Moving average vs iir

Panduan Ilmuwan dan Insinyur untuk Pengolahan Sinyal Digital Oleh Steven W. Smith, Ph. D. Bab 19: Filter Rekursif Metode Rekursif Untuk memulai diskusi tentang filter rekursif, bayangkan Anda perlu mengekstrak informasi dari beberapa sinyal, x. Kebutuhan Anda sangat besar sehingga Anda mempekerjakan seorang profesor matematika lama untuk memproses data Anda. Tugas profesor adalah menyaring x untuk menghasilkan y, yang diharapkan berisi informasi yang Anda minati. Profesor memulai karyanya untuk menghitung setiap titik di y sesuai dengan beberapa algoritma yang terkunci erat di otaknya yang telah berkembang. Bagian dari tugas ini, peristiwa yang paling disayangkan terjadi. Profesor mulai mengoceh tentang singularitas analitik dan transformasi fraksional, dan setan lainnya dari mimpi buruk seorang matematikawan. Jelas bahwa profesor telah kehilangan akal. Anda melihat kecemasan sebagai profesor, dan algoritma Anda, diambil oleh beberapa pria dengan mantel putih. Anda dengan panik meninjau catatan profesor untuk menemukan algoritma yang dia gunakan. Anda menemukan bahwa dia telah menyelesaikan perhitungan poin y 0 sampai y 27, dan akan dimulai pada titik y 28. Seperti ditunjukkan pada Gambar. 19-1, kita akan membiarkan variabelnya, n. Mewakili titik yang saat ini sedang dihitung. Ini berarti bahwa yn adalah sampel 28 pada sinyal output, yn - 1 adalah sampel 27, yn - 2 adalah sampel 26, dll. Demikian juga, xn adalah titik 28 pada sinyal input, xn - 1 adalah titik 27, dll. Untuk memahami Algoritma yang digunakan, kami bertanya kepada diri sendiri: Informasi apa yang tersedia bagi profesor untuk menghitung yn, sampel yang saat ini sedang dikerjakan Sumber informasi yang paling jelas adalah sinyal masukan. Artinya, nilai: xn, xn - 1, xn - 2, 8230. Profesor bisa saja mengalikan setiap titik dalam sinyal input dengan koefisien, dan menambahkan produk bersama: Anda harus menyadari bahwa ini tidak lebih dari sekadar sederhana. Konvolusi, dengan koefisien: a 0. 1. Sebuah 2. 8230, membentuk kernel konvolusi. Jika ini semua dilakukan oleh profesor, tidak banyak yang perlu untuk cerita ini, atau bab ini. Namun, ada sumber informasi lain yang bisa diakses oleh profesor: nilai sinyal keluaran yang dihitung sebelumnya, yang diadakan di: yn - 1, yn - 2, yn - 3, 8230. Dengan menggunakan informasi tambahan ini, algoritma akan menjadi Dalam bentuk: Dengan kata lain, setiap titik pada sinyal output ditemukan dengan mengalikan nilai dari sinyal masukan dengan koefisien, mengalikan nilai yang dihitung sebelumnya dari sinyal output dengan koefisien b, dan menambahkan produk secara bersamaan. Perhatikan bahwa tidak ada nilai untuk b 0. Karena ini sesuai dengan sampel yang dihitung. Persamaan 19-1 disebut persamaan rekursi. Dan filter yang menggunakannya disebut filter rekursif. Nilai a dan b yang menentukan filter disebut koefisien rekursi. Dalam praktik sebenarnya, tidak lebih dari sekitar selusin koefisien rekursi dapat digunakan atau saringan menjadi tidak stabil (yaitu output terus meningkat atau berosilasi). Tabel 19-1 menunjukkan contoh program filter rekursif. Filter rekursif berguna karena mereka melewati putaran yang lebih panjang. Misalnya, pertimbangkan apa yang terjadi bila fungsi delta dilewatkan melalui filter rekursif. Outputnya adalah respon impuls filter. Dan biasanya akan menjadi osilasi sinusoidal yang secara eksponensial meluruh. Karena respons impuls ini dengan panjang tak terhingga, filter rekursif sering disebut filter impuls impuls tak terbatas (IIR). Akibatnya, filter rekursif membungkus sinyal input dengan saringan filter yang sangat panjang, walaupun hanya ada sedikit koefisien yang terlibat. Hubungan antara koefisien rekursi dan respon filter diberikan