平滑值演算法

① 股票DMI指標計算過程中，平滑移動平均公式具體要怎麼計算

平滑移動平均公式就是N天的值之和除以N得出的數值的連接線，比如第N天的TR12平滑移動平均計算：（第一天的TR12數值+第二天的TR12數值+……第N天的TR12數值）/N，把所有的計算值連接起來就形成一條平滑移動均線。就像K線圖中的均線計算道理一樣。

股票公式專家團為你解答，希望能幫到你，祝投資順利。

② 平均值平滑是去掉誤差大的還是去掉最小的

去掉最大的。
是去掉最大的。均值平滑是指對每一個像元，在以其為中心的窗口內，取鄰域像元的平均值來代替該像元的亮度值，這種方法就是均值平滑，也稱均值濾波。均值平滑演算法簡單，計算速度快，但對圖像的邊緣和細節有一定的削弱作用。

③ 「指數平滑法」計算機C語言程序

指數平滑法是生產預測中常用的一種方法。也用於中短期經濟發展趨勢預測，所有預測方法中，指數 一次指數平滑法

平滑是用得最多的一種。簡單的全期平均法是對時間數列的過去數據一個不漏地全部加以同等利用；移動平均法則不考慮較遠期的數據，並在加權移動平均法中給予近期資料更大的權重；而指數平滑法則兼容了全期平均和移動平均所長，不舍棄過去的數據，但是僅給予逐漸減弱的影響程度，即隨著數據的遠離，賦予逐漸收斂為零的權數。 也就是說指數平滑法是在移動平均法基礎上發展起來的一種時間序列分析預測法，它是通過計算指數平滑值，配合一定的時間序列預測模型對現象的未來進行預測。其原理是任一期的指數平滑值都是本期實際觀察值與前一期指數平滑值的加權平均。

編輯本段基本公式

指數平滑法的基本公式是：St=ayt+(1-a)St-1 式中， St--時間t的平滑值； yt--時間t的實際值； St-1--時間t-1的平滑值； a--平滑常數，其取值范圍為[0,1]； 由該公式可知： 1.St是yt和 St-1的加權算數平均數，隨著a取值的大小變化，決定yt和 St-1對St的影響程度，當a取1時，St= yt；當a取0時，St= St-1。 2.St具有逐期追溯性質，可探源至St-t+1為止，包括全部數據。其過程中，平滑常數以指數形式遞減，故稱之為指數平滑法。指數平滑常數取值至關重要。平滑常數決定了平滑水平以及對預測值與實際結果之間差異的響應速度。平滑常數a越接近於1，遠期實際值對本期平滑值的下降越迅速；平滑常數a越接近於 0，遠期實際值對本期平滑值影響程度的下降越緩慢。由此，當時間數列相對平穩時，可取較大的a；當時間數列波動較大時，應取較小的a，以不忽略遠期實際值的影響。生產預測中，平滑常數的值取決於產品本身和管理者對良好響應率內涵的理解。 3.盡管St包含有全期數據的影響，但實際計算時，僅需要兩個數值，即yt和 St-1，再加上一個常數a，這就使指數滑動平均具逐期遞推性質，從而給預測帶來了極大的方便。 4.根據公式S1=ay1+(1-a)S0，當欲用指數平滑法時才開始收集數據，則不存在y0。無從產生S0，自然無法據指數平滑公式求出S1，指數平滑法定義S1為初始值。初始值的確定也是指數平滑過程的一個重要條件。 如果能夠找到y1以前的歷史資料，那麼，初始值S1的確定是不成問題的。數據較少時可用全期平均、移動平均法；數據較多時，可用最小二乘法。但不能使用指數平滑法本身確定初始值，因為數據必會枯竭。 如果僅有從y1開始的數據，那麼確定初始值的方法有： 1）取S1等於y1； 2）待積累若干數據後，取S1等於前面若干數據的簡單算術平均數，如：S1=（y1+ y2+y3）/3等等。

