نقل متوسط التنفيذ

تنفيذ متوسط ​​متحرك بسيط في جافا في عدة مناسبات أراد إيف حساب مقاييس بسيطة في تطبيقات جافا، على سبيل المثال عدد الزيارات في الساعة، أو أخطاء طوال فترة زمنية. في حين أن حساب مقاييس بسيطة ليس صعبا بشكل رهيب، إلا أن عمله الإضافي ومعرفه ينفقان ذلك الوقت على نطاق المشكلة. فوجئت بعدم العثور على أي حلول مقبولة على نطاق واسع للمقاييس في جافا. لم أجد المقاييس ولكن يبدو قليلا معقدة جدا وغير موثقة بشكل جيد - كل ما أردت حقا هو لحساب المتوسط ​​المتحرك. فكرت في المشكلة بعض أكثر وقررت أنها ليست مشكلة صعبة. هيريس الحل الخاص بي يعمل هذا من خلال إنشاء مجموعة من حجم التحديث تحديث النافذة، ثم مؤشر ترابط العد إلى الفهرس التالي في الصفيف على تردد التحديث. العد للفاصل هو ببساطة أري - arrayi1، وهو أحدث عدد ناقص أقدم عدد. لمدة 10 دقيقة الفاصلة، أقدم العد (i1) هو بالضبط 10 دقيقة من العمر. لإضافة المتوسط ​​المتحرك إلى التعليمات البرمجية لدينا أولا تحتاج جيدا عداد، وذلك باستخدام أتوميكلونغ. يجب زيادة هذا العداد استنادا إلى الأحداث التي تهتم بها في الحوسبة (مثل طلبات بوست لخدمة ريست). نحن بحاجة إلى توفير التنفيذ مع الوصول إلى العداد والتي يتم إنجازها من خلال واجهة جيتكونت. هنا إل إنشاء متوسط ​​متحرك مع نافذة 5 دقائق يتم تحديث كل ثانية. وللحصول على المتوسط ​​الحالي نحن ببساطة استدعاء الأسلوب جيتايفيراج: تفصيل التنفيذ الرئيسي هو كيف يتم تحديد حجم الصفيف: عن طريق قسمة النافذة عن طريق تكرار التحديث. لذلك نافذة كبيرة مع تكرار التحديث المتكررة يمكن أن تستهلك قدرا كبيرا من الذاكرة. في هذا المثال حجم صفيف هو معقول 300. ومع ذلك، إذا أنشأنا المتوسط ​​المتحرك 24 ساعة مع فاصل زمني 1 ثانية سيكون حجم 86400 تردد التحديث أكثر معقولية لفترة 24 ساعة قد يكون كل 5 دقائق (حجم صفيف من 288 ). وهناك اعتبار آخر لاختيار النافذة وتردد التحديث هو أن النافذة يجب أن تكون قابلة للتجزئة حسب التردد. على سبيل المثال نافذة 2 دقيقة مع تردد التحديث 6 ثانية على ما يرام، ولكن تردد التحديث 7 ثانية ليست كذلك، لأنه لا قسمة من قبل 120. يتم طرح إليغالارغمنتكسيبتيون إذا كان تردد تحديث معامل نافذة ليست صفر. يتطلب هذا التنفيذ مؤشر ترابط واحد لكل متوسط ​​متحرك، وهو ليس فعالا جدا. الحل الأفضل هو مشاركة مؤشر الترابط عبر العديد من المتوسطات. تحديث . إيف تحديث التعليمات البرمجية لمشاركة موضوع هنا. وأخيرا، ثيريس مشكلة حالة أولية: ليس لدينا بيانات حتى الآن للنافذة بأكملها. على سبيل المثال إذا كان لديك نافذة 5 دقائق و 15 ثانية فقط من البيانات. يرجع هذا التنفيذ نول حتى يكون لدينا 5 دقائق من البيانات. وثمة نهج آخر هو تقدير المتوسط. لنفترض