Moving Average Vorlesungsnoten

Die ARIMA-Modelle sind in der Theorie die allgemeinste Klasse von Modellen zur Prognose einer Zeitreihe, die durch Differenzierung (wenn nötig) vielleicht 8220 stationary8221 gemacht werden kann In Verbindung mit nichtlinearen Transformationen, wie zB Protokollierung oder Abscheidung (falls erforderlich). Eine Zufallsvariable, die eine Zeitreihe ist, ist stationär, wenn ihre statistischen Eigenschaften alle über die Zeit konstant sind. Eine stationäre Reihe hat keinen Trend, ihre Variationen um ihren Mittelwert haben eine konstante Amplitude, und sie wackelt in einer konsistenten Weise. D. h. seine kurzzeitigen Zufallszeitmuster sehen immer im statistischen Sinne gleich aus. Die letztgenannte Bedingung bedeutet, daß ihre Autokorrelationen (Korrelationen mit ihren eigenen vorherigen Abweichungen vom Mittelwert) über die Zeit konstant bleiben oder daß ihr Leistungsspektrum über die Zeit konstant bleibt. Eine zufällige Variable dieser Form kann (wie üblich) als eine Kombination von Signal und Rauschen betrachtet werden, und das Signal (wenn eines offensichtlich ist) könnte ein Muster einer schnellen oder langsamen mittleren Reversion oder einer sinusförmigen Oszillation oder eines schnellen Wechsels im Vorzeichen sein , Und es könnte auch eine saisonale Komponente. Ein ARIMA-Modell kann als ein 8220filter8221 betrachtet werden, der versucht, das Signal vom Rauschen zu trennen, und das Signal wird dann in die Zukunft extrapoliert, um Prognosen zu erhalten. Die ARIMA-Vorhersagegleichung für eine stationäre Zeitreihe ist eine lineare Gleichung (d. H. Regressionstyp), bei der die Prädiktoren aus Verzögerungen der abhängigen Variablen und oder Verzögerungen der Prognosefehler bestehen. Das heißt: Vorhergesagter Wert von Y eine Konstante undeine gewichtete Summe aus einem oder mehreren neuen Werten von Y und einer gewichteten Summe aus einem oder mehreren neuen Werten der Fehler. Wenn die Prädiktoren nur aus verzögerten Werten von Y bestehen, handelt es sich um ein reines autoregressives Modell (8220 selbst-regressed8221), das nur ein Spezialfall eines Regressionsmodells ist und mit einer Standard-Regressions-Software ausgestattet werden kann. Beispielsweise ist ein autoregressives Modell erster Ordnung (8220AR (1) 8221) für Y ein einfaches Regressionsmodell, bei dem die unabhängige Variable nur um eine Periode (LAG (Y, 1) in Statgraphics oder YLAG1 in RegressIt) verzögert ist. Wenn einige der Prädiktoren Verzögerungen der Fehler sind, handelt es sich bei einem ARIMA-Modell nicht um ein lineares Regressionsmodell, da es keine Möglichkeit gibt, 8220last period8217s error8221 als unabhängige Variable festzulegen: Die Fehler müssen auf einer Periodenperiode berechnet werden Wenn das Modell an die Daten angepasst ist. Aus technischer Sicht ist das Problem der Verwendung von verzögerten Fehlern als Prädiktoren, dass die Vorhersagen von model8217s keine linearen Funktionen der Koeffizienten sind. Obwohl es sich um lineare Funktionen der vergangenen Daten handelt. Daher müssen Koeffizienten in ARIMA-Modellen, die verzögerte Fehler enthalten, durch nichtlineare Optimierungsmethoden (8220hill-climbing8221) abgeschätzt werden, anstatt nur ein Gleichungssystem zu lösen. Das Akronym ARIMA steht für Auto-Regressive Integrated Moving Average. Verzögerungen der stationären Reihe in der Prognose-Gleichung werden als autoregressiveQuot-Terme bezeichnet, die Verzögerungen der Prognosefehler werden als mittlere mittlere quot-Terme bezeichnet, und eine Zeitreihe, die differenziert werden muß, um stationär gemacht zu werden, wird als eine integrierte quotierte Version einer stationären Reihe bezeichnet. Random-walk und random-trend Modelle, autoregressive Modelle und exponentielle Glättungsmodelle sind alle Sonderfälle von ARIMA Modellen. Ein nicht-saisonales ARIMA-Modell wird als ein quotarIMA-Modell (p, d, q) klassifiziert, wobei p die Anzahl der autoregressiven Terme ist, d die Anzahl der für die Stationarität benötigten nicht-seasonalen Differenzen ist und q die Anzahl der verzögerten Prognosefehler ist Die Vorhersagegleichung. Die Vorhersagegleichung ist wie folgt aufgebaut. Zuerst bezeichne y die d - te Differenz von Y. Das bedeutet, daß die zweite Differenz von Y (der Fall d2) nicht die Differenz von 2 Perioden ist. Es ist vielmehr die erste Differenz der ersten Differenz. Was das diskrete Analogon einer zweiten Ableitung ist, d. h. die lokale Beschleunigung der Reihe anstatt ihres lokalen Takts. In Bezug auf y. Ist die allgemeine Prognosegleichung: Hier sind die gleitenden Durchschnittsparameter (9528217s) so definiert, daß ihre Vorzeichen in der Gleichung negativ sind, und zwar nach der Konvention von Box und Jenkins. Einige Autoren und Software (einschließlich der Programmiersprache R) definieren sie so, dass sie stattdessen Pluszeichen haben. Wenn tatsächliche Zahlen in die Gleichung gesteckt werden, gibt es keine Mehrdeutigkeit, aber es ist wichtig zu wissen, welche Konvention Ihre Software verwendet, wenn Sie die Ausgabe lesen. Oft werden dort die Parameter mit AR (1), AR (2), 8230 und MA (1), MA (2), 8230 usw. bezeichnet. Um das entsprechende ARIMA-Modell für Y zu identifizieren, beginnt man die Reihenfolge der Differenzierung zu bestimmen (D) Notwendigkeit, die Serie zu stationarisieren und die Brutto-Merkmale der Saisonalität zu entfernen, möglicherweise in Verbindung mit einer variationsstabilisierenden Transformation, wie z. B. Protokollierung oder Entleerung. Wenn Sie an diesem Punkt anhalten und voraussagen, dass die differenzierten Serien konstant sind, haben Sie lediglich ein zufälliges oder zufälliges Trendmodell angebracht. Die stationäre Reihe kann jedoch weiterhin autokorrelierte Fehler aufweisen, was nahe legt, daß in der Vorhersagegleichung auch einige Anzahl von AR-Terme (p 8805 1) und einige MA-MA-Terme (q 8805 1) benötigt werden. Der Prozess der Bestimmung der Werte von p, d und q, die für eine gegebene Zeitreihe am besten sind, werden in späteren Abschnitten der Notizen (deren Links oben auf dieser Seite sind), aber eine Vorschau von einigen der Typen erörtert Von nicht-saisonalen ARIMA-Modellen, die üblicherweise angetroffen werden, ist unten angegeben. ARIMA (1,0,0) erstes autoregressives Modell: Wenn die Serie stationär und autokorreliert ist, kann sie vielleicht als ein