Moving Media Vs Iir

La Guida scienziato e ingegneri per Digital Signal Processing di Steven W. Smith, Ph. D. Capitolo 19: Filtri ricorsivi Il metodo ricorsivo Per avviare la discussione di filtri ricorsivi, immaginate che avete bisogno di estrarre informazioni da un segnale, x. Il vostro bisogno è così grande che assumete un vecchio professore di matematica per elaborare i dati per voi. Il compito è quello di filtrare i professori x per la produzione di y, si spera che contiene le informazioni che interessa. Il professore inizia la sua opera di calcolare ogni punto y secondo alcuni algoritmi che è bloccato saldamente nel suo cervello over-sviluppato. in parte attraverso l'operazione, si verifica un evento più sfortunato. Il professore inizia a balbettare su singolarità analitiche e trasforma frazionali, e altri demoni da un incubo matematici. E 'chiaro che il professore ha perso la sua mente. Si guarda con ansia il professore, e l'algoritmo, vengono portati via da alcuni uomini in camice bianco. È freneticamente leggere le note professori per trovare l'algoritmo che stava usando. Si scopre che aveva completato il calcolo dei punti y 0 a y 27, e stava per iniziare il punto y 28. Come mostrato in fig. 19-1, lasceremo la variabile, n. rappresentano il punto che si sta calcolando. Ciò significa che yn è campione 28 nel segnale di uscita, yn - 1 è campione 27, yn - 2 è campione 26, ecc Analogamente, xn è il punto 28 nel segnale di ingresso, xn - 1 è punto 27, ecc Per capire l'algoritmo utilizzato, ci chiediamo: Quali informazioni sono state disponibili al professore per calcolare YN, il campione attualmente in lavorazione la più ovvia fonte di informazioni è il segnale di ingresso. vale a dire, i valori: xn, xn - 1, xn - 2, 8230. Il professore avrebbe potuto essere moltiplicando ogni punto del segnale di ingresso per un coefficiente, e aggiungendo i prodotti insieme: Si dovrebbe riconoscere che questo non è altro che semplice convoluzione, con i coefficienti: a 0. un 1. 2. 8230, formando il nucleo di convoluzione. Se questo era tutto il professore stava facendo, ci fosse scadente molto bisogno di questa storia, o di questo capitolo. Tuttavia, vi è un'altra fonte di informazioni che il professore ha avuto accesso a: i valori precedentemente calcolati del segnale in uscita, tenutasi a: yn - 1, yn - 2, yn - 3, 8230. Usando queste informazioni supplementari, l'algoritmo sarebbe nella forma: in parole, ogni punto del segnale di uscita si trova moltiplicando i valori del segnale in ingresso i coefficienti a, moltiplicando i valori precedentemente calcolati dal segnale di uscita dai coefficienti b, e aggiungendo i prodotti insieme. Si noti che ci non è un valore per B 0. perché questo corrisponde al campione calcolata. Equazione 19-1 è chiamata equazione ricorsione. e filtri che lo utilizzano sono chiamati filtri ricorsivi. I valori di A e B che definiscono il filtro sono chiamati i coefficienti di ricorsione. In pratica, non più di circa una dozzina di coefficienti di ricorsione possono essere utilizzati o il filtro diventa instabile (cioè l'uscita aumenta continuamente o oscilla). Tabella 19-1 mostra un programma di filtro ricorsivo esempio. filtri ricorsivi sono utili perché bypassare una convoluzione più lungo. Per esempio, si consideri che cosa accade quando una funzione delta viene fatto passare attraverso un filtro ricorsivo. L'uscita è la risposta all'impulso filtri. e sarà tipicamente una oscillazione sinusoidale che decade esponenzialmente. Dal momento che questa risposta all'impulso in infinitamente lungo, filtri ricorsivi sono spesso chiamati filtri infiniti risposta all'impulso (IIR). In effetti, filtri ricorsivi convolve il segnale di ingresso con un kernel filtro molto lungo, anche se solo pochi coefficienti sono coinvolti. Il rapporto tra i coefficienti ricorsione e la risposta