घातीय चलती - औसत - labview

फ़िल्टर एक्सप्रेस VI। निम्न प्रकार, उच्चपास, बैंडपास, बैंडस्टॉप, या चौरसाई का उपयोग करने के लिए निम्न प्रकार के फ़िल्टर को निर्दिष्ट करता है डिफ़ॉल्ट डिफ़ॉल्ट है। निम्न विकल्प शामिल हैं। कंट्रोल फ्रीक्वेंसी हर्ट फ़िल्टर का कटऑफ आवृत्ति निर्दिष्ट करता है यह विकल्प केवल तभी उपलब्ध होता है जब आप फ़िल्टरिंग प्रकार पुल-डाउन मेनू से लोपास या हाईपास डिफ़ॉल्ट रूप से 100 है। कम कटऑफ आवृत्ति हर्ट्ज फ़िल्टर की कम कटऑफ आवृत्ति निर्दिष्ट करता है कम कटऑफ आवृत्ति हर्ट्ज उच्च कटऑफ आवृत्ति हर्ट्ज से कम होना चाहिए और न्यिकिस्टिक मापदंड का पालन करना डिफ़ॉल्ट 100 है विकल्प केवल तभी उपलब्ध होता है, जब आप फ़िल्टरिंग प्रकार पुल-डाउन मेनू से बैंडपास या बैंडस्टॉप का चयन करते हैं। उच्च कटऑफ आवृत्ति हर्ट्ज फिल्टर के उच्च कटऑफ आवृत्ति को निर्दिष्ट करता है उच्च कटऑफ आवृत्ति हर्ट्ज कम कटऑफ आवृत्ति हर्ट्ज से अधिक होना चाहिए और न्युकिस्ट मापदंड का पालन करना डिफ़ॉल्ट 400 है यह विकल्प केवल तभी उपलब्ध होता है जब आप फ़िल्टरिंग प्रकार पुल-डाउन मेनू से बैंडपास या बैंडस्टॉप का चयन करें। अनंत आवेग प्रतिक्रिया एफआईआर फ़िल्टर सी एक एफआईआर फिल्टर जो केवल वर्तमान और पिछले इनपुट पर निर्भर करता है reats क्योंकि फिल्टर पिछले आउटपुट पर निर्भर नहीं करता है, आवेग प्रतिक्रिया समय के एक सीमित राशि में शून्य के लिए कारण एफआईआर फिल्टर एक रैखिक चरण प्रतिक्रिया वापसी, अनुप्रयोगों के लिए एफआईआर फिल्टर का उपयोग करें रैखिक चरण प्रतिक्रियाओं की आवश्यकता होती है। टाप एफआईआर गुणांक की कुल संख्या निर्दिष्ट करता है, जो शून्य से अधिक होनी चाहिए डिफ़ॉल्ट डिफ़ॉल्ट है 29 यह विकल्प केवल तभी उपलब्ध होता है जब आप परिमित आवेग प्रतिक्रिया का चयन करें एफआईआर फ़िल्टर विकल्प नल के मूल्य में वृद्धि से पासबेंड के बीच संक्रमण का कारण बनता है और स्टैपबैंड को सीढ़ी बनने के लिए हालांकि, नल बढ़ने के मूल्य के रूप में, प्रसंस्करण की गति धीमी हो जाती है। असीमित आवेग प्रतिक्रिया IIR फ़िल्टर एक आईआईआर फ़िल्टर बनाता है जो आवेग प्रतिक्रियाओं के साथ एक डिजिटल फिल्टर है जो सैद्धांतिक रूप से लंबाई या अवधि में अनंत हो सकता है। फ़िल्टर का डिज़ाइन प्रकार आप या तो एक बटरवर्थ, चेबिशेह, उलटा चेबिशेव, अंडाकार, या बेसेल फिल्टर डिज़ाइन बना सकते हैं यह विकल्प केवल तभी उपलब्ध होता है जब आप अनन्त आवेग प्रतिक्रिया IIR फ़िल्टर विकल्प चुनते हैं Iter फ़िल्टर का ऑर्डर ऑर्डर डिफ़ॉल्ट है, जो शून्य से अधिक होना चाहिए। यह विकल्प केवल तभी उपलब्ध होता है जब आप अनंत आवेग प्रतिक्रिया का चयन करें IIR फ़िल्टर विकल्प डिफ़ॉल्ट 3 है आदेश के मूल्य में वृद्धि से passband और stopband के बीच संक्रमण का कारण बनता है