O Que É O Filtro De Média Móvel

A média móvel como um filtro A média móvel é frequentemente utilizada para suavização de dados na presença de ruído. A média móvel simples nem sempre é reconhecida como o filtro de Resposta de Impulso Finito (FIR) que é, enquanto é realmente um dos filtros mais comuns no processamento de sinal. Tratá-lo como um filtro permite compará-lo com, por exemplo, windowed-sinc filtros (ver os artigos sobre low-pass, high-pass, band-pass e band-reject filtros para exemplos desses). A principal diferença com esses filtros é que a média móvel é adequada para sinais para os quais a informação útil está contida no domínio do tempo. Das quais as medidas de alisamento por média são um excelente exemplo. Filtros windowed-sinc, por outro lado, são fortes performers no domínio da freqüência. Com equalização no processamento de áudio como um exemplo típico. Há uma comparação mais detalhada de ambos os tipos de filtros no domínio do tempo versus desempenho de domínio de freqüência de filtros. Se você tiver dados para os quais o tempo e o domínio de freqüência são importantes, então você pode querer dar uma olhada em Variações na Média Móvel. Que apresenta um número de versões ponderadas da média móvel que são melhores nisso. A média móvel de comprimento (N) pode ser definida como escrita como é tipicamente implementada, com a amostra de saída corrente como a média das amostras (N) anteriores. Visto como um filtro, a média móvel executa uma convolução da seqüência de entrada (xn) com um pulso retangular de comprimento (N) e altura (1N) (para fazer a área do pulso e, portanto, o ganho do filtro , 1 ). Na prática, é melhor tomar (N) ímpar. Embora uma média móvel possa também ser calculada usando um número par de amostras, usar um valor ímpar para (N) tem a vantagem de que o atraso do filtro será um número inteiro de amostras, uma vez que o atraso de um filtro com (N) Amostras é exactamente ((N-1) 2). A média móvel pode então ser alinhada exatamente com os dados originais deslocando-o por um número inteiro de amostras. Domínio Dado que a média móvel é uma convolução com um pulso retangular, a sua resposta de frequência é uma função sinc. Isso torna algo como o dual do filtro windowed-sinc, uma vez que é uma convolução com um pulso sinc que resulta em uma resposta de freqüência retangular. É esta resposta de freqüência de sinc que faz com que a média móvel seja um desempenho fraco no domínio da freqüência. No entanto, ele funciona muito bem no domínio do tempo. Portanto, é perfeito para suavizar os dados para remover o ruído, enquanto ao mesmo tempo ainda mantém uma rápida resposta passo (Figura 1). Para o típico Ruído Gaussiano Branco Aditivo (AWGN) que é freqüentemente assumido, a média (N) de amostras tem o efeito de aumentar a SNR por um fator de (sqrt N). Como o ruído para as amostras individuais não está correlacionado, não há razão para tratar cada amostra de forma diferente. Assim, a média móvel, que dá a cada amostra o mesmo peso, vai se livrar da quantidade máxima de ruído para uma dada nitidez resposta passo. Implementação Porque é um filtro FIR, a média móvel pode ser implementada através de convolução. Ele terá então a mesma eficiência (ou falta dela) como qualquer outro filtro FIR. No entanto, também pode ser implementado recursivamente, de uma forma muito eficiente. Segue-se diretamente a partir da definição de que esta fórmula é o resultado das expressões para (yn) e (yn1), ou seja, onde observamos que a mudança entre (yn1) e (yn) é que um termo extra (xn1N) aparece em O final, enquanto o termo (xn-N1N) é removido desde o início. Nas aplicações práticas, muitas vezes é possível deixar de fora a divisão por (N) para cada termo, compensando o ganho resultante de (N) em outro lugar. Esta implementação recursiva será muito mais rápida que a convolução. Cada novo valor de (y) pode ser calculado com apenas duas adições, em vez das (N) adições que seriam necessárias para uma implementação direta da definição. Uma coisa a olhar para fora com uma implementação recursiva é que os erros de arredondamento irá acumular. Isso pode ou não pode ser um problema para o aplicativo, mas também implica que essa implementação recursiva realmente funcionará melhor com uma implementação inteira do que com números de ponto flutuante. Isso é bastante incomum, uma vez que uma implementação de