filtri è dato da una tecnica matematica chiamata z-trasformata. l'argomento del capitolo 31. Ad esempio, la trasformata z può essere utilizzato per operazioni quali: la conversione tra i coefficienti ricorsione e la risposta in frequenza, combinando stadi in cascata e parallele in un unico filtro, progettare sistemi ricorsivi che imitano filtri analogici, ecc . Purtroppo, la Z-transform è molto matematica, e più complicato di quanto la maggior parte degli utenti DSP sono disposti ad affrontare. Questo è il regno di quelli che si specializzano in DSP. Ci sono tre modi per trovare i coefficienti di ricorsione, senza dover capire la Z-trasformazione. In primo luogo, questo capitolo contiene equazioni di progetto per i diversi tipi di semplici filtri ricorsivi. In secondo luogo, il capitolo 20 fornisce un programma per computer libro di cucina per la progettazione dei più sofisticati filtri passa-basso Chebyshev e passa-alto. In terzo luogo, il capitolo 26 descrive un metodo iterativo per la progettazione di filtri ricorsivi con un response. Pure Musica frequenza arbitraria 174 Versione 3 Prova Musica Pure GRATIS per 15 giorni Requisiti di sistema: Mac OS X 10.5.8 o successivo (incluso OS X 10.12 Sierra) G4, G5 o Intel CPU. Minimo 1 GB installato RAM, 2 GB di memoria Play. 8 GB o più dei requisiti per la riproduzione ad alta risoluzione (88.2 kHz o frequenza di campionamento superiore) o se in esecuzione Mavericks o successive del sistema operativo. Demo: senza un codice di attivazione, Pure Musica funzionerà per 15 giorni con tutte le funzioni abilitate. Acquistare musica Pure ora Un codice di attivazione automaticamente verrà generato e inviato per email in pochi minuti di approvare l'ordine. Pure Music 3 Pure Music 3 è gratuito per gli utenti che hanno acquistato una licenza di musica pura dopo il gennaio 2014. Per gli acquirenti precedenti un upgrade scontato è disponibile. Fare clic sul pulsante Acquista qui sopra per ulteriori informazioni. Vinyl Pure Aggiorna Aggiorna Musica Pure a Canale D vinile puro per la registrazione, l'editing, la commutazione sorgente analogica, supporto curva RIAA vinile (e più) per la differenza di prezzo corrente. Un codice di attivazione vinile Pure sarà anche lavorare con la musica allo stato puro. Estratti da un feedback Recensioni del cliente quotonce si verificano quello che offre, senza Theres andando backquot - Pete Davey, Feedback positivo in linea - Numero 50 quotI sono così riconoscenti del vostro aiuto e sostegno. Mi sono appena iscritto al programma. Finora, come un cliente demo, ho scritto a voi due volte con domande e richieste. Sono tornato risposte tempestive e offerte di aiuto che è stato un paio di settimane molto felice di lavorare con il software. Il Streamthrough è stata una gioia. E, pensare, ho praticamente comprato il software solo per convenienza con la riproduzione di file HD. Io di solito ascolto solo a chi o vinile. Beh, non più io vedo l'ora di ascoltare più musica. quot - Dr. Mel Comberiati, docente di Storia della Musica, Manhattanville College di quotFor 129, pura musica è un bargain. quot - John Atkinson, Stereophile agosto 2010 quotWenn Sie die anche optimale Software pelliccia USB-Wiedergabe aus dem suchen Mac: Pure Musica mit Memory Gioca (Se siete alla ricerca per il software ottimale per riprodurre la musica dal Mac tramite USB: musica pura con il gioco di memoria on) quot - Ulrich Wienforth, STEREO HiFi DIGITALE Numero 3 (giugno 2013) quot. come avere iTunes come il telaio, ma con un motore V6 Biturbo. A marvel. quot - Eliseo Vega Huitron, casa: Tech Magazine 1 Ottobre 2010 quot. un must Havequot - Wicked digitale 12 dicembre 2010 quotRecommended - 5 su 5 stelle overallquot - Jason Kennedy, Hi-Fi Choice (UK) maggio 2011 (Edizione 345) quotWhat più si potrebbe chiedere forquot - Srajan Ebaen, 6moons dicembre 2010 quotI ha