| Indbyggede plugin |
| forrige | Plugin, tilpasninger og filtre | næste |
For øjeblikket er der mere end 25 indbyggede plugin tilgængelige i Kst som udfører funktioner fra at krydskorrelere to vektorer til at oprette periodogrammer af datamængder. Indstillingsvinduet for hvert plugin består af to hovedafsnit: et afsnit for inddata og et for uddata. Hver afdeling består af et antal skalarer og/eller vektorer. Følgende skærmaftryk viser tilpasningsvinduet for et typisk plugin. Den eneste forskel mellem de forskellige plugin er sættet med inddata og uddata, og mekanismen for at aflede uddata fra inddata.
Følgende afsnit beskriver formålet, nøglealgoritmer eller formler som bruges til at udføre beregninger, og inddata og uddata for hvert plugin. Bemærk at tilpasning og filterings-plugin er inkluderet i følgende afsnit.
Pluginnet Automatisk korrelation beregner korrelationsværdier mellem en serie (vektor), og en forsinket version af sig selv, ved brug af forsinkelsesværdier fra floor(-(N-1)/2) til floor((N-1)/2), hvor N er antal punkter i datamængden. Tidsvektoren er ikke inddata eftersom det antages at data samples med ens tidsintervaller. Korrelationsværdien r ved forsinkelsen k er:
Pluginnet Område opdeler elementer i en enkelt datavektor i områder af angiven størrelse. Værdien for hvert område er middelværdien for elementerne som tilhører området. Hvis områdesstørrelsen for eksempel er 3, og inddatavektoren er [9,2,7,3,4,74,5,322,444,2,1], bliver området i uddata [6,27,257]. Bemærk at eventuelle element som findes tilbage til slut på inddatavektoren som ikke laver et fuldstændigt område (i dette tilfælde elementet 2 og 1), helt enkelt ses bort fra.
Vektoren at dele op i områder.
Størrelsen at bruge for hvert område.
Pluginnet Butterworth bandpassfilter filtrerer en datamængde ved at beregne Fouriertransformationen af data og udregne frekvenssvaret igen med følgende formel:
hvor f er frekvensen, fc er lavfrekvente skæringspunkter, b er båndbredden for passbåndet, og n er Butterworthfiltrets rækkefølge. Den inverse Fouriertransform beregnes derefter med de nye filtrerede frekvenssvar.
Feltet med værdier at filtrere.
Rækkefølgen for Butterworth filtret som skal bruges.
Den lave skæringsfrekvens for Butterworth bandpassfiltret.
Bredden på båndpassområdet. Det skal være forskellen mellem ønsket høj skæringsfrekvens og lav skæringsfrekvens.
Pluginnet Butterworth bandstopfilter filtrerer en datamængde ved at beregne Fouriertransformen af data og udregne frekvenssvaret igen med følgende formel:
hvor f er frekvensen, fc er lavfrekvente skæringspunkter, b er båndbredden for stopbåndet, og n er Butterworthfiltrets rækkefølge. Den inverse Fouriertransform beregnes derefter med de nye filtrerede frekvenssvar.
Feltet med værdier at filtrere.
Rækkefølgen for Butterworth filtret som skal bruges.
Den lave skæringsfrekvens for Butterworth båndstopfiltret.
Bredden på bøndstopområdet. Det skal være forskellen mellem ønsket høj skæringsfrekvens og lav skæringsfrekvens.
Pluginnet Butterworth højpassfilter filtrerer en datamængde ved at beregne Fouriertransformen af data og udregne frekvenssvaret igen med følgende formel:
hvor f er frekvensen, fc er højfrekvente skæringspunkter, og n er Butterworthfiltrets rækkefølge. Den inverse Fouriertransform beregnes derefter med de nye filtrerede frekvenssvar.
Feltet med værdier at filtrere.
Rækkefølgen for Butterworth filtret som skal bruges.
Skæringsfrekvensen for Butterworth højpassfiltret.
Pluginnet Butterworth lavpassfilter filtrerer en datamængde ved at beregne Fouriertransformen af data og udregne frekvenssvaret igen med følgende formel:
hvor f er frekvensen, fc er lavfrekvente skæringspunkter, og n er Butterworthfiltrets rækkefølge. Den inverse Fouriertransform beregnes derefter med de nye filtrerede frekvenssvar.
Feltet med værdier at filtrere.
Rækkefølgen for Butterworth filtret som skal bruges.
Skæringsfrekvensen for Butterworth lavpassfiltret.
Pluginnet Del tager en inddatavektor og deler den op i to vektorer. Hvert andet element i inddatavektoren placeres i en uddatavektor, mens alle andre elementer i inddatavektoren placeres i en anden uddatavektor.
Felter som indeholder den ulige del af inddatafeltet (dvs. det indeholder det første element i inddatafeltet).
