Moving Average Wavelet

Hallo, nach dem Versuch, dies auf nationales Forum ohne Erfolg zu diskutieren, im versuchen ein Glück an breiterer Gemeinschaft. Im-Experimentieren mit einer Wavelet-Transformation in MATLAB wegen seiner bekannten Zwecken - Multiresolutionalanalyse, Denoising, Feature-Extraktion, Signal Vorverarbeitung für NNs etc. Im im Hinblick auf die Verwendung als Basis für die Verbesserung der grundlegenden Indikatoren - Reduzierung von Rauschen, Ersatz Von MAs etc. Die Ergebnisse mit historischen Daten sind sehr schön, aber das Hauptproblem im Gesicht ist die Randeffekte (Grenzartefakte). Dadurch wird die Leistung der WT mit Hilfe von Echtzeitdaten signifikant gesenkt (fenstergestützte xxx Vergangenheitsbeispiele). Ich frage mich, wenn einige von Ihnen mit handelsüblichen WT-basierten Indikatoren (TS Research Group, Pilgrimm) arbeiten, was ist Ihre Erfahrung, sie leiden auch unter Grenzartefakte Nur um genauer zu sein, die Methode im Versuch ist redundant (nicht deciamated) , Shift invariante Transformation. Ive versuchte mehrere Toolboxes - Matlab Wavelet Toolbox, Wavelab802 (donoho und Co.), Pieflab, noch ohne viel Erfolg in Echtzeit-Performance. Thx für die Antworten Im froh, eine Person mit den gleichen Interessen zu treffen :) Ive fing an, mit Wavelets auch zu spielen, aber ich störte nicht mit kommerziellem weichgehandeltes direkt zu Matlab :) Ich erhielt nicht zur Realzeitverarbeitung, gerade auslaufend offline. Welche Art von Schwierigkeiten und in welchen Fällen Sie expirience Im arbeiten mit DWT (die quotwavedecquot / quotwaverecquot Routinen), scheinen sie ziemlich schnell arbeiten. Afterall, wenn u das Modell arbeiten, ist es immer möglich, Code in C :) gibt es eine Menge von OpenSource-Bibliotheken auf jedem Fall. Übrigens würde ich mich freuen, wenn wir hier einige Aspekte der Apllication von waveletsto Marktanalyse diskutieren. Ich habe die folgenden Fragen: 1. Wavelet Approximation der N-Ebene scheint eine perfekte Substitution für die MA. Es hat keine Verzögerung und folgen dem Trend besser. Aber was ist mit Nebeneffekt Wie man damit umgehen Was ist die beste Methode der Polsterung Vielleicht einige Zulage (einige künstliche Verzögerung) sollte genommen werden, um Nebenwirkungen zu beseitigen 2. Welche Wavelet ist am besten geeignet für die Analyse der Preisdaten Derzeit, Im mit Meyer Wavelet, um die Grafik zu glätten. Auf dem Bild unten - die rote Linie ist die 5. Ebene Näherung - die grüne Linie ist die 3. Ebene Näherung Es wäre interessant zu wissen, wie Sie Wavelets verwenden. Aufrechtzuerhalten. ) Sein nettes, zum jemand zu sehen, das mit diesem auch kämpft. Gut, nicht nur, um den Kampf zu sehen, aber die möglichen Lösungen, aber :) ive aus dieser Arbeit seit einiger Zeit, so im Schreiben zu antworten ASAP, um diesen Thread gehen, und würde einige Zeit brauchen, um in diese Dinge wieder zu bekommen, Aber ich denke immer noch, dass es sich lohnt. Wie Sie festgestellt haben, ist das größte Problem Grenzeffekte. Gut, ich denke, die einfache Polsterung wäre nicht genug, um vernünftige Ergebnisse zu erhalten. Ich habe noch einige wissenschaftliche Papiere, die irgendwo liegen und wenn ich mich richtig erinnere, waren einige Schlüsselwörter zu diesem: Extrapolation - das kann leicht in Matlab getestet werden (nicht sehr gute Ergebnisse) Aufbau von Grenzwellen - um ehrlich zu sein, bin immer noch ein wenig verwirrt Dieser Ansatz-Tools. Verwenden Sie nur