concluso la mia recensione del programma software Amarra con, se si desidera ascoltare quanto è buono un sistema Mac basato su qualità può davvero suono, è necessario utilizzare Amarra. Il tempo e l'ultima versione del Canale Ds software Pure la musica può farmi mangiare quelle parole. Se si desidera ascoltare quanto è buono il sistema Mac basato su una qualità può davvero sembrare, è necessario utilizzare musica pura. quot - Steven Stone, The Absolute Sound gennaio 2011 Review Online quotAt 129, pura musica è un acquisto facile soluzione. migliora innegabilmente la qualità del suono, con una maggiore chiarezza e riduzione dei glare. quot digitale - Chris Groppi, Segreti di Home Theater e 27 High Fidelity ottobre 2011 quot. i miglioramenti upsampling-derivati ​​erano per la maggior parte così marcata che mi sono trovato in possesso di un nuovo jukebox. Io chiamo questo libero money. quot - Michele Surdi, 6moons ottobre 2010 quotPure musica è un programma incredibilmente intelligente che è consigliato a chiunque voglia seriamente entrare nel computer di alta end. quot - Christian Rechenbach, Einsnull (Germania) Luglio Agosto 2011 quotMost utilizzato un software di riproduzione Newport Channel D Pure Music. Pure musica non riproduce solo indietro tutti i file di iTunes in una migliore fedeltà, gioca anche di file nativi DSD (). Wow, questo è veramente qualcosa, dal momento che la riproduzione DSD era tipicamente il dominio di Sonoma o altre DAW di fantasia che costano decine di migliaia di dollars. quot - Danny Kaey, Sonic Flare giugno 2011 quotAt questo punto, data la mancanza di differenza tra la performance del due giocatori, ho davvero vedere alcun motivo per cui qualcuno dovrebbe scegliere il molto più costoso Amarra (o Amarra Mini) su musica pura. So dove Id spendere i miei soldi se ho bevuto già acquistato Amarra. quot - Confessioni di un part-time Audiophile 8 dicembre 2010 quotI può tranquillamente dire che la musica pura rende l'ascolto con le cuffie meno faticoso per le mie orecchie. Ho ascoltato per diverse ore in una sola seduta, e quando mi sono alzato, ci non era il sollievo ho bevuto capito mi sono divertito quando le lattine è venuto fuori. quot - John Hendron, Biberfan 16 gennaio 2011 quotWith la sua capacità di estrarre il meglio da file ad alta risoluzione di musica, pura musica - soprattutto in coppia con un convertitore audio digitale decente e altoparlanti decenti - può rendere il vostro Mac suona altrettanto bene o meglio di un elevato lettore CD - end che costano centinaia o migliaia di dollari. Che da solo rende pura musica un bargain. quot - Bill Henderson, il Gadgeteer, 22 agosto 2011 quotPure La musica è sicuramente un plug and play delle applicazioni e nella tradizione classica Mac è preconfigurato per ottenere risultati ottimali per l'utente medio con poco o nessun aspetto negativo e uno sguardo molto lucido e si sentono più, la sua estremamente stabile. Pure La musica ha un dolce, di qualità più melodiosa ad esso, rendendolo un po 'più facile da canticchiare, toccare quelli punta e seguire con la musica. Pure musica è molto meno costoso rispetto alla versione completa di Amarra. E 'come scegliere tra un VPI e un giradischi PMI il secondo è più costoso così si vuole che sia meglio, ma soprattutto il suo solo diverso. Mi sento più attratto da riprodurre musica attraverso Pure Music. quot - Andy Schaub, Feedback positivo in linea, Numero 56 Luglio 2011 quotI trovato Musica Pure un passo avanti rispetto a tutto il resto che ho utilizzato nel dominio digitale durante la mia esperienza come hifi appassionato e journalist. quot - Dott. Arco. Giulio Salvioni, Fedeltà del Suono, Issue 178, ottobre 2010 quotWhen giocare 1644 fonti, pura musica suona come bene a me come il migliore trasporto CD chiunque può scavare - fino a quando Im utilizzando un convertitore DA