Umzug Durchschnitt Vs Iir

Die Wissenschaftler und Ingenieure Leitfaden zur digitalen Signalverarbeitung Von Steven W. Smith, Ph. D. Kapitel 19: Rekursive Filter Die rekursive Methode Um die Diskussion über rekursive Filter zu starten, stellen Sie sich vor, dass Sie Informationen aus irgendeinem Signal extrahieren müssen, x. Ihr Bedarf ist so toll, dass Sie einen alten Mathematikprofessor anstellen, um die Daten für Sie zu verarbeiten. Die Professoren Aufgabe ist es, x zu filtern y, die hoffentlich enthält die Informationen, die Sie interessiert sind. Der Professor beginnt seine Arbeit der Berechnung jeder Punkt in y nach einem Algorithmus, der eng in seinem überentwickelten Gehirn gesperrt ist. Ein Teil durch die Aufgabe, ein unglückliches Ereignis tritt auf. Der Professor beginnt, über analytische Singularitäten und fraktionale Transformationen und andere Dämonen aus einem Mathematiker-Alptraum zu kämpfen. Es ist klar, dass der Professor seinen Verstand verloren hat. Sie sehen mit Angst, wie der Professor, und Ihr Algorithmus, werden von mehreren Männern in weißen Mänteln weggenommen. Sie verzweifeln die Professoren Notizen, um den Algorithmus zu finden, den er benutzt hat. Sie finden, dass er die Berechnung der Punkte y 0 bis y 27 abgeschlossen hatte und im Begriff war, auf Punkt y 28 zu beginnen. Wie in Abb. 19-1 werden wir die Variable, n. Stellen Sie den Punkt dar, der gerade berechnet wird. Dies bedeutet, dass yn die Abtastung 28 im Ausgangssignal ist, yn - 1 die Probe 27 ist, yn - 2 die Probe 26 usw. ist. Ebenso ist xn Punkt 28 im Eingangssignal, xn - 1 ist Punkt 27 usw. Zu verstehen Der Algorithmus verwendet wird, fragen wir uns: Welche Informationen wurden dem Professor zur Verfügung gestellt, um yn zu berechnen, die Probe, die derzeit bearbeitet wird. Die offensichtlichste Informationsquelle ist das Eingangssignal. Das heißt, die Werte: xn, xn - 1, xn - 2, 8230. Der Professor hätte jeden Punkt im Eingangssignal mit einem Koeffizienten multiplizieren und die Produkte zusammen addieren können: Man sollte erkennen, dass dies nichts mehr als einfach ist Faltung, mit den Koeffizienten: a 0. Ein 1. A 2 8230, bilden den Faltungskern. Wenn das alles war, was der Professor tat, würde es nicht viel Bedarf für diese Geschichte oder dieses Kapitel geben. Es gibt jedoch eine weitere Informationsquelle, auf die der Professor zugreifen konnte: die zuvor berechneten Werte des Ausgangssignals, die in: yn - 1, yn - 2, yn - 3, 8230 gehalten wurden. Mit diesen zusätzlichen Informationen wäre der Algorithmus In der Form: In Worten wird jeder Punkt im Ausgangssignal durch Multiplizieren der Werte aus dem Eingangssignal mit den a-Koeffizienten, Multiplizieren der vorher berechneten Werte aus dem Ausgangssignal mit den b Koeffizienten und Addition der Produkte zusammen. Beachten Sie, dass es keinen Wert für b 0 gibt. Da dies der zu berechnenden Probe entspricht. Gleichung 19-1 heißt die Rekursionsgleichung. Und Filter, die es verwenden, heißen rekursive Filter. Die a - und b-Werte, die den Filter definieren, werden die Rekursionskoeffizienten genannt. In der Praxis können nicht mehr als etwa ein Dutzend Rekursionskoeffizienten verwendet werden oder der Filter wird instabil (d. h. der Ausgang nimmt kontinuierlich zu oder oszilliert). Tabelle 19-1 zeigt ein Beispiel rekursives Filterprogramm. Rekursive Filter sind nützlich, weil sie eine längere Faltung umgehen. Zum Beispiel, was passiert, wenn eine Delta-Funktion durch einen rekursiven Filter geleitet wird. Der Ausgang ist die Filterimpulsantwort. Und wird typischerweise eine sinusförmige Oszillation sein, die exponentiell zerfällt. Da diese Impulsantwort in unendlich lange, rekursive Filter oft als unendliche Impulsantwort (IIR) - Filter bezeichnet werden. In der Tat, rekursive Filter falten das Eingangssignal mit einem sehr langen