dengan teknik matematika yang disebut z-transform. Topik dari Bab 31. Misalnya, z-transform dapat digunakan untuk tugas-tugas seperti: mengubah antara koefisien rekursi dan respons frekuensi, menggabungkan tahap bertingkat dan paralel menjadi satu filter, merancang sistem rekursif yang meniru filter analog, dll. Sayangnya, z-transform sangat matematis, dan lebih rumit daripada kebanyakan pengguna DSP yang mau dihadapinya. Inilah ranah yang mengkhususkan diri pada DSP. Ada tiga cara untuk menemukan koefisien rekursi tanpa harus memahami z-transform. Pertama, bab ini memberikan persamaan desain untuk beberapa jenis filter rekursif sederhana. Kedua, Bab 20 menyediakan sebuah program komputer buku masak untuk merancang filter low-pass dan high-pass Chebyshev yang lebih canggih. Ketiga, Bab 26 menjelaskan metode iteratif untuk merancang filter rekursif dengan respons frekuensi yang sewenang-wenang. Musik Peka 174 Versi 3 Cobalah Musik Murni GRATIS selama 15 hari Persyaratan sistem: Mac OS X 10.5.8 atau yang lebih baru (termasuk OS X 10.12 Sierra) G4, G5 atau CPU Intel. Minimum 1 GB RAM yang terpasang, 2 GB untuk Memory Play. 8 GB atau lebih diperlukan untuk pemutaran dengan resolusi tinggi (88,2 kHz atau sample rate yang lebih tinggi) atau jika menjalankan Mavericks atau OS yang lebih baru. Demo: tanpa kode aktivasi, Pure Music akan berfungsi selama 15 hari dengan semua fitur diaktifkan. Beli Musik Murni Sekarang Kode aktivasi secara otomatis akan dibuat dan dikirim melalui email kepada Anda dalam beberapa menit setelah menyetujui pesanan Anda. Musik Murni 3 Musik Murni 3 gratis bagi pengguna yang membeli lisensi Musik Murni setelah Januari 2014. Untuk pembeli sebelumnya, peningkatan diskon dapat dilakukan. Klik tombol Beli di atas untuk informasi lebih lanjut. Pure Vinyl Upgrade Upgrade Pure Music ke Channel D Pure Vinyl untuk perekaman, pengeditan, perpindahan sumber analog, dukungan kurva RIAA vinil (dan lebih) untuk selisih harga saat ini. Kode aktivasi Pure Vinyl juga akan bekerja dengan Pure Music. Kutipan dari Ulasan Kutipan umpan balik Pelanggan yang Anda alami tentang apa yang ditawarkannya, tidak ada catatan balik - Pete Davey, Positive Feedback Online - Issue 50 quotI sangat menghargai bantuan dan dukungan Anda. Saya baru saja mendaftarkan program. Sejauh ini, sebagai pelanggan demo, saya telah menulis surat kepada Anda dua kali dengan pertanyaan dan permintaan. Saya mendapat balasan tepat waktu dan menawarkan lebih banyak bantuan Sudah beberapa minggu yang sangat bahagia bekerja dengan perangkat lunak ini. Streamthrough telah menjadi sukacita. Dan, untuk berpikir, pada dasarnya saya membeli perangkat lunak hanya untuk kenyamanan dengan pemutaran file HD. Saya biasanya hanya mendengarkan mereka atau vinyl. Yah, tidak ada lagi aku tidak sabar untuk mendengarkan musik lebih. Quot - Dr. Mel Comberiati, Profesor Sejarah Musik, Universitas Manhattanville quotFor 129, Musik Murni adalah sebuah tawaran. quot - John Atkinson, Stereophile Agustus 2010 quotWenn Sie juga die optimale Software fas USB-Wiedergabe aus dem Mac suchen: Pure Music mit Memory Mainkan (Jika Anda mencari perangkat lunak yang optimal untuk memutar musik dari Mac Anda melalui USB: Musik Murni dengan permainan memori) - Ulrich Wienforth, STEREO HiFi DIGITAL Edisi 3 (Juni 2013) quot. Seperti memiliki iTunes sebagai chassis namun dengan mesin V6 Biturbo. Sebuah marvel. quot - Eliseo Vega Huitron, Beranda: Majalah Tek 1 Oktober 2010 quot. Harus Mustquot - Wicked Digital 12 Desember 2010 quotRecommended - 5 out of 5 stars keseluruhanquot - Jason Kennedy, Hi-Fi Choice (Inggris) Mei 2011 (Issue 345) quotWhat lebih bisa satu meminta forquot - Srajan Ebaen, 6moons December, 2010 quotI Menyimpulkan review saya