jitter-immunitario di alta qualità. Ma posso giocare il mio 88.2 kHz, 96 kHz e 192 maestri bit kHz24 e poi pura musica batte qualsiasi sorgente CD. Mi piace essere in grado di giocare una raccolta dei miei maestri utilizzando l'interfaccia amichevole Itunes, ma con la musica pura bypassando qualsiasi elaborazione del suono che iTunes esegue. Gettare in un calibrato, controllo del volume dithering segnato in decibel, e Im in cielo. Meccanicamente, il Mac Mini è più tranquillo di alcuni CD playersquot - Bob Katz, Mastering ingegnere, Digital Domain. Orlando, FL Precedentemente registrazione Ingegnere e Direttore Tecnico di etichetta audiophile Chesky Records quotI volevo solo dirvi quanto Im godendo il vostro prodotto. Ho trascorso una settimana o giù di lì di decidere su quali impostazioni ho voluto usare e poi Ive appena lasciato da solo e stanno godendo la musica sin da allora. Questo è un prodotto meraviglioso per gli amanti della musica e io sinceramente apprezzo il vostro sforzo su questo. Thanksquot - Steve Woods Note: 1. La licenza di permessi musica pura installazione del software su più di un computer, a condizione che: (a) Tutti i computer sono utilizzati per, non uso azienda o la società personale (b) la persona che ha acquistato la licenza del software possiede tutti i computer (c) una sola copia del software è in esecuzione in qualsiasi momento, per ogni licenza acquistata. Nota: la funzione NetSend non richiede Pure Music per essere installato o in esecuzione sul computer ricevente. Vedere la Guida Pure Musica Utenti per ulteriori informazioni. 2. Stati Uniti Brevetto 8.738.163 B2. Brevetti internazionali in corso 3. Streamthrough possono non essere adatti per tutte le combinazioni di computer DAC. Si prega di scaricare e provare il nostro demo di determinare le prestazioni del proprio sistema. 4. Real-Time upsampling doesnt richiedono tempo o spazio su disco spreco per la creazione di versioni duplicate di file audio, e permette di fare paragoni subito AB tra la riproduzione nativa e upsampling. Quale giocatore suona meglio Una valutazione pubblicata di riproduzione e la qualità del suono può essere soggettivo solo. Se il suono di qualità, prestazioni e facilità d'uso possono essere determinati facilmente da un provino una demo scaricabile, perché contare su qualcun'altro parere una recensione pubblicata in grado di fornire indicazioni preziose. Ma quando la decisione finale per l'acquisto del prodotto può essere fatto nel comfort di quelli poltrona ad ascoltare, senza prima fare un impegno finanziario: questo è la bellezza del software - Nota: i nostri prodotti possono essere utilizzati solo per la riproduzione dei materiali che l'utente è legalmente permesso di riprodursi. Esperienza nello sviluppo di applicazioni software commerciale per la piattaforma Apple Macintosh dal 1985. Copyright copia 1996-2017 Canale D, Tutti i diritti riservati. Pure La musica è un marchio registrato di Canale D. Macintosh, iTunes, iPod e il logo Mac sono marchi di Apple Computer, Inc. negli Stati Uniti e in altri countries. I sto lavorando con una grande quantità di serie temporali. Tali serie sono sostanzialmente misurazioni rete provenienti ogni 10 minuti, e alcuni di loro sono periodiche (cioè la larghezza di banda), mentre altre Arent (cioè la quantità di traffico di instradamento). Vorrei un semplice algoritmo per fare un rilevamento di valori erratici on-line. Fondamentalmente, voglio mantenere in memoria (o su disco) l'intero dati storici per ogni serie temporale, e voglio rilevare qualsiasi valore anomalo in uno scenario vivo (ogni volta che un nuovo campione viene catturato). Qual è il modo migliore per raggiungere questi risultati Im attualmente utilizzando una media mobile al fine di rimuovere il rumore, ma poi cosa prossimi Cose semplici come deviazione standard, pazza. contro