Filterkernel, obwohl nur wenige Koeffizienten beteiligt sind. Die Beziehung zwischen den Rekursionskoeffizienten und der Filterantwort wird durch eine mathematische Technik gegeben, die z-Transformation genannt wird. Das Thema von Kapitel 31. Beispielsweise kann die z-Transformation für solche Aufgaben wie: Umwandlung zwischen den Rekursionskoeffizienten und dem Frequenzgang verwendet werden, wobei kaskadierte und parallele Stufen in einem einzigen Filter kombiniert werden, wobei rekursive Systeme entworfen werden, die analoge Filter usw Leider ist die Z-Transformation sehr mathematisch und komplizierter als die meisten DSP-Benutzer bereit sind, damit umzugehen. Dies ist das Reich derer, die sich auf DSP spezialisieren. Es gibt drei Möglichkeiten, die Rekursionskoeffizienten zu finden, ohne die z-Transformation verstehen zu müssen. Zuerst liefert dieses Kapitel Designgleichungen für verschiedene Arten von einfachen rekursiven Filtern. Zweitens, Kapitel 20 bietet ein Kochbuch Computer-Programm für die Gestaltung der anspruchsvolleren Chebyshev Tiefpass-und Hochpass-Filter. Drittens beschreibt Kapitel 26 eine iterative Methode zum Entwerfen von rekursiven Filtern mit einer beliebigen Frequenzantwort. Pure Music 174 Version 3 Versuchen Sie Pure Music FREE für 15 Tage Systemvoraussetzungen: Mac OS X 10.5.8 oder höher (einschließlich OS X 10.12 Sierra) G4, G5 oder Intel CPU. Mindestens 1 GB installierter RAM, 2 GB für Memory Play. 8 GB oder mehr für hochauflösende Wiedergabe (88,2 kHz oder höhere Abtastrate) oder bei laufendem Mavericks oder höherem Betriebssystem. Demo: Ohne Aktivierungscode wird Pure Music für 15 Tage mit allen Funktionen aktiviert. Kaufen Sie Pure Music Now Ein Aktivierungscode wird automatisch generiert und per E-Mail an Sie innerhalb von Minuten nach Genehmigung Ihrer Bestellung. Pure Music 3 Pure Music 3 ist für Benutzer frei, die nach Januar 2014 eine Pure Music Lizenz gekauft haben. Für vorherige Käufer ist ein ermäßigtes Upgrade verfügbar. Klicken Sie oben auf die Schaltfläche "Kaufen". Pure Vinyl Upgrade Upgrade Pure Musik auf Kanal D Pure Vinyl für Aufnahme, Bearbeitung, analoge Quellenschaltung, Vinyl RIAA Kurve Unterstützung (und mehr) für die aktuelle Preisunterschied. Ein Pure Vinyl Aktivierungscode wird auch mit Pure Music arbeiten. Auszüge aus Bewertungen Kunden-Rückmeldung quoten Sie erleben, was es bietet, theres kein gehen backquot - Pete Davey, Positive Feedback Online - Ausgabe 50 quotI bin so dankbar für Ihre Hilfe und Unterstützung. Ich habe gerade das Programm registriert. So weit, als Demokunde habe ich Ihnen zweimal mit Fragen und Wünschen geschrieben. Ich bekam rechtzeitige Antworten und Angebote von mehr Hilfe Es war ein paar sehr glückliche Wochen mit der Software arbeiten. Der Streamthrough war eine Freude. Und zu denken, ich habe im Grunde die Software nur für die Bequemlichkeit mit HD-Datei-Wiedergabe gekauft. Ich höre normalerweise nur noch jene oder vinyl Nun, nicht mehr kann ich nicht warten, um mehr Musik zu hören. - Dr. Mel Comberiati, Professor für Musikgeschichte, Manhattanville College Zitat 129, Pure Music ist ein Schnäppchen. quot - John Atkinson, Stereophile August 2010 quotWenn Sie auch die optimale Software für USB-Wiedergabe aus dem Mac suchen: Pure Music mit Memory Play (Wenn du nach der optimalen Software suchst, um Musik von deinem Mac über USB zu spielen: Pure Music mit Memory Play on) - Ulrich Wienforth, STEREO HiFi DIGITAL Ausgabe 3 (Juni 2013). Wie mit iTunes als Chassis aber mit einem V6 Biturbo Motor. Ein Marvel. quot - Eliseo Vega Huitron, Home: Tech Magazin 1. Oktober 2010. Ein Must Havequot - Wicked Digital 12. Dezember 2010 quotRecommended - 5 von 5 Sternen Gesamtquot - Jason Kennedy, Hi-Fi Wahl (UK) Mai 2011 (Ausgabe 345) quotWhat mehr könnte man forquot - Srajan Ebaen, 6moons Dezember 2010 quotI