Сглаживайте данные отклика
yy = smooth(y)y использование фильтра скользящего среднего.
Первые несколько элементов yy следовать.
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 отклика со всеми предыдущими синтаксисами. Для этого синтаксиса требуется Parallel Computing Toolbox™.
gpuarrayYY = smooth(gpuarrayX,gpuarrayY,___)gpuArray входные данные. Для этого синтаксиса требуется Parallel Computing Toolbox.
Примечание
Используя gpuArray
x и y входы со smooth Функция рекомендуется только, если вы используете метод по умолчанию, 'moving'. Использование данных графический процессор с другими методами не обеспечивает каких-либо преимуществ эффективности.
Сглаживайте данные по линейному индексу и по каждому столбцу отдельно, используя фильтр скользящего среднего. Постройте график и сравните результаты.
Загрузите данные в count.dat. Массив 24 на 3 count содержит количество трафика на трех перекрестках для каждого часа дня.
load count.datПредположим, что данные относятся к одному пересечению в течение трех последовательных дней. Сглаживание всех данных вместе будет указывать на общий цикл транспортного потока через перекресток. Используйте фильтр скользящего среднего с 5-часовым диапазоном, чтобы сглаживать все данные одновременно (по линейному индексу).
c = smooth(count(:)); C1 = reshape(c,24,3);
Однако данные фактически относятся к трем различным перекресткам. Таким образом, сглаживание столбцово дает более содержательную картину трафика через каждый перекресток в день. Используйте тот же фильтр скользящего среднего, чтобы сглаживать каждый столбец данных отдельно.
C2 = zeros(24,3); for I = 1:3 C2(:,I) = smooth(count(:,I)); end
Постройте график исходных данных и данных, сглаженных линейным индексом и каждым столбцом отдельно. Затем постройте график различия между двумя сглаженными наборами данных. Эти два метода дают различные 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 и сравните результаты сглаживания данных с помощью loess и rloess методы. Затем определите, какой метод менее чувствителен к выбросам.
Создайте зашумленные 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 помощью loess и rloess методы. Используйте диапазон 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. Выбросы меньше влияют 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 получения дополнительных опций для сглаживания данных, включая движущиеся медианные и Гауссовы методы, см. smoothdata.
Сглаживать подгонку к данным можно с помощью сглаживающего сплайна. Для получения дополнительной информации см. fit.