Vielfaches ihres eigenen vorherigen Wertes plus einer Konstante vorhergesagt werden. Die Prognose-Gleichung ist in diesem Fall 8230, die Y auf sich selbst zurückgeblieben um eine Periode zurückgeblieben ist. Dies ist ein 8220ARIMA (1,0,0) constant8221 Modell. Wenn der Mittelwert von Y Null ist, dann würde der konstante Term nicht eingeschlossen werden. Wenn der Steigungskoeffizient 981 & sub1; positiv und kleiner als 1 in der Grße ist (er muß kleiner als 1 in der Grße sein, wenn Y stationär ist), beschreibt das Modell ein Mittelrücksetzverhalten, bei dem der nächste Periodenblockwert 981 1 mal als vorhergesagt werden sollte Weit weg vom Durchschnitt, wie dieser Zeitraum8217s Wert. Wenn 981 & sub1; negativ ist, prognostiziert es ein Mittelwert-Wiederherstellungsverhalten mit einer Veränderung von Vorzeichen, d. h. es sagt auch voraus, daß Y unterhalb der mittleren nächsten Periode liegt, wenn sie über dem Mittel dieser Periode liegt. In einem autoregressiven Modell zweiter Ordnung (ARIMA (2,0,0)), würde es auch einen Yt-2-Term auf der rechten Seite geben, und so weiter. Abhängig von den Zeichen und Größen der Koeffizienten kann ein ARIMA (2,0,0) - Modell ein System beschreiben, dessen mittlere Reversion sinusförmig oszillierend erfolgt, wie die Bewegung einer Masse auf einer Feder, die zufälligen Schocks ausgesetzt ist . ARIMA (0,1,0) zufälliger Weg: Wenn die Reihe Y nicht stationär ist, ist das einfachste mögliche Modell ein zufälliges Wandermodell, das als Begrenzungsfall eines AR (1) - Modells betrachtet werden kann, in dem die autoregressive Koeffizient ist gleich 1, dh eine Reihe mit unendlich langsamer mittlerer Reversion. Die Vorhersagegleichung für dieses Modell kann folgendermaßen geschrieben werden: wobei der konstante Term die mittlere Periodenperiodenänderung (dh die Langzeitdrift) in Y ist. Dieses Modell könnte als ein No-Intercept-Regressionsmodell angepasst werden, in dem die Die erste Differenz von Y ist die abhängige Variable. Da es nur einen nicht sonderbaren Unterschied und einen konstanten Term enthält, wird er als quotarima (0,1,0) - Modell mit constant. quot klassifiziert. Das random-walk-ohne - driftmodell wäre ein ARIMA (0,1, 0) - Modell ohne konstantes ARIMA (1,1,0) differenziertes autoregressives Modell erster Ordnung: Wenn die Fehler eines Zufallswegmodells autokorreliert werden, kann das Problem möglicherweise durch Hinzufügen einer Verzögerung der abhängigen Variablen zu der Vorhersagegleichung - - ie Durch Rückgang der ersten Differenz von Y auf sich selbst verzögert um eine Periode. Dies würde die folgende Vorhersagegleichung ergeben, die umgeordnet werden kann: Dies ist ein autoregressives Modell erster Ordnung mit einer Ordnung der Nichtsaisonaldifferenzierung und einem konstanten Term - d. e. Ein ARIMA (1,1,0) - Modell. ARIMA (0,1,1) ohne konstante einfache exponentielle Glättung: Eine weitere Strategie zur Korrektur autokorrelierter Fehler in einem Random-Walk-Modell wird durch das einfache exponentielle Glättungsmodell vorgeschlagen. Es sei daran erinnert, dass für einige nichtstationäre Zeitreihen (z. B. diejenigen, die geräuschschwankungen um einen langsam variierenden Mittelwert aufweisen) das Zufallswegmodell nicht ebenso gut funktioniert wie ein gleitender Durchschnitt von vergangenen Werten. Mit anderen Worten, anstatt die letzte Beobachtung als Prognose der nächsten Beobachtung zu nehmen, ist es besser, einen Durchschnitt der letzten Beobachtungen zu verwenden, um das Rauschen herauszufiltern und das lokale Mittel genauer zu schätzen. Das einfache exponentielle Glättungsmodell verwendet einen exponentiell gewichteten gleitenden Durchschnitt vergangener Werte, um diesen Effekt zu erzielen. Die Vorhersagegleichung für das einfache exponentielle Glättungsmodell kann in einer Anzahl mathematisch äquivalenter Formen geschrieben werden. Von denen eine die sogenannte 8220-Fehlerkorrektur8221-Form ist, in der die vorhergehende Prognose in der Richtung ihres Fehlers angepasst wird: Weil e t-1 Y t-1 - 374 t-1 per Definition umgeschrieben werden kann : Es handelt sich um eine ARIMA (0,1,1) - konstante Vorhersagegleichung mit 952 1 1 - 945. Dies bedeutet, dass Sie eine einfache exponentielle Glättung durch Angabe als ARIMA (0,1,1) - Modell ohne passen Konstant und der geschätzte MA (1) - Koeffizient entspricht 1-minus-alpha in der SES-Formel. Denken Sie daran, dass im SES-Modell das durchschnittliche Alter der Daten in den 1-Periodenprognosen 1 945 beträgt, was bedeutet, dass sie tendenziell hinter Trends oder Wendepunkten um etwa 1 945 Perioden zurückbleiben werden. Daraus folgt, dass das Durchschnittsalter der Daten in den 1-Periodenprognosen eines ARIMA-Modells (0,1,1) ohne Konstante 1 (1 - 952 1) ist. Wenn beispielsweise 952 1 0,8 beträgt, ist das Durchschnittsalter 5. Da sich 952 1 1 nähert, wird das ARIMA-Modell (0,1,1) ohne Konstante zu einem sehr langfristigen gleitenden Durchschnitt und als 952 1 Ansätze 0 wird es ein random-walk-ohne-Drift-Modell. What8217s der beste Weg, um für Autokorrelation zu korrigieren: Hinzufügen von AR-Begriffe oder Hinzufügen von MA-Begriffen In den vorherigen beiden Modellen, die oben diskutiert wurden, wurde das Problem der autokorrelierten Fehler in einem zufälligen Fußmodell auf zwei verschiedene Arten behoben: durch Hinzufügen eines Verzögerungswertes der differenzierten Reihe Auf die Gleichung oder das Hinzufügen eines verzögerten Wertes des Prognosefehlers. Welcher Ansatz am besten ist Eine Regel für diese Situation, die später noch ausführlicher diskutiert wird, besteht darin, dass die positive Autokorrelation normalerweise am besten durch Hinzufügen eines AR-Terms zum Modell behandelt wird und negative Autokorrelation in der Regel am besten durch Hinzufügen eines MA-Semester. In der Wirtschafts - und Wirtschaftszeitreihe entsteht häufig eine negative Autokorrelation als Artefakt der Differenzierung. (Im allgemeinen differenziert die Differenzierung die positive Autokorrelation und kann sogar einen Wechsel von positiver zu negativer Autokorrelation bewirken.) Daher wird das ARIMA (0,1,1) - Modell, in dem die Differenzierung von einem MA-Begriff begleitet wird, häufiger verwendet als ein ARIMA (1,1,0) - Modell. ARIMA (0,1,1) mit konstanter einfacher exponentieller Glättung mit Wachstum: Durch die Implementierung des SES-Modells als