l'intero insieme di dati doesnt funziona bene (non posso presumo il tempo della serie sono fermi), e vorrei qualcosa di più preciso, idealmente una scatola nera come: doppia outlierdetection (doppia vettore, valore doppio) dove vettore è la matrice del doppio contenente i dati storici, e il valore di ritorno è il punteggio di anomalia per il nuovo valore del campione. chiesto 2 agosto 10 alle 20:37 Sì, ho assunto la frequenza è nota e specificato. Ci sono metodi per stimare la frequenza automaticamente, ma che complicherebbe la funzione considerevolmente. Se è necessario stimare la frequenza, provate a chiedere una domanda separata su di esso - e I39ll probabilmente fornire una risposta, ma ha bisogno di più spazio di quello che ho a disposizione in un commento. ndash Rob Hyndman 3 agosto 10 alle 23:40 Una buona soluzione avrà diversi ingredienti, tra cui: Utilizzare un resistente, finestra mobile liscio per rimuovere non stazionarietà. Riesprimere i dati originali in modo che i residui rispetto al corretto sono circa simmetricamente distribuite. Data la natura dei dati, la sua probabile che le loro radici quadrate o logaritmi darebbero residui simmetrici. Applicare metodi di controllo grafico, o almeno di controllo grafico pensiero, per i residui. Per quanto riguarda l'ultima si va, carta di controllo pensiero dimostra che le soglie convenzionali come 2 SD o 1,5 volte la IQR oltre i quartili funzionano male perché fanno scattare troppi falsi segnali out-of-controllo. La gente di solito usano 3 SD sotto controllo il lavoro grafico, dove 2.5 (o anche 3) volte il IQR oltre i quartili sarebbe un buon punto di partenza. Ho più o meno delineato la natura della soluzione Rob Hyndmans mentre l'aggiunta ad esso due punti principali: la potenziale necessità di ri-esprimere i dati e la saggezza di essere più conservatore nel segnalare un outlier. Non sono sicuro che Loess è buono per un rilevatore on-line, però, perché doesnt funzionare bene alle estremità. Si potrebbe invece utilizzare qualcosa di semplice come un filtro mediano in movimento (come in lisciatura resistenti Tukeys). Se i valori anomali Dont Come a raffica, è possibile utilizzare una stretta finestra (5 punti di dati, forse, che si rompe solo con una raffica di 3 o più valori anomali all'interno di un gruppo di 5). Dopo aver eseguito l'analisi per determinare un buon ri-espressione dei dati, la sua youll improbabile bisogno di cambiare la ri-espressione. Pertanto, il rilevatore on-line in realtà ha solo bisogno di fare riferimento ai valori più recenti (l'ultima finestra) perché non ci vorrà utilizzare i dati precedenti a tutti. Se si dispone di serie storiche molto lungo si potrebbe andare oltre per analizzare autocorrelazione e stagionalità (come ricorrenti giornaliera o fluttuazioni settimanali) per migliorare la procedura. risposto 26 agosto 10 alla 18:02 John, 1.5 IQR è Tukey39s raccomandazione originale per i baffi più lunghi su un grafico a scatole e 3 IQR è la sua raccomandazione per la marcatura punti quotfar outliersquot (un riff su un popolare frase 6039s). Questo è integrata in molti algoritmi grafico a scatole. La raccomandazione viene analizzato teoricamente in Hoaglin, Mosteller, amplificatore Tukey, comprensione robusta e analisi esplorativa dei dati. ndash w Huber 9830 9 ottobre 12 a 21:38 Questo conferma i dati di serie temporali ho cercato di analizzare. media finestra e anche una deviazione standard della finestra. ((X - media) sd) GT 3 sembrano essere i punti che voglio segnala come valori anomali. Beh, almeno avvertire come valori anomali, segnalo qualcosa di superiore al 10 SD come valori anomali di errore estreme. Il problema che ho incontrato è ciò che è una lunghezza vetrina ideale I39m giocare con nulla tra 4-8 punti di dati. ndash NeoZenith 29 giugno 16 alle 8:00 Neo La cosa migliore potrebbe essere quella