平滑外推算法

1. 线平滑的算法实现都有哪些

线平滑的算法实现都有二次指数平滑法求预测值，最小二乘法曲线拟合，5点3次平滑曲线，线平滑的算法属于数字几何处理领域的问题，计算机图形学和计算机辅助设计中，用多边形网格可以表示复杂的三维实体。

线平滑的算法中为了方便于在O(1)的时间内获取点P的相邻点与相邻面，故需要提供辅助结构来存储这些邻接点面的信息。故用上面那个简单的Mesh定义就不行了，应该将Mesh数据结构按如下方式定义，增加点邻接信息的存储，为实现这些，定义了PointAttachmentInfo结构和新的Mesh类。

还有一种实现的是拉普拉斯平滑，在前面的博客中，介绍了最为基础的拉普拉斯平滑算法的实现，简单的拉普拉斯平滑算法的原理是将每个顶点都移动到相邻顶点的平均位置，即采用所谓伞状算子。

其具体的实现逻辑表述如下：初始化Mesh的邻接点结构集，新建临时点集，用来存储点平滑后的位置，对所有Mesh中的顶点P，初始化临时向量为零向量。

获取P的邻域点集Adj(P)，对所有领域点T，将其位置加到临时向量里，临时向量/=领域点集数，将临时向量的位置存入临时点集，对所有Mesh中的顶点P，将P的位置修改为临时点集中对应点的位置。

2. 图像平滑处理的原理

这个可以使用均值滤波处理，它也叫图像的平滑。均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。再用模板中的全体像素的平均值来代替原来像素值。

3. 平滑指数计算公式是什么

平滑指数法公式：St=aYt-1+(1-a)St-1。

指数平滑法实际上是一种特殊的加权移动平均法。其特点是：指数平滑法进一步加强了观察期近期观察值对预测值的作用，对不同时间的观察值所赋予的权数不等，从而加大了近期观察值的权数，使预测值能够迅速反映市场实际的变化。权数之间按等比级数减少，此级数之首项为平滑常数a，公比为（1- a）。

示例

以某软件公司A为例，给出2000-2005年的历史销售资料，将数据代入指数平滑模型，预测2006年的销售额，作为销售预算编制的基础。

根据经验判断法，A公司2000-2005年销售额时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升趋势，宜选择较大的α值，可在0.5～0.8间选值，以使预测模型灵敏度高些，结合试算法取0.5，0.6,0.8分别测试。经过第一次指数平滑后，数列散点图呈现直线趋势，故选用二次指数平滑法即可。

4. 如何在ggplot2中使用spline平滑算法

smooth.spline2 <- function(formula, data, ...) {
mat <- model.frame(formula, data)
smooth.spline(mat[, 2], mat[, 1])
}

predictdf.smooth.spline <- function(model, xseq, se, level) {
pred <- predict(model, xseq)
data.frame(x = xseq, y = pred$y)
}

qplot(mpg, wt, data = mtcars) + geom_smooth(method = "smooth.spline2", se= F)

spline是很好的连接点之后将其平滑的算法，但是ggplot中不能直接用，这里提供了一个子函数，可以使用spline让曲线平滑，非常好用。

5. 如何进行图像进行直方图平滑处理，请描述具体的算法过程

width=dlg.m_width;
delta=dlg.m_delta;

sqdelta=delta*delta;
for(i=0;i<256;i++)
{
coef=1.0;
for(j=1;j<width;j++)
{
weight=(float)exp(-0.5*j*j*sqdelta);
if((i+j)<256)
{
coef+=weight;
m_Dib.probability[i]+=(prob[i+j]*weight);
}
if((i-j)>=0)
{
coef+=weight;
m_Dib.probability[i]+=(prob[i-j]*weight);
}
}
m_Dib.probability[i]/=coef;
}
sum=0;
for(i=0;i<256;i++)
sum+=m_Dib.probability[i];
for(i=0;i<256;i++)
m_Dib.probability[i]=(float)(m_Dib.probability[i]/sum);

6. 数字信号测量中的平滑算法怎么算

其实最简单的平滑算法就是对之前的数据求一个平均值，即
y(t) = (y(t-n)+y(t-n+1)+...+y(t))/(n+1)
其实，这么做的理由很简单，这相当于是一个n+1阶的FIR滤波器，然后每个系数都是1/(n+1)。
说白了，就是一个低通滤波器，因此可以起到抑制毛刺等高频信号的结果。
其实，我个人认为，如果你好好设计一个FIR滤波器，然后按照那个系数来进行调整，比这种方法去掉毛刺的效果好得多，你可以利用matlab的工具fdatool，有不懂可以继续追问。