ponto flutuante é geralmente mais simples. A conclusão de tudo isso deve ser que você nunca deve subestimar a utilidade do simples filtro de média móvel em aplicações de processamento de sinal. Filter Design Tool Este artigo é complementado com uma ferramenta Filter Design. Experimente com diferentes valores para (N) e visualize os filtros resultantes. Experimente agoraMoving Average Filters As médias móveis são propensas a whipsaws, quando o preço cruza e para trás através da média móvel em um mercado de variação. Traders desenvolveram uma série de filtros ao longo dos anos para eliminar sinais falsos. O sistema de média móvel mais simples gera sinais quando o preço cruza a média móvel: Ir longo quando o preço cruza acima da média móvel de abaixo. Ir curto quando o preço cruza para abaixo da média móvel de cima. Os filtros são adicionados para medir objetivamente quando o preço atravessou a média móvel. Os filtros mais comuns são: Preço de fechamento - um, dois ou três dias sucessivos devem todos fechar acima abaixo da média móvel A barra inteira deve atravessar a média móvel Duas ou três barras (em sucessão) devem estar todos afastados da média móvel A média deve inclinar na direção do comércio Preço típico. O preço médio ou o fechamento ponderado também podem ser usados ​​como substitutos do preço de fechamento. Trades só são introduzidos se a média móvel inclina na direção do comércio. Este filtro não funcionará com médias móveis exponenciais porque a média móvel exponencial sempre inclina-se para cima quando o preço fecha acima da média móvel e inclina-se para baixo se fechar abaixo. Saia quando o preço re-cruza a média móvel. Moving Average Slope pode ser usado em conjunto com outros filtros, como preço de fechamento. A média móvel simples é usada com dois filtros: Passe o mouse sobre as legendas dos gráficos para exibir os sinais de negociação. Ir curto - dois fecha abaixo de uma média móvel decrescente. Go média de longo prazo está subindo e preço fechou acima da média móvel por 2 dias. O seguinte mergulho abaixo da média móvel (no início de janeiro) é filtrado para fora. O comércio longo é saído porque há dois fechamentos abaixo da média movente. Nenhum comércio curto é introduzido como a média móvel está inclinada para cima. Vá longo - dois fecha acima de uma média móvel em ascensão. Ir curto como há dois fecha abaixo de uma queda média móvel. Vá longo - dois fecha acima de uma média móvel em ascensão. Ir curto - dois fecha abaixo de uma média móvel decrescente. Go longa - média móvel está subindo novamente e há 2 fecha acima dela. Observe quão lucrativo o longo comércio 2 é durante a forte tendência ascendente, em comparação com quando whipsaws preço em torno da média móvel relativamente plana. Freqüentemente comutação você dentro e fora de comércios. A resposta de freqüência de um sistema LTI é a DTFT da resposta de impulso, A resposta de impulso de uma média móvel de L-amostra é. Filtro de média móvel é FIR, a resposta de freqüência reduz para a soma finita Podemos usar a identidade muito útil para escrever a resposta de freqüência como onde temos deixar ae menos jomega. N 0 e M L menos 1. Podemos estar interessados ​​na magnitude desta função para determinar quais freqüências passam pelo filtro sem atenuação e quais são atenuadas. Abaixo está um gráfico da magnitude desta função para L 4 (vermelho), 8 (verde) e 16 (azul). O eixo horizontal varia de zero a pi radianos por amostra. Observe que, em todos os três casos, a resposta de freqüência tem uma característica de passagem baixa. Uma componente constante (frequência zero) na entrada passa através do filtro sem ser atenuada. Determinadas frequências mais elevadas, tais como pi 2, são completamente eliminadas pelo filtro. No entanto, se a intenção era projetar um filtro lowpass, então não temos feito muito bem. Algumas das freqüências mais altas são atenuadas apenas por um fator de cerca de 110 (para a média móvel de 16 pontos) ou 13 (para a média móvel de quatro pontos). Podemos fazer muito melhor do que isso. O gráfico acima foi criado pelo seguinte código Matlab: omega 0: pi400: pi H4 (14) (1-exp (-iomega4)) (1-exp (-iomega)) H8 (18) (1-exp (- (1-exp (-iomega)) (1-exp (-iomega)) traço (omega, abs (H4) abs (H8) abs ( Você pode usar o módulo Filtro de média móvel para calcular uma série de médias unilaterais ou de dois