Eu estou tentando fazer um filtro de média móvel em linguagem C, Ive adaptado um programa matlab que funciona corretamente, a entrada do meu filtro é um arquivo. pcm (um sinal de varredura de áudio), o problema para mim é o arquivo de saída do movimento Média na linguagem C, a saída vai mal, o sinal só diminui ao longo do tempo (não filtter). Abaixo do meu código C: A imagem abaixo é a saída do programa matlab para a média móvel com comprimento 16: Esta imagem é a saída em linguagem C com média móvel com comprimento 16: Alguém sabe o que pode ser Abaixo do código em matlab, que Ive Adaptado: Atualização 1 (Usando a resposta acima): O início do sinal ainda com interferência, mas a partir do meio para o final do sinal é corretamente. Movendo médias - simples e exponenciais Médias móveis - simples e exponencial Introdução Dados de preços para formar um indicador de tendência seguinte. Eles não prevêem a direção do preço, mas sim definir a direção atual com um atraso. As médias móveis são retardadas porque são baseadas em preços passados. Apesar desse atraso, as médias móveis ajudam a suavizar a ação dos preços e filtrar o ruído. Eles também formam os blocos de construção para muitos outros indicadores técnicos e sobreposições, como Bandas Bollinger. MACD eo Oscilador McClellan. Os dois tipos mais populares de médias móveis são a Média Móvel Simples (SMA) e a Média Móvel Exponencial (EMA). Essas médias móveis podem ser usadas para identificar a direção da tendência ou definir níveis potenciais de suporte e resistência. Here039s um gráfico com um SMA e um EMA nele: Cálculo simples da média móvel Uma média movente simples é dada forma computando o preço médio de uma segurança sobre um número específico dos períodos. A maioria das médias móveis são baseadas em preços de fechamento. Uma média móvel simples de 5 dias é a soma de cinco dias dos preços de fechamento dividida por cinco. Como seu nome indica, uma média móvel é uma média que se move. Os dados antigos são eliminados à medida que novos dados são disponibilizados. Isso faz com que a média se mova ao longo da escala de tempo. Abaixo está um exemplo de uma média móvel de 5 dias evoluindo ao longo de três dias. O primeiro dia da média móvel cobre simplesmente os últimos cinco dias. O segundo dia da média móvel cai o primeiro ponto de dados (11) e adiciona o novo ponto de dados (16). O terceiro dia da média móvel continua caindo o primeiro ponto de dados (12) e adicionando o novo ponto de dados (17). No exemplo acima, os preços aumentam gradualmente de 11 para 17 ao longo de um total de sete dias. Observe que a média móvel também aumenta de 13 para 15 ao longo de um período de cálculo de três dias. Observe também que cada valor de média móvel está logo abaixo do último preço. Por exemplo, a média móvel para o dia um é igual a 13 eo último preço é 15. Os preços dos quatro dias anteriores eram mais baixos e isso faz com que a média móvel fique atrasada. Cálculo da média móvel exponencial As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. A ponderação aplicada ao preço mais recente depende do número de períodos na média móvel. Há três etapas para calcular uma média móvel exponencial. Primeiro, calcule a média móvel simples. Uma média móvel exponencial (EMA) tem que começar em algum lugar assim que uma média móvel simples é usada como o EMA anterior do período anterior no primeiro cálculo. Em segundo lugar, calcular o multiplicador de ponderação. Em terceiro lugar, calcule a média móvel exponencial. A fórmula abaixo é para um EMA de 10 dias. Uma média móvel exponencial de 10 períodos aplica uma ponderação de 18,18 ao preço mais recente. Um EMA de 10 períodos também pode ser chamado de EMA 18.18. Um EMA de 20 períodos aplica uma ponderação de 9,52 ao preço mais recente (2 / (201) .0952). Observe que a ponderação para o período de tempo mais curto é mais do que a ponderação para o período de tempo mais longo. De fato, a ponderação cai pela metade cada vez que o período de média móvel dobra. Se você deseja uma porcentagem específica para uma EMA, use esta fórmula para convertê-la em períodos de tempo e, em seguida, insira esse valor como o parâmetro EMA039s: Abaixo está um exemplo de planilha de uma média móvel simples de 10 dias e um valor de 10- Dia média móvel exponencial para a Intel. As médias móveis simples são diretas e exigem pouca explicação. A média de 10 dias simplesmente se move conforme novos preços se tornam disponíveis e os preços antigos caem. A média móvel exponencial começa com o valor da média móvel simples (22,22) no primeiro cálculo. Após o primeiro cálculo, a fórmula normal assume o controle. Como um EMA começa com uma média móvel simples, seu valor verdadeiro não será realizado até 20 ou mais períodos mais tarde. Em outras palavras, o valor na planilha do Excel pode diferir do valor do gráfico por causa do curto período de retorno. Esta planilha só remonta 30 períodos, o que significa que o afeto da média móvel simples teve 20 períodos para se dissipar. StockCharts volta pelo menos 250 períodos (geralmente muito mais) para os seus cálculos para que os efeitos da média móvel simples no primeiro cálculo totalmente dissipada. O fator de Lag Quanto maior a média móvel, mais o lag. Uma média móvel exponencial de 10 dias abraçará os preços muito de perto e virará logo após os preços virarem. Curtas médias móveis são como barcos de velocidade - ágil e rápido para mudar. Em contraste, uma média móvel de 100 dias contém muitos dados passados que o desaceleram. As médias móveis mais longas são como os petroleiros do oceano - lethargic e lentos mudar. É preciso um movimento de preços maior e mais longo para uma média móvel de 100 dias para mudar de rumo. O gráfico acima mostra o SampP 500 ETF com uma EMA de 10 dias seguindo de perto os preços e uma moagem SMA de 100 dias mais alta. Mesmo com o declínio de janeiro-fevereiro, a SMA de 100 dias manteve o curso e não recusou. O SMA de 50 dias se encaixa em algum lugar entre as médias móveis de 10 e 100 dias quando se trata do fator de latência. Simples vs médias exponenciais Moving Embora existam diferenças claras entre médias móveis simples e médias móveis exponenciais, um não é necessariamente melhor do que o outro. As médias móveis exponenciais têm menos atraso e são, portanto, mais sensíveis aos preços recentes - e às recentes mudanças nos preços. As médias móveis exponenciais virarão antes de médias móveis simples. As médias móveis simples, por outro lado, representam uma verdadeira média de preços para todo o período de tempo. Como tal, as médias móveis simples podem ser mais adequadas para identificar níveis de suporte ou resistência. Preferência média móvel depende de objetivos, estilo analítico e horizonte temporal. Chartists deve experimentar com ambos os tipos de médias móveis, bem como diferentes prazos para encontrar o melhor ajuste. O gráfico abaixo mostra a IBM com a SMA de 50 dias em vermelho ea EMA de 50 dias em verde. Ambos atingiram o pico no final de janeiro, mas o declínio no EMA foi mais nítida do que o declínio no SMA. A EMA apareceu em meados de fevereiro, mas a SMA continuou baixa até o final de março. Observe que a SMA apareceu mais de um mês após a EMA. Comprimentos e prazos A duração da média móvel depende dos objetivos analíticos. Curtas médias móveis (5-20 períodos) são mais adequados para as tendências de curto prazo e de negociação. Os cartistas interessados em tendências de médio prazo optariam por médias móveis mais longas que poderiam estender 20-60 períodos. Investidores de longo prazo preferem médias móveis com 100 ou mais períodos. Alguns comprimentos de média móvel são mais populares do que outros. A média móvel de 200 dias é talvez a mais popular. Devido ao seu comprimento, esta é claramente uma média móvel a longo prazo. Em seguida, a média móvel de 50 dias é bastante popular para a tendência de médio prazo. Muitos chartists usam as médias móveis de 50 dias e de 200 dias junto. Curto prazo, uma média móvel de 10 dias foi bastante popular no passado porque era fácil de calcular. Um simplesmente adicionou os números e moveu o ponto decimal. Identificação de tendências Os mesmos sinais podem ser gerados usando médias móveis simples ou exponenciais. Como mencionado acima, a preferência depende de cada indivíduo. Esses exemplos abaixo usarão médias móveis simples e exponenciais. O termo média móvel se aplica a médias móveis simples e exponenciais. A direção da média móvel transmite informações importantes sobre os preços. Uma média móvel em ascensão mostra que os preços estão aumentando. Uma média móvel em queda indica que os preços, em média, estão caindo. A subida da média móvel de longo prazo reflecte uma tendência de alta a longo prazo. A queda da média móvel a longo prazo reflecte uma tendência de baixa a longo prazo. O gráfico acima mostra 3M (MMM) com uma média móvel exponencial de 150 dias. Este exemplo mostra quão bem as médias móveis funcionam quando a tendência é forte. A EMA de 150 dias recusou-se em novembro de 2007 e novamente em janeiro de 2008. Observe que foi necessário um declínio de 15 para reverter a direção dessa média móvel. Estes indicadores de atraso identificam inversões de tendência à medida que ocorrem (na melhor das hipóteses) ou depois de ocorrerem (na pior das hipóteses). MMM continuou menor em março de 2009 e, em seguida, subiu 40-50. Observe que a EMA de 150 dias não apareceu até depois desse aumento. Uma vez que o fez, no entanto, MMM continuou maior nos próximos 12 meses. As médias móveis trabalham brilhantemente em tendências fortes. Crossovers duplos Duas médias móveis podem ser usadas juntas para gerar sinais cruzados. Na Análise Técnica dos Mercados Financeiros. John Murphy chama isso de método de cruzamento duplo. Os cruzamentos duplos envolvem uma média móvel relativamente curta e uma média móvel relativamente longa. Como com todas as médias móveis, o comprimento geral da média móvel define o prazo para o sistema. Um sistema que utilizasse um EMA de 5 dias e um EMA de 35 dias seria considerado de curto prazo. Um sistema usando uma SMA de 50 dias e um SMA de 200 dias seria considerado de médio prazo, talvez até de longo prazo. Um crossover de alta ocorre quando a média móvel mais curta cruza acima da média móvel mais longa. Isso também é conhecido como uma cruz de ouro. Um crossover de baixa ocorre quando a média móvel mais curta cruza abaixo da média móvel mais longa. Isso é conhecido como uma cruz morta. Os crossovers médios móveis produzem sinais relativamente atrasados. Afinal, o sistema emprega dois indicadores de atraso. Quanto mais longos os períodos de média móvel, maior o atraso nos sinais. Esses sinais funcionam muito bem quando uma boa tendência se apodera. No entanto, um sistema de crossover média móvel irá produzir lotes de Whipsaws na ausência de uma forte tendência. Há também um método de crossover triplo que envolve três médias móveis. Mais uma vez, um sinal é gerado quando a média móvel mais curta atravessa as duas médias móveis mais longas. Um simples sistema de crossover triplo pode envolver médias móveis de 5 dias, 10 dias e 20 dias. O gráfico acima mostra Home Depot (HD) com um EMA de 10 dias (linha pontilhada verde) e EMA de 50 dias (linha vermelha). A linha preta é o fechamento diário. Usando um crossover média móvel teria resultado em três whipsaws antes de pegar um bom comércio. O EMA de 10 dias quebrou abaixo do EMA de 50 dias em outubro atrasado (1), mas este não durou por muito tempo enquanto os 10 dias se moveram para trás acima em novembro meados de (2). Este cruzamento durou mais, mas o próximo crossover de baixa em janeiro (3) ocorreu perto dos níveis de preços de novembro, resultando em outra whipsaw. Esta cruz bearish não durou por muito tempo enquanto o EMA de 10 dias moveu para trás acima dos 50 dias alguns dias mais tarde (4). Depois de três sinais ruins, o quarto sinal prefigurou um movimento forte como o estoque avançou mais de 20. Existem dois takeaways aqui. Primeiramente, os crossovers são prone ao whipsaw. Um filtro de preço ou tempo pode ser aplicado para ajudar a evitar whipsaws. Os comerciantes podem exigir que o crossover durar 3 dias antes de agir ou exigir a EMA de 10 dias para mover acima / abaixo do EMA de 50 dias por um determinado montante antes de agir. Em segundo lugar, o MACD pode ser usado para identificar e quantificar esses cruzamentos. MACD (10,50,1) mostrará uma linha representando a diferença entre as duas médias móveis exponenciais. MACD torna-se positivo durante uma cruz de ouro e negativo durante uma cruz morta. O Oscilador de Preço Percentual (PPO) pode ser usado da mesma forma para