Média móvel tsa

Pré-processamento de uma série de tempo discreta (Kit de ferramentas de processamento de sinal avançado) Programa de processamento de sinal avançado LabVIEW 2013 Data de edição da ajuda: junho de 2013 Número da peça: 372656B-01 O pré-processamento ajuda você a tornar uma série de tempo discreta adquirida mais adequada para análises futuras. As ferramentas de análise da série temporal LabVIEW fornecem os VIs de pré-processamento que permitem que você suprima uma série temporal, reescreva uma série temporal ou remova a tendência de uma série temporal. Os VIs de pré-processamento incluem o Express Series Preprocessing Express VI que você pode usar para selecionar um método apropriado para pré processar uma série temporal de forma interativa. Resmpling de uma série de tempo Quando você adquire uma série de tempo discreta, para evitar o aliasing de freqüência. A taxa de amostragem deve ser superior ao dobro do componente de freqüência mais alta do sinal de origem. Se você quer construir modelos para uma série de tempos, você geralmente especifica uma taxa de amostragem dez vezes maior do que o componente de freqüência mais alta do sinal de origem ao adquirir as séries temporais. No entanto, uma taxa de amostragem muito maior aumenta substancialmente a carga computacional. Se a taxa de amostragem for desnecessariamente alta, você pode fazer uma nova amostra das séries de tempo adquiridas e gerar uma nova série de tempo com uma taxa de amostragem menor. Às vezes, as séries temporais em análise são amostradas de forma desigual. Para usar métodos de análise de séries temporais, é necessário fazer uma nova amostra das séries temporais em intervalos de tempo iguais para gerar uma série de tempo igualmente amostrada. Use o TSA Resampling VI para reescrever uma série de tempo. Evitando o Aliasing de Freqüência Antes da remate, a largura de banda de freqüência do sinal de origem deve ser menor que a freqüência de Nyquist na nova taxa de amostragem para evitar alias. Se a série temporal contiver componentes de frequência cujas bandas de frequência são maiores do que a nova frequência de Nyquist, pode utilizar um filtro de passagem baixa para atenuar os componentes de frequência que são superiores à nova frequência de Nyquist. A figura a seguir mostra uma série de tempo que contém um componente de freqüência de 100 a 200 Hz e outro componente de freqüência de 300 a 400 Hz. A taxa de amostragem da série temporal é de 1000 Hz. Se a faixa de frequência de interesse for de 0 a 250 Hz, você pode reduzir a taxa de amostragem para 500 Hz. Quando você revirou as séries temporais usando a nova taxa de amostragem, o aliasing de freqüência ocorre se você não atenuar o componente de freqüência de 300 a 400 Hz porque este componente de freqüência está acima de 250 Hz, a nova freqüência de Nyquist. A figura a seguir mostra as séries de tempo remodeladas que não foram filtradas adequadamente antes da remateada e, portanto, contém aliasing de freqüência. No gráfico Power Spectrum, você pode ver que o aliasing de freqüência distorce o componente de freqüência original de 100 Hz a 200 Hz. Para evitar o aliasing de frequência na operação de reescalonamento, primeiro você deve atenuar ou filtrar o componente de freqüência que está acima da nova freqüência de Nyquist. Neste exemplo, você precisa usar um filtro de passagem baixa para atenuar o componente de freqüência de 300 a 400 Hz na série temporal original. A figura a seguir mostra as séries temporais filtradas e o espectro de potência. Observe que o filtro de passagem baixa remove o componente de freqüência de 300 a 400 Hz das séries temporais. Depois de remover o componente de freqüência que está acima da nova freqüência Nyquist, você pode fazer uma nova amostra das séries temporais com a nova taxa de amostragem de 500 Hz sem aliasing de freqüência. O seguinte gráfico de Power Spectrum mostra que a série de tempo reescalada preserva os componentes de freqüência de interesse de 0 Hz a 250 Hz sem distorção. Conversão de uma série temporal de tempos diferentes Os métodos de análise de séries temporais processam apenas séries temporais igualmente amostradas. Para analisar uma série temporal de amostras desigualmente, você precisa converter as séries temporais de amostras desigualmente em uma série temporal igualmente amostrada usando o VI de Resampling TSA. A figura a seguir mostra uma série temporal de amostras desigualmente e as séries temporais correspondentes igualmente amostradas. Você pode ver que os índices de tempo são distribuídos igualmente no gráfico da série de tempo remodelado. Consulte o Resample Unloyally-Sampled Time Series VI no labviewexamplesTime Series AnalysisTSAGettingStarted diretório para um exemplo que demonstra como converter uma série de amostras desigualmente em