Сглаженные данные об ответе
yy = smooth(y)yy = smooth(y,span)yy = smooth(y,method)yy = smooth(y,span,method)yy = smooth(y,'sgolay',degree)yy = smooth(y,span,'sgolay',degree)yy = smooth(x,y,___)gpuarrayYY = smooth(gpuarrayY,___)gpuarrayYY = smooth(gpuarrayX,gpuarrayY,___)yy = smooth(y)y с помощью фильтра скользящего среднего значения.
Первые несколько элементов yy следуют.
yy(1) = y(1) yy(2) = (y(1) + y(2) + y(3))/3 yy(3) = (y(1) + y(2) + y(3) + y(4) + y(5))/5 yy(4) = (y(2) + y(3) + y(4) + y(5) + y(6))/5 ...
smooth обрабатывает конечные точки, результат отличается от результата, возвращенного функцией filter.gpuarrayYY = smooth(gpuarrayY,___)gpuArray. Можно использовать данные об ответе gpuArray со всеми предыдущими синтаксисами. Этот синтаксис требует Parallel Computing Toolbox™.
gpuarrayYY = smooth(gpuarrayX,gpuarrayY,___)gpuArray. Этот синтаксис требует Parallel Computing Toolbox.
Используя gpuArray
только рекомендуются входные параметры x и y с функцией smooth, если вы используете метод по умолчанию, 'moving'. Используя данные графического процессора с другими методами не предлагает преимущества производительности.
Сглаженные данные линейным индексом и каждым столбцом отдельно, с помощью фильтра скользящего среднего значения. Постройте и сравните результаты.
Загрузите данные в count.dat. 24 3 массив count содержит количества трафика на трех пересечениях в течение каждого часа дня.
load count.datПредположим, что данные являются от одного пересечения более чем тремя днями подряд. При сглаживании всех данных togther затем указал бы на полный цикл потока трафика через пересечение. Используйте фильтр скользящего среднего значения с 5-часовым промежутком, чтобы сглаживать все данные одновременно (линейным индексом).
c = smooth(count(:)); C1 = reshape(c,24,3);
Однако данные на самом деле от трех различных пересечений. Таким образом сглаживание по столбцам дает более значимое изображение трафика через каждое пересечение за день. Используйте тот же фильтр скользящего среднего значения, чтобы сглаживать каждый столбец данных отдельно.
C2 = zeros(24,3); for I = 1:3 C2(:,I) = smooth(count(:,I)); end
Отобразите на графике исходные данные и данные, сглаживавшие линейным индексом и каждым столбцом отдельно. Затем постройте различие между двумя сглаживавшими наборами данных. Эти два метода дают различные результаты около конечных точек.
subplot(3,1,1) plot(count,':'); hold on plot(C1,'-'); title('Smooth C1 (All Data)') subplot(3,1,2) plot(count,':'); hold on plot(C2,'-'); title('Smooth C2 (Each Column)') subplot(3,1,3) plot(C2 - C1,'o-') title('Difference C2 - C1')
loess и rloessПостройте и сравните результаты данных, сглаживавших с помощью методов rloess и loess. Затем определите, какой метод менее чувствителен к выбросам.
Создайте шумные данные с двумя выбросами.
x = (0:0.1:15)'; y = sin(x) + 0.5*(rand(size(x))-0.5); y([90,110]) = 3;
Сглаживайте данные с методами rloess и loess. Используйте промежуток 10% общего количества точек данных.
yy1 = smooth(x,y,0.1,'loess'); yy2 = smooth(x,y,0.1,'rloess');
Отобразите исходные и сглаживавшие данные на графике. Выбросы имеют меньше влияния на устойчивый метод rloess.
subplot(2,1,1) plot(x,y,'b.',x,yy1,'r-') set(gca,'YLim',[-1.5 3.5]) legend('Original data','Smoothed data using ''loess''',... 'Location','NW') subplot(2,1,2) plot(x,y,'b.',x,yy2,'r-') set(gca,'YLim',[-1.5 3.5]) legend('Original data','Smoothed data using ''rloess''',... 'Location','NW')
Для большего количества опций для сглаживания данных, включая движущиеся средние и Гауссовы методы, смотрите smoothdata.
Можно сгенерировать сглаженную подгонку к данным с помощью сплайна сглаживания. Для получения дополнительной информации смотрите fit.