Schloss meine Rezension des Amarra-Software-Programms mit, Wenn du hören möchtest, wie gut ein qualitativ hochwertiges Mac-basiertes System wirklich klingen kann, musst du Amarra benutzen. Zeit und die neueste Version von Channel Ds Pure Music Software kann mich diese Worte essen. Wenn du hören möchtest, wie gut ein qualitativ hochwertiges Mac-basiertes System wirklich klingen kann, musst du Pure Music benutzen. - Steven Stone, The Absolute Sound Januar 2011 Online-Rezension quotAt 129, Pure Music ist ein Kinderspiel. Unbestreitbar verbessert die Klangqualität, mit erhöhter Klarheit und Reduzierung der digitalen glare. quot - Chris Groppi, Geheimnisse der Heimkino und High Fidelity 27. September 2011 quot. Die upsampling-abgeleiteten Verbesserungen waren zum größten Teil so markiert, dass ich mich im Besitz einer ganz neuen Jukebox befand. Ich nenne dieses freie Geld. quot - Michele Surdi, 6moons Oktober, 2010 Zitat Musik ist ein unglaublich kluges Programm, das jedem empfohlen wird, der ernsthaft in den Computer High-End. quot - Christian Rechenbach, Einsnull (Deutschland) Juli August , 2011 quotMost verwendet Playback-Software Newport Channel D Pure Musik. Pure Music spielt nicht nur alle Ihre iTunes-Dateien in einer besseren Treue wieder, sondern spielt auch native DSD () Dateien ab. Wow, das ist wirklich etwas, da DSD-Wiedergabe war in der Regel die Domäne von Sonoma oder andere Phantasie DAWs kostet Zehntausende von Dollar. quot - Danny Kaey, Sonic Flare Juni, 2011 quotAt diesem Punkt, da der Mangel an Unterschied zwischen der Leistung der Zwei Spieler, ich sehe wirklich keinen Grund, warum jemand den weitaus teureren Amarra (oder Amarra Mini) über Pure Music wählen würde. Ich weiß, wo Id mein Geld ausgeben soll, wenn ich noch nicht schon gekauft habe Amarra. quot - Bekenntnisse eines Teilzeit-Audiophiles 8. Dezember 2010 Ich kann sicher sagen, dass Pure Music mit Kopfhörern hört, die weniger zu meinen Ohren ermüden. Ich hörte mehrere Stunden in einer Sitzung, und als ich aufstand, gab es nicht die Erleichterung, die ich nicht bemerkt hatte, dass ich es genossen habe, als die Dosen loskamen. John Hendron, Biberfan 16. Januar 2011 Mit der Fähigkeit, das Beste aus hochauflösenden Musikdateien zu extrahieren, kann Pure Music - besonders gepaart mit einem anständigen digitalen Audio-Konverter und anständigen Lautsprechern - Ihren Mac so gut oder besser machen als ein High - end CD-Player kostet Hunderte oder Tausende von Dollar. Das allein macht Pure Music zu einem Schnäppchen. - Bill Henderson, der Gadgeteer, 22. August 2011 quotPure Music ist definitiv eine Plug-and-Play-Anwendung und in der klassischen Mac-Tradition kommt vorkonfiguriert, um optimale Ergebnisse für den durchschnittlichen Benutzer mit wenig oder keinem Nachteil zu erhalten Und ein sehr poliertes Aussehen und Gefühl plus, seine extrem stabil. Pure Music hat eine sanftere, melodiösere Qualität, so dass es ein wenig leichter zu summen, tippen Sie auf die Zehe und folgen mit der Musik. Pure Music ist viel weniger teuer als die Vollversion von Amarra. Es ist wie die Wahl zwischen einem VPI und einem KMU-Plattenspieler letzteres ist teurer, also willst du es besser sein, aber meistens ist es einfach anders. Ich fühle mich mehr gezeichnet, um Musik durch Pure Music. quot zu spielen - Andy Schaub, Positive Feedback Online, Ausgabe 56 Juli August 2011 quotI fand Pure Music einen Schritt vorwärts im Vergleich zu allem, was ich in der digitalen Domain während meiner Erfahrung als Hifi-Enthusiasten verwendet habe Und journalist. quot - Dott. Bogen. Giulio Salvioni, Fedelta del Suono, Ausgabe 178, Oktober 2010.Wenn Sie 1644 Quellen spielen, klingt Pure Music so gut wie ich den besten CD-Transport, den jeder ausgraben kann - solange ich einen hochwertigen Jitter-Immune-DA-Wandler benutzt. Aber ich kann meine 88,2 