Feltet som indeholder den lige del af inddatafeltet (dvs. det indeholder ikke det første element i inddatafeltet).
Feltet som indeholder elementerne fra det ulige felt minus de tilsvarende elementer i det lige felt.
Et indeksfelt med samme længde som de tre øvrige uddatafelter.
Pluginnet Konvolution laver konvolutionen af en vektor med en anden. Konvolutionen af to funktioner f og g er givet ved:
Vektorernes rækkefølge spiller ingen rolle, eftersom f*g=g*f. Desuden behøver vektorerne ikke at være af samme størrelse, eftersom pluginnet automatisk ekstrapolerer den kortere vektor.
Et af parret af felter som skal bruges til konvolutionen.
Et af parret af felter som skal bruges til konvolutionen.
Pluginnet Krydskorrelation beregner korrelationsværdier mellem to serier (vektorer) x og y, ved brug af forsinkelsesværdier fra floor(-(N-1)/2) til floor((N-1)/2), hvor N er antal elementer i den længste vektor. Den kortere vektor udfyldes ud med 0 til den længere vektors længde. Tidsvektoren er ikke inddata eftersom det antages at data samples med ens tidsintervaller. Korrelationsværdien r ved forsinkelsen k er:
Feltet x som bruges i formlen for krydskorrelation.
Feltet y som bruges i formlen for krydskorrelation.
Pluginnet dekonvolution laver den omvendte konvolution af en vektor med en anden. Dekonvolution er det inverse af konvolution. Givet den konvulerede vektor h og en anden vektor g, fås dekonvolutionen f ved:
Vektorerne behøver ikke være af samme størrelse, eftersom pluginnet automatisk ekstrapolerar den kortere vektor. Den kortere vektor antages at være svarfunktionen g.
Et af parrene med felter som skal bruges til dekonvolutionen.
Et af parrene med felter som skal bruges til dekonvolutionen.
Pluginnet Vægtet eksponentiel tilpasning udfører en vægtet mindste kvadrat tilpasning til en eksponentiel model:
Det oprindelige estimat a=1,0, 
=0, og b=0 bruges. Derefter udfører pluginnet iterationer mod løsningen til en nøjagtighed på 1,0e-4 er nået eller 500 iterationer er udført.
Feltet med X-værdier for datapunkterne som skal tilpasses.
Feltet med Y-værdier for datapunkterne som skal tilpasses.
Feltet med vægte at bruge for tilpasningen.
Feltet med tilpassede Y-værdier.
Feltet med rester.
Parametrene for bedste tilpasning a, , og b.
Kovariansmatricen for modelparametrene, som returneres linje for linje i vektoren.
Vægtet sum af kvadraterne af resterne, dividerat med frihedsgraderne.
Pluginnet Eksponentiel tilpasning har identisk funktion som pluginnet Vægtet exponentiell tilpasning, med undtagelse af at vægtværdien wi er lig med 1 for alle indeksværdier i. Som et resultat, er der ingen vægt-inddataværdier.
Pluginnet Vægtet gaussisk tilpasning udfører en vægtet ikke-lineær mindste kvadrat tilpasning til en Gaussisk model:
Det oprindelige estimat a=(maksimum af Y-værdierne), 
=(middelværdi af X-værdierne), og 
=(midtpunktet for X-værdierne) bruges. Derefter udfører pluginnet iterationer mod løsningen indtil en nøjagtighed på 1,0e-4 er opnået eller 500 iterationer er udført.
Feltet med X-værdier for datapunkterne som skal tilpasses.
Feltet med Y-værdier for datapunkterne som skal tilpasses.
Feltet med vægte at bruge for tilpasningen.
Feltet med tilpassede Y-værdier.
Feltet med rester.
Parametrene for bedste tilpasning , , og a.
Kovariansmatricen for modelparametrene, som returneres linje for linje i vektoren.
Vægtet sum af kvadraterne af resterne, dividerat med frihedsgraderne.
Pluginnet Gaussisk tilpasning har identisk funktion som pluginnet Vægtet gaussisk tilpasning, med undtagelse af at vægtningsværdien wi er lig med 1 for alle indeksværdier i. Som et resultat, er der ingen vægt-inddataværdier (vektorer).
Pluginnet Vægtet gradient udfører en vægtet mindste kvadrat tilpasning til en model med ret linje uden et konstantled:
Den bedste tilpasning findes ved at minimere den vægtede sum af de kvadratiske rester:
for b, hvor wi er vægten for indeks i.
Feltet med X-værdier for datapunkterne som skal tilpasses.
Feltet med Y-værdier for datapunkterne som skal tilpasses.
Matricen med vægter som skal bruges til tilpasningen.
Matricen med Y-værdier for punkterne som repræsenterer linjen med bedst tilpasning.