編輯本段預測公式

據平滑次數不同，指數平滑法分為：一次指數平滑法、二次指數平滑法和三次指數平滑法等。

一次指數平滑預測

當時間數列無明顯的趨勢變化，可用一次指數平滑預測。 其預測公式為：yt+1'=ayt+(1-a)yt' 式中，yt+1'--t+1期的預測值，即本期（t期）的平滑值St ； yt--t期的實際值； yt'--t期的預測值，即上期的平滑值St-1 。 該公式又可以寫作：yt+1'=yt'+a(yt- yt')。可見，下期預測值又是本期預測值與以a為折扣的本期實際值與預測值誤差之和。

二次指數平滑預測

二次指數平滑是對一次指數平滑的再平滑。它適用於具線性趨勢的時間數列。 指數平滑法預測

其預測公式為： yt+m=(2+am/(1-a))yt'-(1+am/(1-a))yt=(2yt'-yt)+m(yt'-yt) a/(1-a)式中，yt= ayt-1'+(1-a)yt-1 顯然，二次指數平滑是一直線方程，其截距為：(2yt'-yt)，斜率為：(yt'-yt) a/(1-a),自變數為預測天數。 二次指數平滑基本公式 St=αSt+(1-α)St-1 Yt+T=at+btT at=2St-St bt=(α/1-α)(St-St) 式中

St--第t期的一次指數平滑值 St--第t期的二次指數平滑值 α--平滑系數 Yt+T--第t+T期預測值 T--由t期向後推移期數

三次指數平滑預測

三次指數平滑預測是二次平滑基礎上的再平滑。 其預測公式是：yt+m=(3yt'-3yt+yt)+[(6-5a)yt'-(10-8a)yt+(4-3a)yt]*am/2(1-a)2+ (yt'-2yt+yt')*a2m2/2(1-a)2 式中，yt=ayt-1+(1-a)yt-1 它們的基本思想都是：預測值是以前觀測值的加權和，且對不同的數據給予不同的權，新數據給較大的權，舊數據給較小的權。

編輯本段趨勢調整

一段時間內收集到的數據所呈現的上升或下降趨勢將導致指數預測滯後於實際需求。通過趨勢調整，添加趨勢修正值，可以在一定程度上改進指數平滑預測結果。調整後的指數平滑法的公式為： 包含趨勢預測(YITt)=新預測（Yt）+趨勢校正（Tt） 進行趨勢調整的指數平滑預測有三個步驟： 1、 利用前面介紹的方法計算第t期的簡單指數平滑預測（Yt）； 2、 計算趨勢。其公式為： Tt=(1-b)Tt-1+b(Yt-Yt-1)其中， Tt=第t期經過平滑的趨勢； Tt-1=第t期上期經過平滑的趨勢； b=選擇的趨勢平滑系數； Yt=對第t期簡單指數平滑預測； Yt-1=對第t期上期簡單指數平滑預測。 3、計算趨勢調整後的指數平滑預測值（YITt).計算公式為：YITt=Yt+Tt。

編輯本段具體應用

指數平滑模型的建立

指數平滑法一般有一次指數平滑法、二次指數平滑法和三次指數平滑法。指數平滑法的預測模型為 指數平滑法在小浪底大壩變形

： 初始值的確定，即第一期的預測值。一般原數列的項數較多時（大於15項），可以選用第一期的觀察值或選用比第一期前一期的觀察值作為初始值。如果原數列的項數較少時（小於15項），可以選取最初幾期（一般為前三期）的平均數作為初始值。指數平滑方法的選用，一般可根據原數列散點圖呈現的趨勢來確定。如呈現直線趨勢，選用二次指數平滑法；如呈現拋物線趨勢，選用三次指數平滑法。或者，當時間序列的數據經二次指數平滑處理後，仍有曲率時，應用三次指數平滑法。