kHz, 96 kHz und 192 kHz24 bit meister spielen und dann Pure Music schlägt jede CD-Quelle. Ich liebe es, eine Sammlung meiner Meister mit der freundlichen Itunes-Schnittstelle zu spielen, aber mit Pure Music umgehen jede Sound-Verarbeitung, die iTunes führt. Werfen Sie einen kalibrierten, zitternden Lautstärkeregler in Dezibel und Im im Himmel. Mechanisch ist der Mac Mini leiser als einige CD-Spieler - Bob Katz, Mastering Engineer, Digital Domain. Orlando, FL Früher Recording Engineer und Technischer Direktor des audiophilen Labels Chesky Records quotI wollte nur Ihnen sagen, wie viel Im Genießen Sie Ihr Produkt. Ich verbrachte eine Woche oder so entscheiden, welche Einstellungen ich verwenden wollte und dann habe ich es einfach alleine gelassen und habe seitdem Musik gespielt. Dies ist ein wunderbares Produkt für Musikliebhaber und ich schätze echt auf Ihre Bemühungen. Thanksquot - Steve Woods Fußnoten: 1. Die Lizenz für Pure Music erlaubt die Installation der Software auf mehr als einem Computer, vorausgesetzt: (a) Alle Computer werden für persönliche, nicht geschäftliche oder firmeneigene Verwendung verwendet (b) Die Person, die die Softwarelizenz erworben hat Besitzt alle Computer (c) Nur eine Kopie der Software läuft zu jeder Zeit, je erworbene Lizenz. Hinweis: Die NetSend-Funktion erfordert nicht, dass Pure Music auf dem empfangenden Computer installiert oder ausgeführt wird. Weitere Informationen finden Sie im Pure Music User Guide. 2. US-Patent 8,738,163 B2 Internationale Patente bis 3. Streamthrough kann nicht für alle Computer-DAC-Kombinationen geeignet sein. Bitte laden Sie unsere kostenlose Demo herunter, um die Leistung auf Ihrem eigenen System zu ermitteln. 4. Real-Time-Upsampling erfordert keine Verschwendung von Zeit oder Speicherplatz für die Erstellung doppelter Versionen von Audiodateien und ermöglicht sofort, AB-Vergleiche zwischen native und upsampled Playback. Welcher Spieler klingt besser Eine veröffentlichte Bewertung von Wiedergabe und Tonqualität kann nur subjektiv sein. Wenn Klangqualität, Leistung und Verwendbarkeit leicht durch das Vorsprechen einer herunterladbaren Demo bestimmt werden können, warum auf jemanden beruhen elses Meinung Eine veröffentlichte Überprüfung kann wertvolle Anleitung geben. Aber wenn die endgültige Entscheidung über den Kauf des Produkts in den Komfort von einem Hörstuhl gemacht werden kann, ohne vorher eine finanzielle Verpflichtung zu machen: das ist die Schönheit der Software - Hinweis: Unsere Produkte dürfen nur für die Reproduktion von Materialien verwendet werden, die der Benutzer hat Ist gesetzlich erlaubt zu reproduzieren. Erfahren in der Entwicklung kommerzieller Anwendungssoftware für die Apple Macintosh Plattform seit 1985. Copyright Kopie 1996 - 2017 Kanal D, alle Rechte vorbehalten. Pure Music ist ein eingetragenes Warenzeichen von Channel D. Macintosh, iTunes, iPod und das Mac-Logo sind Marken von Apple Computer, Inc., die in den USA und anderen Ländern registriert sind. Ich arbeite mit einer großen Menge an Zeitreihen. Diese Zeitreihen sind grundsätzlich Netzwerkmessungen, die alle 10 Minuten kommen, und einige von ihnen sind periodisch (d. h. die Bandbreite), während einige andere Arent (d. h. die Menge des Routing-Verkehrs). Ich möchte einen einfachen Algorithmus für eine Online-Ausreißer-Erkennung. Grundsätzlich möchte ich die ganze historische Daten für jede Zeitreihe im Speicher (oder auf Festplatte) behalten und ich möchte jeden Ausreißer in einem Live-Szenario erkennen (jedes Mal, wenn ein neues Sample erfasst wird). Was ist der beste Weg, um diese Ergebnisse zu erreichen Im derzeit mit einem gleitenden Durchschnitt, um etwas Lärm zu entfernen, aber dann was als nächstes Einfache Dinge wie Standardabweichung, verrückt. Gegen den ganzen Datensatz funktioniert nicht gut (ich kann nicht annehmen, dass