그렇다면 로컬 근사화 방법 https://chaos.phys.msu.ru/loskutov/PDF/Los_Kotl_Zhur.pdf 을 사용해 보세요.
이 방법은 데이터 예측뿐만 아니라 필터링도 가능합니다. 그리고 이론적으로 이러한 필터는 지연이 전혀 없어야 합니다!
아이디어는 매우 유사합니다. 여기에서는 시계열의 다른 부분에 대해 서로 다른 필터를 전환할 필요가 없습니다. 여기서는 시계열의 마지막 카운트와 유사한 영역을 검색한 다음, 이렇게 찾은 영역을 앙상블 전체에 평균을 구합니다. 이것이 필터링의 결과입니다. 가장 중요한 것은 기록에 충분한 데이터가 있어야 한다는 것입니다. 그렇지 않으면 유사한 플롯이 없을 수 있습니다.
필터가 비선형이기 때문에 구간마다 임펄스 응답이 다릅니다. 따라서 필요한 섹션에서 역 컨볼루션 연산인 디컨볼루션을 사용하는 것이 더 좋으며, 이를 위해 ALGLIB 라이브러리를 사용할 수 있습니다.
그리고 결과 임펄스 응답에 대한 스펙트럼을 플롯합니다. 이상적인 필터는 억제와 투과 사이에 수직선이 있어야 합니다.
필터가 비선형이기 때문에 구간마다 임펄스 응답이 다릅니다. 따라서 필요한 섹션에서 역 컨볼루션 연산인 디컨볼루션을 사용하는 것이 더 좋으며, 이를 위해 ALGLIB 라이브러리를 사용할 수 있습니다.
그리고 결과 임펄스 응답에 대한 스펙트럼을 플롯합니다. 이상적인 필터는 억제와 투과 사이에 수직선이 있어야 합니다.
그렇다면 로컬 근사화 방법 https://chaos.phys.msu.ru/loskutov/PDF/Los_Kotl_Zhur.pdf 을 사용해 보세요.
이 방법은 데이터 예측뿐만 아니라 필터링도 가능합니다. 그리고 이론적으로 이러한 필터는 지연이 전혀 없어야 합니다!아이디어는 매우 유사합니다. 여기에서는 시계열의 다른 부분에 대해 서로 다른 필터를 전환할 필요가 없습니다. 여기서는 시계열의 마지막 카운트와 유사한 영역을 검색한 다음, 이렇게 찾은 영역을 앙상블 전체에 평균을 구합니다. 이것이 필터링의 결과입니다. 가장 중요한 것은 기록에 충분한 데이터가 있어야 한다는 것입니다. 그렇지 않으면 유사한 플롯이 없을 수 있습니다.