steeper बनने के लिए, हालांकि, आदेश बढ़ता है, प्रसंस्करण की गति धीमी हो जाती है, और संकेत की शुरुआत में विकृत अंक की संख्या बढ़ जाती है। औसत औसत उपज ही अग्रेषित एफआईआर गुणांक यह विकल्प केवल तभी उपलब्ध होता है जब आप फ़िल्टरिंग प्रकार पुल-डाउन मेनू से चौरसाई का चयन करते हैं। परिच्छेद निर्दिष्ट करता है कि चलती-औसत खिड़की के सभी नमूनों को प्रत्येक Smoothed आउटपुट नमूने के कंप्यूटिंग में उतना ही भारित किया जाता है यह विकल्प केवल तभी उपलब्ध होता है जब आप फ़िल्टरिंग प्रकार पुल-डाउन मेनू और चलते हुए औसत विकल्प से चौरसाई का चयन करते हैं। त्रिकोण निर्दिष्ट करता है कि चलती वजन नमूने के लिए लागू आईएनजी विंडो त्रिकोणीय है जिसमें केंद्र के बीच में केन्द्रित शिखर है, केंद्र नमूने के दोनों पक्षों पर सममित रूप से नीचे रैंपिंग यह विकल्प केवल तभी उपलब्ध होता है जब आप फ़िल्टरिंग प्रकार पुल-डाउन मेनू से चौरसाई का चयन करें और मूविंग एवरेज विकल्प। चलती औसत की आधा-चौड़ाई नमूनों में चलती-औसत खिड़की की आधा-चौड़ाई निर्दिष्ट करती है डिफ़ॉल्ट 1 है एम की औसत बढ़ने की आधी की चौड़ाई, चलती-औसत खिड़की की पूरी चौड़ाई N 1 2M नमूनों है इसलिए, पूर्ण चौड़ाई N हमेशा एक अजीब नमूने संख्या है यह विकल्प केवल तभी उपलब्ध होता है जब आप फ़िल्टरिंग प्रकार पुल-डाउन मेनू से चौरसाई का चयन करें और मूविंग एवरेज विकल्प। एक्सपेनएन्शियल यील्ड्स फर्स्ट-ऑर्डर IIR coefficients यह विकल्प केवल तब उपलब्ध होता है जब आप फ़िल्टरिंग प्रकार पुल-डाउन मेनू से चौरसाई का चयन करें। एक्सपेंनेबल औसत का समय स्थिर सेकंड में घातीय-भार फ़िल्टर का स्थिरांक निर्दिष्ट करता है डिफ़ॉल्ट 0 001 यह विकल्प केवल तभी उपलब्ध होता है जब आप फ़िल्टरिंग प्रकार पुल-डाउन मेनू और एक्सपेंनेलिटी विकल्प से चौरसाई का चयन करते हैं। इनपुट सिग्नल दिखाता है यदि आप एक्सप्रेस 6 को डेटा तार करते हैं और इसे चलाते हैं, तो इनपुट सिग्नल वास्तविक डेटा प्रदर्शित करता है यदि आप एक्सप्रेस 6 को बंद करते हैं और फिर से खोलते हैं, इनपुट सिग्नल प्रदर्शित करता है नमूना डेटा जब तक आप एक्सप्रेस छठी फिर से चलाते हैं। माप का एक पूर्वावलोकन प्रदर्शित करता है परिणाम पूर्वावलोकन प्लॉट, एक बिंदीदार रेखा के साथ चयनित माप के मूल्य को इंगित करता है यदि आप डेटा को एक्सप्रेशन 6 तक तार करते हैं और छठी चलाते हैं, तो परिणाम पूर्वावलोकन वास्तविक डेटा प्रदर्शित करता है यदि आप बंद करो और एक्सप्रेस 6 फिर से खोलें, परिणाम पूर्वावलोकन नमूने डेटा प्रदर्शित करता है जब तक कि आप फिर से छठे नहीं चलाते यदि कटऑफ आवृत्ति मूल्य अमान्य हैं, परिणाम पूर्वावलोकन मान्य डेटा प्रदर्शित नहीं करता है। नोट निम्न विकल्पों में शामिल हैं। नोट: व्यू मोड अनुभाग में विकल्पों को बदलना नहीं