lados em um conjunto de dados, Usando um comprimento de janela que você especificar. Depois de definir um filtro que atenda às suas necessidades, você pode aplicá-lo a colunas selecionadas em um conjunto de dados, conectando-o ao módulo Aplicar filtro. O módulo faz todos os cálculos e substitui valores dentro de colunas numéricas com médias móveis correspondentes. Você pode usar a média móvel resultante para traçar e visualizar, como uma nova linha de base suave para modelagem, para calcular variâncias contra cálculos para períodos semelhantes, e assim por diante. Esse tipo de média ajuda a revelar e prever padrões temporais úteis em dados retrospectivos e em tempo real. O tipo mais simples de média móvel começa em alguma amostra da série e usa a média dessa posição mais as n posições anteriores em vez do valor real. (Você pode definir n como quiser.) Quanto maior for o período n no qual a média é calculada, menor será a variação entre os valores. Além disso, à medida que aumenta o número de valores utilizados, menos efeito tem um valor único na média resultante. Uma média móvel pode ser unilateral ou bilateral. Em uma média unilateral, apenas os valores que precedem o valor do índice são usados. Em uma média de dois lados, valores passados ​​e futuros são usados. Para cenários em que você está lendo dados em fluxo contínuo, as médias móveis cumulativas e ponderadas são particularmente úteis. Uma média móvel cumulativa leva em consideração os pontos anteriores ao período corrente. Você pode pesar todos os pontos de dados igualmente ao calcular a média, ou pode garantir que os valores mais próximos do ponto de dados atual são ponderados mais fortemente. Em uma média móvel ponderada. Todos os pesos devem somar a 1. Em uma média móvel exponencial. As médias consistem em uma cabeça e uma cauda. Que pode ser ponderada. Uma cauda ligeiramente ponderada significa que a cauda segue a cabeça muito de perto, então a média se comporta como uma média móvel em um curto período de ponderação. Quando os pesos da cauda são mais pesados, a média se comporta mais como uma média móvel simples mais longa. Adicione o módulo Filtro de média móvel à sua experiência. Para Comprimento. Digite um valor de número inteiro positivo que define o tamanho total da janela através da qual o filtro é aplicado. Isso também é chamado de máscara de filtro. Para uma média móvel, o comprimento do filtro determina quantos valores são calculados na janela deslizante. Filtros mais longos também são chamados filtros de ordem superior, e fornecem uma janela de cálculo maior e uma aproximação mais próxima da linha de tendência. Filtros de ordem menor ou menor usam uma janela de cálculo menor e se assemelham mais aos dados originais. Para Tipo. Escolha o tipo de média móvel a ser aplicada. O Azure Machine Learning Studio suporta os seguintes tipos de cálculos de média móvel: Uma média móvel simples (SMA) é calculada como uma média de rolamento não ponderada. As médias móveis triangulares (TMA) são médias duas vezes para uma linha de tendência mais suave. A palavra triangular é derivada da forma dos pesos que são aplicados aos dados, que enfatiza os valores centrais. Uma média móvel exponencial (EMA) dá mais peso aos dados mais recentes. A ponderação cai exponencialmente. Uma média móvel exponencial modificada calcula uma média móvel em execução, onde calcular a média móvel em qualquer ponto considera a média móvel previamente calculada em todos os pontos precedentes. Este método produz uma linha de tendência mais suave. Dado um único ponto e uma média móvel atual, a média móvel cumulativa (CMA) calcula a média móvel no ponto atual. Adicione o conjunto de dados que tem os valores que você deseja calcular uma média móvel e adicione o módulo Aplicar filtro. Conecte o Filtro de Média Móvel à entrada do lado esquerdo de Aplicar Filtro. E conecte o conjunto de dados à entrada do lado direito. No módulo Aplicar filtro, use o seletor de coluna para especificar quais colunas o filtro deve ser aplicado. Por padrão, o filtro que você criar será aplicado a todas as colunas numéricas, portanto, certifique-se de excluir todas as colunas que não possuem dados apropriados. Execute a experiência. Nesse ponto, para cada conjunto de valores definido pelo parâmetro de comprimento do filtro, o valor atual (ou índice) é substituído pelo valor da média móvel.