7. 股票DMI指标计算过程中，平滑移动平均公式具体要怎么计算

平滑移动平均公式就是N天的值之和除以N得出的数值的连接线，比如第N天的TR12平滑移动平均计算：（第一天的TR12数值+第二天的TR12数值+……第N天的TR12数值）/N，把所有的计算值连接起来就形成一条平滑移动均线。就像K线图中的均线计算道理一样。

股票公式专家团为你解答，希望能帮到你，祝投资顺利。

8. 平滑移动算法或函数

三角函数。朝由原点向(x1,y1)移动，每移动一段距离s,在x和y轴上的投影距离分别x1*s/sqrt(x1*x1+y1*y1)，y1*s/sqrt(x1*x1+y1*y1)

9. 外推法的常见类型

定量分析中的外推法：
1、趋势平均法
所谓趋势平均法，是指以最近若干时期的平均值为基础，来计算预测期预期值的一种方法。
2、指数平滑法
指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。
经济上的外推法：
1、双外推法
双外推法是在基期不变价总产出和中间投入的基础上，分别用总产出物量指数和中间投入物量指数外推出当期不变价总产出和中间投入，当期不变价总产出减不变价中间投入得出当期不变价增加值。
2、单外推法
单外推法一般是利用总产出物量指数乘以基期不变价增加值，求得当期不变价增加值。这种方法是假定中间投入的物量变化与总产出的物量变化基本上保持相同的幅度。 趋势外推的基本假设是未来系过去和现在连续发展的结果。
趋势外推法的基本理论是：决定事物过去发展的因素，在很大程度上也决定该事物未来的发展，其变化，不会太大；事物发展过程一般都是渐进式的变化，而不是跳跃式的变化掌握事物的发展规律，依据这种规律推导，就可以预测出它的未来趋势和状态。
趋势外推法首先由R.赖恩（Rhyne）用于科技预测。他认为，应用趋势外推法进行预测，主要包括以下6个步骤：
（1）选择预测参数
（2）收集必要的数据
（3）拟合曲线
（4）趋势外推
（5）预测说明
（6）研究预测结果在制订规划和决策中的应用。
趋势外推法是在对研究对象过去和现在的发展作了全面分析之后，利用某种模型描述某一参数的变化规律，然后以此规律进行外推。为了拟合数据点，实际中最常用的是一些比较简单的函数模型，如线性模型、指数曲线、生长曲线、包络曲线等。 指数曲线法（Exponentialcurve）是一种重要的趋势外推法。当描述某一客观事物的指标或参数在散点图上的数据点构成指数曲线或近似指数曲线时，表明该事物的发展是按指数规律或近似指数规律变化。如果在预测期限内，有理由说明该事物仍将按此规律发展，则可按指数曲线外推。
许多研究结果表明，技术发展，有时包括社会发展，其定量特性往往表现为按指数规律或近似指数规律增长，一种技术的发展通常要经过发生、发展和成熟3个阶段。在技术发展进入阶段之前，有一个高速发展时期。一般地说，在这个时期内，很多技术特性的发展是符合指数增长规律的。例如，运输工具的速度、发动机效率、电站容量、计算机的存贮容量和运算速度等，其发展规律均表现为指数增长趋势。
对于处在发生和发展阶段的技术，指数曲线法是一种重要的预测方法，一次指数曲线因与这个阶段的发展趋势相适应，所以比较适合处于发生和发展阶段技术的预测，一次指数曲线也可用于经济预测，因为它与许多经济现象的发展过程相适应，二次指数曲线和修正指数曲线则主要用于经济方面的预测。 生长曲线模型（Growthcurvemodels）可以描述事物发生、发展和成熟的全过程，是情报研究中常用的一种方法。
生物群体的生长，例如人口的增加、细胞的繁琐，开始几乎都是按指数函数的规律增长的。在达到一定的生物密度以后，由于自身和环境的制约作用，逐渐趋于一稳定状态。通过对技术发展过程的研究，发现也具有类似的规律。由于技术性能的提高与生物群体的生长存在着这种非严谨的类似，因而可用生长曲线模拟技术的发展过程。
生长曲线法几乎可用来研究每个技术领域的发展，它不仅可以描述技术发展的基本倾向，而更重要的是，它可以说明一项技术的增长由高速发展变为缓慢发展的转折时期，为规划决策确定开发新技术的恰当时机提供依据。
有些经济现象也符合或近似生长曲线的变化规律，因而它也完全可以用来研究经济领域的问题。