Utilizamos um cartão de aquisição de dados para tirar leituras de um dispositivo que aumenta o seu sinal para um pico e, em seguida, volta para perto do valor original. Para encontrar o valor de pico, pesquisamos atualmente a matriz para a leitura mais alta e usamos o índice para determinar o tempo do valor de pico que é usado em nossos cálculos. Isso funciona bem se o valor mais alto é o pico que estamos procurando, mas se o dispositivo não estiver funcionando corretamente, podemos ver um segundo pico que pode ser maior do que o pico inicial. Levamos 10 leituras por segundo a partir de 16 dispositivos em um período de 90 segundos. Os meus pensamentos iniciais são percorrer a verificação das leituras para ver se os pontos anterior e seguinte são inferiores à corrente para encontrar um pico e construir uma série de picos. Talvez devêssemos estar olhando uma média de vários pontos de cada lado da posição atual para permitir o ruído no sistema. Esta é a melhor maneira de prosseguir ou existem melhores técnicas. Utilizamos o LabVIEW e verifiquei os fóruns LAVA e há vários exemplos interessantes. Isso faz parte do nosso software de teste e estamos tentando evitar o uso de muitas bibliotecas VI não padrão, então eu estava esperando por comentários sobre os processadores de processo envolvidos em vez de código específico. Perguntou 6 de agosto de 08 às 10:23 Você poderia tentar a média do sinal, ou seja, para cada ponto, a média do valor com os 3 ou mais pontos envolventes. Se os golpes de ruído são enormes, então mesmo isso pode não ajudar. Eu percebi que isso era linguagem agnóstica, mas adivinhando que você está usando LabView, há muitos VIs de processamento de sinal pré-embalados que vêm com o LabView que você pode usar para fazer alisamento e redução de ruído. Os fóruns NI são um ótimo lugar para obter ajuda mais especializada sobre esse tipo de coisa. Respondeu 6 de agosto 08 às 11:12 Existem muitos métodos clássicos de detecção de pico, alguns dos quais podem funcionar. Você terá que ver o que, em particular, limita a qualidade dos seus dados. Aqui estão descrições básicas: entre quaisquer dois pontos nos seus dados, (x (0), y (0)) e (x (n), y (n)). Adicione i (i 1) - y (i) para 0 lt i lt n e ligue para este T (viagem) e ajuste R (subida) para y (n) - y (0) k para k adequadamente pequeno. TR gt 1 indica um pico. Isso funciona OK se a viagem grande devido ao ruído for improvável ou se o ruído distribuir simetricamente em torno de uma forma de curva de base. Para sua aplicação, aceite o pico mais antigo com uma pontuação acima de um determinado limite ou analise a curva de valores de viagem por aumento para propriedades mais interessantes. Use filtros correspondentes para marcar similaridade com uma forma de pico padrão (essencialmente, use um produto de ponto normalizado contra alguma forma para obter uma coseno-métrica de similaridade) Deconvolve contra uma forma de pico padrão e verifique valores elevados (embora eu encontre freqüentemente 2 para Ser menos sensível ao ruído para a produção de instrumentação simples). Suavize os dados e verifique se há trigéteres de pontos igualmente espaçados onde, se x0 lt x1 lt x2, y1 gt 0,5 (y0 y2). Ou verificar distâncias euclidianas como esta: D ((x0, y0), (x1, y1)) D ((x1, y1), (x2, y2)) gt D ((x0, y0), (x2, y2)) . Que se baseia na desigualdade do triângulo. O uso de relações simples irá novamente fornecer-lhe um mecanismo de pontuação. Ajustar um modelo de mistura de 2 gaussian muito simples aos seus dados (por exemplo, Recetas Numéricas tem um bom pedaço de código pronto). Pegue o pico anterior. Isso irá lidar corretamente com os picos sobrepostos. Encontre a melhor combinação nos dados para uma curva simples Gaussiana, Cauchy, Poisson ou o que você tem. Avalie esta curva em uma ampla gama e subtrai-la de uma cópia dos dados depois de observar sua localização máxima. Repetir. Pegue o pico mais antigo cujos parâmetros do modelo (desvio padrão provavelmente, mas algumas aplicações podem se preocupar com a curtose ou outros recursos) satisfazem algum critério. Cuidado com os artefatos deixados atrás quando os picos são subtraídos dos dados. O melhor jogo pode ser determinado pelo tipo de pontuação de jogo sugerida em 2 acima. Eu fiz o que você estava fazendo antes: encontrar picos em dados de seqüência de DNA, encontrar picos em derivados estimados a partir de curvas medidas e