ARIMA-Modell gewinnen Sie tatsächlich etwas Flexibilität. Zuerst darf der geschätzte MA (1) - Koeffizient negativ sein. Dies entspricht einem Glättungsfaktor von mehr als 1 in einem SES-Modell, das nach dem SES-Modellanpassungsverfahren meist nicht zulässig ist. Zweitens haben Sie die Möglichkeit, einen konstanten Term in das ARIMA-Modell zu integrieren, wenn Sie es wünschen, um einen durchschnittlichen Trend, der nicht Null ist, abzuschätzen. Das Modell ARIMA (0,1,1) mit Konstante hat die Vorhersagegleichung: Die Ein-Perioden-Prognosen aus diesem Modell sind qualitativ denjenigen des SES-Modells ähnlich, mit der Ausnahme, dass die Trajektorie der Langzeitprognosen typischerweise a ist (Deren Neigung gleich mu ist) und nicht eine horizontale Linie. ARIMA (0,2,1) oder (0,2,2) ohne konstante lineare Exponentialglättung: Lineare exponentielle Glättungsmodelle sind ARIMA-Modelle, die zwei nicht-sauren Differenzen in Verbindung mit MA-Begriffen verwenden. Die zweite Differenz einer Folge Y ist nicht einfach die Differenz von Y und selbst von zwei Perioden verzögert, sondern sie ist die erste Differenz der ersten Differenz - i. e. Die Änderung in der Änderung von Y in der Periode t. Somit ist die zweite Differenz von Y in der Periode t gleich (Yt - Yt - 1) - (Yt - 1 - Yt - 2) Yt - 2Yt - 1Yt - 2. Eine zweite Differenz einer diskreten Funktion ist analog zu einer zweiten Ableitung einer stetigen Funktion: sie mißt zu einem gegebenen Zeitpunkt die Quota-Beschleunigung quot oder quotvequot in der Funktion. Das ARIMA (0,2,2) - Modell ohne Konstante sagt voraus, daß die zweite Differenz der Reihe eine lineare Funktion der letzten beiden Prognosefehler ist, die umgeordnet werden können: wobei 952 1 und 952 2 die MA (1) und MA (2) Koeffizienten. Dies ist ein allgemeines lineares exponentielles Glättungsmodell. Im Wesentlichen das gleiche wie Holt8217s Modell, und Brown8217s Modell ist ein spezieller Fall. Es verwendet exponentiell gewichtete gleitende Mittelwerte, um sowohl eine lokale Ebene als auch einen lokalen Trend in der Reihe abzuschätzen. Die Langzeitprognosen von diesem Modell konvergieren zu einer Geraden, deren Steigung von dem durchschnittlichen Trend abhängt, der gegen Ende der Reihe beobachtet wird. ARIMA (1,1,2) ohne konstante gedämpfte lineare Exponentialglättung. Dieses Modell ist in den begleitenden Dias auf ARIMA-Modellen dargestellt. Es extrapoliert die lokale Tendenz am Ende der Serie, sondern flacht es auf längere Prognose Horizonte, um eine Notiz von Konservatismus, eine Praxis, die empirische Unterstützung hat einzuführen. Siehe den Artikel auf quotWarum die Damped Trend Werke von Gardner und McKenzie und die quotGolden Rulequot Artikel von Armstrong et al. für Details. Es ist grundsätzlich ratsam, bei Modellen zu bleiben, bei denen mindestens einer von p und q nicht größer als 1 ist, dh nicht versuchen, ein Modell wie ARIMA (2,1,2) anzubringen, da dies zu Überbeanspruchungen führen kann Die in den Anmerkungen zur mathematischen Struktur von ARIMA-Modellen näher erläutert werden. Spreadsheet-Implementierung: ARIMA-Modelle wie die oben beschriebenen lassen sich einfach in einer Tabellenkalkulation implementieren. Die Vorhersagegleichung ist einfach eine lineare Gleichung, die sich auf vergangene Werte von ursprünglichen Zeitreihen und vergangenen Werten der Fehler bezieht. Auf diese Weise können Sie eine ARIMA-Prognosekalkulation einrichten, indem Sie die Daten in Spalte A, die Prognoseformel in Spalte B und die Fehler (Daten minus Prognosen) in Spalte C speichern. Die Prognoseformel in einer typischen Zelle in Spalte B wäre einfach Ein linearer Ausdruck, der sich auf Werte in vorhergehenden Zeilen der Spalten A und C bezieht, multipliziert mit den entsprechenden AR - oder MA-Koeffizienten, die in Zellen an anderer Stelle auf dem Spreadsheet gespeichert sind. Lecture 12: Filtering Themen: Relation zur Faltungseigenschaft der Fourier-Transformation Ideal und nicht ideal Frequenz-Selektiv-Filter: Frequenzdomänen - und Zeitbereichs-Charakteristik Ununterbrochene, durch Differentialgleichungen beschriebene, frequenzselektive Filter RC-Tiefpaß - und Hochpaßfilter Diskrete Zeit-Frequenz-Selektiv-Filter, die durch Differenzgleichungen beschrieben sind Verschieben von Durchschnittsfiltern Rekursive diskrete - Zeit-Filter Demonstration: ein Blick auf die Filterung in einem kommerziellen Audio-Kontrollraum. Lehrbeauftragte: Prof. Alan V. Oppenheim Vorlesung 1: Einführung Vortrag 2: Signale und Syst. Vorlesung 3: Signale und Syst. Vorlesung 4: Faltung Vorlesung 5: Eigenschaften von Li. Vorlesung 6: Systems Represen. Vorlesung 7: Ununterbrochene Zeit. Vorlesung 8: Ununterbrochene Zeit. Vorlesung 9: Fourier Transfor. Vorlesung 10: Diskrete Zeit F. Vorlesung 11: Diskrete Zeit F. Vorlesung 12: Filterung Vorlesung 13: Ununterbrochene Zeit. Vorlesung 14: Demonstration o. Vorlesung 15: Diskrete Zeit M. Vorlesung 16: Probenahme Vorlesung 17: Interpolation Vorlesung 18: Diskrete Zeit P. Vorlesung 19: Diskrete Zeit S. Vorlesung 20: Die Laplace Tra. Vorlesung 21: Ununterbrochene Zeit. Vorlesung 22: Die z-Transformation Vorlesung 23: Mapping Continu. Vorlesung 24: Butterworth Fil. Vortrag 25: Feedback-Vortrag 26: Feedbackbeispiel. Verwandte Ressourcen Der folgende Inhalt wird unter einer Creative Commons-Lizenz bereitgestellt. Ihre Unterstützung hilft MIT OpenCourseWare fortfahren, qualitativ hochwertige Bildungsressourcen kostenlos zur Verfügung zu stellen. Um eine Spende oder sehen Sie zusätzliche Materialien aus Hunderten von MIT-Kurse, besuchen Sie MIT OpenCourseWare bei ocw. mit. edu. PROFESSOR: Bei der Diskussion der kontinuierlichen und diskreten Fourier-Transformationen haben wir eine Reihe wichtiger Eigenschaften entwickelt. Zwei besonders wichtige, wie ich damals erwähnte, sind die Modulationseigenschaft und die Faltungs-Eigenschaft. Beginnend mit der nächsten Vorlesung, die eine nach diesem, gut entwickeln und nutzen einige der Konsequenzen der Modulationseigenschaft. In der heutigen Vorlesung aber möchte ich den Begriff der Filterung, der, wie schon erwähnt, mehr oder weniger direkt aus dem Faltungsvermögen hervorgeht und erweitert werden. Um zu beginnen, lassen Sie mich nur schnell überprüfen, was die Faltungs-Eigenschaft ist. Sowohl für die kontinuierliche als auch für die diskrete Zeit zeigt die Faltungs-Eigenschaft, daß