है फ़िल्टर एक्सप्रेशन वीस के व्यवहार को प्रभावित करें दृश्य मोड विकल्प का उपयोग करके विज़ुअलाइज़ करने के लिए फ़िल्टर क्या संकेत करता है LabVIEW इन विकल्पों को सहेजता नहीं है जब आप कॉन्फ़िगरेशन संवाद बॉक्स बंद करते हैं। साइना एलएस वास्तविक संकेतों के रूप में फ़िल्टर प्रतिक्रिया दिखाता है। स्पेक्ट्रम के रूप में दिखाएं निर्दिष्ट करता है कि फ़्रेक्चर स्पेक्ट्रम के रूप में फ़िल्टर प्रतिक्रिया के वास्तविक सिग्नल को प्रदर्शित करना है या एक समय-आधारित डिस्प्ले के रूप में प्रदर्शन को छोड़ना आवृत्ति प्रदर्शन यह देखने के लिए उपयोगी है कि फ़िल्टर कैसे प्रभावित करता है सिग्नल के विभिन्न आवृत्ति घटकों डिफ़ॉल्ट रूप से फ़िल्टर प्रतिक्रिया को समय-आधारित डिस्प्ले के रूप में प्रदर्शित करना है यह विकल्प केवल तभी उपलब्ध होता है जब आप सिग्नल विकल्प का चयन करते हैं। ट्रांसफर फ़ंक्शन फ़िल्टर प्रतिक्रिया को ट्रांसफर फ़ंक्शन के रूप में दिखाता है। निम्न विकल्प शामिल हैं। डीबी डेसीबल में फ़िल्टर की तीव्रता प्रतिक्रिया प्रस्तुत करता है। लॉग में फ्रीक्वेंसी लॉगरिदमिक पैमाने पर फ़िल्टर की आवृत्ति प्रतिक्रिया प्रस्तुत करता है। फ़िल्टर की तीव्रता प्रतिक्रिया दिखाता है यह प्रदर्शन केवल तभी उपलब्ध होता है जब आप फ़ंक्शन को ट्रांसफर करने के लिए दृश्य मोड सेट करते हैं। चरण दिखाता है फ़िल्टर का जवाब यह डिस्प्ले तभी उपलब्ध होता है जब आप फ़ंक्शन ट्रांसफर करने के लिए व्यू मोड को सेट करते हैं। औसत और घातीय चिकनाई मॉडल को बढ़ाते हुए एस। मतलब मॉडल, यादृच्छिक चलने के मॉडल, और रैखिक प्रवृत्ति मॉडल, गैर-मौसमी पैटर्न और प्रवृत्तियों से आगे बढ़ने में पहला कदम चलती-औसत या चौरसाई मॉडल का उपयोग करके एक्सट्रपोलैटेड किया जा सकता है। औसत और चौरसाई मॉडल के पीछे मूल धारणा यह है कि समय श्रृंखला धीरे-धीरे अलग-अलग मतलब के साथ स्थानीय रूप से स्थिर, इसलिए हम मतलब के वर्तमान मूल्य का अनुमान लगाने के लिए एक चलती स्थानीय औसत लेते हैं और फिर इसका इस्तेमाल निकट भविष्य के पूर्वानुमान के रूप में करते हैं, इसे औसत मॉडल और यादृच्छिक-चलने के बीच समझौता माना जा सकता है बिना-बहाव-मॉडल एक ही रणनीति का इस्तेमाल स्थानीय प्रवृत्ति का अनुमान और एक्सट्रपॉल करने के लिए किया जा सकता है एक चलती औसत को अक्सर मूल श्रृंखला का एक चिकना संस्करण कहा जाता है क्योंकि अल्पकालिक औसत से मूल श्रृंखला में बाधाओं को चौरसाई का असर होता है। चलती औसत की चौड़ाई को चौरसाई की डिग्री का समायोजन, हम मतलब और यादृच्छिक चलने के मॉडल के प्रदर्शन के बीच किसी भी प्रकार के इष्टतम संतुलन को रोकने की उम्मीद कर सकते हैं इमेजिंग मॉडल है। समान समान भारित मूविंग एवल। समय पर वाई के मूल्य के लिए पूर्वानुमान, जो समय पर बना है, वह हाल के