أن لدينا عد 10 في 30 ثانية، ثم يمكننا تقدير المتوسط ​​كما 40 في 2 دقيقة. ومع ذلك هناك خطر حدوث خطأ كبير من خلال استقراء البيانات غير مكتملة. على سبيل المثال، إذا كان لدينا انفجار من 20 زيارة في 2 ثانية، ويد يكون تقدير 1200 في 2 دقيقة، والتي في جميع الاحتمالات هو طريق قبالة. في الإحصاءات متوسط ​​متحرك بسيط هو خوارزمية تحسب المتوسط ​​غير المرجح من عينات ن الماضي . وعادة ما تسمى المعلمة n بحجم النافذة، لأن الخوارزمية يمكن اعتبارها نافذة تنزلق فوق نقاط البيانات. باستخدام صيغة عودية للخوارزمية، يتم تقليل عدد العمليات المطلوبة لكل عينة إلى إضافة واحدة، وطرح واحد وقسم واحد. منذ صياغة مستقلة عن حجم النافذة ن. التعقيد وقت التشغيل هو (1). أي ثابت. والصيغة العودية للمتوسط ​​المتحرك غير المرجح هي حيث يكون المتوسط ​​المتوسط ​​المتداول ويمثل x نقطة بيانات. لذلك، كلما تنزلق النافذة إلى اليمين، نقطة بيانات واحدة، الذيل، يتسرب ونقطة بيانات واحدة، الرأس، يتحرك. التنفيذ تنفيذ المتوسط ​​المتحرك البسيط يجب أن يأخذ ما يلي في الاعتبار تهيئة الخوارزمية ما دام لم يتم ملء النافذة بالكامل مع القيم، فشل صيغة عودية. التخزين مطلوب الوصول إلى عنصر الذيل، والتي اعتمادا على تنفيذ يتطلب تخزين العناصر ن. يستخدم تطبيقي الصيغة المقدمة عندما يتم ملء النافذة بالكامل بالقيم، ويتحول بطريقة أخرى إلى الصيغة التي تقوم بتحديث الوسط من خلال إعادة حساب مجموع العناصر السابقة. لاحظ أن هذا يمكن أن يؤدي إلى عدم الاستقرار العددي بسبب الحساب العائم نقطة. وفيما يتعلق استهلاك الذاكرة، وتنفيذ يستخدم متكررات لتتبع الرأس والذيل العناصر. وهذا يؤدي إلى تنفيذ مع متطلبات الذاكرة الثابتة مستقلة عن حجم النافذة. هنا هو إجراء التحديث الذي ينزلق النافذة إلى اليمين. في. NET معظم المجموعات إبطال عدادات عند تعديل المجموعة الأساسية. غير أن التنفيذ يعتمد على عدد صحيح من الباحثين. ولا سيما في التطبيقات القائمة على التدفق، تحتاج المجموعة الأساسية إلى تعديلها عند وصول عنصر جديد. طريقة واحدة للتعامل مع ذلك هو إنشاء بسيطة حجم دائري حجم ثابت من حجم N1 أن يبطل أبدا تكراراتها وإضافة عنصر بالتناوب واستدعاء التحول. أتمنى أن أستطيع معرفة كيفية تنفيذ هذا فعلا، حيث أن وظيفة الاختبار مربكة جدا بالنسبة لي 8230 هل أنا بحاجة لتحويل البيانات إلى صفيف، ثم تشغيل سما سما جديد سما (20، صفيف) لمدة 20 فترة سما كيف يمكنني التعامل مع شيفت () هل من الضروري تنفيذ منشئين. (آسف للارتباك). لا تحتاج don8217t لتحويل البيانات الخاصة بك إلى صفيف طالما البيانات الخاصة بك ينفذ IEnumerable1 ونوع تعداد مزدوج. بقدر ما يتعلق الأمر الرسائل الخاصة بك تحتاج إلى تحويل داتارو