tentang program perangkat lunak Amarra dengan, Jika Anda ingin mendengar seberapa bagus sistem berbasis Mac yang berkualitas benar-benar bisa terdengar, Anda harus menggunakan Amarra. Waktu dan versi terbaru perangkat lunak Musik Channel Ds Murni bisa membuat saya memakan kata-kata itu. Jika Anda ingin mendengar seberapa bagus sistem berbasis Mac yang berkualitas benar-benar bisa terdengar, Anda harus menggunakan Pure Music. Quot - Steven Stone, Suara Mutlak Januari 2011 Tinjauan online quotAt 129, Pure Music adalah pembelian tanpa brainer. Dapat disangkal meningkatkan kualitas suara, dengan peningkatan kejelasan dan pengurangan silau digital. quot - Chris Groppi, Rahasia Teater Rumah dan Kesetaraan Tinggi 27 September 2011 quot. Perbaikan yang berasal dari upsampling sebagian besar begitu ditandai sehingga saya menemukan diri saya memiliki sebuah jukebox baru. Saya menyebut uang gratis ini. quot - Michele Surdi, 6 Oktober Oktober, 2010 quotPure music adalah program yang sangat cerdas yang direkomendasikan kepada siapa saja yang serius ingin masuk ke komputer high end. quot - Christian Rechenbach, Einsnull (Jerman) Juli Agustus , 2011 quotMost menggunakan software playback Newport Channel D Pure Music. Pure Music tidak hanya memutar ulang semua file iTunes Anda dengan kesetiaan yang lebih baik, namun juga memutar file DSD asli (asli). Wow, itu benar-benar sesuatu, karena pemutaran DSD biasanya adalah domain Sonoma atau DAW lainnya yang mahal dengan harga puluhan ribu dolar. - Danny Kaey, Sonic Flare June, 2011 quot Pada titik ini, mengingat kurangnya perbedaan antara kinerja Dua pemain, saya benar-benar tidak melihat alasan mengapa ada orang yang memilih Amarra yang jauh lebih mahal (atau Amarra Mini) daripada Pure Music. Saya tahu di mana Id menghabiskan uang saya jika saya tidak membeli Amarra. quot - Confessions Of A Part-Time Audiophile 8 Desember 2010 quotI dapat mengatakan bahwa Musik Murni membuat pendengaran dengan headphone tidak terlalu melelahkan di telinga saya. Saya mendengarkan selama beberapa jam sambil duduk, dan ketika saya bangun, tidak ada rasa lega yang tidak saya sadari saat saya nikmati saat kalengnya terlepas. Dengan kemampuannya untuk mengekstrak yang terbaik dari file musik beresolusi tinggi, Pure Music - terutama dipasangkan dengan konverter audio digital yang layak dan speaker yang layak - dapat membuat suara Mac Anda bagus atau lebih baik dari pada yang tinggi. - end CD player seharga ratusan atau ribuan rupiah. Itu saja membuat Pure Music menjadi tawar-menawar. quot - Bill Henderson, Gadgeteer, 22 Agustus 2011 quotPure Music jelas merupakan aplikasi plug and play dan dalam tradisi Mac klasik telah dikonfigurasikan sebelumnya untuk mendapatkan hasil optimal bagi pengguna rata-rata dengan sedikit atau tidak ada downside Dan tampilan dan nuansa yang sangat dipoles plus, sangat stabil. Musik Murni memiliki kualitas yang lebih lembut dan lebih merdu, membuatnya sedikit lebih mudah untuk bersenandung, menyentuh jari kaki dan mengikuti musik. Musik Murni jauh lebih murah dari versi lengkap Amarra. Its seperti memilih antara VPI dan meja putar UKM yang terakhir ini lebih mahal sehingga Anda menginginkannya menjadi lebih baik namun kebanyakan berbeda. Saya merasa lebih tertarik untuk bermain musik melalui Pure Music. quot - Andy Schaub, Positive Feedback Online, Edisi 56 Juli, Agustus 2011, saya menemukan Pure Music sebagai langkah maju dibandingkan dengan hal lain yang telah saya gunakan di domain digital selama pengalaman saya sebagai penggemar hifi. Dan jurnalis. quot - Dott. Lengkungan. Giulio Salvioni, Fedelta del Suono, Edisi 178, Oktober, 2010 quotWhen memainkan 1644 sumber, Musik Murni terdengar bagus untuk saya sebagai transportasi CD terbaik