Standard-Matlab Wavelet Toolbox ive gefunden große Toolbox von Professor Donohoampco. Genannt wavelab802. Es enthält mehrere Algorithmus als Grenzkorrektur (oder Sometginh wie die) markiert, aber ich habe es nicht geschafft, bessere Ergebnisse mit ihnen zu bekommen, aber ich glaube, ich war nicht mit diesem Tools richtig - das ist für weitere Studie. Verwenden Sie dezimierte oder undezimierte (shif invariante) Version von Transformation, ich denke, dass dezimiert ist ok, wenn Sie auf das invers transformierte Ergebnis nach demoising zum Beispiel konzentrieren, aber nicht geeignet für Features Extraxtion mit NN. Zu Ihnen 2. Frage, ich glaube, ich habe einige Papier Bewertung verschiedener Wavelets für finanzielle Zeitreihen, krank versuchen, es zu finden. So dass ich dringend empfehlen Ihnen, einen Blick auf wavelab802 nehmen, krank versuchen, einige Gedanken während der Woche post, weil wie ich sagte, ich mastierte dies so schnell wie ich konnte. Ja ponimaju, nemnogo :) es scheint mir 2, dass einfache quotmirrorquot extrapolation (quotSymmetrizationquot) funktioniert ganz gut. Tatsächlich wird der Randeffekt nur bei hohen Wavelet-Koeffizienten bemerkbar. Es passt zu meinen Bedürfnissen ganz gut. Ja, ich verwende nur Wavelet-Toolbox. Ive heruntergeladen Wavelab vor kurzem, aber didnt Blick auf es. Haben u bekommen deutlich bessere Ergebnisse mit ihm Ich verwende nicht nicht dezimierte Methoden. Ich verwende Wavelets für die lang - und kurzfristige Trenderkennung. In der Tat ist alles, was ich jetzt brauchen nur eine Vorverarbeitung Filter vor einigen Schlußfolgerung Mechanismus. Ive beschlossen, einen Kanal-Erkennungsalgorithmus basierend auf Fuzzy-Logik zu machen. Dies ist, wie Im versuchen, um es funktionieren: s1 std. Abweichung der linearen Regression für die letzten 3 max Punkte s2 std. Abweichung der linearen Regression für die letzten 3 min Punkte k Koeffizient der Parallelität zwischen der linearen Regression der Max - und Min-Punkte Hier ist die Fuzzy-Regel: a s1 ist niedrig und s2 ist niedrig und k ist hoch Zum Beispiel haben wir hier a0,8 Ich weiß nicht, ob das wirklich interessant ist, aber Ill versuchen, es funktionieren :) Was denken Sie an die Idee scheint es mir 2, dass einfache quotmirrorquot Extrapolation (quotSymmetrizationquot) funktioniert ganz gut. Tatsächlich wird der Randeffekt nur bei hohen Wavelet-Koeffizienten bemerkbar. Es passt zu meinen Bedürfnissen ganz gut. Auch ich interessiere mich für Wavelets, habe aber keinen Zugriff auf bequeme Software wie Mathlab. Kann ich fragen, wie Sie die oben gezeigten Kurven erhalten Wie weit haben Sie gleiten die Eingabe zwischen Transformationen Für Kompressionszwecke Ich schätze, Sie würden Slip das Eingabefenster eine volle Fenstergröße, aber für Echtzeit-Signal-Filterung scheint es, dass Sie das Eingabefenster schlüpfen kann Nur eine Probe auf einmal. Wäre dies Ergebnis, was heißt neu lackieren Die zweite Frage ist, ob die Kurven Single-Sample-Vorhersage, oder Filterung Nach Vorhersage Ich meine, dass Sie die Transformation, werfen weg einige Koeffizienten, nehmen die inverse Transformation und verlängern eine Probe. Es scheint, dass Spiegeloxtrapolation das bis ziemlich schlecht verwirren würde. Durch Filterung, Sie gerade tun nicht die Verlängerung. Mache ich Sinn, die Aufgabe im, die versucht, jetzt zu lösen, ist quotchannelquot-Erkennung. Das heißt, ich versuche, einen Algorithmus, der eine Schätzung der Unterstützung und