mostrar diferenças percentuais. Observe que o MACD e o PPO são baseados em médias móveis exponenciais e não coincidirão com médias móveis simples. Este gráfico mostra Oracle (ORCL) com a EMA de 50 dias, EMA de 200 dias e MACD (50,200,1). Havia quatro crossovers de média móvel durante um período de 2 1/2 anos. Os três primeiros resultaram em whipsaws ou maus negócios. Uma tendência sustentada começou com o quarto crossover como ORCL avançado para os 20s meados. Mais uma vez, os crossovers de média móvel funcionam muito bem quando a tendência é forte, mas produzem perdas na ausência de uma tendência. Crossovers de preço As médias móveis também podem ser usadas para gerar sinais com crossovers de preços simples. Um sinal de alta é gerado quando os preços se movem acima da média móvel. Um sinal de baixa é gerado quando os preços se movem abaixo da média móvel. Os crossovers do preço podem ser combinados para negociar dentro da tendência mais grande. A média móvel mais longa define o tom para a tendência maior e a média móvel mais curta é usada para gerar os sinais. Um olharia para cruzes de preço de alta somente quando os preços já estão acima da média móvel mais longa. Isso seria negociar em harmonia com a maior tendência. Por exemplo, se o preço estiver acima da média móvel de 200 dias, os chartistas só se concentrarão nos sinais quando o preço se mover acima da média móvel de 50 dias. Obviamente, um movimento abaixo da média móvel de 50 dias precederia tal sinal, mas tais cruzamentos de baixa seriam ignorados porque a tendência maior está para cima. Uma cruz bearish sugeriria simplesmente um pullback dentro de um uptrend mais grande. Uma volta cruzada acima da média móvel de 50 dias indicaria uma subida dos preços e continuação da maior tendência de alta. O gráfico seguinte mostra a Emerson Electric (EMR) com a EMA de 50 dias e a EMA de 200 dias. O estoque movido acima e realizada acima da média móvel de 200 dias em agosto. Houve mergulhos abaixo dos 50 dias EMA no início de novembro e novamente no início de fevereiro. Os preços recuaram rapidamente acima dos 50 dias EMA para fornecer sinais de alta (setas verdes) em harmonia com a maior tendência de alta. MACD (1,50,1) é mostrado na janela do indicador para confirmar cruzamentos de preços acima ou abaixo do EMA de 50 dias. O EMA de 1 dia é igual ao preço de fechamento. MACD (1,50,1) é positivo quando o fechamento está acima do EMA de 50 dias e negativo quando o fechamento está abaixo do EMA de 50 dias. Suporte e Resistência As médias móveis também podem atuar como suporte em uma tendência de alta e resistência em uma tendência de baixa. Uma tendência de alta de curto prazo pode encontrar suporte perto da média móvel simples de 20 dias, que também é usada em Bandas de Bollinger. Uma tendência de alta de longo prazo pode encontrar suporte perto da média móvel simples de 200 dias, que é a média móvel mais popular a longo prazo. Se fato, a média móvel de 200 dias pode oferecer suporte ou resistência simplesmente porque é tão amplamente utilizado. É quase como uma profecia auto-realizável. O gráfico acima mostra o NY Composite com a média móvel simples de 200 dias de meados de 2004 até o final de 2008. Os 200 dias fornecidos suportam várias vezes durante o avanço. Uma vez que a tendência reverteu com uma quebra de apoio superior dupla, a média móvel de 200 dias agiu como resistência em torno de 9500. Não espere suporte exato e níveis de resistência de médias móveis, especialmente as médias móveis mais longas. Os mercados são impulsionados pela emoção, o que os torna propensos a superações. Em vez de níveis exatos, as médias móveis podem ser usadas para identificar zonas de suporte ou de resistência. Conclusões As vantagens de usar médias móveis precisam ser ponderadas contra as desvantagens. As médias móveis são a tendência que segue, ou retardar, os indicadores que serão sempre um passo atrás. Isso não é necessariamente uma coisa ruim embora. Afinal, a tendência é o seu amigo e é melhor para o comércio na direção da tendência. As médias móveis asseguram que um comerciante está em linha com a tendência atual. Mesmo que a tendência é seu amigo, os títulos gastam uma grande quantidade de tempo em intervalos de negociação, o que torna as médias móveis ineficazes. Uma vez em uma tendência, as médias móveis mantê-lo-ão dentro, mas dar também sinais atrasados. Don039t esperam vender no topo e comprar na parte inferior usando médias móveis. Tal como acontece com a maioria das ferramentas de análise técnica, médias móveis não devem ser utilizados por conta própria, mas em conjunto com outras ferramentas complementares. Os cartistas podem usar médias móveis para definir a tendência geral e, em seguida, usar RSI para definir overbought ou oversold níveis. Adicionando médias móveis para gráficos StockCharts As médias móveis estão disponíveis como um recurso de sobreposição de preços na bancada do SharpCharts. Usando o menu suspenso Sobreposições, os usuários podem escolher uma média móvel simples ou uma média móvel exponencial. O primeiro parâmetro é usado para definir o número de períodos de tempo. Um parâmetro opcional pode ser adicionado para especificar qual campo de preço deve ser usado nos cálculos - O para o Open, H para o Alto, L para o Baixo e C para o Close. Uma vírgula é usada para separar os parâmetros. Outro parâmetro opcional pode ser adicionado para deslocar as médias móveis para a esquerda (passado) ou para a direita (futuro). Um número negativo (-10) deslocaria a média móvel para a esquerda 10 períodos. Um número positivo (10) deslocaria a média móvel para o direito 10 períodos. Múltiplas médias móveis podem ser superados o preço parcela simplesmente adicionando outra linha de superposição para a bancada. Os membros do StockCharts podem alterar as cores eo estilo para diferenciar entre várias médias móveis. Depois de selecionar um indicador, abra Opções Avançadas clicando no pequeno triângulo verde. As Opções Avançadas também podem ser usadas para adicionar uma sobreposição média móvel a outros indicadores técnicos como RSI, CCI e Volume. Clique aqui para um gráfico ao vivo com várias médias móveis diferentes. Usando Médias Móveis com Varreduras StockCharts Aqui estão alguns exemplos de varreduras que os membros da StockCharts podem usar para varrer para várias situações