Viktat glidande medelvärde implementering

Jag försöker beräkna det rörliga genomsnittet av en signal. Signalvärdet (en dubbel) uppdateras vid slumpmässiga tider. Jag letar efter ett effektivt sätt att beräkna sitt tidsvägda genomsnitt över ett tidsfönster, i realtid. Jag skulle kunna göra det själv, men det är mer utmanande än jag trodde. De flesta resurser som Ive hittat över internet beräknar glidande medelvärde av periodisk signal, men min uppdateringar slumpmässigt. Vet någon bra resurser för det? Tricket är följande: Du får uppdateringar i slumpmässiga tider via tomt uppdatering (int tid, float värde). Men du måste också spåra när en uppdatering faller utanför tidsfönstret, så du ställer in ett larm som kallas vid tidpunkt N som tar bort den föregående uppdateringen från att någonsin ses över i beräkningen. Om det händer i realtid kan du begära att operativsystemet gör ett samtal till en metod som inte kan hämtas i tid. N Om det här är en simulering, kan du inte få hjälp från operativsystemet och du behöver gör det manuellt. I en simulering skulle du anropa metoder med tiden som levereras som ett argument (vilket inte korrelerar med realtid). Ett rimligt antagande är emellertid att samtalen garanteras vara sådan att tidsargumenten ökar. I det här fallet behöver du behålla en sorterad lista över alarmtidvärden, och för varje uppdatering och lässamtal kontrollerar du om tidsargumentet är större än huvudet på larmlistan. Medan det är större gör du den larmrelaterade behandlingen (släpp av den äldsta uppdateringen), ta bort huvudet och kontrollera igen tills alla larm före den angivna tiden behandlas. Då uppdaterar uppdateringen. Jag har hittills antagit att det är uppenbart vad du skulle göra för den faktiska beräkningen, men jag kommer att utveckla just i fallet. Jag antar att du har en metod float read (int tid) som du använder för att läsa värdena. Målet är att göra detta samtal så effektivt som möjligt. Så du beräknar inte det glidande genomsnittet varje gång läsmetoden heter. I stället precomputerar du värdet som den senaste uppdateringen eller det senaste larmet, och tweak det här värdet med ett par flytande punkter för att beräkna tidens gång sedan senaste uppdateringen. (dvs ett konstant antal operationer förutom att kanske bearbeta en lista med uppstartade larm). Förhoppningsvis är detta klart - det här borde vara en ganska enkel algoritm och ganska effektiv. Ytterligare optimering. Ett av de återstående problemen är om ett stort antal uppdateringar händer inom tidsfönstret, då finns det en lång tid som det varken läser eller uppdateringar, och sedan kommer en läsning eller uppdatering att komma med. I det här fallet kommer ovanstående algoritm att vara ineffektiv när man stegvis uppdaterar värdet för varje uppdatering som faller av. Det här är inte nödvändigt eftersom vi bara bryr oss om den senaste uppdateringen bortom tidsfönstret, så om det finns ett sätt att effektivt släppa bort alla äldre uppdateringar, skulle det hjälpa. För att göra detta kan vi modifiera algoritmen för att göra en binär sökning av uppdateringar för att hitta den senaste uppdateringen före tidsfönstret. Om det finns relativt få uppdateringar som behöver släppas kan man stegvis uppdatera värdet för varje uppladdad uppdatering. Men om det finns många uppdateringar som behöver släppas kan man ompröva värdet från början efter att ha släppt bort de gamla uppdateringarna. Tillägg till inkrementell beräkning: Jag borde klargöra vad jag menar med inkrementell beräkning ovan i meningen tweak detta värde med ett par flytande punkter för att beräkna tidens gång sedan den senaste uppdateringen. Initial icke-inkrementell beräkning: sedan iterera över relevanta uppdateringar i enlighet med ökande tid: movingaverage (summa lastupdate timesincelastupdate) windowlength. Nu om exakt en