아직 그녀가 아니야! 그래서 나는 당신과 상의하기로 결정했습니다. 이 모든 일에 참여할 가치가 있습니까? 누가 이것에 대해 생각합니까?
아직 그녀가 아니야! 그래서 나는 당신과 상의하기로 결정했습니다. 이 모든 일에 참여할 가치가 있습니까? 누가 이것에 대해 생각합니까?
그리고 당신은 연회를 계속할 수 있습니다.
세료가 안녕하세요! (다음 스레드에 쪽지 남겼는데 보셨음 좋겠어요 :)
모든 것이 더 쉽습니다!!!!! 내 생각은 완전히 간단하지만 손이 실제로 닿지 않았습니다. 여기 저기로 아무것도 이동할 필요가 없습니다. 저주파 성분의 이상적인 근사치는 다음과 같습니다.
[1/ 창 *( SUM 창 에 대한 기록 )+ 1/ 창 *( SUM , 창의 미래 값 )/2
따라서 모든 것은 고정된 기간 동안 평균을 예측하는 것으로 귀결됩니다. 그리고 자기상관 법으로 예측할 수 있다. 100% 확실합니다. 훨씬 더 안정적이고 정확하게 작동합니다. 적응형 필터를 미니어처로 생각하십시오.
떠오를 수 있다
잡다
안녕하세요 Seryoga입니다!
물론 읽었습니다. 저를 비 조화 합성에 대한 아이디어로 이끈 것은 그들(귀하의 고려 사항)이었습니다. 불행히도 자기 상관 방법으로 예측하려는 모든 노력은 사건의 지평선에 의해 깨졌습니다. 여기서 적응 요소와 비선형 상관 방법이 필요합니다.
아니 아니 아니 아니. 예측된 평균에 따라 시계열 을 복원하면 큰 오류가 발생하지 않습니다. 이것은 필요한 것이 아니라 예측 "이상적인 저주파 곡선"의 국부 극단을 평가하는 것이 필요하며 실제로는 반전 영역입니다 !!!! 덜 까다로워야 합니다:o)
가중치가 역사에서 어떻게 작용하는지 살펴보겠습니다. 즉, w1, w2 및 w3의 세 가지 버퍼로 표시기를 만듭니다.
괜찮아요. 그것은 우리에게 무엇을 줄 것입니까? 그것들은 3차 방정식의 해이기 때문에 더 작은 기계의 변동 주기로 규칙적으로 동작할 것이 분명합니다.
아니 아니 아니 아니. 예측된 평균에 따라 시계열을 복원하면 큰 오류가 발생하지 않습니다. 이것은 필요한 것이 아니라 예측 "이상적인 저주파 곡선"의 국부 극단을 평가하는 것이 필요하며 실제로는 반전 영역입니다 !!!! 덜 까다로워야 합니다:o)
그건 내가 이해하지 못한거야!
안정적인 연결이 없습니다.
아니 아니 아니 아니. 예측된 평균에 따라 시계열을 복원하면 큰 오류가 발생하지 않습니다. 이것은 필요한 것이 아니라 예측 "이상적인 저주파 곡선"의 국부 극단을 평가하는 것이 필요하며 실제로는 반전 영역입니다 !!!! 덜 까다로워야 합니다:o)
그건 내가 이해하지 못한거야!
안정적인 연결이 없습니다.
그리고 나는 또한 당신의 비 고조파 분석을 이해하지 못했습니다. 이상적인 파생 상품은 누구이며 어디에서 왔습니까? 분석의 본질을 차근차근 자세히 설명해 주시면 감사하겠습니다(저만 그런 것이 아니라고 생각합니다).
그 동안 나는 matkad를 파헤칠 것이고 며칠 또는 그 이전에 (모든 것이 통계로 간주됨) 내 아이디어에 대한 자세한 설명을 제공할 것입니다: o)
추신 : 아마도 그들의 통합이 흥미로운 스레드를 줄 것입니다 :o)
여기 나를 괴롭히는 생각이 있습니다.
평균화 창 N이 있는 가장 일반적인 기계를 살펴보겠습니다. 시계열(VR)을 따라 순방향 및 역방향으로 실행하여 그룹 및 위상 지연을 제거하고 이상적인 평활 곡선을 얻습니다. 진입점 및 퇴장점 ... 실제로는 과거 데이터에만 해당됩니다.
이것은 데이터의 오른쪽 가장자리에 불가피하게 다시 그리기 때문에 발생하는 역사에서 뒤로 물러날수록 이 효과가 영향을 덜 받습니다. 한도 내에서 앞전에서 거리 N에서는 무시할 수 있습니다. 따라서 작업은 이 미분 N 막대를 앞으로 예측하는 것입니다(왼쪽 그림).
그렇지 않으면 할 수 있습니다. N / 2의 지연으로 모든 사람이 오랫동안 익숙한 표준 앤티 앨리어싱을 얻는 동안 마우스를 직접 실행해 봅시다 (오른쪽 그림). 태스크는 앞으로 N/2 막대에 대한 도함수 값을 예측하는 것으로 설정할 수 있습니다. 그건 그렇고, 왼쪽 그림에서. 오른쪽에서 N은 LPF의 대역폭이 거의 동일하도록 선택됩니다. 즉, 2패스 회로(왼쪽)의 경우 100바, 직접 실행(오른쪽)의 경우 200바입니다. 따라서 앞으로 동일한 수의 막대 를 예측해야 하며 2-패스 방식의 경우 파생물만 더 매끄럽습니다. 즉, 예측의 정확도가 더 높아집니다.
"일반적인" 방법으로 예측하려는 모든 시도가 긍정적인 결과로 이어지지는 않습니다. 이벤트 지평선(N/2 또는 N)에 접근하자마자 예측 정확도가 급격히 떨어지고 지평선에서 0에 가까워집니다. 그 자체. 이것은 VR의 기본 속성입니다 ...
예를 들어 N = 2 또는 1에서 시작하여 최대 1000까지 주어진 VR에 대해 1단계로 단일 패스 스트로크 팬을 구축하면 그렇게 생각했습니다. 인접 틱의 정보 내용은 크게 다르지 않으므로 인접 틱(또는 그 파생물)의 "유사성"을 보여주는 자기상관 함수를 구축할 것입니다. 예상할 수 있듯이 연속 매쉬의 수는 높은 상관관계가 있습니다(왼쪽 그림).
상관된 도구의 정보성은 높지 않기 때문에 많은 틱을 제거하고 상관 계수가 20%를 초과하지 않는 것만 남겨둡니다. 평균 창은 6, 80 및 300개이며 그 중 3개만 남았습니다. 이제 지연된 마스코트의 파생 상품 값의 가중치 합을 이상적인 파생 상품(오른쪽 그림의 두꺼운 빨간색 선)과 동일시합니다. dMA=w1*dMA1+w2*dMA2+w3*dMA3.
우리는 히스토리의 오른쪽 가장자리에서 N/2를 뺀 세 개의 연속 막대에 대해 이러한 방정식 3개를 작성하고(채터가 없도록) 가중치 w에 대해 풀고 BP의 오른쪽 가장자리에서 dMA 값을 계산합니다. . 모든 것! BP의 예상 방향을 나타내는 예측 값을 얻습니다.
일종의 비 고조파 분석이 나타났습니다 :-)