de média móvel: Bullish Moving Average Cross: Esta varredura procura ações com uma média móvel em ascensão de 150 dias simples e uma linha de alta dos 5 EMA de dia e EMA de 35 dias. A média móvel de 150 dias está subindo, desde que ela esteja negociando acima de seu nível cinco dias atrás. Um cruzamento de alta ocorre quando o EMA de 5 dias se move acima do EMA de 35 dias em volume acima da média. Bearish Moving Average Cross: Esta pesquisa procura por ações com uma queda de 150 dias de média móvel simples e uma cruz de baixa dos 5 dias EMA e 35 dias EMA. A média móvel de 150 dias está caindo enquanto ela está negociando abaixo de seu nível cinco dias atrás. Uma cruz de baixa ocorre quando a EMA de 5 dias se move abaixo da EMA de 35 dias acima do volume médio. Estudo adicional O livro de John Murphy tem um capítulo dedicado a médias móveis e seus vários usos. Murphy abrange os prós e os contras de médias móveis. Além disso, Murphy mostra como as médias móveis funcionam com Bollinger Bands e sistemas de negociação baseados em canais. Análise Técnica dos Mercados Financeiros John MurphyDocumentação tsmovavg saída tsmovavg (tsobj, s, lag) retorna a média móvel simples para o objeto de série de tempo financeiro, tsobj. Lag indica o número de pontos de dados anteriores usados com o ponto de dados atual ao calcular a média móvel. A saída tsmovavg (vetor, s, lag, dim) retorna a média móvel simples para um vetor. Lag indica o número de pontos de dados anteriores usados com o ponto de dados atual ao calcular a média móvel. A saída tsmovavg (tsobj, e, timeperiod) retorna a média móvel ponderada exponencial para a série de tempo financeiro objeto, tsobj. A média móvel exponencial é uma média móvel ponderada, em que timeperiod especifica o período de tempo. As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pondera o preço mais recente em 18,18. Percentual Exponencial 2 / (TIMEPER 1) ou 2 / (WINDOWSIZE 1). Saída tsmovavg (vetor, e, timeperiod, dim) retorna a média móvel ponderada exponencial para um vetor. A média móvel exponencial é uma média móvel ponderada, em que timeperiod especifica o período de tempo. As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pondera o preço mais recente em 18,18. (2 / (intervalo de tempo 1)). A saída tsmovavg (tsobj, t, numperiod) retorna a média móvel triangular para a série de tempo financeiro objeto, tsobj. A média móvel triangular alisa os dados. Tsmovavg calcula a primeira média móvel simples com a largura da janela de ceil (numperíodo 1) / 2. Em seguida, calcula uma segunda média móvel simples na primeira média móvel com o mesmo tamanho de janela. Saída tsmovavg (vetor, t, numperiod, dim) retorna a média móvel triangular para um vetor. A média móvel triangular alisa os dados. Tsmovavg calcula a primeira média móvel simples com a largura da janela de ceil (numperíodo 1) / 2. Em seguida, calcula uma segunda média móvel simples na primeira média móvel com o mesmo tamanho de janela. A saída tsmovavg (tsobj, w, weights) retorna a média móvel ponderada para o objeto da série temporal financeira, tsobj. Fornecendo pesos para cada elemento na janela em movimento. O comprimento do vetor de peso determina o tamanho da janela. Se fatores de peso maiores forem usados para preços mais recentes e fatores menores para preços anteriores, a tendência é mais responsiva a mudanças recentes. A saída tsmovavg (vetor, w, pesos, dim) retorna a média móvel ponderada para o vetor fornecendo pesos para cada elemento na janela em movimento. O comprimento do vetor de peso determina o tamanho da janela. Se fatores de peso maiores forem usados para preços mais recentes e fatores menores para preços anteriores, a tendência é mais responsiva a mudanças recentes. A saída tsmovavg (tsobj, m, numperiod) retorna a média móvel modificada para o objeto da série de tempo financeiro, tsobj. A média móvel modificada é semelhante à média móvel simples. Considere o argumento numperiod como o atraso da média móvel simples. A primeira média móvel modificada é calculada como uma média móvel simples. Os valores subseqüentes são calculados adicionando o novo preço e subtraindo a última média da soma resultante. A saída tsmovavg (vetor, m, numperiod, dim) retorna a média móvel modificada para o vetor. A média móvel modificada é semelhante à média móvel simples. Considere o argumento numperiod como o atraso da média móvel simples. A primeira média móvel modificada é calculada como uma média móvel simples. Os valores subseqüentes são calculados adicionando o novo preço e subtraindo a última média da soma resultante. Dim 8212 dimensão para operar ao longo de inteiro positivo com valor 1 ou 2 Dimensão para operar ao longo, especificado como um inteiro positivo com um valor de 1 ou 2. dim é um argumento de entrada opcional, e se não for incluído como uma entrada, o padrão Valor 2 é assumido. O padrão de dim 2 indica uma matriz orientada a linha, em que cada linha é uma variável e cada coluna é uma observação. Se dim 1. a entrada é assumida como sendo um vetor de coluna ou uma matriz orientada a coluna, onde cada coluna é uma variável e cada linha uma observação. E 8212 Indicador para vetor de caracteres de média móvel exponencial A média móvel exponencial é uma média móvel ponderada, em que o tempo é o período de tempo da média móvel exponencial. As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pondera o preço mais recente em 18,18. Porcentagem Exponencial 2 / (TIMEPER 1) ou 2 / (WINDOWSIZE 1) período de tempo 8212 Comprimento do período de tempo inteiro não negativo Selecionar seu PaísDouble Moving Average Filtro Descrição O DoubleMovingAverageFilter implementa um filtro de média móvel de baixa passagem. O DoubleMovingAverageFilter faz parte dos módulos de pré-processamento. Um exemplo de um sinal (ruído aleatório de onda senoidal) filtrado usando um filtro de média móvel. O sinal vermelho é o ruído do sinal original, o sinal verde é o sinal filtrado usando um filtro de média móvel com um tamanho de janela de 5 eo sinal azul é o sinal filtrado usando um filtro de média móvel com um tamanho de janela de 20. DoubleMovingAverageFilterExampleImage1. Jpg Vantagens O DoubleMovingAverageFilter é bom para remover uma pequena quantidade de ruído de alta freqüência de um sinal N dimensional. Desvantagens A principal desvantagem do