एम अवलोकन के सरल औसत के बराबर है। यहां और कहीं और मैं Y-hat का प्रतीक का उपयोग समय के श्रृंखला के पूर्वानुमान के लिए खड़े होंगे, जो किसी दिए गए मॉडल से सबसे पहले की पूर्व तारीख को बनाया गया था। यह औसत अवधि टी-मी 1 2 पर केंद्रित है, जिसका अर्थ है कि अनुमान स्थानीय मतलब के बारे में मी 1 2 अवधि से स्थानीय मतलब के सही मूल्य के पीछे की ओर झेलना होगा, इसलिए हम कहते हैं कि सरल चलती औसत में डेटा की औसत आयु एम 1 2 अवधि के लिए सापेक्ष है जिसके लिए पूर्वानुमान की गणना की जाती है यह उस समय की मात्रा है जिसके द्वारा पूर्वानुमान डेटा में बिंदुओं को मोड़ के पीछे पीछे की ओर झेलता है उदाहरण के लिए, यदि आप पिछले 5 मानों की औसतता रखते हैं, तो मोड़ करने का जवाब देने के लिए पूर्वानुमान के बारे में 3 अवधि देर हो जाएगी ध्यान दें कि यदि मी 1, सरल चलती औसत एसएमए मॉडल विकास के बिना यादृच्छिक चलने के मॉडल के बराबर है यदि अनुमानित अवधि की तुलना में मी बहुत बड़ी है, तो एसएमए मॉडल औसत मॉडल के बराबर है जैसा कि एक पूर्वानुमान मॉडल के किसी भी पैरामीटर के साथ, यह प्रथागत है के मूल्य को समायोजित करने के लिए डेटा के लिए सबसे अच्छा फिट प्राप्त करने के लिए n आदेश, अर्थात् औसत पर छोटी सी पूर्वानुमान त्रुटियां। यहां एक ऐसी श्रृंखला का उदाहरण है जो धीरे-धीरे अलग-अलग साधनों के बीच यादृच्छिक उतार-चढ़ाव प्रदर्शित करता है, पहले इसे एक यादृच्छिक चलने से फिट करने का प्रयास करें मॉडल, जो कि 1 अवधि के साधारण चलती औसत के बराबर है। यादृच्छिक चलने वाला मॉडल श्रृंखला में परिवर्तन के लिए बहुत जल्दी प्रतिक्रिया करता है, लेकिन ऐसा करने से डेटा में बहुत अधिक शोर लगता है, यादृच्छिक उतार-चढ़ाव के रूप में साथ ही संकेत स्थानीय इसका मतलब यह है कि यदि हम इसके बजाय 5 शब्दों की एक सरल चलती औसत की कोशिश करते हैं, तो हमें एक चिकनी दिखने वाले पूर्वानुमान प्राप्त होते हैं। 5-अवधि की सरल चलती औसत उपज इस मामले में यादृच्छिक चलने की मॉडल की तुलना में काफी छोटी त्रुटियां होती है। पूर्वानुमान 3 5 1 2 है, इसलिए यह लगभग तीन अवधियों तक मोड़ के पीछे की ओर झुकता है उदाहरण के लिए, 21 साल की अवधि में एक मंदी हुई है, लेकिन कई सालों बाद पूर्वानुमान नहीं पड़ता। एसएमए आधुनिक से भविष्य के पूर्वानुमान एल एक क्षैतिज सीधी रेखा है, जैसे कि यादृच्छिक चलने के मॉडल में, एसएमए मॉडल मानता है कि आंकड़ों में कोई प्रवृत्ति नहीं है, हालांकि, यादृच्छिक चलने वाले मॉडल से होने वाले अनुमान केवल पिछले मान के मान के बराबर हैं, ये अनुमान एसएमए मॉडल हालिया मूल्यों के भारित औसत के बराबर हैं। स्थिर गति से चलने वाले औसत के दीर्घकालिक पूर्वानुमान के लिए सांख्यिकीग्राही द्वारा गणना की जाने वाली आत्मविश्वास सीमा भविष्यवाणी की क्षितिज