También encontré este quotfir10.nyquot Script, que sospecho que podría ser lo que estoy buscando, pero no puedo decir con seguridad: - n2.nabble / text-version-de-fir10.ny-td238442.html ¿alguien sabe si esta característica existe, o si los desarrolladores están trabajando en Que podría tratar de ayudar Para una respuesta definitiva sobre las capacidades de Nyquist debe suscribirse a la lista de Nyquist y pedir allí: lists. sourceforge. net/lists/listinfo/audacity-nyquist pero en la medida en que mi comprensión muy limitada va, el Nyquist Quotnormalizequot función es la normalización de pico. Audacity no realiza la normalización de RMS, y no tenemos planes inmediatos para implementarlo a menos que alguien nos convenza de que necesitamos esto dentro de Audacity y proporciona un parche. Sin embargo, puede obtener una idea muy aproximada del nivel RMS del audio en Audacity utilizando el menú desplegable de pistas para cambiar a la vista de forma de onda (dB) y mirar el nivel de la parte azul claro de la forma de onda, que es la potencia RMS . En Audacity Beta 1.3.7 puede obtener una medición del RMS promedio de cualquier selección en Analyze gt Contrast (buscar en el cuadro quotVolumequot). La normalización RMS puede acabar dando clipping en una pista tranquila que tiene sólo unas pocas secciones mucho más fuertes que el resto, porque el promedio será muy bajo y sugieren un aumento de volumen grande es necesario. Así que algunos normalizadores RMS añadir limitación, lo que significa que pierde el rango dinámico. Si su audio está en un formato que soporta ampliamente las etiquetas de metadatos (MP3, OGG, FLAC pero no WAV o AIFF), puede analizar el audio con el software que escribirá información de quotReplay Gainquot En las etiquetas. Repetición Gain permite al usuario establecer un quottargetquot volumen percibido. Este objetivo no es un objetivo para la amplificación máxima, ni aplica compresión, sino que es un objetivo para casi todo el volumen de reproducción percibido. Cuando reproduce un archivo con datos de reproducción de ganancia en un reproductor de medios que lo admita, el volumen de reproducción de audio se ajustará para que el volumen percibido se encuentre en el destino especificado. Si escribes todos tus archivos de audio con Replay Gain ajustado al mismo nivel de objetivo, todos sonarán sobre el mismo volumen sin tener que tocar los controles de volumen para hacerlos sonar como tales. Por ejemplo, si exporta desde Audacity como MP3, puede utilizar MP3Gain mp3gain. sourceforge. net/faq. phpstart para escribir la información de Replay Gain en el archivo. El archivo no se vuelve a codificar, por lo que no se pierde más calidad que la compresión original de MP3. Una posible solución para los archivos WAV está aquí (esto no volver a codificar el archivo): members. home. nl/w. speek/wavegain. htm gt tengo una pregunta no relacionada (pipa sueño). Hago un poco de trabajo en una estación de radio del campus del gt en Canadá, que utilizan soundforge para hacer su edición. Gt habría algún punto a mí tratando de convencerlos y otras estaciones de radio de campus gt para tomar el dinero que gastan en licencias de soundforge y gt desviarlo en el desarrollo de audacia hay alguna infraestructura para recibir ese tipo de dinero de una manera responsable y transparente Usted ciertamente podría hacer la estación de radio consciente de Audacity y ver si ellos estarían buscando algo específico a cambio de una contribución financiera. Y siempre abierto en principio al patrocinio de nuevas características: audacityteam. org/sponsor. php En la práctica, el patrocinio que hemos recibido hasta ahora ha sido un pequeño número de patrocinios de la compañía para las versiones de Audacity de marca / personalizadas. Además, todos somos voluntarios y existe la cuestión de que los individuos tengan tiempo para asumir proyectos pagados. Si usted o la estación de radio desean discutir contribuciones financieras, sugiero que suscriba a nuestra lista de correo de desarrolladores: lists. sourceforge. net/lists/listinfo/audacity-devel y suba allí cuando tenga alguna propuesta concreta o preguntas sobre tales.