yang bisa digali siapapun - selama Im menggunakan konverter DA berkualitas jitter berkualitas tinggi. Tapi saya bisa memainkan master 88,2 kHz, 96 kHz dan 192 kHz24 bit saya dan kemudian Pure Music mengalahkan sumber CD manapun. Saya suka bisa memainkan koleksi master saya menggunakan antarmuka Itunes yang ramah, namun dengan Pure Music melewati pemrosesan suara yang dilakukan iTunes. Lemparkan dalam kontrol volume yang dikalibrasi dan tidak rata yang ditandai dengan desibel, dan aku di surga. Secara mekanis, Mac Mini lebih sepi dari pada beberapa pemain CD - Bob Katz, Mastering Engineer, Digital Domain. Orlando, FL Dulu Recording Engineer dan Technical Director dari label audiophile Chesky Records quotI hanya ingin memberi tahu Anda berapa banyak Im menikmati produk Anda. Saya menghabiskan waktu sekitar seminggu atau lebih untuk memutuskan setting apa yang ingin saya gunakan dan kemudian saya hanya meninggalkannya sendirian dan telah menikmati musik sejak saat itu. Ini adalah produk yang bagus untuk pecinta musik dan saya sangat menghargai usaha Anda dalam hal ini. Thanksquot - Steve Woods Catatan kaki: 1. Lisensi untuk Musik Murni memungkinkan pemasangan perangkat lunak pada lebih dari satu komputer, asalkan: (a) Semua komputer digunakan untuk penggunaan pribadi, bukan bisnis atau perusahaan (b) Orang yang membeli lisensi perangkat lunak Memiliki semua komputer (c) Hanya satu salinan perangkat lunak yang berjalan setiap saat, per lisensi yang dibeli. Catatan: Fitur NetSend tidak memerlukan Pure Music untuk diinstal atau dijalankan pada komputer penerima. Lihat Panduan Pengguna Musik Murni untuk informasi lebih lanjut. 2. Paten Amerika Serikat 8.738.163 B2. Paten Internasional Tertunda 3. Streamthrough mungkin tidak sesuai untuk semua kombinasi DAC komputer. Silahkan download dan coba Demo gratis kami untuk menentukan performa di sistem anda sendiri. 4. Real-Time upsampling doesnt memerlukan membuang-buang waktu atau ruang disk untuk membuat duplikat versi file audio, dan memungkinkan segera membuat perbandingan AB antara pemutaran native dan upsampled. Pemain mana yang lebih baik Penilaian pemutaran dan kualitas suara yang dipublikasikan hanya bisa subjektif. Jika kualitas suara, kinerja, dan kegunaan dapat ditentukan dengan mudah dengan mengikuti audisi demo yang dapat didownload, mengapa bergantung pada pendapat seseorang, tinjauan yang dipublikasikan dapat memberikan panduan yang berharga. Tapi ketika keputusan akhir untuk membeli produk bisa dibuat dengan kenyamanan kursi pendengar, tanpa terlebih dahulu membuat komitmen finansial: itulah keindahan perangkat lunak - Catatan: produk kami hanya bisa digunakan untuk reproduksi bahan yang pengguna Secara hukum diizinkan untuk bereproduksi. Berpengalaman dalam mengembangkan perangkat lunak aplikasi komersial untuk platform Apple Macintosh sejak tahun 1985. Salinan hak cipta 1996 - 2017 Channel D, All Rights Reserved. Pure Music adalah merek dagang terdaftar dari Channel D. Macintosh, iTunes, iPod dan logo Mac adalah merek dagang dari Apple Computer, Inc. yang terdaftar di A. S. dan negara lain. Saya bekerja dengan sejumlah besar deret waktu. Seri waktu ini pada dasarnya adalah pengukuran jaringan yang datang setiap 10 menit, dan beberapa di antaranya bersifat periodik (yaitu bandwidth), sementara beberapa arent lainnya (yaitu jumlah lalu lintas perutean). Saya ingin algoritma sederhana untuk melakukan deteksi outlier online. Pada dasarnya, saya ingin menyimpan memori (atau disk) keseluruhan data historis untuk setiap rangkaian waktu, dan saya ingin mendeteksi outlier apapun dalam skenario hidup (setiap kali sampel baru ditangkap). Apa cara terbaik untuk mencapai hasil ini? Saat ini saya menggunakan rata-rata bergerak