Сглаживайте шумные данные
B = smoothdata(A)B = smoothdata(A,dim)B = smoothdata(___,method)B = smoothdata(___,method,window)B = smoothdata(___,nanflag)B = smoothdata(___,Name,Value)[B,window] = smoothdata(___)B = smoothdata(A)
Если A является матрицей, то smoothdata вычисляет скользящее среднее значение вниз каждый столбец.
Если A является многомерным массивом, то smoothdata действует по первому измерению, размер которого не равняется 1.
Если A является таблицей или расписанием с числовыми переменными, то smoothdata работает с каждой переменной отдельно.
B = smoothdata(A,dim) dim A. Например, если A является матрицей, то smoothdata(A,2) сглаживает данные в каждой строке A.
B = smoothdata(___,method) B = smoothdata(A,'sgolay') использует фильтр Savitzky-Golay, чтобы сглаживать данные в A.
B = smoothdata(___,method,window) smoothdata(A,'movmedian',5) сглаживает данные в A путем взятия медианы по раздвижному окну с пятью элементами.
B = smoothdata(___,nanflag) NaN лечат от любого из предыдущих синтаксисов. 'omitnan' игнорирует значения NaN, и 'includenan' включает их при вычислении в каждом окне.
B = smoothdata(___,Name,Value) t является вектором временных стоимостей, то smoothdata(A,'SamplePoints',t) сглаживает данные в A относительно времен в t.
[B,window] = smoothdata(___)
Создайте вектор, содержащий шумные данные, и сглаживайте данные со скользящим средним значением. Отобразите исходные и сглаживавшие данные на графике.
x = 1:100; A = cos(2*pi*0.05*x+2*pi*rand) + 0.5*randn(1,100); B = smoothdata(A); plot(x,A,'-o',x,B,'-x') legend('Original Data','Smoothed Data')
Создайте матрицу, строки которой представляют три сигнала с шумом. Сглаживайте три сигнала с помощью скользящего среднего значения и отобразите сглаживавшие данные на графике.
x = 1:100; s1 = cos(2*pi*0.03*x+2*pi*rand) + 0.5*randn(1,100); s2 = cos(2*pi*0.04*x+2*pi*rand) + 0.4*randn(1,100) + 5; s3 = cos(2*pi*0.05*x+2*pi*rand) + 0.3*randn(1,100) - 5; A = [s1; s2; s3]; B = smoothdata(A,2); plot(x,B(1,:),x,B(2,:),x,B(3,:))
Сглаживайте вектор шумных данных со Взвешенным гауссовым образом фильтром скользящего среднего значения. Отобразите длину окна, используемую фильтром.
x = 1:100;
A = cos(2*pi*0.05*x+2*pi*rand) + 0.5*randn(1,100);
[B, window] = smoothdata(A,'gaussian');
windowwindow = 4
Сглаживайте исходные данные с большим окном длины 20. Отобразите сглаживавшие данные на графике для обеих длин окна.
C = smoothdata(A,'gaussian',20); plot(x,B,'-o',x,C,'-x') legend('Small Window','Large Window')
Вектор с NaNСоздайте шумный вектор, содержащий стоимость NaN, и сглаживайте данные, игнорирующие NaN, который является значением по умолчанию.
A = [NaN randn(1,48) NaN randn(1,49) NaN]; B = smoothdata(A);
Сглаживайте данные включая значения NaN. Средним числом в окне, содержащем NaN, является NaN.
C = smoothdata(A,'includenan');Отобразите сглаживавшие данные на графике в B и C.
plot(1:100,B,'-o',1:100,C,'-x') legend('Ignore NaN','Include NaN')
Создайте вектор шумных данных, который соответствует временному вектору t. Сглаживайте данные относительно времен в t и отобразите на графике исходные данные и сглаживавшие данные.
x = 1:100; A = cos(2*pi*0.05*x+2*pi*rand) + 0.5*randn(1,100); t = datetime(2017,1,1,0,0,0) + hours(0:99); B = smoothdata(A,'SamplePoints',t); plot(t,A,'-o',t,B,'-x') legend('Original Data','Smoothed Data')
A Входной массивВходной массив, заданный как вектор, матрица, многомерный массив, таблица или расписание. Если A является таблицей или расписанием, то или переменные должны быть числовыми, или необходимо использовать пару "имя-значение" 'DataVariables', чтобы перечислить числовые переменные явным образом. Определение переменных полезно, когда вы работаете с таблицей, которая также содержит нечисловые переменные.