uppdatering faller utanför fönstret men inga nya uppdateringar anländer, justera summan som: (notera att det är priorupdate som har sin tidstämpel modifierad till början av sista fönstret). Och om exakt en uppdatering kommer in i fönstret men inga nya uppdateringar faller av, justera summan som: Som det är uppenbart är det här en grov skiss men förhoppningsvis visar det hur du kan behålla medelvärdet så att det är O (1) operationer per uppdatering amorterad. Men notera ytterligare optimering i föregående stycke. Observera också stabilitetsproblem hänvisade till i ett äldre svar, vilket innebär att floating point-fel kan ackumuleras över ett stort antal sådana inkrementella operationer, så att det skiljer sig från resultatet av den fullständiga beräkningen som är signifikant för applikationen. Om en approximation är OK och det är en minimal tid mellan proverna, kan du prova superprovtagning. Har en matris som representerar jämnt fördelade tidsintervaller som är kortare än minimumet och vid varje tidsperiod lagrar det senaste provet som mottogs. Ju kortare intervallet desto närmare är medelvärdet det verkliga värdet. Perioden ska inte vara större än hälften av lägsta eller det finns en chans att missa ett prov. svarat dec 15 11 kl 18:12 svarat dec 15 11 at 22:38 Tack för svaret. En förbättring som skulle behövas för att faktiskt citerar värdet av det totala genomsnittet så att vi inte slog hela tiden. Det kan också vara en liten punkt, men skulle det inte vara mer effektivt att använda en deque eller en lista för att lagra värdet, eftersom vi antar att uppdateringen kommer i rätt ordning. Infoga skulle vara snabbare än i kartan. ndash Arthur Dec 16 11 at 8:55 Ja, du kan cache värdet av summan. Subtrahera värdena för de prov du raderar, lägg till värdena för de prov du lägger in. Ja, en dequeltpairltSample, Dategtgt kan också vara effektivare. Jag valde kartan för läsbarhet, och det enkla att påkalla kartan :: övre delen. Skriv alltid rätt kod först och alltid, profilera och mät stegvisa ändringar. ndash Rob Dec 16 11 kl 15:00 Anm .: Det är uppenbarligen inte det här sättet att närma sig detta. Lämna den här för hänvisning till vad som är fel med detta tillvägagångssätt. Kontrollera kommentarerna. UPPDATERAD - baserat på Olis kommentar. inte säker på instabiliteten som han pratar om. Använd en sorterad karta över ankomsttider mot värden. Vid ankomsten av ett värde lägg till ankomsttiden till den sorterade kartan tillsammans med dess värde och uppdatera det glidande medelvärdet. varning detta är pseudokod: där. Inte helt fleshed ut men du får tanken. Saker att notera. Som jag sa ovanstående är pseudokoden. Du måste välja en lämplig karta. Ta inte bort paren när du itererar genom att du kommer att ogiltiggöra iteratorn och måste börja om igen. Se också Olis kommentar nedan. svarat dec 15 11 at 12:22 Det här fungerar inte: det tar inte hänsyn till vilken andel av fönstrets längd som varje värde existerar för. Dessutom är detta tillvägagångssätt för att lägga till och sedan subtrahera endast stabilt för heltalstyper, inte flytande. ndash Oliver Charlesworth Dec 15 11 at 12:29 OliCharlesworth - ledsen Jag missade några viktiga punkter i beskrivningen (dubbel och tidsvägd). Jag kommer att uppdatera. Tack. ndash Dennis Dec 15 11 at 12:33 Tidsvägningen är ännu ett problem. Men det är inte det jag talar om. Jag hänvisade till det faktum att när ett nytt värde först når tidsfönstret är dess bidrag till medeltalet minimalt. Dess bidrag fortsätter att öka tills ett nytt värde går in. ndash Oliver Charlesworth Dec 15 11 på 12:35 Jag har väldigt en mängd värden som denna: Ovanstående array är översimplifierad, jag samlar 1 värde per millisekund i min riktiga kod och jag behöver bearbeta utmatningen på en algoritm som jag skrev för att hitta närmaste topp innan en punkt i