di sperimentare un sottoinsieme di dati e di confermare le conclusioni con i test sul resto. Si potrebbe effettuare una convalida incrociata più formale, anche (ma è richiesta particolare attenzione con i dati di serie temporali a causa della interdipendenza di tutti i valori). ndash w Huber 9830 29 Giugno 16 anni al 00:10 (Questa risposta è risposto a un duplicato (ora chiuso) domanda a rilevare eventi eccezionali. che ha presentato alcuni dati in forma grafica.) rilevamento di valori erratici dipende dalla natura dei dati e su ciò che si sono disposti ad assumere su di loro. metodi di impiego generale si basano su statistiche affidabili. Lo spirito di questo approccio è quello di caratterizzare la maggior parte dei dati in un modo che non è influenzato da eventuali valori anomali e quindi selezionare i valori individuali che non rientrano nell'ambito di tale caratterizzazione. Poiché si tratta di una serie storica, si aggiunge la complicazione di dover (ri) scoprire i valori anomali su base continuativa. Se questo deve essere fatto come la serie si sviluppa, quindi ci sono solo permesso di utilizzare i dati meno recenti per la rilevazione, non dati futuri Inoltre, come protezione contro le molte prove ripetute, vorremmo usare un metodo che ha un bassissimo falso tasso positivo. Queste considerazioni suggeriscono l'esecuzione di un semplice, robusta prova outlier finestra mobile sui dati. Ci sono molte possibilità, ma un semplice, facilmente comprensibile e di facile applicazione è basato su un MAD esecuzione: deviazione assoluta mediana dalla mediana. Questa è una misura fortemente di variazione robusto all'interno dei dati, simile a una deviazione standard. Un picco periferico sarebbe diverse organizzazioni sanitarie o più superiore alla mediana. C'è ancora un po 'di messa a punto da fare. quanto di una deviazione dalla maggior parte dei dati dovrebbe essere considerato periferico e quanto indietro nel tempo dovrebbe uno sguardo Lascia lasciare questi come parametri per la sperimentazione. Ecco una implementazione R applicata ai dati x (1,2, ldots, n) (con n1150 di emulare i dati) con i corrispondenti valori y: Applicato ad un insieme di dati come la curva rossa illustrata nella questione, che produce questo risultato: i dati sono mostrati in rosso, la finestra di 30 giorni di soglie median5MAD in grigio, e le aberranti - che sono semplicemente quei valori di dati al di sopra della curva di colore grigio - in nero. (La soglia può essere calcolato solo a partire dalla fine della finestra iniziale Per tutti i dati all'interno di questa finestra iniziale, la prima soglia viene utilizzato:.. Ecco perché la curva grigia è piatta tra x0 e x30) Gli effetti della modifica dei parametri sono (a) aumentando il valore della finestra tenderà a smussare la curva grigia e (b) aumentare la soglia solleverà la curva grigia. Sapendo questo, si può prendere un segmento iniziale dei dati e rapidamente identificare i valori dei parametri che meglio segregano i picchi periferiche dal resto dei dati. Applicare questi valori dei parametri per controllare il resto dei dati. Se un grafico mostra il metodo peggiora nel tempo, significa che la natura dei dati stanno cambiando ed i parametri potrebbe essere necessario ri-sintonizzazione. Si noti quanto poco questo metodo presuppone sui dati: essi non devono essere distribuiti normalmente non hanno bisogno di esibire alcuna periodicità essi non hanno nemmeno bisogno di essere non negativo. Tutto assume è che i dati si comportano in modo ragionevolmente simili nel tempo e che i picchi periferiche sono visibilmente superiore rispetto al resto dei dati. Se qualcuno volesse sperimentare (o confrontare qualche altra soluzione a quello offerto qui), ecco il codice che ho usato per la produzione di dati come quelli indicati nella domanda. Sto indovinando modello di serie