Кластерный фильтр (англ. cluster — гроздь, сгусток, пучок) - совокупность цифровых фильтров, воссоздающих и/или преобразующих исходную последовательность.
В отличии от всевозможных методов декомпозиции (разложения на составляющие) или просто фильтров определенной частоты, кластерные фильтры создают композицию или веер вероятных значений исходной последовательности, который в последствии подвергается дополнительному анализу.
Каждый фильтр, включенный в кластер, может обладать своими индивидуальными характеристиками, но не обязательно. Иногда эти фильтры настроены для анализа некого своего стационарного временного ряда, который описывает отдельные свойства исходного нестационарного. В самом простом случае, если исходный нестационарный ряд меняет свои параметры, то происходит «переключение» между фильтрами.
Кластерный фильтр удобно использовать для анализа нестационарных временных рядов в реальном времени, лучше сказать, потоковых данных. Это значит, что наибольший интерес такой фильтр представляет, например, не для сглаживания уже известных значений временного ряда, а для получения наиболее вероятного сглаженного значения нового данного, полученного в реальном времени. Хорошо сконфигурированный и отлаженный кластерный фильтр с большой вероятностью не будет создавать запаздывания во времени. Или почти не будет.
Подтверждением вышеописанных свойств являются «Эффект опережающего сглаживания» и «Эффект кобры».
В отличии от всевозможных методов декомпозиции (разложения на составляющие) или просто фильтров определенной частоты, кластерные фильтры создают композицию или веер вероятных значений исходной последовательности, который в последствии подвергается дополнительному анализу.
Каждый фильтр, включенный в кластер, может обладать своими индивидуальными характеристиками, но не обязательно. Иногда эти фильтры настроены для анализа некого своего стационарного временного ряда, который описывает отдельные свойства исходного нестационарного. В самом простом случае, если исходный нестационарный ряд меняет свои параметры, то происходит «переключение» между фильтрами.
Кластерный фильтр удобно использовать для анализа нестационарных временных рядов в реальном времени, лучше сказать, потоковых данных. Это значит, что наибольший интерес такой фильтр представляет, например, не для сглаживания уже известных значений временного ряда, а для получения наиболее вероятного сглаженного значения нового данного, полученного в реальном времени. Хорошо сконфигурированный и отлаженный кластерный фильтр с большой вероятностью не будет создавать запаздывания во времени. Или почти не будет.
Подтверждением вышеописанных свойств являются «Эффект опережающего сглаживания» и «Эффект кобры».
Комментариев нет:
Отправить комментарий