DoubleMovingAverageFilter é que, para filtrar significativamente o ruído de alta freqüência, o tamanho da janela do filtro precisa ser grande. O problema de ter uma grande janela de filtro é que isso induzirá uma latência grande em qualquer sinal que passe através do filtro, o que pode não ser vantajoso para aplicações em tempo real. Se você achar que você precisa de uma grande janela de filtro para filtrar o ruído de alta freqüência ea latência induzida por esse tamanho de janela não é adequado para o seu aplicativo em tempo real, então você pode querer experimentar um filtro de baixa passagem em vez disso. Example Code / GRT DoubleMovingAverageFilter Exemplo Este exemplo demonstra como criar e usar o Módulo de Pré-Processamento DoubleMovingAverageFilter de GRT. O DoubleMovingAverageFilter implementa um filtro de média móvel de passagem baixa. Neste exemplo, criamos uma instância de um DoubleMovingAverageFilter e usamos isso para filtrar alguns dados fictícios, gerados a partir de um ruído aleatório de onda senoidal. O sinal de teste e os sinais filtrados são salvos em um arquivo (assim você pode plotar os resultados em Matlab, Excel, etc. se necessário). Este exemplo mostra como: - Criar uma nova instância DoubleMovingAverageFilter com um tamanho de janela específico para um sinal de 1 dimensão - Filtrar alguns dados usando o DoubleMovingAverageFilter - Salvar as configurações de DoubleMovingAverageFilter em um arquivo - Carregar as configurações de DoubleMovingAverageFilter de um arquivo / include quotGRT. Hquot usando namespace GRT int main 40 int argc. Const char argv 91 93 41 123 // Criar uma nova instância de um filtro de média móvel dupla com um tamanho de janela de 5 para um sinal de 1 dimensão DoubleMovingAverageFilter filter 40 5. 1 41 // Criar e abrir um arquivo para salvar o arquivo fstream de dados Arquivo. Abra 40 quotDoubleMovingAverageFilterData. txtquot. Fstream. Out 41 // Gerar alguns dados (ruído de onda senoidal) e filtrar o dobro x 0 const UINT M 1000 Aleatório aleatório para 40 UINT i 0 i lt M i 41 123 sinal duplo sin 40 x 41 aleatório. GetRandomNumberUniform 40 - 0.2. 0,2 41 Filtro de filtro duplo. Filtro 40 sinal 41 arquivo ltlt sinal ltlt quot t quot ltlt filteredValue ltlt endl x TWOPI / double 40 M 41 10 125 // Feche o arquivo de arquivo. Close 40 41 // Salva as configurações do filtro em um filtro de arquivo. SaveSettingsToFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 // Podemos então carregar as configurações mais tarde se necessário filtro. LoadSettingsFromFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 return EXITSUCCESS 125 O DoubleMovingAverageFilter também funciona com qualquer sinal N dimensional: // Criar uma nova instância do DoubleMovingAverageFilter com um tamanho de janela de 10 para um sinal de 3 dimensões DoubleMovingAverageFilter filter 40 10. 3 41 // O valor Você quer filtrar o vetor lt dados duplos gt 40 3 41 dados 91 0 93 0 //. Obter valor dos dados do sensor 91 1 93 0 //. Obter valor dos dados do sensor 91 2 93 0 //. Obter valor do sensor // Filtrar o vetor de sinal lt duplo filtro filterValue gt. Filtro 40 dados 41 Moving Average Hi Miquel com o parâmetro de controle, alfa, definido como zero. Suas médias móveis são calculadas convolvendo seu sinal de entrada (série) com dois filtros de resposta de impulso finito de comprimento N com coeficientes de filtro 1 / N. Assim, a chamada: movavg (série, 3,10,0) irá filtrar os dados em série com dois filtros, um será de comprimento 3 e terão filtros coeficientes filt11 / 3 1/3 1/3 3 coeficientes O outro terá comprimento 10 e têm coeficientes de filtro filt21 / 10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 10 coeficientes Você está então filtrando seus dados de entrada com esses filtros FIR. Outputfilt1filter (filt1,1, series) filtrando alguns dados aleatórios outputfilt2filter (filt2,1, series) Se você agora plotar esses dados, verá que ambas as versões filtradas são mais suaves do que os dados de entrada , Mas que outputfilt2 é mais suave do que outputfilt1 porque você usou um filtro de média móvel mais longo. Eu não acho que você quer sua entrada variável de entrada para ser 1, porque isso não está dando nada. Im não uma pessoa de economia, mas uma aplicação de usar essas médias móveis de comprimentos diferentes é comparar os dados reais contra as médias móveis de comprimento diferente (um curto ou líder, e um mais longo ou atrasado) e ver onde os dados reais do mercado cai Em relação às diferentes médias móveis. Isso é usado para fazer inferências sobre a direção geral da série de tempo (mercado). Alterar o parâmetro de controle fornece médias ponderadas ou exponenciais. Espero que ajude, wayne Miguel Moura ltmdNOSPAMmouragmREMOVEailgt escreveu na mensagem ltguahs5lgk1fred. mathworksgt. Gt Olá, gt gt Eu preciso calcular uma média móvel simples com o período 10. gt Como posso fazer isso no Matlab gt gt Estou usando o movavg (série, 1,20,0), mas não tenho certeza se isso está correto. Gt gt O que devo usar para chumbo e lag gt gt Obrigado, gt Miguel Wayne King ltwmkingtygmailgt escreveu na mensagem ltgubl6qp821fred. mathworksgt. Gt Oi Miquel com o parâmetro de controle, alfa, definido como zero. Suas médias móveis são calculadas convolvendo seu sinal de entrada (série) com dois filtros de resposta de impulso finito de comprimento N com coeficientes de filtro 1 / N. Então a chamada: gt movavg (série, 3,10,0) gt irá filtrar os dados em série com dois filtros, um será de comprimento 3 e terão coeficientes de filtro gt gt filt11 / 3 1/3 1/3 3 coeficientes gt O outro terá comprimento 10 e tem coeficientes de filtro gt filt21 / 10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 10 coeficientes gt gt Você está então filtrando seu Dados de entrada com estes filtros FIR. Gt gt seriesrandn (100,1) criar alguns dados aleatórios gt outputfilt1filter (filt1,1, series) filtrar alguns dados aleatórios gt outputfilt2filter (filt2,1, series) gt gt Se você agora plotar esses dados, verá que ambas as versões filtradas São mais suaves do que os dados de entrada, mas que outputfilt2 é mais suave do que outputfilt1 porque você usou um filtro de média móvel mais longo. Eu não acho que você quer sua entrada variável de entrada para ser 1, porque isso não está dando nada. Im não uma pessoa de economia, mas uma aplicação