Типы данных: удвойтесь | единственный | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | логический | таблица | расписание
Поддержка комплексного числа: Да
dim Размерность, которая задает направление расчетаВеличина для работы, заданная как положительный целый скаляр. Если значение не задано, то по умолчанию это первый размер массива, не равный 1.
Рассмотрите матричный A.
B = smoothdata(A,1) сглаживает данные в каждом столбце A.
B = smoothdata(A,2) сглаживает данные в каждой строке A.
Когда A является таблицей или расписанием, dim не поддержан. smoothdata действует вдоль каждой переменной таблицы или расписания отдельно.
Типы данных: удвойтесь | единственный | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64
method — Сглаживание метода'movmean' (значение по умолчанию) | 'movmedian' | 'gaussian' | 'lowess' | 'loess' | 'rlowess' | 'rloess' | 'sgolay'Сглаживание метода, заданного как одно из следующего:
movmean Скользящее среднее значение по каждому окну A. Этот метод полезен для сокращения периодических тенденций в данных.
movmedian Движущаяся медиана по каждому окну A. Этот метод полезен для сокращения периодических тенденций в данных, когда выбросы присутствуют.
'gaussian' — Взвешенное гауссовым образом скользящее среднее значение по каждому окну A.
'lowess' — Линейная регрессия по каждому окну A. Этот метод может быть в вычислительном отношении дорогим, но результаты в меньшем количестве разрывов.
'loess' — Квадратичная регрессия по каждому окну A. Этот метод является немного более в вычислительном отношении дорогим, чем 'lowess'.
'rlowess' — Устойчивая линейная регрессия по каждому окну A. Этот метод является более в вычислительном отношении дорогой версией метода 'lowess', но это более устойчиво к выбросам.
'rloess' — Устойчивая квадратичная регрессия по каждому окну A. Этот метод является более в вычислительном отношении дорогой версией метода 'loess', но это более устойчиво к выбросам.
'sgolay' — Фильтр Savitzky-Golay, который сглаживает согласно квадратичному многочлену, который адаптирован по каждому окну A. Этот метод может быть более эффективным, чем другие методы, когда данные отличаются быстро.
window — Длина окнаДлина окна, заданная как положительный целочисленный скаляр, двухэлементный вектор положительных целых чисел, положительного скаляра длительности или двухэлементного вектора положительной длительности.
Когда window является положительным целочисленным скаляром, затем окно центрируется о текущем элементе и содержит элементы граничения window-1. Если window даже, то окно центрируется о текущих и предыдущих элементах. Если window является двухэлементным вектором положительных целых чисел [b f], то окно содержит текущий элемент, элементы b назад и элементы f вперед.
Когда A является расписанием или когда 'SamplePoints' задан как datetime или вектор duration, window должен иметь тип duration, и окно вычисляется относительно точек выборки.
Когда длина окна также задана как выходной аргумент, выходное значение совпадает с входным значением.
Типы данных: удвойтесь | единственный | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | длительность
nanflag условие NaN'omitnan' (значение по умолчанию) | 'includenan'Условие NaN, заданное как одно из следующих значений:
'omitnan' — Проигнорируйте значения NaN во входном параметре. Если окно содержит все значения NaN, то smoothdata возвращает NaN.
'includenan' — Включайте значения NaN при вычислении в каждом окне, приведении к NaN.
Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Имя должно появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.
smoothdata (A, 'SmoothingFactor', 0.5)Когда размер окна для метода сглаживания не задан, smoothdata вычисляет размер окна по умолчанию на основе эвристики. Для фактора сглаживания τ, эвристика оценивает размер окна скользящего среднего значения, который затухает приблизительно 100*τ процент энергии входных данных.
fillmissing | фильтр | movmad | movmean | movmedian