Сглаженные данные об ответе
yy = smooth(y)y использование фильтра скользящего среднего значения.
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 конечные точки указателей, результат отличается от результата, возвращенного filter функция.gpuarrayYY = smooth(gpuarrayY,___)gpuArray данные. Можно использовать gpuArray данные об ответе со всеми предыдущими синтаксисами. Этот синтаксис требует Parallel Computing Toolbox™.
gpuarrayYY = smooth(gpuarrayX,gpuarrayY,___)gpuArray входные данные. Этот синтаксис требует Parallel Computing Toolbox.
Примечание
Используя gpuArray
x и y входные параметры с smooth функция только рекомендуется, если вы используете метод по умолчанию, 'moving'. Используя данные графического процессора с другими методами не предлагает преимущества эффективности.
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. Сглаживание всех данных вместе затем указало 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 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 loess и rloess методы. 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.