die Fourier-Transformation der Faltung von zwei Zeitfunktionen das Produkt der Fourier-Transformationen ist. Nun, was dies für lineare zeitinvariante Filter bedeutet, da wir wissen, daß im Zeitbereich die Ausgabe eines linearen zeitinvarianten Filters die Faltung des Eingangs und der Impulsantwort ist, so heißt es im wesentlichen im Frequenzbereich Dass die Fourier-Transformation des Ausgangs das Produkt die Fourier-Transformation der Impulsantwort ist, nämlich der Frequenzgang und die Fourier-Transformation des Eingangs. So wird die Ausgabe durch das Produkt beschrieben. Ich erinnere mich auch, dass ich bei der Entwicklung der Fourier-Transformation die Fourier-Transformation als komplexe Amplitude einer Zerlegung des Signals in Form eines Satzes komplexer Exponentiale interpretiert habe. Und der Frequenzgang oder die Convolution-Eigenschaft, in der Tat, sagt uns, wie die Amplituden der einzelnen dieser komplexen Exponentiale, wie sie durch das System gehen zu modifizieren. Dies führte zu dem Begriff der Filterung, wo das grundlegende Konzept war, dass, da wir die Amplituden jeder der komplexen exponentiellen Komponenten separat modifizieren können, können wir zum Beispiel einige von ihnen behalten und völlig andere zu beseitigen. Und das ist der Grundgedanke der Filterung. So haben wir, wie Sie sich erinnern, zunächst einmal die Vorstellung in der Dauerzeit eines idealen Filters, hier beispielhaft ein ideales Tiefpaßfilter, wo wir genau Frequenzkomponenten in einem Band passieren und völlig Frequenzanteile in einem anderen Band zurückweisen. Das Band wird selbstverständlich als das Durchlaßband bezeichnet und das Band als das Sperrband zurückgewiesen. Ich habe hier ein Tiefpassfilter dargestellt. Wir können natürlich die niedrigen Frequenzen zurückweisen und die hohen Frequenzen beibehalten. Und das entspricht dann einem idealen Hochpassfilter. Oder wir können nur Frequenzen innerhalb einer Band beibehalten. Und so zeige ich unten, was allgemein als ein Bandpassfilter bezeichnet wird. Nun, das ist, was die idealen Filter sahen aus wie für kontinuierliche Zeit. Für diskrete Zeit haben wir genau die gleiche Situation. Wir haben nämlich ein ideales diskretes Tiefpaßfilter, das genau die Frequenzen passiert, die die niedrigen Frequenzen sind. Niedrige Frequenzen, natürlich, um 0, und wegen der Periodizität, auch um 2pi. Wir zeigen auch ein optimales Hochpaßfilter. Und ein Hochpassfilter, wie ich das letzte Mal angemerkt habe, gibt Frequenzen um pi. Und schließlich, unten, zeige ich ein ideales Bandpassfilter, das Frequenzen irgendwo im Bereich zwischen 0 und pi passiert. Und erinnern Sie sich auch, dass der grundlegende Unterschied zwischen Dauer-Zeit eine diskrete Zeit für diese Filter ist, dass die diskret-Zeit-Versionen sind natürlich periodisch in der Frequenz. Betrachten wir nun diese idealen Filter und insbesondere das ideale Tiefpassfilter im Zeitbereich. Wir haben den Frequenzgang des idealen Tiefpaßfilters. Und unten ist es die Impulsantwort. Hier ist also der Frequenzgang und darunter die Impulsantwort des idealen Tiefpaßfilters. Und das ist natürlich ein Sinus x über x Form der Impulsantwort. Und erkenne auch, dass, da dieser Frequenzgang realwertig ist, die Impulsantwort, also die inverse Transformation, eine gerade Funktion der Zeit ist. Und bemerkt auch, da ich darauf zurückkommen möchte, dass die Impulsantwort eines idealen Tiefpaßfilters in der Tat nicht-kausal ist. Das folgt unter anderem aus der Tatsache, dass seine eine gleichmäßige Funktion. Aber denken Sie daran, in der Tat, dass eine Sinus x über x-Funktion geht in unendlich in beide Richtungen. Somit ist die Impulsantwort des idealen Tiefpaßfilters symmetrisch und weist weiterhin Schwänze zu plus und minus unendlich auf. Nun ist die Situation im diskreten Fall grundsätzlich gleich. Schauen wir uns den Frequenzgang und die zugehörige Impulsantwort für ein ideales diskretes Tiefpassfilter an. Also hier noch einmal der Frequenzgang des idealen Tiefpaßfilters. Und unten, was ich die Impulsantwort zeigen. Wieder ist es ein Sinus x über x Art der Impulsantwort. Und wieder erkennen wir, dass, da im Frequenzbereich, dieser Frequenzgang realwertig ist. Das bedeutet, dass als Folge der Eigenschaften der Fourier-Transformation und der inversen Fourier-Transformation die Impulsantwort eine gerade Funktion im Zeitbereich ist. Und auch, nebenbei bemerkt, die Sinus x über x-Funktion geht in unendlich, wieder, in beide Richtungen. Nun sprachen wir über ideale Filter in dieser Diskussion. Und ideale Filter alle sind in der Tat ideal in einem gewissen Sinne. Was sie idealerweise tun, ist, dass sie ein bestimmtes Frequenzband exakt passieren und ein Band von Frequenzen genau ablehnen. Andererseits gibt es viele Filterprobleme, bei denen wir im allgemeinen keine scharfe Unterscheidung zwischen den Frequenzen haben, die wir durchlassen wollen, und den Frequenzen, die wir ablehnen wollen. Ein Beispiel hierfür ist der Entwurf eines Automobilfederungssystems, das in der Tat der Entwurf eines Tiefpaßfilters ist. Und im Grunde, was Sie tun wollen, in einem Fall wie das ist Filter aus oder abschwächen sehr schnelle Straßenvarianten und halten die unteren Variationen in natürlich Höhenlage der Autobahn oder Straße. Und was Sie sehen können intuitiv ist, dass es nicht wirklich eine sehr scharfe Unterscheidung oder scharfe Cut-off zwischen dem, was Sie logisch nennen würde die niedrigen Frequenzen und was würden Sie die hohen Frequenzen nennen. Nun ist auch etwas damit verbunden, daß, wie wir im Zeitbereich gesehen haben, diese idealen Filter einen ganz besonderen Charakter haben. Sehen wir uns zum Beispiel das ideale Tiefpassfilter an. Und wir sahen die Impulsantwort. Die Impulsantwort ist das, was wir hier gezeigt haben. Schauen wir uns nun die Sprungantwort des diskreten zeitlichen Tiefpassfilters an. Und beachten Sie die Tatsache, dass es einen Schwanz, der oszilliert. Und wenn der Schritt trifft, hat er tatsächlich ein oszillatorisches Verhalten. Nun, genau die gleiche Situation tritt in der kontinuierlichen Zeit. Betrachten wir die Schrittantwort des kontinuierlich-idealen Tiefpassfilters. Und was wir sehen ist, dass, wenn ein Schritt trifft dann in der Tat, wir eine Oszillation. Und sehr oft, dass Oszillation ist etwas, was unerwünscht ist. Zum