Widerstand Ebenen auf recen Schwankungen des Preises zu machen. Also habe ich nicht tief in Extrapolation tecniques. Das einzige was ich tat, war das Filtern mit spiegelbasierter Extrapolation. Wie für die zweite Frage - die dargestellten Kurven sind nur Ergebnis filtern. Ich habe keine Zeit, um meine Abläufe für einige Wochen fortzusetzen, aber ich hoffe, krank wird es bald wieder) Rainfall Datenanalyse mit gleitenden Durchschnitt (MA) - Modell und Wavelet multi-Auflösung intelligentes Modell für die Lärmmessung zur Verbesserung der Prognosegenauigkeit First Online : 29 Juli 2014 Empfangen: 17 Januar 2013 Akzeptiert: 14 Juli 2014 Zitieren Sie diesen Artikel als: Akrami, SA El-Shafie, A. Naseri, M. et al. Neural Comput Applic (2014) 25: 1853. doi: 10.1007 / s00521-014-1675-0 2 Zitate 246 Downloads Die Niederschlagsvorhersage und die Annäherung ihrer Größenordnung haben eine enorme und wichtige Rolle in der Wasserwirtschaft und der Abflussvorhersage. Das Hauptziel dieser Arbeit ist es, die Beziehung zwischen den Niederschlagszeitreihen, die durch die Wavelet-Transformation (WT) und den gleitenden Durchschnitt (MA) im Klang-Einzugsgebiet, Malaysia, erreicht wurden. Zu diesem Zweck wurden die Haar - und Dmey-WTs verwendet, um die Niederschlagszeitreihen in 7, 10 verschiedene Auflösungsniveaus zu zersetzen. Mehrere Pre-Processing-Fallstudien auf der Grundlage von 2-, 3-, 5-, 10-, 15-, 20-, 25- und 30-Monats-MAs wurden durchgeführt, um einen längerfristigen Trend im Vergleich zu einem kürzerfristigen MA zu entdecken. Die Informationen und Daten wurden von Klang Gates Dam, Malaysia, von 1997 bis 2008 gesammelt. In Bezug auf das Verhalten werden die Zeitreihen von 10-, 15-, 20- und 30-Tage-Niederschlägen in Annäherungs - und Detailkoeffizienten mit anderer Art zerlegt Von WT. Korrelationskoeffizienten R 2 und Wurzel-Mittel-Quadrat-Fehlerkriterien werden angewandt, um die Leistungsfähigkeit der Modelle zu untersuchen. Die Ergebnisse zeigen, dass es einige Ähnlichkeiten zwischen MA-Filter und Wavelet Approximation Sub-Serie-Filter aufgrund der Rausch-Elimination. Darüber hinaus haben die Ergebnisse, dass die hohe Korrelation mit MAs über Dmey WT im Vergleich zu Haar Wavelet für Niederschlagsdaten erreicht werden kann. Darüber hinaus könnten saubere Signale als Modell-Eingänge verwendet werden, um die Modellleistung zu verbessern. Daher könnten Signalzerlegungstechniken für den Zweck der Datenvorverarbeitung günstig sein und könnten zur Beseitigung der Fehler geeignet sein. Zerlegungskoeffizienten Dmey Wavelet Haar Wavelet Gleitender Durchschnitt Prognosegenauigkeit Referenzen Akrami SA, Nourani V, Hakim SJS (2014) Entwicklung eines nichtlinearen Modells basierend auf Wavelet-ANFIS für die Niederschlagsprognose am Klang Gates Dam. (2006) Datenvorverarbeitung für die Flussfluss-Prognose mittels neuronaler Netze: Wavelet-Transformationen und Datenpartitionierung. Phys Chem Earth 31: 11641171 CrossRef Google Scholar Chang FJ, Chen L (1998) Realer kodierter genetischer Algorithmus für regelbasiertes Hochwasserschutz-Reservoir-Management. Wasser Resour Manag 12 (3): 185198 CrossRef Google Scholar Chen GY, Bui TD, Krzyzak A (2009) Invariante Mustererkennung mit Radon, Dual-Tree-Komplex Wavelet und Fourier-Transformationen. Pattern Recogn 42: 20132019 CrossRef MATH Google Scholar Chen RJC, Bloomfield P, Fu JS (2003) Eine Bewertung von alternativen Vorhersagemethoden zur Erholungsbesuch. J Leis Res 35 (4): 