die Zeitreihen stationär sind), und ich möchte etwas genaueres, idealerweise eine Black Box wie: double outlierdetection (double vector, double value) wobei vector das Array von doppelten enthält Die historischen Daten und der Rückgabewert ist die Anomalie für den neuen Stichprobenwert. Fragte am 2. August um 20:37 Ja, ich habe angenommen, dass die Frequenz bekannt und spezifiziert ist. Es gibt Methoden, um die Frequenz automatisch abzuschätzen, aber das würde die Funktion erheblich erschweren. Wenn du die Häufigkeit abschätzen musst, versuchst du, eine eigene Frage darüber zu stellen - und ich werde wahrscheinlich eine Antwort geben. Aber es braucht mehr Platz, als ich in einem Kommentar zur Verfügung habe. Ndash Rob Hyndman Eine gute Lösung wird mehrere Zutaten haben, einschließlich: Verwenden Sie eine resistente, bewegte Fenster glatt, um Nichtstationarität zu entfernen. Die ursprünglichen Daten so ausdrücken, dass die Reste in Bezug auf die Glattheit etwa symmetrisch verteilt sind. Angesichts der Natur Ihrer Daten, ist es wahrscheinlich, dass ihre Quadratwurzeln oder Logarithmen symmetrische Residuen geben würde. Tragen Sie Kontroll-Chart-Methoden, oder zumindest Kontrolle Diagramm Denken, um die Residuen. Soweit das letzte Mal geht, zeigt das Kontroll-Diagramm-Denken, dass herkömmliche Schwellen wie 2 SD oder das 1,5-fache des IQR jenseits der Quartile schlecht funktionieren, weil sie zu viele falsche Out-of-Control-Signale auslösen. Die Leute benutzen gewöhnlich 3 SD in der Kontrollkarte Arbeit, wo 2,5 (oder sogar 3) mal die IQR jenseits der Quartile wäre ein guter Ausgangspunkt. Ich habe mehr oder weniger die Art der Rob-Hyndmans-Lösung umrissen und dabei zwei Hauptpunkte hinzugefügt: das Potenzial, die Daten wiederzugeben und die Weisheit, bei der Signalisierung eines Ausreißers konservativer zu sein. Im nicht sicher, dass Loess ist gut für einen Online-Detektor, obwohl, weil es nicht gut funktioniert an den Endpunkten. Sie könnten stattdessen etwas so einfaches wie ein bewegliches Medianfilter verwenden (wie bei Tukeys resistenten Glättung). Wenn Ausreißer nicht in Bursts kommen, können Sie ein schmales Fenster benutzen (5 Datenpunkte, vielleicht, die nur mit einem Burst von 3 oder mehr Ausreißern innerhalb einer Gruppe von 5 brechen). Sobald Sie die Analyse durchgeführt haben, um eine gute Re-Expression der Daten zu bestimmen, ist es unwahrscheinlich, dass Sie den Re-Ausdruck ändern müssen. Daher muss Ihr Online-Detektor wirklich nur die aktuellsten Werte (das neueste Fenster) verweisen, weil es nicht die früheren Daten überhaupt verwenden wird. Wenn Sie wirklich lange Zeitreihen haben, können Sie weiter gehen, um Autokorrelation und Saisonalität zu analysieren (wie wiederkehrende tägliche oder wöchentliche Schwankungen), um das Verfahren zu verbessern. Antwortete Aug 26 10 at 18:02 John, 1.5 IQR ist Tukey39s ursprüngliche Empfehlung für die längsten Whiskers auf einem Boxplot und 3 IQR ist seine Empfehlung für die Markierung von Punkten als Quoten outliersquot (ein Riff auf einer beliebten 6039s Phrase). Dies ist in viele Boxplot-Algorithmen eingebaut. Die Empfehlung wird theoretisch in Hoaglin, Mosteller, amp Tukey, Understanding Robust und Exploratory Data Analysis analysiert. Ndash w huber 9830 Oct 9 12 at 21:38 Dies bestätigt Zeitreihendaten, die ich versucht habe zu analysieren. Fensterdurchschnitt und auch Fensterfensterabweichungen. ((X - avg) sd) gt 3 scheinen die Punkte zu sein, die ich als Ausreißer markieren möchte. Nun zumindest warnen als Ausreißer, ich fasse etwas höher als 10 sd als extreme Fehler Ausreißer. Das Problem, in das ich hineingehe, ist, was eine ideale Fensterlänge ist, die mit etwas zwischen 4-8 Datenpunkten spielt. Ndash NeoZenith Jun 29 16 um 8:00 Neo Ihre beste Wette kann sein, mit einer Teilmenge Ihrer Daten zu experimentieren