本文目的是介紹如何模擬實際資料中具有特徵的時間序列資料。基於本文提供的模擬資料方法為以後闡述不同時頻分析方法提供資料支撐。均勻且正態分佈的白雜訊
可以通過函式rand(均勻分布)和randn(通常為gaussian分布)生成雜訊。這些函式的輸入指定所得矩陣的大小。
>> yu =
rand
(1000,1
);yn =
randn
(1000,1
);>>
subplot
(223),
hist
(yu,
200)
;title
('distribution of uniform noise');
xlabel
('amplitude bins');
ylabel
('counts');
>>
subplot
(224),
hist
(yn,
200)
;title
('distribution of random noise');
xlabel
('amplitude bins');
ylabel
('counts');
>>
subplot
(211),
plot
(yn)
,hold on,
plot
(yu,
'r')
;
其中,hist()函式中200表示間隔數(bins)數量。
subplot()函式:在matplotlib下,乙個figure物件可以包含多個子圖(axes),可以使用subplot()快速繪製,其呼叫形式如下
subplot(numrows, numcols, plotnum)
圖表的整個繪圖區域被分成numrows行和numcols列,然後按照從左到右,從上到下的順序對每個子區域進行編號,左上的子區域的編號為1。
所以subplot(211)即表示2行1列,第1個子圖。
bins=200時:
bins=10時:
粉紅雜訊
對於紅雜訊(也稱為布朗雜訊)來說,頻率和功率的關係是:
p =k
/f2p=k/f^2
p=k/f2
這裡,k=e
kk=e^k
k=ek
,k
kk代表直線的截距。頻率平方的關係其實可以更一般化的表示為指數 β :
p =k
/fβp=k/f^β
p=k/fβ
當 β =0
β=0β=
0 的時候,所有頻率分量的功率都是乙個常數,也就是白雜訊。 當$ β=2 $的時候,是紅雜訊。當 β 在0~2以內的時候,叫做粉紅雜訊(pink noise)。粉紅雜訊即指頻率結構不均勻的雜訊,通常功率隨頻率增加而降低。有幾種計算粉紅雜訊的方法。一種是應用消失的頻率濾波器。
其中plot(linspace(-1,1,length(wnx))'.^2)
繪圖如下:
時序資料簡介
生活中,我們經常會接觸到需要對某些指標或者狀態按時間序列進行統計和分析的場景,典型的如 走勢 氣象變化 記憶體監控等。這些依賴於時間而變化,可以用數值來反映其變化程度的資料就叫時序資料。時序資料具有兩個關鍵的指標 監測時間和監測數值。時序資料按照其資料組織形式可以分為單值模型和多值模型兩種。單值模型...
時序資料庫
看到這類資料處理基本是要對乙個時間範圍的資料,根據時間段,維度進行歸類,做一些聚合運算。時序資料庫要解決的問題就是如何能在海量資料中,快速響應使用者的此類查詢。序資料庫的一些基本概念 不同的時序資料庫稱呼略有不同 metric 度量,相當於關係型資料庫中的table。data point 資料點,相...
arima處理時序資料
一 arima原理 1.1自回歸模型ar 自回歸模型描述當前值與歷史值之間的關係,用變數自身的歷史事件資料對自身進行 自回歸模型必須滿足平穩性的要求。1 自回歸模型首先需要確定乙個階數p,表示用幾期歷史值來 當前值。p階自回歸模型的公式定義為 a 用自身資料進行 b 時序資料必須具有平穩性,均值為0...