Beispiel, wenn Sie ein Auto-Suspension-System entwerfen und Sie eine Kurve, die ein Stufen-Eingang ist, in der Tat, möchten Sie wahrscheinlich nicht möchten, dass das Auto schwingend, sterben in Oszillation. Nun gibt es einen weiteren sehr wichtigen Punkt, der wiederum entweder in der kontinuierlichen oder der diskreten Zeit sehen kann, dass, selbst wenn wir ihn einen idealen Filter haben wollen, das ideale Filter ein anderes Problem hat, wenn wir versuchen wollen zu implementieren Es in Echtzeit. Was ist das Problem Das Problem ist, dass, da die Impulsantwort ist gerade und in der Tat hat Schwänze, die gehen zu plus und minus Unendlichkeit, seine nicht-kausalen. Also, wenn wir in der Tat wollen wir einen Filter zu bauen und der Filter auf den Betrieb in Echtzeit beschränkt ist, dann in der Tat, wir cant bauen einen idealen Filter. Das, was gesagt wird, ist, dass in der Praxis, obwohl ideale Filter sind schön, darüber nachzudenken und vielleicht beziehen sich auf praktische Probleme, typischer, was wir als nichtidealische Filter und im diskreten Fall, ein nonideal Filter dann würden wir eine Eigenschaft haben Etwas wie Ive hier angegeben. Wo statt eines sehr schnellen Übergangs vom Durchlaßband zum Sperrband ein allmählicher Übergang mit einer Durchlaßband-Grenzfrequenz und einer Stoppband-Grenzfrequenz auftreten würde. Und vielleicht auch statt einer exakt flachen Charakteristik im Sperrband im Durchlaßbereich, würden wir eine gewisse Welligkeit zulassen. Wir haben auch genau die gleiche Situation im Dauerbetrieb, wo wir hier einfach nur unsere Frequenzachse auf eine kontinuierliche Frequenzachse anstelle der diskreten Frequenzachse ändern. Wiederum würden wir in Bezug auf eine zulässige Durchlaßbandwelligkeit, einen Übergang vom Durchlaßband zum Stoppband mit einer Durchlaßband-Grenzfrequenz und einer Stoppband-Grenzfrequenz denken. So ist der Begriff hier, dass wiederum ideale Filter in mancher Hinsicht ideal sind und in anderer Hinsicht nicht ideal sind. Und für viele praktische Probleme, können wir sie nicht wollen. Und selbst wenn wir sie wollten, können wir sie vielleicht nicht bekommen, vielleicht wegen dieser Frage der Kausalität. Selbst wenn die Kausalität kein Thema ist, ist das, was in der Filtergestaltung und - implementierung geschieht, tatsächlich so, daß, je schärfer man versucht, den Cutoff herzustellen, um so teurer wird, in gewissem Sinne, der Filter entweder in Form von Komponenten oder kontinuierlich wird - Zeit, oder in Bezug auf die Berechnung in diskreter Zeit. Und so gibt es diese ganze Vielfalt von Themen, die es wirklich wichtig machen, um den Begriff nonideal Filter zu verstehen. Nun, nur um als Beispiel zu veranschaulichen, lassen Sie mich erinnern Sie an ein Beispiel, was in der Tat ist ein nonideal Tiefpassfilter. Und wir haben vorher die zugehörige Differentialgleichung betrachtet. Lassen Sie mich nun in der Tat beziehen sie auf eine Schaltung, und insbesondere eine RC-Schaltung, wobei der Ausgang könnte entweder über den Kondensator oder der Ausgang kann über den Widerstand sein. Also, wir haben hier zwei Systeme. Wir haben ein System, welches die Systemfunktion vom Spannungsquelleneingang zum Kondensatorausgang, das System vom Spannungsquelleneingang zum Widerstand Ausgang ist. Und in der Tat, gerade Anwendung Kirchhoffs Voltage Law, können wir diese in einer sehr einfachen Weise beziehen. Seine sehr einfach zu überprüfen, dass das System von Eingang zu Widerstand Ausgang ist einfach das Identity-System mit dem Kondensator-Ausgang subtrahiert. Nun können wir die Differentialgleichung für jedes dieser Systeme schreiben und, wie wir letztes Mal in den letzten mehreren Vorträgen gesprochen haben, diese Gleichung unter Verwendung und Ausnutzung der Eigenschaften der Fourier-Transformation lösen. Und tatsächlich, wenn wir die Differentialgleichung betrachten, die den Kondensatorausgang mit dem Spannungsquelleneingang verbindet, erkennen wir, dass dies ein Beispiel ist, das in Wirklichkeit zuvor gelöst wurde. Und so arbeiten wir nur unseren Weg nach unten, die Anwendung der Fourier-Transformation auf die Differentialgleichung und die Erzeugung der Systemfunktion, indem wir das Verhältnis der Kondensatorspannung oder ihre Fourier-Transformation in die Fourier-Transformation der Quelle, dann haben wir die Systemfunktion mit dem assoziiert System, bei dem der Ausgang die Kondensatorspannung ist. Oder wenn wir stattdessen die mit dem Widerstand ausgegebene Systemfunktion lösen, können wir einfach H1 von Unity subtrahieren. Und die Systemfunktion, die wir in diesem Fall erhalten, ist die Systemfunktion, die ich hier zeige. So haben wir nun zwei Systemfunktionen, eine für den Kondensatorausgang, die andere für den Widerstand-Ausgang. Und eine, die erste, die dem Kondensator-Ausgang, in der Tat, wenn wir sie auf einer linearen Amplitude Skala, sieht so aus. Und wie Sie sehen können, und wie wir das letzte Mal sahen, ist eine Annäherung an ein Tiefpassfilter. Es handelt sich in der Tat um ein nichtidales Tiefpaßfilter, während das Widerstandsausgangssignal eine Annäherung an ein Hochpaßfilter oder in Wirklichkeit ein nichtidales Hochpassfilter ist. In einem Fall haben wir also nur einen Vergleich der beiden, wir haben ein Tiefpaßfilter als das Kondensatorausgangssignal, das dem Kondensatorausgang zugeordnet ist, und ein Hochpaßfilter, das dem Ausgangswiderstand zugeordnet ist. Lets nur schnell auf dieses Beispiel jetzt auf der Suche nach einem Bode-Plot, anstatt auf der linearen Skala, die wir vor gezeigt. Und erinnern Sie sich übrigens, und bewusst sein, nebenbei bemerkt, dass wir natürlich können kaskadieren mehrere Filter dieser Art und verbessern die Eigenschaften. So habe ich oben ein Bode-Diagramm der Systemfunktion gezeigt, die dem Kondensatorausgang zugeordnet ist. Seine flache auf eine Frequenz entsprechend 1 über die Zeitkonstante, RC. Und dann fällt es bei 10 dB pro Jahrzehnt ab, wobei ein Jahrzehnt den Faktor 10 beträgt. Oder wenn man stattdessen die Systemfunktion des Ausgangswiderstandes betrachtet, entspricht dies einer 10-dB-Erhöhung pro Jahrzehnt bis hin zu annähernd dem Kehrwert Der Zeitkonstante und nähert sich danach einer flachen Charakteristik. Und wenn wir eine dieser beiden Betrachtungen betrachten, würden wir, wenn wir mit diesem Frequenzgang mehrere Filter kaskadieren