und bestätigen Sie Ihre Schlussfolgerungen mit Tests auf dem Rest. Sie könnten auch eine formellere Cross-Validierung durchführen (aber aufgrund der Interdependenz aller Werte ist besondere Aufmerksamkeit mit Zeitreihendaten erforderlich). Ndash w huber 9830 Jun 29 16 at 12:10 (Diese Antwort antwortete auf eine doppelte (jetzt geschlossene) Frage bei Erkennung von herausragenden Ereignissen, die einige Daten in grafischer Form vorstellten.) Die Ausreißererkennung hängt von der Art der Daten und von dem ab, was du bist Sind bereit, über sie zu übernehmen. Allzweck-Methoden beruhen auf robusten Statistiken. Der Geist dieses Ansatzes besteht darin, den Großteil der Daten in einer Weise zu charakterisieren, die nicht von Ausreißern beeinflusst wird und dann auf irgendwelche individuellen Werte hinweist, die nicht in diese Charakterisierung passen. Weil dies eine Zeitreihe ist, fügt es die Komplikation hinzu, um die Ausreißer laufend zu ermitteln. Wenn dies geschehen soll, wenn die Serie entfaltet ist, dann dürfen wir nur ältere Daten für die Erkennung verwenden, nicht zukünftige Daten. Darüber hinaus möchten wir als Schutz gegen die vielen wiederholten Tests eine Methode verwenden, die eine sehr niedrige falsche hat Positive Rate. Diese Überlegungen schlagen vor, einen einfachen, robusten bewegten Fensterausreißertest über die Daten zu führen. Es gibt viele Möglichkeiten, aber eine einfache, leicht verständliche und leicht umsetzbare basiert auf einer laufenden MAD: median absolute Abweichung vom Median. Dies ist ein stark robustes Maß an Variation innerhalb der Daten, verglichen mit einer Standardabweichung. Eine ausgedehnte Spitze wäre mehrere MADs oder mehr größer als der Median. Es gibt noch etwas Tuning. Wie viel von einer Abweichung von der Masse der Daten sollte als outlying und wie weit zurück in der Zeit sollte man aussehen Lets verlassen diese als Parameter für Experimente. Heres a R-Implementierung auf Daten x (1,2, ldots, n) angewendet (mit n1150, um die Daten zu emulieren) mit entsprechenden Werten y: Angewendet auf einen Datensatz wie die in der Frage dargestellte rote Kurve ergibt sich das Ergebnis: Die Daten Sind rot dargestellt, das 30-Tage-Fenster von median5MAD-Schwellen in grau und die Ausreißer - die sind einfach die Datenwerte über der grauen Kurve - in schwarz. (Die Schwelle kann nur am Ende des Anfangsfensters berechnet werden. Für alle Daten innerhalb dieses Anfangsfensters wird die erste Schwelle verwendet: Das ist der Grund, warum die graue Kurve zwischen x0 und x30 flach ist.) Die Auswirkungen der Änderung der Parameter sind (A) Erhöhung des Wertes des Fensters neigt dazu, die graue Kurve zu glätten und (b) die Erhöhung der Schwelle erhöht die graue Kurve. Wenn man das kennt, kann man ein erstes Segment der Daten nehmen und schnell die Werte der Parameter identifizieren, die die auslaufenden Peaks am besten aus dem Rest der Daten teilen. Wenden Sie diese Parameterwerte an, um den Rest der Daten zu überprüfen. Wenn ein Diagramm zeigt, dass sich die Methode im Laufe der Zeit verschlechtert, bedeutet dies, dass sich die Daten der Daten ändern und die Parameter möglicherweise neu eingestellt werden müssen. Beachten Sie, wie wenig diese Methode von den Daten übernimmt: Sie müssen nicht normal verteilt sein, sie müssen keine Periodizität ausstellen, die sie nicht einmal nicht negativ sein müssen. Alles, was davon ausgeht, ist, dass sich die Daten in angemessener Weise über die Zeit verhalten und dass die äußeren Peaks sichtbar höher sind als der Rest der Daten. Wenn jemand experimentieren möchte (oder eine andere Lösung mit dem hier angebotenen vergleichen), hier ist der Code, den ich verwendet habe, um Daten wie die in der Frage gezeigten zu produzieren. Ich vermute, anspruchsvolle Zeitreihe Modell wird nicht für Sie arbeiten, weil der Zeit, die