Matricen med rester, eller forskelle mellem Y-værdier for linjen med bedst tilpasning og Y-værdier for datapunkterne.
Parameteren b for den bedste tilpasning.
Den estimerede kovariansmatrix, returneret række for række, begyndende på række 0.
Tilsvarende værdier i Y-tilpasset minus standardafvigelsen for funktionen med bedste tilpasning for ved tilsvarende X-værdi.
Tilsvarende værdi i Y-tilpasning plus standardafvigelsen for funktionen med bedste tilpasning ved tilsvarende X-værdi.
Værdien af summen af kvadraterne for resterne, divideret med frihedsgraderne.
Pluginnet Overgangstilpasning har samme funktion som pluginnet Vægtet overgangstilpasning, med undtagelse af at vægtningsværdien wi er lig med 1 for alle indeksværdier i. Som et resultat, findes inddataværdien Vægter (vektor) ikke.
Pluginnet Vægtet lineær tilpasning udfører en vægtet mindste kvadrat tilpasning til en model med en lige linje.
Den bedste tilpasning findes ved at minimere den vægtede sum af de kvadratiske rester:
for a og b, hvor wi er vægten for indekset i.
Feltet med X-værdier for datapunkterne som skal tilpasses.
Feltet med Y-værdier for datapunkterne som skal tilpasses.
Matricen med vægter som skal bruges til tilpasningen.
Matricen med Y-værdier for punkterne som repræsenterer linjen med bedst tilpasning.
Matricen med rester, eller forskelle mellem Y-værdier for linjen med bedst tilpasning og Y-værdier for datapunkterne.
Parametrene a og b for den bedste tilpasning.
Den estimerede kovariansmatrix, returneret række for række, begyndende på række 0.
Tilsvarende værdier i Y-tilpasset minus standardafvigelsen for funktionen med bedste tilpasning for ved tilsvarende X-værdi.
Tilsvarende værdi i Y-tilpasning plus standardafvigelsen for funktionen med bedste tilpasning ved tilsvarende X-værdi.
Værdien af summen af kvadraterne for resterne, divideret med frihedsgraderne.
Pluginnet Lineær tilpasning har samme funktion som pluginnet Vægtet lineær tilpasning, med undtagelse af at vægtningsværdien wi er lig med 1 for alle indeksværdier i. Som et resultat, findes inddataværdien Vægter (vektor) ikke.
Pluginnet Vægtet Lorentz-tilpasning udfører en vægtet ikke-lineær mindste kvadrat tilpasning til en Lorentz-model:
Det oprindelige estimat a=(maksimum af Y-værdierne), x0=(middelværdi af X-værdierne), og 
=(midtpunktet for X-værdierne) bruges. Derefter udfører pluginnet iterationer mod løsningen med en nøjagtighed på 1,0e-4 er opnået eller 500 iterationer er udført.
Feltet med X-værdier for datapunkterne som skal tilpasses.
Feltet med Y-værdier for datapunkterne som skal tilpasses.
Feltet med vægte at bruge for tilpasningen.
Feltet med tilpassede Y-værdier.
Feltet med rester.
Parametrene for bedste tilpasning x0, , og a.
Kovariansmatricen for modelparametrene, som returneres linje for linje i vektoren.
Vægtet sum af kvadraterne af resterne, dividerat med frihedsgraderne.
Pluginnet Lorentz-tilpasning har samme funktion som pluginnet Vægtet Lorentz-tilpasning, med undtagelse af at vægtningsværdien wi er lig med 1 for alle indeksværdier i. Som et resultat, findes inddataværdien Vægter (vektor) ikke.
Pluginnet Vægtet polynomiumtilpasning udfører en vægtet mindste kvadrat tilpasning til en polynomiummodel:
hvor n er polynomiummodellens rækkefølge.
Feltet med X-værdier for datapunkterne som skal tilpasses.
Feltet med Y-værdier for datapunkterne som skal tilpasses.
Feltet med vægte at bruge for tilpasningen.
Rækkefølgen, eller graden, for polynomiummodellen som skal bruges.
Feltet med tilpassede Y-værdier.
Feltet med rester.
Parametrene for bedste tilpasning c0, c1,..., cn.
Kovariansmatricen for modelparametrene, som returneres linje for linje i vektoren.
Vægtet sum af kvadraterne af resterne, dividerat med frihedsgraderne.
Pluginnet Polynomiumtilpasning har samme funktion som pluginnet Vægtet polynomiumtilpasning, med undtagelse af at vægtningsværdien wi er lig med 1 for alle indeksværdier i. Som et resultat, findes inddataværdien Vægter (vektor) ikke.
Pluginnet Vægtet sinusformet tilpasning udfører en vægtet mindste kvadrat tilpasning til en sinusformet model:
hvor T er angiven periode, og n=2+2H, hvor H er angivet antal overtoner.
Feltet med X-værdier for datapunkterne som skal tilpasses.