sofisticato tempo non funziona per voi a causa del tempo necessario per rilevare valori anomali utilizzando questa metodologia. Quindi, ecco una soluzione: in primo luogo stabilire una base schemi di traffico normali per un anno sulla base di analisi manuale dei dati storici che rappresenta il momento della giornata, giorno della settimana vs fine settimana, i mesi dell'anno, ecc Utilizzare questa linea di base insieme ad alcuni semplice meccanismo (ad esempio media mobile suggerito da Carlos) per rilevare valori anomali. Si consiglia inoltre di rivedere la letteratura controllo statistico di processo per alcune idee. Sì, questo è esattamente ciò che sto facendo: fino ad ora ho diviso manualmente il segnale in periodi, in modo che per ognuno di loro posso definire un intervallo di confidenza all'interno del quale il segnale dovrebbe essere fisso, e quindi posso usare metodi standard tali come deviazione standard. Il vero problema è che non riesco a decidere il modello atteso per tutti i segnali che devo analizzare e that39s perché I39m alla ricerca di qualcosa di più intelligente. ndash gianluca 2 agosto 10 alle 21.37 Ecco una sola idea: Fase 1: Implementare e stimare un modello Time Series generico su una base una volta sulla base dei dati storici. Questo può essere fatto in linea. Fase 2: utilizzare il modello risultante per individuare valori anomali. Fase 3: Ad una certa frequenza (forse ogni mese), ri-calibrare il modello di serie storica (questo può essere fatto in linea) in modo che il rilevamento punto 2 di valori anomali non va troppo al passo con i modelli di traffico attuali. Vorrei che il lavoro per il contesto ndash user28 2 agosto 10 alle 22:24 Sì, questo potrebbe funzionare. Stavo pensando a un approccio simile (ricalcolare la linea di base ogni settimana, che può essere la CPU se si dispone di centinaia di serie temporali univariata per analizzare). BTW la vera domanda è difficile quotwhat è il miglior algoritmo di Blackbox stile per la modellazione di un segnale del tutto generico, considerando il rumore, la stima tendenza e seasonalityquot. Per quanto ne so, ogni approccio in letteratura richiede una fase quotparameter tuningquot davvero difficile, e l'unico metodo automatico che ho trovato è un modello ARIMA da Hyndman (robjhyndmansoftwareforecast). Mi sto perdendo qualcosa ndash gianluca 2 agosto 10 alle 22:38 Ancora una volta, questo funziona abbastanza bene se si suppone il segnale di avere una stagionalità del genere, ma se uso una serie storica completamente diversa (cioè il tempo di andata e ritorno TCP media nel corso del tempo ), questo metodo non funziona (poiché sarebbe meglio gestire quella con una semplice media globale e deviazione standard utilizzando una finestra scorrevole contenente dati storici). ndash gianluca 2 agosto 10 a 22:02 A meno che non si è disposti a implementare un modello di serie storica generale (che porta nei suoi svantaggi in termini di latenza, ecc) Sono pessimista che troverete un'implementazione generale che allo stesso tempo è abbastanza semplice a lavorare per tutti i tipi di serie temporali. ndash user28 2 10 agosto a 22:06 Un altro commento: So che una buona risposta potrebbe essere quotso si potrebbe stimare la periodicità del segnale, e decidere l'algoritmo da utilizzare in base alle itquot, ma ho didn39t trovare una vera buona soluzione a questo altro problema (ho giocato un po 'con l'analisi spettrale utilizzando DFT e analisi in tempo utilizzando la funzione di autocorrelazione, ma la mia serie temporali contengono un sacco di rumore e tali metodi danno alcuni risultati folli mosts del tempo) ndash Gianluca 2 agosto 10 alle 22:06 a commento al tuo ultimo commento: that39s perché I39m alla ricerca di un approccio più generico, ma ho bisogno di una sorta di quotblack boxquot perché ho can39t fare qualsiasi ipotesi circa