बढ़ने के रूप में व्यापक नहीं होती है यह स्पष्ट रूप से सही नहीं है दुर्भाग्य से, कोई अंतर्निहित नहीं है सांख्यिकीय सिद्धांत जो हमें बताता है कि इस मॉडल के लिए आत्मविश्वास के अंतराल को कैसे चौड़ा करना चाहिए, हालांकि, लंबे समय-क्षिति पूर्वानुमान के लिए आत्मविश्वास सीमा के अनुभवजनित अनुमानों की गणना करना बहुत मुश्किल नहीं है उदाहरण के लिए, आप एक स्प्रैडशीट सेट कर सकते हैं जिसमें SMA मॉडल ऐतिहासिक डेटा नमूने के भीतर 2 चरणों के आगे, 3 कदम आगे, आदि का पूर्वानुमान करने के लिए उपयोग किया जाएगा, फिर आप प्रत्येक पूर्वानुमान में त्रुटियों के नमूना मानक विचलन की गणना कर सकते हैं। और फिर, उचित मानक विचलन के गुणकों को जोड़कर और घटाना करके लंबे समय तक पूर्वानुमान के लिए आत्मविश्वास अंतराल का निर्माण करते हैं। यदि हम 9-अवधि की सरल चलती औसत की कोशिश करते हैं, तो हमें चिकना पूर्वानुमान और अधिक प्रभाव पड़ता है। औसत आयु अब 5 अवधियों 9 1 2 यदि हम 1 9-अवधि की चलती औसत लेते हैं, तो औसतन उम्र बढ़कर 10 हो जाती है। नॉटिस, वास्तव में, पूर्वानुमान अब लगभग 10 अवधियों तक अंक बंटने के पीछे चल रहे हैं। किस श्रृंखला में चौरसाई इस श्रृंखला के लिए सर्वश्रेष्ठ है यहां एक ऐसी तालिका है जो उनकी त्रुटि आंकड़े की तुलना करती है, जिसमें 3-टर्म औसत भी शामिल है। मॉडेल सी, 5-अवधि की चलती औसत, 3-अवधि और 9-अवधि की औसत पर छोटे मार्जिन द्वारा आरएमएसई के न्यूनतम मूल्य की पैदावार करता है, और उनके अन्य आँकड़े लगभग समान हैं, बहुत ही इसी तरह के त्रुटि आंकड़ों वाले मॉडल के बीच, हम यह चुन सकते हैं कि हम भविष्य में कुछ अधिक प्रतिक्रियाशीलता या थोड़ी अधिक चिकनाई पसंद करेंगे या नहीं। पृष्ठ के शीर्ष पर लौटें। ब्राउन सरल घातीय चिकनाई घातीय रूप से भारित औसत चलती है। ऊपर वर्णित सरल चलती औसत मॉडल में अवांछनीय संपत्ति है जो पिछली कश्मीर टिप्पणियों को समान रूप से मानती है और सभी पूर्ववर्ती टिप्पणियों को पूरी तरह से अनदेखी करती है, तीव्रता से, पिछले डेटा को अधिक धीरे-धीरे फैशन में छूट दी जानी चाहिए - उदाहरण के लिए, सबसे हाल का अवलोकन होना चाहिए 2 सबसे हालिया से थोड़ा अधिक वजन प्राप्त करें, और 2 सबसे हालिया को हाल ही के तीसरे से थोड़ा अधिक वजन लेना चाहिए, और इसी पर सरल घातीय चिकनाई एसईएस मॉडल इस को पूरा करता है। एक चिकनाई निरंतर एक संख्या 0 और 1 के बीच दर्शाती है मॉडल को लिखने का एक तरीका एक श्रृंखला एल को परिभाषित करना है जो वर्तमान स्तर का प्रतिनिधित्व करता है, यानी स्थानीय औसत मूल्य का मानना ​​है जो आंकड़ों से वर्तमान तक का अनुमान है। समय पर एल के मूल्य को इस तरह के अपने पिछले मूल्य से पुनरावर्ती रूप से गिना जाता है। इस प्रकार, वर्तमान मस्तिष्क का मूल्य पिछले चिकना मूल्य और वर्तमान