untuk menghilangkan beberapa kebisingan, tapi lalu apa hal-hal sederhana berikut seperti standar deviasi, gila. Terhadap seluruh data set doesnt bekerja dengan baik (I cant menganggap deret waktu itu stasioner), dan saya ingin sesuatu yang lebih akurat, idealnya kotak hitam seperti: double outlierdetection (double vector, double value) dimana vektor adalah array berisi ganda Data historis, dan nilai kembalian adalah skor anomali untuk nilai sampel baru. Tanya 2 Agustus pukul 20:37 Ya, saya telah mengasumsikan frekuensi diketahui dan ditentukan. Ada metode untuk memperkirakan frekuensi secara otomatis, tapi itu akan mempersulit fungsinya. Jika Anda perlu memperkirakan frekuensi, cobalah mengajukan pertanyaan terpisah tentangnya - dan mungkin saya akan memberikan jawaban. Tetapi, ini memerlukan lebih banyak ruang daripada yang ada dalam komentar. Ndash Rob Hyndman Aug 3 10 at 23:40 Solusi yang bagus akan memiliki beberapa bahan, termasuk: Gunakan jendela yang tahan dan bergerak dengan mulus untuk menghilangkan ketidakstabilan. Mengungkapkan ulang data asli sehingga residu yang berkaitan dengan kelancaran kira-kira terdistribusi secara simetris. Mengingat sifat data Anda, kemungkinan akar kuadrat atau logaritma mereka akan memberi residu simetris. Terapkan metode diagram kontrol, atau paling tidak bagan kontrol berpikir, ke residu. Sejauh yang terakhir berjalan, pemikiran bagan kontrol menunjukkan bahwa ambang konvensional seperti 2 SD atau 1,5 kali IQR di luar kuartil bekerja dengan buruk karena mereka memicu terlalu banyak sinyal out-of-control yang salah. Orang biasanya menggunakan 3 SD dalam pekerjaan bagan kontrol, dari mana 2,5 (atau bahkan 3) kali IQR di luar kuartil akan menjadi titik awal yang baik. Saya memiliki sedikit banyak hal yang menggarisbawahi sifat solusi Rob Hyndmans sambil menambahkan dua hal utama: kebutuhan potensial untuk mengungkapkan kembali data dan kebijaksanaan menjadi lebih konservatif dalam menandakan outlier. Saya tidak yakin bahwa Loess bagus untuk detektor online, karena itu tidak bekerja dengan baik pada titik akhir. Anda mungkin malah menggunakan sesuatu yang sederhana seperti filter median yang bergerak (seperti pada penghindaran tahan Tukeys). Jika outliers tidak masuk semburan, Anda dapat menggunakan jendela yang sempit (5 titik data, mungkin, yang akan rusak hanya dengan semburan 3 atau lebih penghenti dalam kelompok 5). Setelah Anda melakukan analisis untuk menentukan ekspresi ulang data yang baik, kemungkinan Anda tidak perlu mengubah ekspresi ulang. Oleh karena itu, detektor online Anda benar-benar hanya perlu referensi nilai terbaru (jendela terbaru) karena tidak menggunakan data sebelumnya sama sekali. Jika Anda memiliki rangkaian waktu yang sangat lama, Anda bisa melangkah lebih jauh untuk menganalisis autokorelasi dan musiman (seperti fluktuasi harian atau mingguan berulang) untuk memperbaiki prosedur. Menjawab 26 Agu 10 at 18:02 John, 1.5 IQR adalah rekomendasi asli Tukey untuk kumis terpanjang di boxplot dan 3 IQR adalah rekomendasinya untuk menandai poin sebagai outlierquot quotfar (riff pada frase 6039 yang populer). Ini dibangun ke dalam banyak algoritma boxplot. Rekomendasi tersebut dianalisis secara teoritis di Hoaglin, Mosteller, amp Tukey, Understanding robust and Exploratory Data Analysis. Ndash w huber 9830 9 Okt 12 at 21:38 Ini mengonfirmasi data deret waktu yang telah saya coba analisa. Jendela rata-rata dan juga standar deviasi jendela. ((X - avg) sd) gt 3 nampaknya menjadi poin yang ingin saya tandai sebagai outlier. Yah setidaknya memperingatkan sebagai outlier, saya bendera apapun lebih tinggi dari 10 sd sebagai outlier error ekstrim. Masalah yang saya hadapi adalah berapa lama jendela ideal yang dimainkan dengan