es braucht, um Ausreißer mit dieser Methode zu erkennen. Daher ist hier ein Workaround: Erstens eine Basislinie normalen Verkehrsmuster für ein Jahr auf der Grundlage der manuellen Analyse der historischen Daten, die für die Zeit des Tages, Wochentag vs Wochenende, Monat des Jahres etc. verwenden. Verwenden Sie diese Grundlinie zusammen mit einigen einfachen Mechanismus (ZB gleitender Durchschnitt von Carlos vorgeschlagen), um Ausreißer zu erkennen. Sie können auch die statistische Prozesskontrollliteratur für einige Ideen überprüfen. Ja, das ist genau das, was ich tue: bis jetzt habe ich das Signal manuell in Perioden aufgeteilt, so dass für jeden von ihnen kann ich ein Konfidenzintervall definieren, in dem das Signal stationär sein soll, und deshalb kann ich Standardmethoden verwenden Als Standardabweichung. Das eigentliche Problem ist, dass ich das erwartete Muster für alle Signale, die ich zu analysieren habe, nicht entscheiden kann, und warum suchst du etwas Intelligenteres. Ndash gianluca Aug 2 10 at 21:37 Hier ist eine Idee: Schritt 1: Implementieren und Schätzen eines generischen Zeitreihenmodells auf einer einmaligen Basis basierend auf historischen Daten. Dies kann offline erfolgen. Schritt 2: Verwenden Sie das resultierende Modell, um Ausreißer zu erkennen. Schritt 3: Bei einer gewissen Frequenz (vielleicht jeden Monat) das Zeitreihenmodell neu kalibrieren (dies kann offline geschehen), so dass Ihr Schritt 2 Erkennung von Ausreißern nicht zu viel aus dem Schritt mit aktuellen Verkehrsmustern geht. Würde das für deinen Kontext arbeiten ndash user28 Aug 2 10 um 22:24 Ja, das könnte funktionieren. Ich dachte an einen ähnlichen Ansatz (Replizierung der Grundlinie jede Woche, die CPU-intensiv sein kann, wenn Sie Hunderte von univariate Zeitreihen zu analysieren haben). BTW die echte schwierige Frage ist quotwhat ist der beste Blackbox-Stil Algorithmus für die Modellierung eines völlig generischen Signal, unter Berücksichtigung von Lärm, Trend Schätzung und Saisonalität. AFAIK, jeder Ansatz in der Literatur erfordert eine wirklich harte quotparameter tuningquot Phase, und die einzige automatische Methode, die ich gefunden habe, ist ein ARIMA Modell von Hyndman (robjhyndmansoftwareforecast). Bin ich vermisse etwas ndash gianluca Auch hier geht es gut gut, wenn das Signal soll eine Saisonalität wie das haben, aber wenn ich eine ganz andere Zeitreihe (dh die durchschnittliche TCP Rundreise Zeit im Laufe der Zeit verwenden ), Wird diese Methode nicht funktionieren (da es besser wäre, diese mit einem einfachen globalen Mittelwert und Standardabweichung mit einem Schiebefenster mit historischen Daten zu behandeln). Wenn Sie bereit sind, ein allgemeines Zeitreihenmodell (das in seine Nachteile in Bezug auf Latenz usw. bringt) zu implementieren, bin ich pessimistisch, dass Sie eine allgemeine Implementierung finden, die zur gleichen Zeit einfach genug ist. Deutsch:. Englisch: v3.espacenet. com/textdoc? DB = EPODOC & ... PN = Für alle möglichen Zeitreihen arbeiten. Ndash user28 Aug 2 10 at 22:06 Ein weiterer Kommentar: Ich kenne eine gute Antwort könnte auch sein, du könntest die Periodizität des Signals abschätzen und den Algorithmus nach itquot entscheiden, aber ich habe keine echte gute Lösung für dieses andere gefunden Problem (ich spielte ein bisschen mit Spektralanalyse mit DFT und Zeitanalyse mit der Autokorrelationsfunktion, aber meine Zeitreihe enthält viel Lärm und solche Methoden geben einige verrückte Ergebnisse die meisten der Zeit) ndash gianluca Aug 2 10 um 22:06 A Kommentieren Sie zu Ihrem letzten Kommentar: that39s warum I39m auf der Suche nach einem generischeren Ansatz, aber ich brauche eine Art von quadratischen boxquot, weil ich canuldt irgendeine Annahme über das analysierte Signal machen kann, und deshalb kann ich den Questsatz für den Lernalgorithmus