指數平滑系數α的確定

指數平滑法的計算中，關鍵是α的取值大小，但α的取值又容易受主觀影響，因此合理確定α的取值方法十分重要，一般來說，如果數據波動較大，α值應取大一些，可以增加近期數據對預測結果的影響。如果數據波動平穩，α值應取小一些。理論界一般認為有以下方法可供選擇： 經驗判斷法。這種方法主要依賴於時間序列的發展趨勢和預測者的經驗做出判斷。 1、當時間序列呈現較穩定的水平趨勢時，應選較小的α值，一般可在0.05～0.20之間取值； 2、當時間序列有波動，但長期趨勢變化不大時，可選稍大的α值，常在0.1～0.4之間取值； 3、當時間序列波動很大，長期趨勢變化幅度較大，呈現明顯且迅速的上升或下降趨勢時，宜選擇較大的α值，如可在0.6～0.8間選值，以使預測模型靈敏度高些，能迅速跟上數據的變化； 4、當時間序列數據是上升（或下降）的發展趨勢類型，α應取較大的值，在0.6~1之間。 試演算法。根據具體時間序列情況，參照經驗判斷法，來大致確定額定的取值范圍，然後取幾個α值進行試算，比較不同α值下的預測標准誤差，選取預測標准誤差最小的α。 在實際應用中預測者應結合對預測對象的變化規律做出定性判斷且計算預測誤差，並要考慮到預測靈敏度和預測精度是相互矛盾的，必須給予二者一定的考慮，採用折中的α值。

銷售預算中的具體應用

以某軟體公司A為例，給出2000-2005年的歷史銷售資料，將數據代入指數平滑模型，預測2006年的銷售額，作為銷售預算編制的基礎。 根據經驗判斷法，A公司2000-2005年銷售額時間序列波動很大，長期趨勢變化幅度較大，呈現明顯且迅速的上升趨勢，宜選擇較大的α值，可在0.5～0.8間選值，以使預測模型靈敏度高些，結合試演算法取0.5，0.6,0.8分別測試。經過第一次指數平滑後，數列散點圖呈現直線趨勢，故選用二次指數平滑法即可。 根據偏差平方的均值（MSE）最小，即各期實際值與預測值差的平方和除以總期數，以最小值來確定α的取值的標准，經測算當α=0.6時，MSE1=1445.4；當α=0.8時，MSE2=10783.7；當α=0.5時，MSE3=1906.1。因此選擇α=0.6來預測2006年4個季度的銷售額。

④ 求大神給一個平滑演算法的思路

不是特別理解題意，按我的理解，如果信號的抖動是由於高頻雜訊引起的，一般就是通過FFT變換或小波變換，濾波把高頻部分去掉吧。這樣重構出來的信號因為只含低頻部分，所以就會比較平滑。

⑤ 量平滑異同移動平均線的計算方法

計算方法：先計算成交量的短期(SHORT)和長期(LONG)指數平滑移動平均線，再推算DIFF和異同平均數（DEA）及兩者之差，最後得出VMACD。具體計算公式：
SHORT=[2×成交量+（N－1）×上一周期成交量]
LONG=[2×成交量+（N1－1）×上一周期成交量]
DIFF=SHORT－LONG
DEA=[2×DIFF+（M－1）×上一周期DIFF]
VMACD=DIFF－DEA
參數設置：N=12、N1=26、M=9
參數自述：
DIFF：成交量的（Param#1）日減去（Param#2）日指數平滑移動平均值；
DEA：DIFF的（Param#3）日指數平滑移動平均線
VMACD：DIFF與DEA的差