apa saja antara 4-8 titik data. Ndash NeoZenith Jun 29 16 at 8:00 Neo Taruhan terbaik Anda mungkin bereksperimen dengan subkumpulan data Anda dan konfirmasikan kesimpulan Anda dengan tes sisanya. Anda bisa melakukan validasi lintas yang lebih formal juga (tapi perawatan khusus dibutuhkan dengan data deret waktu karena saling ketergantungan semua nilai). Ndash w huber 9830 29 Jun 16 at 12:10 (Jawaban ini merespons pertanyaan duplikat (sekarang ditutup) pada Mendeteksi kejadian yang luar biasa, yang menyajikan beberapa data dalam bentuk grafis) Deteksi pendahuluan bergantung pada sifat data dan pada apa yang Anda inginkan. Bersedia berasumsi tentang mereka. Metode tujuan umum mengandalkan statistik yang kuat. Semangat pendekatan ini adalah untuk mengkarakterisasi sebagian besar data dengan cara yang tidak dipengaruhi oleh outlier manapun dan kemudian menunjukkan nilai individu yang tidak sesuai dengan karakterisasi tersebut. Karena ini adalah deret waktu, ia menambahkan komplikasi perlu (re) mendeteksi outlier secara terus menerus. Jika ini harus dilakukan saat seri terbentang, maka kita diperbolehkan hanya menggunakan data yang lebih tua untuk deteksi, bukan data masa depan. Selain itu, sebagai perlindungan terhadap banyak pengujian berulang, kita ingin menggunakan metode yang memiliki false sangat rendah. Tingkat positif Pertimbangan ini menyarankan untuk melakukan pengujian outlier outlier yang sederhana dan kuat terhadap data. Ada banyak kemungkinan, tapi satu yang sederhana, mudah dipahami dan mudah diterapkan seseorang didasarkan pada MAD yang berjalan: rata-rata penyimpangan absolut dari median. Ini adalah ukuran variasi kuat dalam data, mirip dengan standar deviasi. Puncak terluar adalah beberapa MAD atau lebih besar dari median. Masih ada beberapa tuning yang harus dilakukan. Berapa banyak penyimpangan dari sebagian besar data harus dipertimbangkan di luar dan seberapa jauh waktu yang dibutuhkan seseorang untuk meninggalkannya sebagai parameter untuk eksperimen. Heres sebuah implementasi R diterapkan pada data x (1,2, ldot, n) (dengan n1150 untuk meniru data) dengan nilai yang sesuai y: Diterapkan ke dataset seperti kurva merah yang diilustrasikan dalam pertanyaan, menghasilkan hasil ini: Data Ditunjukkan dalam warna merah, jendela 30 hari batas median5MAD berwarna abu-abu, dan outlier - yang hanya merupakan nilai data di atas kurva abu-abu - berwarna hitam. (Ambang batas hanya dapat dihitung mulai dari akhir jendela awal. Untuk semua data di dalam jendela awal ini, ambang pertama digunakan: mengapa kurva abu-abu rata antara x0 dan x30). Efek dari perubahan parameter adalah (A) meningkatkan nilai jendela akan cenderung menghaluskan kurva abu-abu dan (b) ambang kenaikan akan menaikkan kurva abu-abu. Mengetahui hal ini, seseorang dapat mengambil segmen data awal dan dengan cepat mengidentifikasi nilai parameter yang paling sesuai memisahkan puncak terluar dari data lainnya. Terapkan nilai parameter ini untuk memeriksa sisa data. Jika sebuah plot menunjukkan metode ini memburuk dari waktu ke waktu, itu berarti sifat data berubah dan parameternya mungkin perlu disetel ulang. Perhatikan betapa sedikit metode ini mengasumsikan tentang data: mereka tidak harus terdistribusi secara normal sehingga mereka tidak perlu menunjukkan periodisitas apapun yang mereka tidak perlu non-negatif. Yang diasumsikan adalah bahwa data berperilaku dengan cara yang cukup mirip dari waktu ke waktu dan bahwa puncak terluar tampak lebih tinggi daripada data lainnya. Jika ada yang ingin bereksperimen (atau bandingkan beberapa solusi lain dengan yang ditawarkan di sini), inilah kode yang saya gunakan untuk menghasilkan data seperti yang ditunjukkan dalam pertanyaan. Saya menebak model deret waktu