Feltet med Y-værdier for datapunkterne som skal tilpasses.
Feltet med vægte at bruge for tilpasningen.
Antal overtoner i sinusformen som skal tilpasses.
Perioden for sinusformen som skal tilpasses.
Feltet med tilpassede Y-værdier.
Feltet med rester.
Parametrene for bedste tilpasning c0, c1,..., cn.
Kovariansmatricen for modelparametrene, som returneres linje for linje i vektoren.
Vægtet sum af kvadraterne af resterne, dividerat med frihedsgraderne.
Pluginnet Sinusformet tilpasning har samme funktion som pluginnet Vægtet sinusformet tilpasning, med undtagelse af at vægtningsværdien wi er lig med 1 for alle indeksværdier i. Som et resultat, findes inddataværdien Vægter (vektor) ikke.
Pluginnet Akima-spline interpolation laver en ikke-afrundet Akima-spline interpolation for datamængder som der sørges for, med naturlige grænsebetingelser.
Feltet med X-værdier for datapunkterne som interpolationen skal laves for.
Feltet med Y-værdier for datapunkterne som interpolationen skal laves for.
Feltet med X-værdier hvor interpolerede Y-værdier ønskes.
Pluginnet Periodisk Akima-splineinterpolation laver en ikke-afrundet Akima-splineinterpolation for datamængder som der sørges for, med periodiske grænsebetingelser.
Feltet med X-værdier for datapunkterne som interpolationen skal laves for.
Feltet med Y-værdier for datapunkterne som interpolationen skal laves for.
Feltet med X-værdier hvor interpolerede Y-værdier ønskes.
Pluginnet Kubisk splineinterpolation laver en kubisk splineinterpolation for datamængden som der sørges for, med naturlige grænsebetingelser.
Feltet med X-værdier for datapunkterne som interpolationen skal laves for.
Feltet med Y-værdier for datapunkterne som interpolationen skal laves for.
Feltet med X-værdier hvor interpolerede Y-værdier ønskes.
Pluginnet Periodisk kubisk splineinterpolation laver en kubisk splineinterpolation for datamængden som der sørges for, med periodiske grænsebetingelser.
Feltet med X-værdier for datapunkterne som interpolationen skal laves for.
Feltet med Y-værdier for datapunkterne som interpolationen skal laves for.
Feltet med X-værdier hvor interpolerede Y-værdier ønskes.
Pluginnet Lineær interpolation laver en lineær interpolation for datamængden som der sørges for.
Feltet med X-værdier for datapunkterne som interpolationen skal laves for.
Feltet med Y-værdier for datapunkterne som interpolationen skal laves for.
Feltet med X-værdier hvor interpolerede Y-værdier ønskes.
Pluginnet Polynominterpolation laver en polynomiuminterpolation for datamængden som der sørges for. Antal led i det polynomium som bruges er lig med antal punkter i datamængden som der sørges for.
Feltet med X-værdier for datapunkterne som interpolationen skal laves for.
Feltet med Y-værdier for datapunkterne som interpolationen skal laves for.
Feltet med X-værdier hvor interpolerede Y-værdier ønskes.
Pluginnet Tilføjelse af støj tilføjer en Gaussisk tilfældig variabel til hvert element i inddatavektoren. Gauss-distributionen som bruges har middelværdien 0 og angiven standardafvigelse. Frekvensfunktionen for en Gaussisk tilfældig variabel er:
Feltet med elementer hvor tilfældig støj skal tilføjes.
Standardafvigelsen som skal bruges for Gauss-fordelingen.
Pluginnet Periodogram laver periodogrammet for en given datamængde. En af to algoritmer bruges afhængig af datamængdens størrelse: En hurtig algoritme bruges hvis der er mere end 100 datapunkter, mens en langsommere algoritme bruges hvis der er mindre end eller lig med 100 datapunkter.
Feltet med tidsværdier for datapunkterne som interpolationen skal laves for.
Feltet med dataværdier, afhængig af tidsværdierne, for datapunkterne som interpolationen skal laves for.
Faktoren at oversample med.
Middelfaktor for Nyquist-frekvens.
Pluginnet Statistik beregner statistik for en given datamængde. De fleste uddataskalarer er navngivne på en sådan måde at værdierne de repræsenterer bør være åbenbare. Standardformler bruges for at beregne de statistiske værdier.
Middelværdien af dataværdierne.
Minimale værdier som fandtes i datafeltet.
Maksimale værdier som blev fundet i datafeltet.
Datamængdens varians.
Datamængdens standardafvigelse.
Datamængdens median.
Datamængdens absolutte afvigelse.
Datamængdens skævhed.
Datamængdens kurtosis.
| forrige | hjem | næste |
| Plugin, tilpasninger og filtre | op | Værktøjslinjer og genvejstaster |