tiden. Min logik misslyckas eftersom i mitt exempel ovan är 0.36 den riktiga toppen, men min algoritm skulle se bakåt och se det sista numret 0,25 som toppen, eftersom det är en minskning till 0,24 före den. Målet är att ta dessa värden och tillämpa en algoritm för dem som släpper ut dem lite så att jag har mer linjära värden. (dvs: Jag tycker att mina resultat är kurva, inte jaggediga) Jag har blivit tillsagd att tillämpa ett exponentiellt glidande medelfilter till mina värden. Hur kan jag göra det här Det är verkligen svårt för mig att läsa matematiska ekvationer, jag hanterar mycket bättre med kod. Hur bearbetar jag värden i min array, tillämpar en exponentiell glidande medelberäkning för att jämföra dem ut frågade 8 feb 12 kl 20:27 för att beräkna ett exponentiellt glidande medelvärde. du behöver behålla en del tillstånd och du behöver en inställningsparameter. Detta kräver en liten klass (förutsatt att du använder Java 5 eller senare): Instantiate with decay parameteren du vill ha (det kan ta tuning ska vara mellan 0 och 1) och sedan använda genomsnittet () för att filtrera. När du läser en sida om någon matematisk återkommande, behöver allt du verkligen vet när du gör det till kod, att matematiker gillar att skriva index i arrays och sekvenser med prenumerationer. (Theyve några andra noteringar också, vilket inte hjälper.) EMA är dock ganska enkel eftersom du bara behöver komma ihåg ett gammalt värde, inga komplicerade tillståndsskivor krävs. svarat 8 feb 12 kl 20:42 TKKocheran: Ganska mycket. Det är inte bra när saker kan vara enkla (Om du börjar med en ny sekvens, få en ny medelvärde.) Observera att de första villkoren i den genomsnittliga sekvensen kommer att hoppa runt lite på grund av gränseffekter, men du får de med andra glidande medelvärden för. En bra fördel är dock att du kan förflytta den glidande genomsnittliga logiken till medelvärdena och experimentera utan att störa resten av ditt program för mycket. ndash Donal Fellows Feb 9 12 på 0:06 Jag har svårt att förstå dina frågor, men jag kommer att försöka svara ändå. 1) Om din algoritm hittat 0,25 istället för 0,36, då är det fel. Det är fel eftersom det förutsätter en monotonisk ökning eller minskning (det går alltid upp eller går alltid ner). Om du inte genomsnittar ALLA dina data, dina datapunkter --- som du presenterar dem --- är olinjära. Om du verkligen vill hitta det maximala värdet mellan två punkter i tid, skivar du din matris från tmin till tmax och hittar maximal av den subarrayen. 2) Nu är begreppet glidande medelvärden mycket enkelt: tänk att jag har följande lista: 1,4, 1,5, 1,4, 1,5, 1,5. Jag kan släta ut det genom att ta medeltalet av två tal: 1,45, 1,45, 1,45, 1,5. Observera att det första numret är medeltalet 1,5 och 1,4 (andra och första siffrorna) den andra (nya listan) är genomsnittet av 1,4 och 1,5 (tredje och andra gamla listan) den tredje (nya listan) i genomsnitt 1,5 och 1,4 (fjärde och tredje), och så vidare. Jag kunde ha gjort det period tre eller fyra, eller n. Lägg märke till hur dataen är mycket mjukare. Ett bra sätt att se glidande medelvärden på jobbet är att gå till Google Finance, välj ett lager (försök Tesla Motors ganska flyktiga (TSLA)) och klicka på technicals längst ner i diagrammet. Välj Flytta genomsnittet med en given period och Exponentiell glidande medelvärde för att jämföra deras skillnader. Exponentiellt glidande medelvärde är bara en annan utarbetande av detta, men vikter äldre data mindre än de nya data så är det ett sätt att förspänna utjämningen mot baksidan. Vänligen läs Wikipedia-posten. Så det här är mer en kommentar än ett svar, men den lilla kommentarrutan var bara för liten. Lycka till. Om du har problem med matte kan du gå med ett enkelt rörligt medel istället för exponentiellt. Så den produkt du får är de sista x-termerna dividerad med