wollten, dann, weil wir auf einem Bode-Plot aufgetragen haben, das Bode-Diagramm für die Kaskade einfach summieren diese. Und wenn wir z. B. zwei Stufen statt eines Roll-offs bei 10 dB pro Jahrzehnt kaskadieren, würde es mit 20 dB pro Jahrzehnt abrollen. Nun sind Filter in dieser Art, RC-Filter, vielleicht mehrere von ihnen in Kaskade, in der Tat sehr weit verbreitet. Und tatsächlich, in einer Umgebung wie diesem, wo tatsächlich in der Aufnahme war, sehen wir, dass es solche Filter gibt, die sehr häufig sowohl im Audio - als auch im Video-Teil der Signalverarbeitung auftreten, die mit der Herstellung dieses Satzes verbunden sind Von Bändern. In der Tat, werfen wir einen Blick in die Warte. Und was Ill in der Lage, Ihnen zu zeigen, in der Leitwarte ist die Audio-Teil der Verarbeitung, die getan wird, und die Arten von Filtern, sehr viel von der Art, die wir gerade gesprochen, die mit der Signalverarbeitung, die bei der Vorbereitung der Audio - Für die Bänder. So können Sie nur einen Spaziergang in die Warte und sehen, was wir sehen. Dies ist der Kontrollraum, der für die Kameraumschaltung verwendet wird. Seine verwendet für Computer-Bearbeitung und auch Audio-Steuerung. Sie sehen die Monitore und diese werden für die Kameraumschaltung verwendet. Und das ist die Computer-Editing-Konsole, die für Online-und Offline-Computer-Bearbeitung verwendet wird. Was ich aber wirklich demonstrieren möchte, ist im Rahmen der Vorlesung das Audio Control Panel, das unter anderem eine Vielzahl von Filtern für hochfrequente, tiefe Frequenzen, ua, Grundausgleichsfilter, enthält. Und was wir bei der Filterung haben, ist vor allem, was als grafischer Equalizer bezeichnet wird, der aus einem Satz von Bandpassfiltern besteht, die Ill ein wenig genauer in einer Minute beschreiben. Und dann auch ein Audio-Control Panel, das hier unten ist und die separate Equalizer-Schaltungen für jede von einem ganzen Satz von Kanälen und auch viele Kontrollen auf ihnen enthält. Nun, lassen Sie mich anfangen, in der Demonstration durch die Demonstration ein wenig, was die Grafik-Equalizer tut. Nun, was wir haben ist ein Satz von Bandpass-Filter. Und was hier oben angezeigt wird, sind die Mittenfrequenzen der Filter und dann ein Schieberegler für jeden, der uns attenuieren oder verstärken lässt. Und das ist eine dB-Skala. Also im Wesentlichen, wenn Sie schauen über diese Bank von Filtern mit der Gesamtausgabe des Equalors nur die Summe der Ausgänge von jedem dieser Filter, interessanterweise die Position der Schieberegler wechselt, wie Sie hier bewegen, in der Tat, zeigt Ihnen was Der Frequenzgang des Equalizers ist. So können Sie die Gesamtform des Filters ändern, indem Sie die Schalter nach oben und unten bewegen. Im Moment ist der Equalizer aus. Lets setzen den Equalizer in den Stromkreis. Und nun setze ich diese Filtercharakteristik ein. Und was Id zu demonstrieren ist Filterung mit diesem, wenn wir Dinge tun, die ein wenig dramatischer als das, was normalerweise in einem typischen Audio-Aufnahme-Einstellung getan werden. Und um dies zu tun, fügen Sie meiner Stimme etwas Musik hinzu, um es interessanter zu machen. Nicht, dass meine Stimme ist nicht interessant, wie es ist. Aber auf jeden Fall können wir etwas Musik bringen. Und jetzt, was ich tun, ist die niedrigen Frequenzen flach eingestellt. Und lassen Sie mich nehmen die hohen Frequenzen über 800 Zyklen. Und so, jetzt, was wir haben, ist effektiv ein Tiefpaßfilter. Und jetzt mit dem Tiefpaßfilter, lass mich jetzt die Höhen zurückbringen. Und so Im bringen diese Bandpass-Filter. Und jetzt lassen Sie mich schneiden Sie die Tiefen. Und Sie hören die Tiefen, die verschwinden, und in der Tat, halten die Höhen in effektiv crispens der Klang, entweder meine Stimme oder die Musik. Und schließlich, lassen Sie mich zurück zu 0 dB Entzerrung auf jedem der Filter. Und was Ill auch jetzt tun ist, nehmen Sie den Equalizer aus dem Kreislauf total. Nun, werfen wir einen Blick auf die Audio-Master-Systemsteuerung. Und dieses Panel hat natürlich für jeden Kanal und z. B. den bearbeiteten Kanal eine Lautstärkeregelung. Ich kann die Lautstärke verringern, und ich kann die Lautstärke erhöhen. Und es hat auch für diese besondere Equalizer-Schaltung, hat es eine Reihe von drei Bandpass-Filter und Knöpfe, die uns entweder in bis zu 12 dB Verstärkung oder 12 dB Dämpfung in jedem der Bänder, und auch ein Selector-Schalter, der uns lässt Wählen Sie die Mitte des Bandes. Also lass mich mal wieder ein wenig damit zeigen. Und lassen Sie eine Nahaufnahme dieses Panels. So haben wir, wie ich schon sagte, drei Bandpassfilter. Und diese Knöpfe, die Im, der hier zeigt, sind Kontrollen, die uns für jeden der Filter erlauben, bis zu 12 dB Verstärkung oder 12 dB Dämpfung einzusetzen. Es gibt auch mit jedem der Filter einen Wählschalter, mit dem wir die Mittenfrequenz des Filters einstellen können. Grundsätzlich ist es ein Schalter mit zwei Stellungen. Es gibt auch, wie Sie sehen können, eine Schaltfläche, die uns entweder die Entzerrung in oder out. Derzeit ist die Entzerrung aus. Lets setzen die Entzerrung in. Wir werden keine Wirkung davon hören, da die Verstärkungsregler alle auf 0 dB eingestellt sind. Und ich möchte in Kürze die Wirkung dieser veranschaulichen. Aber bevor ich das mache, lass mich deine Aufmerksamkeit auf einen anderen Filter lenken, der dieser weiße Schalter ist. Und dieser Schalter ist ein Hochpassfilter, das im Wesentlichen Frequenzen unter etwa 100 Zyklen schneidet. Also, was bedeutet es, dass, wenn ich diesen Schalter in, ist alles mehr oder weniger flach über 100 Zyklen. Und was das für verwendet, im Grunde, ist zu beseitigen, vielleicht 60 Zyklus Lärm, wenn diese vorhanden ist, oder einige niederfrequente hum oder was auch immer. Nun, wir werden nicht wirklich etwas demonstrieren. Lets go jetzt mit der Entzerrung in, zeigen die Wirkung der Boosting oder Abschwächung der niedrigen und hohen Frequenzen. Und wieder, denke ich, dies zu demonstrieren, illustriert es den Punkt am besten, wenn wir eine kleine Hintergrundmusik haben. So Maestro, wenn Sie das bringen können. Und so jetzt, was Im gehend zu tun, ist zuerst die niedrigen Frequenzen verstärken. Und das ist, was dieser Potentiometerknopf tun wird. So jetzt, die Erhöhung der tiefen Frequenzverstärkung und in der Tat, den ganzen Weg bis zu 12 dB, wenn