yang canggih tidak akan bekerja untuk Anda karena waktu yang dibutuhkan untuk mendeteksi outlier menggunakan metodologi ini. Oleh karena itu, berikut ini adalah solusinya: Pertama buat pola lalu lintas normal dasar untuk setahun berdasarkan analisis manual data historis yang memperhitungkan waktu, minggu, akhir pekan, bulan, dll. Gunakan baseline ini bersama dengan beberapa mekanisme sederhana. (Misalnya moving average yang disarankan oleh Carlos) untuk mendeteksi outlier. Anda mungkin juga ingin meninjau literatur kontrol proses statistik untuk beberapa gagasan. Ya, inilah yang saya lakukan: sampai sekarang saya membagi sinyal menjadi periode secara manual, sehingga untuk masing-masing dari mereka, saya dapat menentukan interval kepercayaan di mana sinyal seharusnya tidak bergerak, dan oleh karena itu saya dapat menggunakan metode standar seperti Sebagai standar deviasi. Masalah sebenarnya adalah saya tidak dapat menentukan pola yang diharapkan untuk semua sinyal yang harus saya analisis, dan itulah mengapa saya mencari sesuatu yang lebih cerdas. Ndash gianluca 2 Agustus pukul 21:37 Inilah satu ide: Langkah 1: Melaksanakan dan memperkirakan model rangkaian waktu generik secara satu kali berdasarkan data historis. Hal ini bisa dilakukan secara offline. Langkah 2: Gunakan model yang dihasilkan untuk mendeteksi outlier. Langkah 3: Pada beberapa frekuensi (mungkin setiap bulan), ulang kalibrasi model deret waktu (ini bisa dilakukan secara offline) sehingga langkah 2 deteksi outlier Anda tidak berjalan terlalu jauh dari langkah dengan pola lalu lintas saat ini. Apakah itu bekerja untuk konteks Anda ndash user28 2 Agustus 10 di 22:24 Ya, ini mungkin berhasil. Saya sedang memikirkan pendekatan serupa (menghitung ulang baseline setiap minggu, yang bisa sangat intensif jika Anda memiliki ratusan rangkaian waktu univariat untuk dianalisis). BTW pertanyaan yang sulit sebenarnya adalah algoritma blackbox-style terbaik untuk memodelkan sinyal yang sama sekali generik, mengingat noise, estimasi tren dan seasonalityquot. AFAIK, setiap pendekatan dalam literatur memerlukan fase tuningquot yang benar-benar keras, dan satu-satunya metode otomatis yang saya temukan adalah model ARIMA oleh Hyndman (robjhyndmansoftwareforecast). Apakah saya kehilangan sesuatu ndash gianluca 2 Agustus 22:38 Sekali lagi, ini bekerja dengan cukup baik jika sinyal seharusnya memiliki musiman seperti itu, tapi jika saya menggunakan rangkaian waktu yang sama sekali berbeda (yaitu rata-rata waktu perjalanan TCP sepanjang waktu ), Metode ini tidak akan berhasil (karena akan lebih baik menangani yang satu dengan mean global dan deviasi standar sederhana menggunakan jendela geser yang berisi data historis). Ndash gianluca 2 Agustus 10 at 22:02 Kecuali Anda bersedia menerapkan model deret waktu umum (yang membawa kontra dalam hal latency dll), saya pesimis bahwa Anda akan menemukan penerapan umum yang pada saat bersamaan cukup sederhana. Untuk bekerja untuk segala macam deret waktu. Ndash user28 2 Agustus 10 at 22:06 Komentar lain: Saya tahu jawaban yang bagus mungkin mungkin Anda memperkirakan periodisitas sinyal, dan memutuskan algoritma yang akan digunakan sesuai dengan itquot, tapi saya tidak menemukan solusi bagus untuk yang lain ini. Masalah (saya bermain sedikit dengan analisis spektral menggunakan DFT dan analisis waktu menggunakan fungsi autokorelasi, tapi deret waktu saya mengandung banyak suara dan metode semacam itu memberikan beberapa hasil gila sebagian besar waktu) ndash gianluca 2 Agustus 10 di 22:06 A Komentari komentar terakhir Anda: itu sebabnya saya mencari pendekatan yang lebih umum, tapi saya memerlukan semacam kotak komik quotblack karena saya tidak dapat membuat asumsi tentang sinyal yang