⑥ 指數平滑法的具體應用

指數平滑法一般有一次指數平滑法、二次指數平滑法和三次指數平滑法。指數平滑法的預測模型為：
初始值的確定，即第一期的預測值。一般原數列的項數較多時（大於15項），可以選用第一期的觀察值或選用比第一期前一期的觀察值作為初始值。如果原數列的項數較少時（小於15項），可以選取最初幾期（一般為前三期）的平均數作為初始值。指數平滑方法的選用，一般可根據原數列散點圖呈現的趨勢來確定。如呈現直線趨勢，選用二次指數平滑法；如呈現拋物線趨勢，選用三次指數平滑法。或者，當時間序列的數據經二次指數平滑處理後，仍有曲率時，應用三次指數平滑法。 指數平滑法的計算中，關鍵是α的取值大小，但α的取值又容易受主觀影響，因此合理確定α的取值方法十分重要，一般來說，如果數據波動較大，α值應取大一些，可以增加近期數據對預測結果的影響。如果數據波動平穩，α值應取小一些。理論界一般認為有以下方法可供選擇：
經驗判斷法。這種方法主要依賴於時間序列的發展趨勢和預測者的經驗做出判斷。
1、當時間序列呈現較穩定的水平趨勢時，應選較小的α值，一般可在0.05～0.20之間取值；
2、當時間序列有波動，但長期趨勢變化不大時，可選稍大的α值，常在0.1～0.4之間取值；
3、當時間序列波動很大，長期趨勢變化幅度較大，呈現明顯且迅速的上升或下降趨勢時，宜選擇較大的α值，如可在0.6～0.8間選值，以使預測模型靈敏度高些，能迅速跟上數據的變化；
4、當時間序列數據是上升（或下降）的發展趨勢類型，α應取較大的值，在0.6~1之間。
試演算法。根據具體時間序列情況，參照經驗判斷法，來大致確定額定的取值范圍，然後取幾個α值進行試算，比較不同α值下的預測標准誤差，選取預測標准誤差最小的α。
在實際應用中預測者應結合對預測對象的變化規律做出定性判斷且計算預測誤差，並要考慮到預測靈敏度和預測精度是相互矛盾的，必須給予二者一定的考慮，採用折中的α值。 以某軟體公司A為例，給出2000-2005年的歷史銷售資料，將數據代入指數平滑模型，預測2006年的銷售額，作為銷售預算編制的基礎。
根據經驗判斷法，A公司2000-2005年銷售額時間序列波動很大，長期趨勢變化幅度較大，呈現明顯且迅速的上升趨勢，宜選擇較大的α值，可在0.5～0.8間選值，以使預測模型靈敏度高些，結合試演算法取0.5，0.6,0.8分別測試。經過第一次指數平滑後，數列散點圖呈現直線趨勢，故選用二次指數平滑法即可。
根據偏差平方的均值（MSE）最小，即各期實際值與預測值差的平方和除以總期數，以最小值來確定α的取值的標准，經測算當α=0.6時，MSE1=1445.4；當α=0.8時，MSE2=10783.7；當α=0.5時，MSE3=1906.1。因此選擇α=0.6來預測2006年4個季度的銷售額。

⑦ 數字信號測量中的平滑演算法怎麼算

其實最簡單的平滑演算法就是對之前的數據求一個平均值，即
y(t) = (y(t-n)+y(t-n+1)+...+y(t))/(n+1)
其實，這么做的理由很簡單，這相當於是一個n+1階的FIR濾波器，然後每個系數都是1/(n+1)。
說白了，就是一個低通濾波器，因此可以起到抑制毛刺等高頻信號的結果。
其實，我個人認為，如果你好好設計一個FIR濾波器，然後按照那個系數來進行調整，比這種方法去掉毛刺的效果好得多，你可以利用matlab的工具fdatool，有不懂可以繼續追問。

⑧ 圖像平滑演算法的幾種方法比較

你可以去下載一下CxImage的Demo，裡面有關於幾種平滑演算法的例子，可以很直觀的看出來，也可以去看他的源代碼裡面的具體演算法

地址如下：
http://www.codeproject.com/KB/graphics/cximage.aspx

⑨ 線平滑的演算法實現都有哪些

線平滑的演算法實現都有二次指數平滑法求預測值，最小二乘法曲線擬合，5點3次平滑曲線，線平滑的演算法屬於數字幾何處理領域的問題，計算機圖形學和計算機輔助設計中，用多邊形網格可以表示復雜的三維實體。

線平滑的演算法中為了方便於在O(1)的時間內獲取點P的相鄰點與相鄰面，故需要提供輔助結構來存儲這些鄰接點面的信息。故用上面那個簡單的Mesh定義就不行了，應該將Mesh數據結構按如下方式定義，增加點鄰接信息的存儲，為實現這些，定義了PointAttachmentInfo結構和新的Mesh類。

還有一種實現的是拉普拉斯平滑，在前面的博客中，介紹了最為基礎的拉普拉斯平滑演算法的實現，簡單的拉普拉斯平滑演算法的原理是將每個頂點都移動到相鄰頂點的平均位置，即採用所謂傘狀運算元。

其具體的實現邏輯表述如下：初始化Mesh的鄰接點結構集，新建臨時點集，用來存儲點平滑後的位置，對所有Mesh中的頂點P，初始化臨時向量為零向量。

獲取P的鄰域點集Adj(P)，對所有領域點T，將其位置加到臨時向量里，臨時向量/=領域點集數，將臨時向量的位置存入臨時點集，對所有Mesh中的頂點P，將P的位置修改為臨時點集中對應點的位置。