ich den Knauf über so weit wie Ive gegangen hier. Und das hat einen sehr bassigen Sound. Und in der Tat, können wir es sogar bassier, indem sie die hohen Frequenzen und Dämpfung von 12 dB. OK gut, lassen Sie einige der hohen Frequenzen zurück in. Und jetzt lassen Sie die tieffrequenten Verstärkung zuerst zurück auf 0 zurück. Und jetzt waren wieder auf flache Entzerrung. Und jetzt kann ich die tiefe Frequenzverstärkung nach unten, so dass ich Dämpfung der tiefen Frequenzen um viel wie 12 dB. Und das ist, wo wir jetzt sind. Und so hat das natürlich einen viel schärferen Klang. Und um die Höhen noch mehr zu steigern, kann ich, zusätzlich zum Herausschneiden der Tiefen, die Höhen steigern, indem ich wieder so viel wie 12 dB. OK gut, lässt sich die Musik jetzt und gehen Sie zurück zu keinem Ausgleich durch Einstellung dieser Regler auf 0 dB. Und in der Tat, können wir den Equalizer aus. Nun, das ist ein kurzer Blick auf einige reale-Welt-Filter. Jetzt können wir aufhören, so viel Spaß zu haben, und gehen wir zurück zur Vorlesung. Okay, das ist ein bisschen hinter den Kulissen. Was Id wie zu tun jetzt ist unsere Aufmerksamkeit auf diskrete Zeit Filter. Und wie es in früheren Vorlesungen gemeint ist, gibt es grundsätzlich zwei Klassen von diskreten Zeitfiltern oder diskrete Zeitdifferenzgleichungen. Eine Klasse wird auf einen nicht rekursiven oder gleitenden Durchschnittsfilter bezogen. Und die Grundidee mit einem gleitenden Mittelfilter ist etwas, das Sie vielleicht intuitiv kennen. Denken Sie an den Begriff des Nehmens einer Datensequenz, und nehmen wir an, dass, was wir tun wollten, eine Glättung der Datensequenz angewendet wurde. Wir könnten z. B. denken, benachbarte Punkte zu nehmen, sie zusammen zu mitteln und dann diesen Durchschnitt entlang der Datensequenz zu bewegen. Und was Sie sehen können intuitiv ist, dass, dass einige Glättung gelten würde. In der Tat, die Differenz-Gleichung, sagen wir, für den Dreipunkt gleitenden Durchschnitt wäre die Differenzgleichung, die ich hier angeben, einfach nur einen Datenpunkt und die beiden Datenpunkte neben ihm und bildet einen Durchschnitt von diesen drei. Wenn wir also an die Verarbeitung dachten, wenn wir einen Ausgangssequenzwert bilden würden, würden wir drei benachbarte Punkte nehmen und sie durchschnittlich machen. Das würde uns die Ausgabe hinzufügen die zugehörige Zeit. Und dann, um den nächsten Ausgangspunkt zu berechnen, würden wir einfach nur schieben Sie diese um einen Punkt, durchschnittlich diese zusammen, und das würde uns den nächsten Ausgangspunkt. Und wir würden weiter gehen, einfach nur gleiten und Mittelung, um die Ausgangsdaten-Sequenz zu bilden. Nun, das ist ein Beispiel für was ist gemeinhin auf einen Dreipunkt-gleitenden Durchschnitt bezogen. In der Tat, können wir diese Vorstellung in einer Reihe von Möglichkeiten zu verallgemeinern. Eine Möglichkeit, den Begriff eines gleitenden Durchschnittes aus dem dreifach gleitenden Durchschnitt zu verallgemeinern, den ich hier noch einmal zusammenfasse, ist es, an eine größere Anzahl von Punkten zu denken und in der Tat Gewichte auf das anzuwenden, wie ich hier angedeutet habe Daß wir neben der bloßen Addition der Punkte und der Division durch die Anzahl der summierten Punkte in der Tat auch einzelne Gewichte auf die Punkte anwenden können, so daß ihre sogenannte Gewichtung gleitender Durchschnitt ist. Und ich zeige unten eine mögliche Kurve, die resultieren könnte, wo diese im Wesentlichen die Gewichte waren, die mit diesem gewichteten gleitenden Durchschnitt verbunden sind. Und in der Tat, seine leicht zu überprüfen, dass dies in der Tat entspricht der Impulsantwort des Filters. Nun, nur um diese Vorstellung zu zementieren, lassen Sie mich Ihnen ein Beispiel oder zwei zeigen. Hier ein Beispiel für einen gleitenden 5-Punkte-Durchschnitt. Ein fünffach gleitender Durchschnitt hätte eine Impulsantwort, die nur aus einem Rechteck der Länge fünf besteht. Und wenn dies mit einer Datensequenz gefaltet wird, würde dies entsprechen fünf benachbarten Punkten und in Wirklichkeit, sie zu mitteln. Weve schaute vorher auf die Fourier-Transformation dieser rechteckigen Folge. Und die Fourier-Transformierte davon ist tatsächlich die Form einer Sinuskurve x über der Sinuskurve. Und wie Sie sehen können, ist das eine gewisse Annäherung an ein Tiefpassfilter. Und so ist dies wiederum die Impulsantwort und der Frequenzgang eines nicht-wirksamen Tiefpaßfilters. Nun gibt es eine Vielzahl von Algorithmen, die in der Tat, Ihnen zu sagen, wie die Gewichte mit einem gewichteten gleitenden Durchschnitt, um in gewissem Sinne, bessere Approximationen und ohne in die Details eines dieser Algorithmen. Lassen Sie mich nur zeigen, das Ergebnis der Auswahl der Gewichte für die Gestaltung eines 251-Punkte-Gleitmittel-Filter, wo die Gewichte werden mit einem optimalen Algorithmus, um zu generieren, wie scharf ein Cutoff, wie möglicherweise erzeugt werden können. Und so zeige ich hier den Frequenzgang des resultierenden Filters auf einer logarithmischen Amplitudenskala und einer linearen Frequenzskala. Beachten Sie, dass auf dieser Skala das Durchlassband sehr flach ist. Obwohl hier eine erweiterte Ansicht davon ist. Und in der Tat hat es, was als eine gleich-ripple-Eigenschaft bezeichnet. Und dann ist hier das Übergangsband. Und hier müssen wir Bandbremsen, die in der Tat ist etwas mehr als 80 dB und hat wieder, was ist als gleich-ripple-Eigenschaft bezeichnet. Nun ist die Vorstellung von einem gleitenden Durchschnitt für die Filterung etwas, das sehr häufig verwendet wird. Ich hatte das letzte Mal tatsächlich das Ergebnis einer Filterung auf einer bestimmten Datensequenz gezeigt, dem Dow Jones Industrial Average. Und sehr oft, bei Blick auf verschiedene Arten von Börsenpublikationen, was Sie sehen, ist der Dow Jones-Durchschnitt in seiner Rohform als Datensequenz gezeigt. Und dann sehr typisch, sehen Sie auch das Ergebnis eines gleitenden Durchschnitt, wo der gleitende Durchschnitt auf der Tagesordnung sein könnte, oder es könnte in der Größenordnung von Monaten sein. Die ganze Vorstellung, einige der zufälligen Hochfrequenzschwankungen aus dem Durchschnitt herauszunehmen und die niedrige Frequenz oder Trends, über einen gewissen Zeitraum zeigen. Lasst uns also in den Dow Jones-Durchschnitt zurück. Und lassen Sie mich Ihnen nun zeigen, was