de usar essas médias móveis de comprimentos diferentes é comparar os dados reais contra as médias móveis de comprimento diferente (um curto ou líder, e um mais longo ou atrasado) e ver onde os dados reais do mercado cai Em relação às diferentes médias móveis. Isso é usado para fazer inferências sobre a direção geral da série de tempo (mercado). Alterar o parâmetro de controle fornece médias ponderadas ou exponenciais. Gt gt Espero que ajude, gt wayne gt gt gt gt gt Miguel Moura ltmdNOSPAMmouragmREMOVEailgt escreveu na mensagem ltguahs5lgk1fred. mathworksgt. Gt gt Oi, gt gt gt gt Eu preciso calcular uma média móvel simples com o período 10. gt gt Como posso fazer isso em Matlab gt gt gt gt Estou usando o movavg (série, 1,20,0), mas eu não sou Se isso estiver correto. Gt gt gt gt O que devo usar para chumbo e lag gt gt gt gt Obrigado gt gt Miguel Eu preciso usar o Simple Moving Average em sua forma normal, porque eu criei uma biblioteca C NET para fazê-lo. E eu estou usando esta biblioteca no Matlab e verificar o desempenho. Eu gostaria de calcular o SMA usando a função Matlab para validar os valores. Em teoria, os valores de SMA devem ser os mesmos usando o SMA da Biblioteca C ou o SMA do Matlab. Em C o meu SMA é o seguinte: public static Double SMA (Série dupla, período Int32) // Verificar os argumentos Int32 length series. Length if (Length 0) throw new ArgumentException (A série não pode estar vazia) if (period gt length) throw new ArgumentException (O período não pode ser maior que o comprimento da série) // Calcula a média móvel simples sma double Doublelength double sum sma0 for (int bar 1 bar Lt barra de comprimento) se (barra período de tempo) soma soma barra de smabar soma / (barra 1) senão smabar smabar - 1 (sériebar - sériebar - período) / período Estou usando SMA como um exemplo para teste. Oi Miguel, você pode traduzir seu código C facilmente em matlab. Tomando a parte relevante do seu código C sma0 dupla soma para (int bar 1 bar lt comprimento barra) se (bar lt período) soma sériebar smabar soma / (barra 1) senão smabar smabar - 1 (sériebar - sériebar - período) / Sma (1) para j2: comprimento (série) -1 se jltperiod sma (j) soma (série (1: j)) / (j1) senão sma (j) sma Mas você obtém essencialmente os mesmos resultados se você usar apenas filter () com um filtro FIR que consiste em um vetor de comprimento período com coeficientes (j-1) (série j) - series (j-period) (1) série (1) para j2: comprimento (série) -1 se jltperiod sma (1) série (1) (J) soma (série (1: j)) / (j1) sma (j) sma (j-1) Linewidth, 2) mantenha na trama (sma, r) Existem alguns efeitos de arranque para lidar com o seu método, mas você começa a imagem. A coisa agradável sobre Matlab é que alguns grandes colaboradores fizeram muito trabalho para você. Você começa a colher os frutos do seu trabalho. Espero que ajude, wayne Miguel Moura ltmdNOSPAMmouragmREMOVEailgt escreveu na mensagem ltgubrt2l11fred. mathworksgt. Gt Wayne King ltwmkingtygmailgt escreveu na mensagem ltgubl6qp821fred. mathworksgt. Gt gt Oi Miquel com o parâmetro de controle, alfa, definido como zero. Suas médias móveis são calculadas convolvendo seu sinal de entrada (série) com dois filtros de resposta de impulso finito de comprimento N com coeficientes de filtro 1 / N. Assim, a chamada: gt gt movavg (série, 3,10,0) gt gt irá filtrar os dados em série com dois filtros, um será de comprimento 3 e terão coeficientes de filtro gt gt gt gt filt11 / 3 1/3 1 / 3 3 coeficientes gt gt O outro terá comprimento 10 e tem coeficientes de filtro gt gt filt21 / 10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 10 coeficientes gt Gt gt gt Você está então filtrando seus dados de entrada com estes filtros FIR. gt gt gt gt seriesrandn (100,1) criar algum outputfilt1filter aleatória gt dados gt (filt1,1, série) filtrar alguns gt outputfilt2filter aleatória gt dados (filt2,1, série) gt gt gt gt Se você agora traçar esses dados, você Verá que ambas as versões filtradas são mais suaves do que os dados de entrada, mas que outputfilt2 é mais suave que outputfilt1 porque você usou um filtro de média móvel mais longo. Eu não acho que você quer sua entrada variável de entrada para ser 1, porque isso não está dando nada. Im não uma pessoa de economia, mas uma aplicação de usar essas médias móveis de comprimentos diferentes é comparar os dados reais contra as médias móveis de comprimento diferente (um curto ou líder, e um mais longo ou atrasado) e ver onde os dados reais do mercado cai Em relação às diferentes médias móveis. Isso é usado para fazer inferências sobre a direção geral da série de tempo (mercado). Alterar o parâmetro de controle fornece médias ponderadas ou exponenciais. gt gt gt gt Espero que ajude, gt gt wayne gt gt gt gt gt gt gt gt gt gt Miguel Moura ltmdNOSPAMmouragmREMOVEailgt escreveu em mensagem ltguahs5lgk1fred. mathworksgt. gt gt gt Olá, gt gt gt gt gt gt eu preciso calcular uma média móvel simples com período 10. gt gt gt Como posso fazer isso em Matlab gt gt gt gt gt gt Estou usando movavg (série, 1,20, 0), mas não tenho certeza se isso está correto. Gt gt gt gt gt O que devo usar para chumbo e lag gt gt gt gt gt Obrigado gt gt gt gt gt Eu preciso usar a média móvel simples em sua forma normal, porque eu criei uma biblioteca C NET para fazê-lo . E eu estou usando esta biblioteca no Matlab e verificar o desempenho. Gt gt Gostaria de calcular o SMA usando a função Matlab para validar os valores. Gt gt Em C, o SMA é o seguinte: gt gt public static Duplo SMA (Série dupla, período Int32) gt gt // ArgumentException (A série não pode ser gt vazia) gt if (período gt comprimento) throw new ArgumentException (Período gt não pode ser maior que o comprimento da série) gt gt // Calcular simples média móvel gt duplo sma nova Doublelength gt gt sma0 series0 gt gt dupla gt soma sma0 for (int bar 1 bar bar comprimento lt) gt gt if (bar período lt) gt gt soma seriesbar gt smabar soma / (barra 1) gt gt outra Gt gt smabar smabar - 1 (sériebar - sériebar - período gt) / período gt gt gt gt retornar sma gt gt gt Estou usando o SMA como um exemplo de teste. Gt gt Obrigado, gt Miguel Oi a razão pela qual estou usando C é simples. Estou criando um modelo financeiro. Eu faço o teste em Matlab, mas em tempo real eu vou usar C, uma vez que tem sido difícil conectar Matlab para a API e para ser honesto