إلى شيء أن عدد لا يحصى من القيم المزدوجة. نهجك يعمل. شيفت، الشرائح نافذة موقف واحد إلى اليسار. لمجموعة البيانات من 40 القيم ويقول 20 سما فترة لديك 21 مواقف نافذة يناسب في (40 8211 20 1). في كل مرة تقوم فيها باستدعاء شيفت () يتم نقل الإطار إلى اليسار بموقف واحد، ويقوم متوسط ​​() بإرجاع سما لموقف النافذة الحالي. وهذا يعني، المتوسط ​​غير المرجح لجميع القيم داخل النافذة. بالإضافة إلى ذلك بلدي التنفيذ يسمح لحساب سما حتى لو لم يتم ملء نافذة بالكامل في البداية. لذلك في جوهر نأمل أن يساعد هذا. أي أسئلة أخرى حقوق النشر إشعار كريستوف هيندل و cheind. wordpress، 2009-2012. ممنوع الاستخدام غير المصرح به أندور الازدواجية من هذه المادة دون إذن صريح وخطي من هذه بلوق المؤلف صاحب أندور ممنوع منعا باتا. ويمكن استخدام مقتطفات وروابط، شريطة أن يتم إعطاء الائتمان الكامل والواضح لكريستوف هيندل و cheind. wordpress مع الاتجاه المناسب والمحدد للمحتوى الأصلي. المشاركات الأخيرةالمتوسط ​​المتحرك كفلتر غالبا ما يستخدم المتوسط ​​المتحرك لتيسير البيانات في وجود ضوضاء. والمتوسط ​​المتحرك البسيط لا يعترف به دائما على أنه مرشاح الاستجابة النبضية المحددة (فير)، وهو في الواقع أحد المرشحات الأكثر شيوعا في معالجة الإشارات. التعامل معها كفلتر يسمح مقارنتها مع، على سبيل المثال، مرشحات المخلوطة نافذة (انظر المقالات على تمريرة المنخفضة. تمريرة عالية، والمرشحات تمريرة النطاق والترفض الفرقة لأمثلة على تلك). والفرق الرئيسي مع تلك المرشحات هو أن المتوسط ​​المتحرك مناسب للإشارات التي ترد المعلومات المفيدة في المجال الزمني. والتي تعد قياسات التمهيد عن طريق حساب المتوسط ​​مثالا رئيسيا. ومن ناحية أخرى، فإن المرشحات المخلوطة بالنافذة، هي عوامل أداء قوية في مجال الترددات. مع تحقيق المساواة في معالجة الصوت كمثال نموذجي. هناك مقارنة أكثر تفصيلا لكلا النوعين من المرشحات في المجال الزمني مقابل نطاق التردد أداء الفلاتر. إذا كانت لديك بيانات يكون كل من نطاق الوقت ونطاق التردد فيها هاما، فقد تحتاج إلى إلقاء نظرة على الاختلافات في المتوسط ​​المتحرك. الذي يعرض عددا من النسخ المرجحة للمتوسط ​​المتحرك الأفضل في ذلك. ويمكن تعريف المتوسط ​​المتحرك للطول (N) كما هو مكتوب كما هو مطبق عادة، مع عينة الانتاج الحالي كمتوسط ​​للعينات السابقة (N). ويرى المتوسط ​​المتحرك أن توليفة تتابع الدخل (شن) ذات نبضة مستطيلة طولها (N) والارتفاع (1N) (لجعل منطقة النبضة، وبالتالي كسب المرشاح ، واحد). في الممارسة العملية، فمن الأفضل أن تأخذ (N) الغريب. وعلى الرغم من إمكانية حساب متوسط ​​متحرك باستعمال عدد متساو من العينات، فإن استخدام قيمة غريبة ل (N) له