uma série de tempo igualmente amostrada com o TSA Resampling VI. Suavizando uma Série de Tempo Usando as Ferramentas de Análise da Série de Tempo, você pode suavizar uma série de tempo com o método da média móvel ou o método da média exponencial. O método de média móvel estima o valor médio local com base nos valores adjacentes com um filtro de resposta de impulso finito (FIR). Você pode usar esse método para remover o distúrbio de ruído de uma série temporal. Use o TSA Moving Average VI para executar uma média móvel. Este VI fornece dois filtros típicos de média móvelSpencer e Henderson. Você também pode personalizar os coeficientes dos filtros de média móvel. O TSA Moving Average VI compensa a mudança de fase das séries de tempo suavizadas, de modo que não existe um atraso de fase entre as séries temporais original e suavizada. A média exponencial é outra abordagem comum para produzir uma série de tempo suave, que ajuda a remover as variações que a série temporal original contém. A média exponencial também pode remover a sazonalidade, que é o conteúdo espectral periódico de baixa freqüência em uma série temporal. Use o TSA Exponential Average VI para executar operações de suavização exponencial em uma série de tempo. Você pode selecionar um esquema de suavização adequado de acordo com as características da série temporal. Este VI fornece os seguintes esquemas de suavização exponencial: esquema de suavização exponencial único, adequado para uma série de tempo que não contém uma tendência sistemática ou sazonalidade. Esquema de suavização exponencial dupla, adequado para uma série de tempo que contém uma tendência sistemática, mas não contém sazonalidade. Esquema de alívio exponencial triploSequível para uma série de tempo que contém tanto uma tendência sistemática quanto uma sazonalidade. A figura a seguir mostra os resultados do alisamento exponencial com diferentes esquemas. Esta figura indica que o esquema triplo segue as séries temporais muito mais próximas do que os esquemas simples e duplos, pois a série temporal contém uma tendência sistemática e sazonalidade. Ao usar o esquema de suavização exponencial triplo, você deve especificar o tipo de temporada das séries temporais analisadas. A figura a seguir mostra duas séries temporais com diferentes tipos de sazonalidade aditiva e multiplicativa. Na figura anterior, o gráfico da Sazonalidade Aditiva mostra uma série de tempo que tem uma mudança de amplitude constante na sazonalidade. Usando o TSA Exponential Average VI, você pode analisar esse tipo de série temporal especificando o Aditivo no tipo de temporada. O gráfico Multiplicativo da Sazonalidade mostra uma série de tempo que tem uma sazonalidade com a amplitude aumentando ao longo do tempo. Você pode analisar esse tipo de série de tempo especificando Multiplicativo no tipo de temporada. Detrending a Time Series A série de tempo geralmente contém alguns componentes de compensação de amplitude constante ou tendências de baixa freqüência. Os componentes de deslocamento constante e as tendências de baixa freqüência não afetam as características dinâmicas do sistema analisado e as amplitudes dessas tendências às vezes são grandes e corrompem os resultados da modelagem de séries temporais. Portanto, você precisa remover os componentes de deslocamento constante ou as tendências de baixa freqüência antes de realizar análises futuras. Se uma série de tempo não contém tendências de longo prazo (baixa frequência), mas apenas componentes de deslocamento constante, você pode diminuir essa série de tempo, subtraindo o valor médio. Se uma série de tempo contém tendências de longo prazo e componentes de deslocamento constante, use o TSR Detrend VI para obter uma série de tempo detrada. Este VI estima a tendência de uma série de tempo com os métodos de ajuste de curva. Este menu calcula uma média móvel de uma série de tempo. Especifica uma variável contendo uma série temporal para a qual a média móvel deve ser calculada. Dados disponíveis Esta lista de variáveis ​​que podem ser usadas para os dados e salvar campos de entrada. Clique duas vezes em um nome para copiá-lo no campo de entrada atual, alternativamente, você pode simplesmente digitá-lo no teclado. Número de amostras na média móvel. Para uma média móvel centrada, com a ordem 0, este deve ser um número ímpar. O número de amostras deve ser maior que a ordem da média móvel. Isso especifica o tipo de média móvel a ser calculada. As opções são: - uma média não ponderada dos valores passados, - uma média centrada no valor atual com a primeira e a última amostra recebendo pesos de 0,5 quando o comprimento é igual, - uma média ponderada exponencialmente de valores passados, - usa FILTER para Suavizar os dados usando um modelo ARIMA especialmente construído. A ordem para