dianalisis, dan karena itu saya tidak dapat membuat parameter kuukur yang ditetapkan untuk algoritma pembelajaran. Ndash gianluca 2 Agustus at 22:09 Karena ini adalah data deret waktu, filter eksponensial sederhana en. wikipedia. orgwikiExponentialsmoothing akan memperlancar data. Ini adalah filter yang sangat bagus karena Anda tidak perlu mengumpulkan data titik lama. Bandingkan setiap nilai data yang baru diratakan dengan nilai unsmoothed-nya. Begitu deviasi melebihi ambang batas yang telah ditentukan sebelumnya (tergantung pada apa yang Anda yakini sebagai outlier dalam data Anda), maka outlier Anda dapat dengan mudah dideteksi. Dijawab Apr 30 15 at 8:50 Anda bisa menggunakan standar deviasi dari pengukuran N terakhir (Anda harus memilih N yang sesuai). Skor anomali yang bagus adalah berapa banyak standar deviasi yang diukur dari moving average. Menjawab 2 Agustus 20:48 Terima kasih atas tanggapan Anda, tapi bagaimana jika sinyal menunjukkan musim tinggi (yaitu banyak pengukuran jaringan ditandai dengan pola harian dan mingguan pada saat yang bersamaan, misalnya malam vs hari atau akhir pekan Vs hari kerja) Pendekatan berdasarkan standar deviasi tidak akan bekerja dalam kasus itu. Ndash gianluca 2 Agustus pukul 20:57 Misalnya, jika saya mendapatkan sampel baru setiap 10 menit, dan saya melakukan deteksi outlier penggunaan bandwidth jaringan perusahaan, pada dasarnya jam 6:00, ukuran ini akan jatuh (ini adalah perkiraan Pola normal total), dan standar deviasi yang dihitung di atas jendela geser akan gagal (karena akan memicu peringatan pasti). Pada saat bersamaan, jika ukurannya turun pada jam 4 sore (menyimpang dari garis dasar yang biasa), ini adalah outlier nyata. Ndash gianluca 2 Agustus pukul 20:58 apa yang saya lakukan adalah mengelompokkan pengukuran menurut jam dan hari dalam seminggu dan bandingkan standar deviasi itu. Masih tidak benar untuk hal-hal seperti liburan dan musim panas musim panas tapi benar sebagian besar waktu. Kelemahannya adalah Anda benar-benar perlu mengumpulkan data sekitar setahun agar cukup sehingga stddev mulai masuk akal. Analisis spektral mendeteksi periodisitas dalam rangkaian waktu stasioner. Pendekatan domain frekuensi berdasarkan perkiraan kerapatan spektral adalah pendekatan yang akan saya rekomendasikan sebagai langkah pertama Anda. Jika untuk periode tertentu ketidakteraturan berarti puncak yang jauh lebih tinggi daripada yang khas untuk periode itu maka rangkaian dengan penyimpangan semacam itu tidak akan menjadi anjuran stasioner dan spektral tidak sesuai. Tapi dengan asumsi Anda telah mengidentifikasi periode yang memiliki penyimpangan, Anda harus dapat menentukan kira-kira berapa tinggi puncak normal dan kemudian dapat menetapkan ambang batas pada tingkat tertentu di atas rata-rata untuk menunjuk kasus tidak beraturan. Jawab 3 September pukul 14:59 Saya sarankan skema di bawah ini, yang seharusnya bisa diimplementasikan dalam satu hari atau lebih: Kumpulkan sampel sebanyak yang dapat Anda simpan di memori Hapus outlier yang jelas menggunakan standar deviasi untuk setiap atribut Hitung dan simpan matriks korelasi Dan juga rata-rata dari masing-masing atribut Hitung dan simpan jarak Mahalanobis dari semua sampel Anda. Menghitung tingkat tinggi: Untuk sampel tunggal yang ingin Anda ketahui dengan sungguh-sungguh: Ambil matrik matrik kovarian dan jarak Mahalanobis dari pelatihan Hitung jarak Mahalanobis d Untuk sampel Anda Mengembalikan persentil di mana d jatuh (menggunakan jarak Mahalanobis dari pelatihan) Itu akan menjadi skor outlier Anda: 100 adalah outlier yang ekstrem. PS. Dalam menghitung jarak Mahalanobis. Gunakan matriks korelasi, bukan matriks kovarians. Ini lebih kuat jika pengukuran sampel bervariasi dalam satuan dan angka.