Данные о плавном отклике
yy = smooth(y)y с использованием фильтра скользящего среднего.
Первые несколько элементов yy следуйте.
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 filter функция.gpuarrayYY = smooth(gpuarrayY,___)gpuArray данные. Вы можете использовать gpuArray данные ответа со всеми предыдущими синтаксисами. Этот синтаксис требует Toolbox™ параллельных вычислений.
gpuarrayYY = smooth(gpuarrayX,gpuarrayY,___)gpuArray входные данные. Для этого синтаксиса требуется панель инструментов параллельных вычислений.
Примечание
Используя gpuArray
x и y входы с smooth функция рекомендуется только при использовании метода по умолчанию, 'moving'. Использование данных графического процессора с другими методами не дает никаких преимуществ в производительности.
Сглаживание данных по линейному индексу и по каждому столбцу отдельно с использованием фильтра скользящего среднего. Постройте график и сравните результаты.
Загрузить данные в count.dat. Массив 24 на 3 count содержит подсчет трафика на трех перекрестках за каждый час дня.
load count.datПредположим, что данные получены с одного пересечения в течение трех последовательных дней. Сглаживание всех данных вместе указывало бы общий цикл потока трафика через перекресток. Используйте фильтр скользящего среднего с 5-часовым интервалом для одновременного сглаживания всех данных (по линейному индексу).
c = smooth(count(:)); C1 = reshape(c,24,3);
Однако данные фактически поступают с трех разных пересечений. Таким образом, сглаживание столбцами дает более значимую картину трафика через каждый перекресток за день. Для сглаживания каждого столбца данных по отдельности используется один и тот же фильтр скользящего среднего.
C2 = zeros(24,3); for I = 1:3 C2(:,I) = smooth(count(:,I)); end
Постройте график исходных данных и данных, сглаженных по линейному индексу и по каждому столбцу отдельно. Затем постройте график разницы между двумя сглаженными наборами данных. Два метода дают разные результаты вблизи 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 график и сравните результаты данных, сглаженных с помощью loess и rloess методы. Затем определите, какой метод менее чувствителен к отклонениям.
Создание шумных данных с двумя отклонениями.
x = (0:0.1:15)'; y = sin(x) + 0.5*(rand(size(x))-0.5); y([90,110]) = 3;
Сглаживание данных с помощью loess и rloess методы. Используйте интервал в 10% от общего количества точек данных.
yy1 = smooth(x,y,0.1,'loess'); yy2 = smooth(x,y,0.1,'rloess');
Постройте график исходных и сглаженных данных. Отклонения оказывают меньшее влияние с помощью надежного метода 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')
Дополнительные параметры сглаживания данных, включая скользящую медиану и методы Гаусса, см. в разделе smoothdata.
Сглаживание данных можно создать с помощью сглаживающего сплайна. Дополнительные сведения см. в разделе fit.