erstellen. Ndash gianluca Aug 2 10 at 22:09 Da es sich um eine Zeitreihe handelt, wird ein einfacher Exponentialfilter en. wikipedia. orgwikiExponentialsmoothing die Daten glätten. Es ist ein sehr guter Filter, da Sie nicht brauchen, um alte Datenpunkte zu akkumulieren. Vergleichen Sie jeden neu geglätteten Datenwert mit seinem ungehinderten Wert. Sobald die Abweichung eine bestimmte vordefinierte Schwelle überschreitet (je nachdem, was Sie glauben, dass ein Ausreißer in Ihren Daten ist), dann kann Ihr Ausreißer leicht erkannt werden. Beantwortet Apr 30 15 at 8:50 Du könntest die Standardabweichung der letzten N Messungen verwenden (du musst eine passende N auswählen). Eine gute Anomalie Ergebnis wäre, wie viele Standardabweichungen eine Messung aus dem gleitenden Durchschnitt ist. Beantwortet am 2. August 10 um 20:48 Vielen Dank für Ihre Antwort, aber was ist, wenn das Signal eine hohe Saisonalität aufweist (dh viele Netzwerkmessungen zeichnen sich durch ein tägliches und wöchentliches Muster zur gleichen Zeit aus, zB Nacht vs Tag oder Wochenende Vs Arbeitstage) Ein Ansatz, der auf Standardabweichung basiert, funktioniert in diesem Fall nicht. Ndash gianluca Zum Beispiel, wenn ich eine neue Probe alle 10 Minuten zu bekommen, und I39m eine Ausreißer Erkennung der Netzwerk-Bandbreite Nutzung eines Unternehmens, im Grunde um 18 Uhr diese Maßnahme wird fallen (dies ist ein erwartet Ein total normales Muster), und eine Standardabweichung, die über ein Schiebefenster berechnet wird, wird fehlschlagen (weil es eine Warnung sicher auslöst). Zur gleichen Zeit, wenn die Maßnahme um 4pm abfällt (abweichend von der üblichen Grundlinie), ist dies ein echter Ausreißer. Ndash gianluca Was ich tue, gruppiere die Messungen um Stunde und Wochentag und vergleiche Standardabweichungen davon. Immer noch nicht korrigieren Dinge wie Feiertage und Sommerwinter Saisonalität aber seine korrekte die meiste Zeit. Der Nachteil ist, dass Sie wirklich brauchen, um ein Jahr oder so von Daten zu sammeln, um genug zu sammeln, damit stddev beginnt Sinn zu machen. Spektralanalyse erkennt Periodizität in stationären Zeitreihen. Der Frequenzbereich Ansatz auf der Grundlage der spektralen Dichte Schätzung ist ein Ansatz, den ich als Ihren ersten Schritt empfehlen würde. Wenn für bestimmte Perioden Unregelmäßigkeit eine viel höhere Spitze als für diese Zeit typisch ist, dann wäre die Reihe mit solchen Unregelmäßigkeiten nicht stationär und die spektrale Anlsyse wäre nicht angemessen. Aber vorausgesetzt, Sie haben die Periode identifiziert, die die Unregelmäßigkeiten aufweist, die Sie in der Lage sein sollten, ungefähr zu bestimmen, was die normale Höhepunkthöhe sein würde, und kann dann eine Schwelle auf irgendeinem Niveau über diesem Durchschnitt setzen, um die unregelmäßigen Fälle zu bezeichnen. Antwortete am 3. September um 14:59 Ich schlage vor, das Schema unten, die sollte implementiert werden in einem Tag oder so: Sammeln Sie so viele Samples, wie Sie im Speicher halten können Entfernen Sie offensichtliche Ausreißer mit der Standardabweichung für jedes Attribut Berechnen und speichern Sie die Korrelationsmatrix Und auch der Mittelwert jedes Attributes Berechnen und speichern Sie die Mahalanobis Entfernungen aller Ihrer Proben Berechnen Ausreißer: Für die einzelne Probe, von der Sie wissen wollen, ihre Ausreißer: Abrufen der Mittel, Kovarianz Matrix und Mahalanobis Abstand s aus der Ausbildung Berechnen Sie die Mahalanobis Abstand d Für deine Probe Rückgabe des Perzentils, in dem d fällt (unter Verwendung der Mahalanobis-Distanzen vom Training) Das wird dein Outlier-Score sein: 100 ist ein extremer Ausreißer. PS Bei der Berechnung der Mahalanobis Entfernung. Verwenden Sie die Korrelationsmatrix, nicht die Kovarianzmatrix. Dies ist robuster, wenn die Probenmessungen in Einheit und Anzahl variieren.