x. Obestämd pseudokod: Observera att du kommer att behöva hantera start - och slutdelarna av data eftersom du klart inte kan räkna med de senaste 5 termerna när du befinner dig på din andra datapunkt. Det finns också mer effektiva sätt att beräkna detta glidande medelvärde (summa summan - äldsta nyaste), men det här är att få konceptet av vad som händer över. svarade 8 februari 12 klockan 20: 41Jag är det möjligt att genomföra ett glidande medelvärde i C utan att det behövs ett fönstervindu Ive fann att jag kan optimera lite genom att välja en fönsterstorlek som är en kraft av två för att tillåta bitskiftande istället för att dela men inte behövde en buffert skulle vara trevligt. Finns det ett sätt att uttrycka ett nytt glidande medelresultat endast som en funktion av det gamla resultatet och det nya provet Definiera ett exempel glidande medelvärde, över ett fönster med 4 prov att vara: Lägg till nytt prov e: Ett glidande medel kan implementeras rekursivt , men för en exakt beräkning av det rörliga genomsnittet måste du komma ihåg det äldsta inmatningsprovet i summan (dvs a i ditt exempel). För ett längd N rörligt medelvärde beräknar du: var yn är utsignalen och xn är ingångssignalen. Eq. (1) kan skrivas rekursivt som Så du behöver alltid komma ihåg provet xn-N för att beräkna (2). Som påpekat av Conrad Turner kan du använda ett (oändligt långt) exponentiellt fönster istället, vilket gör det möjligt att beräkna utmatningen endast från tidigare utmatning och aktuell ingång: men detta är inte ett vanligt (obetydligt) glidande medelvärde men exponentiellt viktat glidande medelvärde, där prov i det förflutna får en mindre vikt, men (åtminstone teoretiskt) glömmer du aldrig någonting (vikterna blir bara mindre och mindre för prover långt ifrån). Jag implementerade ett glidande medelvärde utan individuellt objektminne för ett GPS-spårningsprogram som jag skrev. Jag börjar med 1 prov och dela med 1 för att få nuvarande avg. Sedan lägger jag till ett prov och delar upp med 2 till den nuvarande avg. Detta fortsätter tills jag når längden på medelvärdet. Varje gång efteråt lägger jag till i det nya provet, får medelvärdet och tar bort det genomsnittet från summan. Jag är inte matematiker men det verkade som ett bra sätt att göra det. Jag tänkte att det skulle vända på magen på en riktig matte kille men det visar sig att det är ett av de accepterade sätten att göra det. Och det fungerar bra. Kom bara ihåg att ju högre längden desto långsammare följer du vad du vill följa. Det kan inte ha betydelse för det mesta, men när du följer satelliter, kan du vara långsiktig, om det är långt ifrån det faktiska läget och det kommer att se dåligt ut. Du kan få ett mellanrum mellan mitten och de efterföljande prickarna. Jag valde en längd på 15 uppdaterad 6 gånger per minut för att få tillräcklig utjämning och inte komma för långt från den faktiska lätta positionen med de släta spårpunkterna. svarat 16 november 16 kl 23:03 initialisera totalt 0, count0 (varje gång vi ser ett nytt värde) Då en inmatning (scanf), en lägg till totalnewValue, en ökning (räkning), en delningsgenomsnitt (totalantal) Detta skulle vara ett glidande medelvärde över alla ingångar För att beräkna medelvärdet över endast de fyra sista ingångarna, skulle det behöva 4 ingångsvariabler, kanske kopiering av varje ingång till en äldre ingångsvariabel och sedan beräkning av det nya glidande medlet. Som summan av de fyra ingångsvariablerna dividerat med 4 (höger skift 2 skulle vara bra om alla ingångar var positiva för att göra den genomsnittliga beräkningen besvarad 3 feb 15 kl 4:06 som faktiskt kommer att beräkna det totala genomsnittet och INTE det glidande genomsnittet. När räkningen blir större blir effekten av ett nytt ingångsprov försvinnande liten ndash Hilmar Feb 3 15 kl 13:53 Ditt svar 2017 Stack Exchange, Inc