suavização polinomial. Configurar a ordem para 0 produzirá uma média móvel comum calculada a partir de meios. Trim Transients Para os métodos passados ​​ou centralizados com a ordem 0, esta opção trims transientes e o início (ou final para centrado) da série. Os transientes são os pontos que não são totalmente estimados, pois não possuem o conjunto completo de amostras antes ou em torno deles. Ajuste sazonal Especifica um fator que será usado para ajustar a média móvel. Os resíduos (os valores observados menos a média móvel) são calculados e calculados em média para cada nível desse fator. Essas médias para cada nível são então removidas das unidades correspondentes da média móvel de modo que o residual médio para cada nível seja agora zero. Salvar média móvel em Especifica uma estrutura de dados para conter a média móvel. Exibir em planilha Permite exibir os resultados em uma planilha. Você pode selecionar a planilha da lista de planilhas abertas atuais ou solicitar uma nova planilha seja criada. Nota: o número de linhas da planilha deve corresponder ao comprimento dos resultados formados pelo cálculo, caso contrário será usada uma nova folha. Gráfico de exibição da média móvel A série original e a média móvel serão plotadas usando um gráfico de linha. Permite especificar um título para o gráfico da média móvel. Se isso for deixado em branco, será criado um título padrão que dê a série e o tipo de média móvel. Se você quiser suprimir o título, basta inserir um espaço no campo do título. O arquivo Cetave. dat dá a temperatura média mensal da Inglaterra Central para 1659-1973. Este arquivo pode ser encontrado no diretório GenStat ExamplesGuidePart2. O seguinte menu mostra o cálculo de uma média móvel filtrada de comprimento 12 com a ordem 0, salvando os resultados e traçando estes em um gráfico com o título padrão. A média móvel do comprimento 12 é escolhida para dados médios ao longo de um ano para torná-la menos sensível à variação mensal ao longo do ano. Análise da série Horas tsa statsmodels. tsa contém classes e funções modelo que são úteis para análise de séries temporais. Isso atualmente inclui modelos autoregressivos univariados (AR), modelos vetoriais vetoriais (VAR) e modelos de média móvel auto-regressiva univariada (ARMA). Também inclui estatística descritiva para séries temporais, por exemplo, autocorrelação, função de autocorrelação parcial e periodograma, bem como as propriedades teóricas correspondentes de ARMA ou processos relacionados. Também inclui métodos para trabalhar com atraso médio-aleatório e polinômios. Além disso, estão disponíveis testes estatísticos relacionados e algumas funções auxiliares úteis. A estimativa é feita por uma Probabilidade Máxima exata ou condicional ou por mínimos quadrados condicionais, usando Filtro Kalman ou filtros diretos. Atualmente, as funções e as classes devem ser importadas do módulo correspondente, mas as classes principais estarão disponíveis no namespace statsmodels. tsa. A estrutura do módulo está dentro statsmodels. tsa é stattools. Propriedades empíricas e testes, acf, pacf, granger-causality, teste de raiz da unidade adf, teste de caixa de jj e outros. Armadilho. Processo auto-regressivo univariante, estimativa com probabilidade máxima condicional e exata e aleatorização de mínimos quadrados condicionais. Processo ARMA univariante, estimativa com probabilidade máxima condicional e exata e vetorar de mínimos quadrados condicionais, var. Modelos de estimativa de processo de autorregressão de vetores (VAR), análise de resposta de impulso, decomposição de variância de erro de previsão e ferramentas de visualização de dados kalmanf. Classes de estimativa para ARMA e outros modelos com MLE exato usando o Kalman Filter armaprocess. Propriedades de processos de arma com parâmetros determinados, isto inclui ferramentas para converter entre ARMA, MA e representação de AR, bem como acf, pacf, densidade espectral, função de resposta de impulso e sandbox. tsa. fftarma semelhante. Semelhante ao armaprocess, mas trabalhando em tsatools de domínio de freqüência. Funções auxiliares adicionais, para criar matrizes de variáveis ​​atrasadas, construir regressores para tendências, desvios e similares. Filtros. Função auxiliar para filtrar séries temporais Algumas funções adicionais que também são úteis para a análise de séries temporais estão em outras partes dos modelos de estatísticas, por exemplo, testes estatísticos adicionais. Algumas funções relacionadas também estão disponíveis em matplotlib, nitime e scikits. talkbox. Essas funções são projetadas mais para o uso no processamento de sinais onde séries temporais mais longas estão disponíveis e funcionam com mais frequência no domínio da frequência. Estatística descritiva e testes stattools. acovf (x, imparcial, degradante, fft)