Kun otetaan huomioon XY-data, jossa X on epidisidistinen riippumaton muuttuja ja Y riippuva muuttuja Kerro, että tiedot ovat peräisin fyysisestä kokeesta. Haluan tasoittaa nämä tiedot käyttämällä vierittävää tasoittavaa keskimääräistä suodatinta. Miten minun pitäisi jatkaa. Mitä teen usein Tässä tapauksessa on sovellettava samaa suodatinta sekä Y: llä että X: llä, mutta en ole varma, onko tämä tilastollisesti oikea. Minusta on selvää, että en voi käyttää vain normaalia juoksevaa keskiarvoa Y: llä yksin riippumattoman muuttujan Itsenäisen muuttujan suodattamisella on myös se etu, että voin helposti käyttää tasaisia ikkunoita viemättä viivästymistä. Kuten vaihtoehtoa mielestäni interpoloidaan tiedot säännölliseen verkkoon, mutta näin tuntuu, että kun vaihdan tietojeni näytteenottoa , Itse asiassa synnyttävät keinotekoisia datapisteitä mittauksia, jotka saavat saman painon kuin todelliset mittaukset, joita minusta tuntuu outo. So, mikä on oikea tapa soveltaa suodattimen kuten esimerkiksi keskimääräinen tässä tapauksessa. One minun syy on th e Seuraavassa Fyysisessä kokeessa jokainen muuttuja on kokeilu, joten jos sujuva yksi muuttuja, voin myös sileä toinen muuttuja Koska riippuvuus ja riippumattomuus on vain näkökulma. Tässä esimerkissä on selvää, että vain tasoittaminen Y antaa kohtuutonta tulosta, kun taas tasoitus X ja Y näyttävät antavan alkuperäiset tiedot paremmin. Haluan käyttää painotettua keskimäärää tässä tapauksessa. Kaikki keskiarvot on painotettu, mutta jos se ei ole ekspressiivinen painot ovat yhtä suuret, en välttämättä käytä sama suodatin alueella kuin olisin verkkotunnuksessa Jos haluat, että toimet, jotka ovat lähellä toisiaan, eivät paina niin paljon, sitten ne punnitaan lähimmän naapurin etäisyydellä, ehkä ehkä keskimääräinen etäisyys lähimpään lähimpään naapuriin. Miksi klusterointi osoittaa tasoituksen hauska EngrStudent 5. maaliskuuta klo 14 08. Voitteko tarjota pienen esimerkkitietokannan, joka havainnollistaa, mitä kysyt uudestaan Miksi haluaisitte liikkuvan keskiarvon kaikesta gungista 5 maaliskuu 14 19. I työskentele tilastollisena konsultti elämästä en muista koskaan nähdä kenenkään käyttäytyä keskimäärin niiden tietojen kuten sinä kuvataan uudelleen Oletko vain toivoo ylimääräistä tarpeetonta työtä ennen kuin pääset analyysiin Miksi ei aina lisätä sqrt pi kaikkiin XY-tietoihin Miksi ei Miksi jos käsittelet heitä eri tavalla. Sillä on jonkin verran syytä, että he haluavat tehdä tämän sarjan 5: ssä 14: ssä 34. Loessin vankka versio, joka osoittaa alhaisemman painon poikkeuksille regressiossa. Menetelmä antaa nollapainon kuuden keskiarvon absoluuttisen poikkeamien ulkopuolella. sileä y, span, menetelmä asettaa menetelmän span menetelmän mukaan Loess - ja lowess-menetelmien osalta span on prosenttiosuus datapisteiden kokonaismäärästä, joka on pienempi tai yhtä suuri kuin 1 Liikkuva keskiarvo ja Savitzky-Golay - menetelmät on pariton parillinen taso pienenee automaattisesti 1.yy tasaisella y, sgolay, aste käyttää Savitzky-Golay - menetelmää, jonka polynomin aste määrittelee degree. yy tasainen y, span, sgolay, aste käyttää pisteiden määrää spanSavitzky-Golay-laskenta-alueen on oltava pariton ja asteen on oltava pienempi kuin span. yy tasainen x, y määrittää lisäksi x-tiedot Jos x ei ole annettu, menetelmät, jotka edellyttävät x-tietoja, olettavat x 1 pituuden y Sinun tulisi määrittää x-data, kun sitä ei ole tasaisesti sijoitettu tai lajiteltu Jos x ei ole yhtenäinen ja et määrittele menetelmän alenemista käytetään Jos tasoitusmenetelmä vaatii x lajittavaksi, lajittelu tapahtuu automaattisesti. gpuarrayYY sujuva gpuarrayY suorittaa toiminnon GPU: ssä Tulo gpuarrayY on gpuArray-sarakevektori Lähtö gparrayYY on gpuArray-sarake-vektori Tämä syntaksi vaatii Parallel Computing Toolbox. Note Voit käyttää gpuArray x - ja y-syötteitä sujuvalla toiminnolla, mutta tämä on suositeltavaa vain oletusmenetelmällä. Siirrä GPU-datan käyttäminen muilla menetelmillä ei tarjoa mikä tahansa suorituskyky etu. Valitse oma maa. Voit ratkaista advection-diffuusiota ongelma, jossa ratkaisu muuttuja on enimmäkseen litteä erillään pieni alue lähellä keskustaa verkkotunnuksen jossa on muotoisia kaltevuuksia Haluan luoda verkkokerroksia 1D-äärellisille äänenvoimakkuusoluille, katso alla, jossa solut on ryhmitelty kohti verkkotunnuksen keskustaa. En ole yrittänyt liikkua tai mukautua verkottumista, koska tämän sovelluksen kohdalla se on ylikuormitusta staattinen mutta epäyhtenäinen verkko Tämä tuntuu yksinkertaiselta pinnalta, mutta olen huomannut sen hankalaksi ja haluaisin saada neuvoja. Käytän seuraavaa lähestymistapaa. Solukerrosten yhtenäinen jakautuminen määritellään x summausrajoilla N hn missä h on vakio silmukkakohdat. Jotta tuottaa klusteroituja epäyhtenäisiä solupintoja, aion suunnitella yksinkertaisesti jakamalla verkkokerrosnopeus mesh-tiheysfunktiolla rho Esimerkiksi x summa-rajat N frac. Gussiinisen mesh-tiheyden funktion valitseminen jatkuvalla lisäyksellä, joten se ei t tulee yksikköä käytettäessä nimittäjänä, mahdollistaa verkon tiheyden kasvavan lähellä käyrän huippua. Tämän lähestymistavan avulla voin sitten tuottaa seuraavan verkon Huomaa, miten verkko-osuudet alkavat pois vakiovälistä, koska rho 1, sitten aluksi alkaa laajentaa ja sitten sopimukset ympäri keskipisteitä olen piirretty etäisyys pisteiden sininen viiva korostaa ongelmaa. Haluaisin, jos silmäkoko ei kasvanut yli h minimiarvo h Onko olemassa tapa säilyttää tämä ominaisuus It näyttää siltä, että voisin tarvita huipputoiminnon nollan toisen johdannaisen Voitteko ehdottaa parempaa verkon tiheysfunktio tätä ongelmaa.
No comments:
Post a Comment