das Ergebnis der Filterung mit einem gleitenden durchschnittlichen Filter würde auf der gleichen Dow Jones industriellen durchschnittliche Sequenz, die ich gezeigt habe letztes Mal aussehen. So haben wir noch einmal den Dow-Jones-Durchschnitt von 1927 bis etwa 1932. An der Spitze sehen wir die Impulsantwort für den gleitenden Durchschnitt. Auch hier erinnere ich Sie auf eine erweiterte Zeitskala, und was hier gezeigt wird, ist der gleitende Durchschnitt mit nur einem Punkt. So ist der Ausgang auf der unteren Spur einfach nur identisch mit dem Eingang. Nun können wir die Länge des gleitenden Durchschnitts auf zwei Punkte erhöhen. Und wir sehen, dass es eine kleine Menge an Glättung, drei Punkte und nur ein wenig mehr Glättung, die eingefügt wird. Jetzt ein Vier-Punkte-gleitender Durchschnitt und dann der fünffache gleitende Durchschnitt und ein Sechs-Punkte-gleitender Durchschnitt. Und wir sehen, dass die Glättung zunimmt. Nun können Sie die Länge des gleitenden Mittelfilters viel schneller erhöhen und beobachten, wie die Ausgabe mehr und gleichmäßiger in Bezug auf die Eingabe ist. Auch hier betone ich, dass die Zeitskala für die Impulsantwort in Bezug auf die Zeitskala sowohl für die Eingabe als auch für die Ausgabe signifikant erweitert wird. Und noch einmal, durch die Magie der Filterung, konnten wir den 1929 Börsencrash beseitigen. In Ordnung, so sehen wir gleitenden Durchschnitt Filter, oder was manchmal auch als nicht-rekursive Filter bezeichnet werden. Und sie sind, wie ich betont, eine sehr wichtige Klasse von diskreten Zeitfiltern. Eine weitere sehr wichtige Klasse von diskreten Zeitfiltern sind sogenannte rekursive Filter. Rekursive Filter sind Filter, für die die Differenzgleichung Rückkopplung vom Ausgang zurück in den Eingang hat. Mit anderen Worten, die Ausgabe hängt nicht nur von der Eingabe, sondern auch von früheren Werten des Ausgangs ab. So hat z. B. eine rekursive Differenzgleichung, wie ich schon früher betont habe, die allgemeine Form, die ich hier ansehe, eine lineare Kombination von gewichteten Ausgängen auf der linken Seite und eine Linearkombination gewichteter Eingänge auf der rechten Seite. Und wie wir gesprochen haben, können wir diese Gleichung für die aktuelle Ausgabe y von n in Form von aktuellen und vergangenen Eingängen und vergangenen Ausgängen lösen. Zum Beispiel, nur um dies zu interpretieren, konzentrieren sich auf die Interpretation dieser als Filter, können Blick auf eine Gleichung erster Ordnung, die wir sprachen über und generiert die Lösung zuvor. Also die erste Ordnung Differenz Gleichung wäre, wie ich hier angegeben. Wenn wir annehmen, daß wir dies als rekursive Vorwärtsbewegung durchführen, können wir dies für y von n in Form von x von n und y von n minus 1 lösen, gewichtet mit dem Faktor a. Und ich zeige einfach das Blockschaltbild dafür. Was wir nun für diese Rekursion erster Ordnung untersuchen wollen, ist der Frequenzgang und sehen seine Interpretation als Filter. Nun ja, in der Tat, die Mathematik für diese Weve ging in der letzten Vorlesung. Und so interpretiert man die Differenzgleichung erster Ordnung als ein System, was zu erzeugen versucht, ist der Frequenzgang, der die Fourier-Transformation der Impulsantwort ist. Und aus der Differenzengleichung können wir natürlich für eines von ihnen durch die Verwendung der Eigenschaften, die Ausnutzung der Eigenschaften, der Fourier-Transformation lösen. Wenn wir die Fourier-Transformation auf die Differenzengleichung anwenden, werden wir mit der Fourier-Transformation des Ausgangs gleich der Fourier-Transformation der Eingangszeiten diesen Faktor beenden, was wir aus der Faltungseigenschaft tatsächlich als Frequenzgang des Systems wissen . Das ist also der Frequenzgang. Und natürlich ist die inverse Fourier-Transformation davon, die ich unten angeben, die Systemimpulsantwort. So haben wir die Frequenzantwort erhalten, indem man die Fourier-Transformation auf die Differenzgleichung, die Impulsantwort. Und wie wir das letzte Mal getan haben, können wir das in Hinsicht auf eine Frequenzantwortcharakteristik betrachten. Und daran erinnern, dass, je nachdem, ob der Faktor a positiv oder negativ ist, wir entweder ein Tiefpassfilter oder ein Hochpassfilter. Und wenn wir den Frequenzgang für den Faktor a positiv betrachten, sehen wir, dass dies eine Annäherung an ein Tiefpaßfilter ist, während darunter ich den Frequenzgang für ein Negativ darstelle. Und dort entspricht dies einem Hochpassfilter, da tiefe Frequenzen gedämpft und die hohen Frequenzen gehalten wurden. Und erinnern Sie sich auch, dass wir diese Eigenschaft als Tiefpass oder Hochpaßfilter für die Rekursion erster Ordnung dargestellt haben, indem wir uns anschauten, wie es als Filter in beiden Fällen funktionierte, als der Eingang der Dow Jones Durchschnitt war. Und in der Tat, sahen wir, dass es sowohl Tiefpass-und Hochpass-Filterung in den entsprechenden Fällen erzeugt. Also für diskrete Zeit haben wir die beiden Klassen, gleitenden Durchschnitt und rekursive Filter. Und es gibt eine Vielzahl von Fragen, die im Text diskutiert werden, warum, in bestimmten Zusammenhängen, könnte man einen der anderen verwenden möchten. Basically, what happens is that for the moving average filter, for a given set a filter specifications, there are many more multiplications required than for a recursive filter. But there are, in certain contexts, some very important compensating benefits for the moving average filter. Now, this concludes, pretty much, what I want to say in detail about filtering, the concept of filtering, in the set of lectures. This is only a very quick glimpse into a very important and very rich topic, and one, of course, that can be studied on its own in an considerable amount of detail. As the lectures go on, what well find is that the basic concept of filtering, both ideal and nonideal filtering, will be a very important part of what we do. And in particular, beginning with the next lecture, well turn to a discussion of modulation, exploiting the property of modulation as it relates to some practical problems. And what well find when we do that is that a very important part of that discussion and, in fact, a very important part of the use of modulation also just naturally incorporates the concept and properties of filtering. Vielen Dank. Free Downloads