encontrar picos em histogramas. Eu encorajo você a participar atentamente de um baseline adequado. A filtragem de Wiener ou outra análise de histograma simples ou de filtragem é muitas vezes uma maneira fácil de basar na presença de ruído. Finalmente, se seus dados são tipicamente barulhentos e você está obtendo dados do cartão como saída single-ended não referenciada (ou mesmo referenciado, simplesmente não diferencial), e se você estiver avaliando muitas observações em cada ponto de dados, tente classificar essas observações e jogar fora O primeiro e último quartil e a média do que resta. Há uma série de táticas de eliminação outlier que podem ser realmente úteis. Respondeu 4 de setembro 08 às 18:07 É apenas para evitar o transbordamento: quando você divide T por R, se a curva é plana ou quase plana ou os primeiros e últimos valores y são iguais ou quase iguais, então R será em ou próximo de zero . Adequadamente pequeno seria pequeno o suficiente para evitar jogar a proporção muito quando R não está perto de zero. Esta é principalmente uma questão prática e empírica. Isso apenas significava evitar uma divisão zero, o que você poderia preferir escolher de outra maneira. Ndash Thomas Kammeyer 6 jun 12 às 19:32 Este problema foi estudado com algum detalhe. Há um conjunto de implementações muito atualizadas nas classes TSpecitrum de ROOT (uma ferramenta de análise de física de partículas nucleares). O código funciona em dados de uma a três dimensões. O código fonte ROOT está disponível, para que você possa pegar esta implementação se desejar. A partir da documentação da classe TSpectrum: os algoritmos utilizados nesta classe foram publicados nas seguintes referências: 1 M. Morhac et al. Métodos de eliminação de fundo para espectros de raios gama de coincidência multidimensional. Instrumentos e Métodos Nucleares em Pesquisa de Física A 401 (1997) 113- 132. 2 M. Morhac et al. Concomposição eficiente de um e dois pontos de ouro e sua aplicação na decomposição de espectro de raios gama. Instrumentos e Métodos Nucleares em Pesquisa de Física A 401 (1997) 385-408. 3 M. Morhac et al. Identificação de picos em espectros de raios gama de coincidência multidimensional. Instrumentos e Métodos Nucleares em Física de Pesquisa A 443 (2000), 108-125. Os documentos estão vinculados a partir da documentação da classe para aqueles que não possuem uma assinatura on-line do NIM. A versão curta do que é feito é que o histograma aplainado para eliminar o ruído, e os máximos locais são detectados pela força bruta no histograma achatado. Gostaria de contribuir com esse fio um algoritmo que desenvolvi: baseia-se no princípio da dispersão. Se um novo ponto de dados é um dado número x de desvios padrão longe de alguma média móvel, o algoritmo sinaliza (também chamado de z-score). O algoritmo é muito robusto porque constrói uma média e desvio de movimento separado, de modo que os sinais não corrompem o limite. Os sinais futuros são, portanto, identificados com aproximadamente a mesma precisão, independentemente da quantidade de sinais anteriores. O algoritmo leva 3 entradas: lag o atraso da janela em movimento. Limite o escore z em que o algoritmo sinaliza e influencia a influência (entre 0 e 1) de novos sinais na média e desvio padrão. Por exemplo, um atraso de 5 usará as últimas 5 observações para suavizar os dados. Um limite de 3.5 irá sinalizar se um ponto de dados for 3.5 desvios padrão longe da média móvel. E uma influência de 0.5 dá sinais de metade da influência que os pontos de dados normais têm. Da mesma forma, uma influência de 0 ignora completamente os sinais para recalcular o novo limite: uma influência de 0 é, portanto, a opção mais robusta. Ele funciona da seguinte forma: respondido em 3 de novembro de 15 às 21:46 Este método é basicamente do livro David Marrs, Vision Gaussian, desfaz seu sinal com a largura esperada de seus picos. Isso se livra de picos de ruído e seus dados de fase não estão danificados. Em seguida, detecção de borda (LOG fará) Então suas bordas foram as bordas de recursos (como picos). Olhe entre as arestas para picos, classifique os picos por tamanho, e você está pronto. Eu usei variações sobre isso e eles funcionam muito bem. Respondeu 2 de setembro de 08 às 1:00. Eu acho que você deseja correlacionar seu sinal com um sinal esperado e exemplar. Mas, faz tanto tempo que estudei o processamento do sinal e, mesmo assim, não