mais uso de API ou C. Então, em tempo real, será uma aplicação C WPF. Para testar será Matlab. Para coerência ambos os sistemas devem usar os mesmos métodos para o cálculo. Então, ou eu criar os algoritmos em C e criar uma biblioteca 3.5 para ser usado no Matlab. Ou eu crio tudo no Matlab, compilação para NET (que eu acho que é possível) para usar no aplicativo WPF. O que você me aconselharia Talvez esta última opção eu acho que provavelmente vai me salvar um monte de trabalho. Mas o que sobre o desempenho Mas como posso compilar, por exemplo, esse código em uma biblioteca NET Qualquer conselho sobre isso é muito bem-vinda. Obrigado, Miguel Wayne King ltwmkingtygmailgt escreveu na mensagem ltgubuvu71g1fred. mathworksgt. Gt desculpe miguel um personagem louco aparecem para a minha declaração gt gt período no trecho de código abaixo. Gt gt wayne gt gt Wayne King ltwmkingtygmailgt escreveu na mensagem ltgubuip7s81fred. mathworksgt. Gt gt Oi Miguel, você pode traduzir seu código C facilmente em matlab. Tomando a parte relevante do seu código C gt gt gt gt sma0 series0 gt gt gt gt dupla gt soma sma0 gt for (int bar 1 bar bar comprimento lt) gt gt gt gt if (bar período lt) gt gt gt soma gt seriesbar gt gt smabar soma / (barra 1) gt gt gt gt outra gt gt gt gt smabar smabar - 1 (seriesbar - seriesbar - período gt gt) / período gt gt gt gt gt gt gt gt Em Matlab (tradução rápida): gt gt Gt gt sma (1) série (1) gt gt para j2: comprimento (série) -1 gt gt se jltperiod gt gt sma (j) soma (série 1: j)) / (j1) gt gt gt gt sma Mas você obtém os resultados essencialmente os mesmos se você usar apenas filter () com () (s) (s) (s) (s) (s) (série-j) - series (j-period)) / gt gt gt gt gt gt Um filtro FIR constituído por um vector de comprimento com coeficientes (1/10) gt gt gt gt série (100,1) gt gt hones (10,1) gt gt hh./10 gt gt smamatlabfilter (h, 1, série Gt gt período gt gt sma (1) série (1) gt gt para j2: comprimento (série) -1 gt gt se jltperiod gt gt sma (j) soma (série 1: j)) / (j1) gt gt Gt gt sma (j) sma (j-1) (séries (j) - series (período j)) / período gt gt end gt gt end gt gt parcela (smamatlab, b, linewidth, 2) gt gt hold Há alguns efeitos de start-up para lidar com o seu método, mas você começa a imagem de gt gt gt gt gt gt. A coisa agradável sobre Matlab é que alguns grandes colaboradores fizeram muito trabalho para você. Você começa a colher os frutos do seu trabalho. Gt gt gt gt Esperança que ajuda, gt gt wayne gt gt gt gt gt gt Miguel Moura ltmdNOSPAMmouragmREMOVEailgt escreveu na mensagem ltgubrt2l11fred. mathworksgt. Gt gt gt Wayne King ltwmkingtygmailgt escreveu na mensagem ltgubl6qp821fred. mathworksgt. Gt gt gt gt Oi Miquel com o parâmetro de controle, alfa, definido como zero. Suas médias móveis são calculadas convolvendo seu sinal de entrada (série) com dois filtros de resposta de impulso finito de comprimento N com coeficientes de filtro 1 / N. Portanto, a chamada: gt gt gt gt movavg (série, 3,10,0) gt gt gt gt irá filtrar os dados em série com dois filtros, um será de comprimento 3 e ter coeficientes de filtro gt gt gt gt gt gt gt gt gt gt Filt11 / 3 1/3 1/3 3 coeficientes gt gt gt gt O outro terá comprimento 10 e tem coeficientes de filtro gt gt gt gt filt21 / 10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 10 coeficientes gt gt gt gt gt gt gt gt Você está então filtrando seus dados de entrada com estes filtros FIR. gt gt gt gt gt gt gt gt seriesrandn (100,1) criar algum gt dados outputfilt1filter aleatória gt gt gt (filt1,1, série) filtrar alguns gt dados gt gt gt outputfilt2filter aleatório (filt2,1, série) gt gt gt gt Gt gt gt gt Se você agora traçar esses dados, você verá que ambas as versões filtradas são mais suaves do que os dados de entrada, mas que outputfilt2 é mais suave do que outputfilt1 porque você usou um filtro de média móvel mais longo. Eu não acho que você quer sua entrada variável de entrada para ser 1, porque isso não está dando nada. Im não uma pessoa de economia, mas uma aplicação de usar essas médias móveis de comprimentos diferentes é comparar os dados reais contra as médias móveis de comprimento diferente (um curto ou líder, e um mais longo ou atrasado) e ver onde os dados reais do mercado cai Em relação às diferentes médias móveis. Isso é usado para fazer inferências sobre a direção geral da série de tempo (mercado). Alterar o parâmetro de controle fornece médias ponderadas ou exponenciais. gt gt gt gt gt gt gt gt Espero que ajude, gt gt gt gt wayne gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt Miguel Moura ltmdNOSPAMmouragmREMOVEailgt escreveu em mensagem ltguahs5lgk1fred. mathworksgt. gt gt gt gt gt Olá, gt gt gt gt gt gt gt gt gt gt eu preciso calcular uma média móvel simples com período 10. gt gt gt gt gt Como posso fazer isso em Matlab gt gt gt gt gt gt gt gt gt Gt Estou usando o movavg (série, 1,20,0), mas não tenho certeza se isso está correto. gt gt gt gt gt gt gt gt gt gt O que devo usar para o chumbo e atraso gt gt gt gt gt gt gt gt gt gt Graças, gt gt gt gt gt Miguel gt gt gt gt gt gt eu preciso usar a Média Móvel Simples Em sua forma normal porque eu criei uma biblioteca C NET para fazê-lo. E eu estou usando esta biblioteca no Matlab e verificar o desempenho. Gt gt gt gt gt Eu gostaria de calcular o SMA usando a função Matlab para validar os valores. Em teoria, os valores de SMA devem ser os mesmos usando o SMA da biblioteca C ou o SMA do Matlab. Em C o meu SMA é o seguinte: SMA (Série dupla, período Int32) gt gt gt gt gt // Verificar argumentos gt gt gt Int32 comprimento série. Longo gt gt gt se (comprimento 0) lançar novo ArgumentException (Série não pode ser gt gt gt vazio) gt gt gt if (Período gt comprimento) throw new ArgumentException (Período gt gt gt não pode ser maior do que o comprimento da série) gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt Gt gt gt gt gt soma gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt Gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt Gt Estou usando o SMA como um exemplo para testes. Gt gt gt gt gt Obrigado, gt gt gt Miguel Wayne King ltwmkingtygmailgt escreveu na mensagem lth2auivpgk1fred. mathworksgt. Gt Oi Ralph, sim, a média móvel é implementada de uma forma causal por isso é olhar para trás. Em sua chamada movavg (dados, 10,10, e) você tem o mesmo retardo definido para as médias de atraso