441454 Google Scholar Erdbeobachtungszentrum, Universiti Kebangsaan Malaysia (UKM), Malaysia 2013 Fonseca ES, Guido RC, Scalassara PR (2007) Wavelet-Zeitfrequenzanalyse und kleinste Quadrate unterstützen Vektor-Maschinen für die Identifizierung von Sprachstörungen . (MRSI) mittels Wavelet-Kodierung und paralleler Bildgebung: In-vitro-Ergebnisse. J Magn Reson 211: 4551 CrossRef Google Scholar Genovese L, Videud B, Ospici M, Deutschd T, Goedeckere S, Mhaut JF (2011) Daubechies-Wavelets für leistungsstarke elektronische Strukturberechnungen. CR Mec 339: 149164 CrossRef MATH Google Scholar Lisi F, Nicolis O, Sandri M (1995) Kombination von Singular-Spektrum-Analyse und neuronale Netze für die Zeitreihen-Prognose. Neuronale Netze für die Vorhersage und Prognose von Wasserressourcen Variablen: eine Überprüfung der Modellierung von Fragen und Anwendungen. Environ Modell Softw 15: 101123 CrossRef Google Scholar Mallat SG (1998) Eine Wavelet-Tour der Signalverarbeitung. Akademische Presse, San Diego MATH Google Scholar Masset P (2008) Analyse der finanziellen Zeitreihen mittels Fourier - und Wavelet-Methoden, Universität Freiburg (Schweiz) Fakultät für Wirtschaftswissenschaften und Sozialwissenschaften Newbold P, Carlson WL, Thorne BM (2003) Wirtschaft und Wirtschaft (fünfte Version). Prentice Hall, Upper Saddle River Google Scholar Nourani V, Komasi M, Mano A (2009) Ein multivariater ANN-Wavelet-Ansatz für die Niederschlagsabflussmodellierung. Wasser Resour Manag 23: 28772894 CrossRef Google Scholar Partal T, Kisi O (2007) Wavelet und Neuro-Fuzzy-Konjunktion Modell für die Niederschlagsvorhersage. J Hydrol 342: 199212 CrossRef Google Scholar Rioul O, Vetterli M (1991) Wavelets und Signalverarbeitung. IEEE SP Zeitschrift. Pp 1438 Serrai H, Senhadji L (2005) Akquisitionszeitverkürzung bei der Magnetresonanzspektroskopie mit diskreter Wavelet-Kodierung. J Magn Reson 177: 2230 CrossRef Google Scholar Shafiekhah M, Moghaddam Abgeordneter, Sheikh El Eslami MK (2011) Die Preisvorhersage für die Strommarktmärkte nach einer hybriden Prognosemethode. Energie-Convers Manag 52: 21652169 CrossRef Google Scholar Sifuzzaman M, Islamand MR, Ali MZ (2009) Anwendung der Wavelet-Transformation und ihre Vorteile im Vergleich zu Fourier-Transformation. J Phys Sci 13: 121134 Google Scholar Syed AR, Aqil B, Badar S (2010) Vorhersage der Netzwerk-Verkehrslast mit Wavelet-Filter und saisonale autoregressive gleitenden Durchschnitt Modell. (2009) Methoden zur Verbesserung der Leistung des neuronalen Netzes in der Prognose der täglichen Flüsse. J Hydrol 372: 8093 CrossRef Google Scholar Yang X, Ren H, Li B (2008) Eingebettete Null-Baum-Wavelets-Codierung basierend auf adaptivem Fuzzy-Clustering zur Bildkompression. Bild Vis Comput 26: 812819 CrossRef Google Scholar Zhao X, Ye B (2010) Faltung Wavelet-Paket-Transformation und ihre Anwendungen auf Signalverarbeitung. Digit Signal Process 20: 13521364 CrossRef Google Scholar Urheberrechtsinformationen Das Natural Computing Applications Forum 2014 Autoren und Mitgliedsverbände Seyed Ahmad Akrami 1 E-Mail-Autor Ahmed El-Shafie 1 Mahdi Naseri 2 Celso AG Santos 3 1. Bau - und Ingenieurbüro Universiti Kebangsaan Malaysia (UKM ) Bangi Malaysia 2. Institut für Bauingenieurwesen Universität Birjand Birjand Iran 3. Institut für Bau - und Umwelttechnik Bundesuniversität Paraba Joo Pessoa Brasilien Über diesen Artikel Drucken ISSN 0941-0643 Online ISSN 1433-3058 Verlagsname Springer London