tomei muito conhecimento. Respondeu 6 de agosto 08 às 11:38 Você poderia aplicar algum padrão de visão para sua lógica e tomar conhecimento de picos sobre x. Respondeu 6 de agosto 08 às 11:17 Eu não sei muito sobre a instrumentação, então isso pode ser totalmente impraticável, mas, novamente, pode ser uma direção útil e diferente. Se você sabe como as leituras podem falhar, e há um certo intervalo entre os picos dados tais falhas, por que não fazer descida gradiente em cada intervalo. Se a descida traz de volta a uma área que você pesquisou antes, você pode abandoná-la. Dependendo da forma da superfície amostrada, isso também pode ajudá-lo a encontrar picos mais rápidos do que a pesquisa. Respondeu 6 de agosto 08 às 11:38 Existe uma diferença qualitativa entre o pico desejado e o segundo pico indesejado Se ambos os picos são nítidos - ou seja, tempo curto - ao olhar o sinal no domínio da frequência (fazendo FFT) Você obterá energia na maioria das bandas. Mas se o bom pico de forma confiável tiver energia presente em freqüências que não existam no pico ruim, ou vice-versa, você pode diferenciá-los automaticamente desse jeito. Respondeu 2 de setembro 08 às 12:33 Sua resposta 2017 Stack Exchange, INCBREKINGING DOWN Drawdown Este método de gravação de extração é útil porque um vale não pode ser medido até uma nova alta ocorrer. Uma vez que o investimento, fundo ou commodity chega a um novo patamar, o tracker registra a mudança percentual do antigo máximo para o menor. Os Drawdowns ajudam a determinar um risco financeiro de investimentos. Tanto os índices Calmar quanto Sterling usam essa métrica para comparar uma possível recompensa de segurança com seu risco. Drawdown é simplesmente a metade negativa do desvio padrão em relação ao preço das ações. Uma redução de preços de uma ação alta para sua baixa é considerada o montante da retirada. Diminuição de estoque A volatilidade total das ações é medida pelo seu desvio padrão, no entanto, muitos investidores, especialmente aposentados que estão retirando fundos de pensões e contas de aposentadoria, estão preocupados com as retiradas. Durante mercados voláteis e mercados que têm a possibilidade de uma correção, a redução é uma preocupação séria para os aposentados. Muitos estão começando a olhar para a retirada de seus investimentos, de ações para fundos mútuos, e considerando seu possível potencial máximo de extração (MDD). Drawdown Risk Drawdowns apresentam um risco significativo para os investidores quando se considera a subida do preço da ação necessária para superar uma redução. Por exemplo, pode não parecer muito se uma ação perde 1, como ele só precisa de um aumento de 1,01 para recuperar a sua posição anteriormente mantida. No entanto, uma redução de 20 requer um retorno de 25, enquanto uma redução de 50 verificada durante a Grande Recessão de 2008 a 2009 requer um enorme aumento de 100 para recuperar a mesma posição. A maioria dos investidores quer evitar cobranças de 20 ou mais antes de cortar suas perdas e transformar uma posição em investimentos de caixa. Aposentados, em particular, sentem esse risco, se eles estão dobrando para baixo sobre a economia de retirada, uma vez que retirar mais fundos do principal de seus investimentos para financiar suas aposentadorias. Em muitos casos, um levantamento drástico, aliado a retiradas contínuas na aposentadoria, pode encurtar consideravelmente os fundos de aposentadoria. Avaliações de Drawdown Normalmente, os riscos de drawdown são mitigados por ter uma carteira bem diversificada e conhecer o comprimento da janela de recuperação. Se uma pessoa é no início de sua carreira ou tem mais de 10 anos até a aposentadoria, o limite de retirada de 20 que a maioria dos consultores financeiros expõe deve ser suficiente para abrigar carteiras para uma recuperação. No entanto, os aposentados precisam ser especialmente cuidadosos sobre os riscos de retirada em suas carteiras. A diversificação de um portfólio em ações, títulos e instrumentos de caixa pode oferecer alguma proteção contra uma redução, uma vez que as condições do mercado afetam diferentes classes de investimentos de diferentes maneiras. O preço das ações ou o levantamento do mercado não devem ser confundidos com o desconto de aposentadoria, que se refere à forma como os aposentados devem retirar fundos de suas contas de aposentadoria ou aposentadoria.
No comments:
Post a Comment