ميزة مفادها أن تأخر المرشح سيكون عددا صحيحا من العينات، نظرا لأن تأخر المرشاح (N) العينات هو بالضبط ((N-1) 2). ويمكن بعد ذلك مواءمة المتوسط ​​المتحرك تماما مع البيانات الأصلية بتحويله بعدد صحيح من العينات. المجال الزمني نظرا لأن المتوسط ​​المتحرك هو ارتباط مع نبضة مستطيلة، فإن استجابته للتردد هي دالة صادقة. هذا يجعل من شيء مثل المزدوج من المرشح المصدق نافذة، لأن هذا هو التلازم مع نبض مخلص يؤدي إلى استجابة التردد مستطيلة. هذا هو استجابة التردد المخلص الذي يجعل المتوسط ​​المتحرك أداء ضعيف في مجال التردد. ومع ذلك، فإنه يؤدي بشكل جيد جدا في المجال الزمني. ولذلك، فإنه مثالي لنعومة البيانات لإزالة الضوضاء بينما في نفس الوقت لا تزال تحافظ على استجابة خطوة سريعة (الشكل 1). وبالنسبة للضوضاء البيضاء النموذجية المضافة (غوسيان نويز) (أوغن) التي غالبا ما تفترض، فإن عينات المتوسط ​​(N) لها تأثير زيادة نسبة شنر بعامل (سرت N). وبما أن الضوضاء للعينات الفردية غير مترابطة، فلا يوجد سبب لمعالجة كل عينة بشكل مختلف. وبالتالي، فإن المتوسط ​​المتحرك، الذي يعطي كل عينة نفس الوزن، والتخلص من أقصى قدر من الضوضاء لحدة استجابة خطوة معينة. التنفيذ نظرا لأنه مرشح من نوع فير، يمكن تنفيذ المتوسط ​​المتحرك من خلال الالتفاف. ومن ثم سيكون لها نفس الكفاءة (أو عدم وجودها) مثل أي مرشح آخر لتصفية معلومات الطيران. ومع ذلك، فإنه يمكن أيضا أن تنفذ بشكل متكرر، بطريقة فعالة جدا. ويأتي ذلك مباشرة من التعريف بأن هذه الصيغة هي نتيجة لتعبيرين عن (ين) و (yn1)، أي حيث نلاحظ أن التغيير بين (yn1) و (ين) هو أن مصطلح إضافي (xn1N) يظهر عند في النهاية، في حين تتم إزالة المصطلح (شن-N1N) من البداية. في التطبيقات العملية، غالبا ما يكون من الممكن ترك التقسيم عن طريق (N) لكل مصطلح من خلال تعويض عن المكسب الناتج من (N) في مكان آخر. هذا التنفيذ المتكرر سيكون أسرع بكثير من الالتفاف. ويمكن حساب كل قيمة جديدة (y) بإضافتين فقط، بدلا من الإضافات (N) التي ستكون ضرورية للتنفيذ المباشر للتعريف. شيء واحد للبحث عن مع تنفيذ العودية هو أن أخطاء التقريب سوف تتراكم. قد يكون هذا أو قد لا يكون مشكلة للتطبيق الخاص بك، ولكنه يعني أيضا أن هذا التنفيذ المتكرر سوف تعمل في الواقع بشكل أفضل مع تنفيذ عدد صحيح من مع أرقام نقطة العائمة. هذا أمر غير عادي تماما، حيث أن تنفيذ النقطة العائمة عادة ما يكون أكثر بساطة. يجب أن يكون استنتاج كل هذا أنه يجب أن لا نقلل من فائدة مرشح المتوسط ​​المتحرك البسيط في تطبيقات معالجة الإشارات. أداة تصميم التصفية يتم استكمال هذه المقالة باستخدام أداة تصميم التصفية. قم بتجربة قيم مختلفة ل (N) وتصور الفلاتر الناتجة. جربه الآن