e atraso para que você obtenha saídas idênticas para gt gt curto, longo movavg (data, 10,10, e) gt gt Geralmente, as pessoas escolhem valores diferentes para essas médias móveis. Gt gt Espero que ajude, gt wayne gt gt Ralph ltralphjbgmailgt escreveu na mensagem lth2atdf6sc1fred. mathworksgt. Gt gt Sim, então no meu exemplo seria o tempo n, n-1. N-9 média móvel exponencial. Estou bem para usar o Movavg (dados, 10,10, e) gt gt gt gt Muito apreciado gt gt gt gt Ralph Não confie no EMA que Matlab implementa. Não é a média móvel tradicional que é usada na finança. Na verdade eu não sei se sua versão é usada. Em outras palavras, seu plano de IMO errado. A primeira média exponencial é o primeiro preço b (1) ativo (1) pré-alocar as matrizes b bzeros (r-período, 1) a média de atraso Para grandes Matrizes de dados de entrada, os loops FOR são mais eficientes do que a vectorização. (J2-período) - b (j-período1)) end Primeiro fora, a linha: não é bom, por exemplo O que se seus dados se pareciam com este 1, 4, 6. 20, 45, em seguida, pedir Matlab para calcular um período de 5 EMA e dá-lhe 1 como o primeiro pt. Muito melhor é usar SMA para o primeiro ponto, e não parar lá olhar para o cálculo EMA real: ativo (j2-período) é o preço X períodos atrás, quando na realidade deve ser hoje preço. Cada referência Ive visto dá a fórmula: EMAtoday EMAyest alfa (PRICEtoday - EMAyest) E para comparação Matlab: EMAtoday EMAyest alfa (PRECIO período dias atrás - EMAyest) a linha correta deve ler: Este é um erro muito grave e pode realmente jogar fora o seu Resultados como fez no meu caso. Não posso acreditar que isso nunca foi abordado. Você pode pensar em sua lista de observação como segmentos que você tem marcado. Você pode adicionar tags, autores, threads e até mesmo resultados de pesquisa à sua lista de observação. Desta forma, você pode facilmente acompanhar os tópicos que você está interessado polegadas Para ver a sua lista de observação, clique no link quotMas newsreaderquot. Para adicionar itens à sua lista de observação, clique no link quotadd para assistir listquot na parte inferior de qualquer página. Como adicionar um item à minha lista de observação Pesquisa Para adicionar critérios de pesquisa à sua lista de observação, procure o termo desejado na caixa de pesquisa. Clique no botão quotAdicionar esta pesquisa ao meu link de listagem de visualizações na página de resultados de pesquisa. Você também pode adicionar uma tag à sua lista de observação procurando a tag com a diretiva quottag: tagnamequot onde tagname é o nome da tag que você gostaria de assistir. Autor Para adicionar um autor à sua lista de observação, vá para a página de perfil dos autores e clique no botão quotAdicionar este autor ao meu link de lista de observação no topo da página. Você também pode adicionar um autor à sua lista de observação, indo a um tópico que o autor postou e clicando no quotAdicionar este autor ao meu link listquot do relógio. Você será notificado sempre que o autor fizer um post. Tópico Para adicionar um tópico à sua lista de observação, vá para a página de discussão e clique no link Adicionar este tópico ao meu link de lista de atalhos na parte superior da página. Sobre Newsgroups, Newsreaders e MATLAB Central O que são newsgroups Os newsgroups são um fórum mundial aberto a todos. Grupos de notícias são usados para discutir uma enorme variedade de tópicos, fazer anúncios e trocar arquivos. As discussões são encadeadas ou agrupadas de forma a permitir que você leia uma mensagem postada e todas as suas respostas em ordem cronológica. Isto torna mais fácil seguir o fio da conversa e ver whatrsquos já foi dito antes de você postar sua própria resposta ou fazer uma nova postagem. O conteúdo do grupo de notícias é distribuído por servidores hospedados por várias organizações na Internet. As mensagens são trocadas e gerenciadas usando protocolos de padrão aberto. Nenhuma entidade única ldquoownsrdquo os newsgroups. Existem milhares de newsgroups, cada um abordando um único tópico ou área de interesse. O MATLAB Central Newsreader publica e exibe mensagens no newsgroup comp. soft-sys. matlab. Como faço para ler ou publicar nos newsgroups Você pode usar o leitor de notícias integrado no site da MATLAB Central para ler e publicar mensagens neste newsgroup. MATLAB Central é hospedado por MathWorks. As mensagens enviadas através do Central Newsreader do MATLAB são vistas por todos os grupos de notícias, independentemente de como eles acessam os grupos de notícias. Há várias vantagens em usar o MATLAB Central. Uma Conta A sua conta do MATLAB Central está ligada à sua Conta MathWorks para facilitar o acesso. Use o endereço de e-mail da sua escolha O MATLAB Central Newsreader permite que você defina um endereço de e-mail alternativo como seu endereço de postagem, evitando a confusão na sua caixa de correio principal e reduzindo o spam. Controle de Spam A maioria de spam do newsgroup é filtrada para fora pelo newsreader central de MATLAB. Marcação As mensagens podem ser marcadas com um rótulo relevante por qualquer usuário conectado. As tags podem ser usadas como palavras-chave para encontrar arquivos particulares de interesse ou como uma maneira de categorizar suas postagens marcadas. Você pode optar por permitir que outras pessoas visualizem suas tags e você pode exibir ou pesquisar outras tags, assim como as da comunidade em geral. Tagging fornece uma maneira de ver tanto as grandes tendências e as menores, mais obscuras idéias e aplicações. Listas de vigilância A configuração de listas de observação permite que você seja notificado das atualizações efetuadas nas postagens selecionadas por autor, segmento ou qualquer variável de pesquisa. As notificações da sua lista de observações podem ser enviadas por email (resumo diário ou imediato), exibidas em Meu leitor de notícias ou enviadas via feed RSS. Outras maneiras de acessar os grupos de notícias Use um leitor de notícias através de sua escola, empregador ou provedor de serviços de internet Pagar pelo acesso de grupos de notícias de um provedor comercial Usar Grupos do Google Mathforum. org fornece um leitor de notícias com acesso ao grupo de notícias comp. soft sys. matlab Execute seu próprio servidor. Para obter instruções típicas, consulte: www. slyck / ngpage2 Selecione seu país
Comments
Post a Comment