il segnale analizzato, e quindi mi can39t creare il parametro quotbest impostato per il algorithmquot apprendimento. ndash gianluca 2 agosto 10 a 22:09 Dal momento che è un dato di serie temporali, un semplice en. wikipedia. orgwikiExponentialsmoothing filtro esponenziale lisciare i dati. E 'un buon filtro in quanto non avete bisogno di accumulare i vecchi punti di dati. Confronta ogni valore dati appena lisciato con il suo valore non livellato. Una volta che la deviazione supera una certa soglia predefinita (a seconda di ciò che si crede un outlier in dati), allora il vostro outlier possono essere facilmente individuati. risposto 30 Apr 15 alla 08:50 Si potrebbe utilizzare la deviazione standard delle ultime misurazioni N (è necessario scegliere un adeguato N). Un buon punteggio anomalia sarebbe quanti deviazioni standard una misura è dalla media mobile. ha risposto 2 agosto 10 a 20:48 Grazie per la risposta, ma cosa succede se il segnale presenta una elevata stagionalità (vale a dire un sacco di misure di rete sono caratterizzati da uno schema giornaliero e settimanale, allo stesso tempo, ad esempio di notte vs giorno o week-end vs giorni lavorativi) Un approccio basato sulla deviazione standard non funziona in questo caso. ndash gianluca 2 agosto 10 a 20:57 Per esempio, se ho un nuovo campione ogni 10 minuti, e I39m fare un rilevamento di valori erratici del consumo di banda della rete di un'azienda, in fondo a 6pm questa misura cadrà (si tratta di un previsto un modello totalmente normale), e una deviazione standard calcolato su una finestra scorrevole fallirà (perché attiverà un avviso di sicuro). Allo stesso tempo, se la misura cade a 4pm (deviando dal solito basale), questo è un vero outlier. ndash gianluca 2 agosto 10 at 20:58 quello che faccio è il gruppo delle misure di ora e giorno della settimana e confrontare deviazioni standard di questo. Ancora doesnt corretto per cose come le vacanze e EstateInverno stagionalità, ma la sua corretta la maggior parte del tempo. Lo svantaggio è che si ha realmente bisogno di raccogliere un anno o giù di lì di dati da avere abbastanza in modo che stdDev comincia ad avere senso. Analisi spettrale rileva la periodicità in serie tempo di sosta. L'approccio dominio della frequenza sulla base di stima della densità spettrale è un approccio mi sento di raccomandare come il primo passo. Se per certi periodi irregolarità significa un picco molto superiore è tipico per quel periodo poi la serie con tali irregolarità non sarebbe fermo e anlsysis spettrale non sarebbe appropriata. Ma supponendo che avete identificato il periodo che ha le irregolarità si dovrebbe essere in grado di determinare circa quale sarebbe la normale altezza di picco e quindi in grado di impostare una soglia a un certo livello superiore a quello medio per designare i casi irregolari. Risposi 3 settembre 12 a 14:59 suggerisco lo schema qui sotto, che dovrebbe essere implementabile in un giorno o due: raccogliere il maggior numero di campioni, come si può tenere in memoria Rimuovere valori anomali evidenti utilizzando la deviazione standard per ogni attributo calcolare e memorizzare la matrice di correlazione e anche la media di ciascun attributo calcolare e memorizzare le distanze di Mahalanobis di tutti i vostri campioni Calcolo outlierness: per il singolo campione di cui si vuole conoscere la sua outlierness: Recuperare i mezzi, matrice di covarianza e Mahalanobis distanza s dalla formazione Calcolare la Mahalanobis distanza d per il campione Rientro percentile in cui cade d (usando le distanze di Mahalanobis dalla formazione) che sarà il tuo punteggio di valori anomali: 100 è un outlier estrema. PS. Nel calcolo della distanza di Mahalanobis. usare la matrice di correlazione, non la matrice di covarianza. Questo è più robusto se le misurazioni campione variano in unità e numero.