अवलोकन के बीच एक प्रक्षेप होता है, जहां सबसे अधिक के लिए अंतःसर्वरित मूल्य की निकटता को नियंत्रित करता है प्रतिशत अवलोकन अगली अवधि के लिए पूर्वानुमान केवल मौजूदा मसौदा मूल्य है। ठीक है, हम अगले पूर्वानुमान और पिछले टिप्पणियों के संदर्भ में सीधे अगले पूर्वानुमान व्यक्त कर सकते हैं, निम्नलिखित समकक्ष संस्करणों में से किसी में पहले संस्करण में, पूर्वानुमान एक प्रक्षेप है पिछले पूर्वानुमान और पिछले प्रेक्षण के बीच। दूसरे संस्करण में, अगले पूर्वानुमान को पिछले त्रुटि की दिशा में पिछले पूर्वानुमान को एक आंशिक राशि से समायोजित करके प्राप्त किया जाता है। समय पर बना हुआ त्रुटि तीसरे संस्करण में, पूर्वानुमान एक है डिस्काउंट कारक के साथ तेजी से भारित अर्थात् रियायती चलती औसत 1. भविष्यवाणी के फार्मूले के प्रक्षेपण संस्करण का प्रयोग सरलतम है यदि आप एक स्प्रेडशीट पर मॉडल को लागू कर रहे हैं, यह एक एकल कक्ष में फिट है और इसमें सेल के संदर्भ में पिछले पूर्वानुमान, पिछले अवलोकन और सेल जहां मूल्य का संचय किया जाता है। नोट करें कि यदि 1, एसईएस मॉडल एक यादृच्छिक चलने वाले मॉडल के समान है हटे की वृद्धि यदि 0, एसईएस मॉडल औसत मॉडल के समतुल्य है, यह मानते हुए कि पहला सौम्य मूल्य मतलब पेज के शीर्ष पर लौटने के बराबर सेट है। सरल-घातांक-चौरसाई पूर्वानुमान में डेटा की औसत आयु 1 रिश्तेदार है इस अवधि के लिए पूर्वानुमान की गणना की जाती है यह स्पष्ट नहीं माना जाता है, लेकिन यह एक अनंत श्रृंखला का मूल्यांकन करके आसानी से दिखाया जा सकता है इसलिए, सरल चलती औसत पूर्वानुमान लगभग 1 अवधियों तक अंक बदलने से पीछे की ओर जाता है उदाहरण के लिए, जब 0 5 अंतराल 2 अवधि है जब 0 2 में 5 अवधियां होती हैं, जब 0 1 अंतराल 10 अवधियां होती है, और इसी तरह। किसी दिए गए औसत आयु के लिए यानी अंतराल की मात्रा, सरल घातीय चिकनाई एसईएस पूर्वानुमान सरल चलती से कुछ बेहतर है औसत एसएमए पूर्वानुमान क्योंकि यह हाल के अवलोकन पर अपेक्षाकृत अधिक वजन रखता है - यह हाल के दिनों में होने वाले परिवर्तनों के लिए थोड़ा अधिक उत्तरदायी है उदाहरण के लिए, 9 शब्दों के साथ एक एसएमए मॉडल और 0 2 के साथ एक एसईएस मॉडल दोनों का औसत आयु है दा के लिए 5 का उनके पूर्वानुमान में टा, लेकिन एसईएस मॉडल एसएमए मॉडल से पिछले 3 मानों पर और अधिक वजन डालता है और साथ ही यह चार्ट पूरी तरह से 9 बार पुरानी है, जैसा कि इस चार्ट में दिखाया गया है। इसके अलावा एक अन्य महत्वपूर्ण लाभ एसएमए मॉडल पर एसईएस मॉडल यह है कि एसईएस मॉडल एक चिकनाई पैरामीटर का उपयोग करता है जो निरंतर चर होता है, इसलिए यह आसानी से एक सॉल्वर एल्गोरिथ्म का उपयोग करके अनुकूलित किया जा सकता है जो कि चुकता त्रुटि को कम करता है इस श्रृंखला के एसईएस मॉडल में इष्टतम मूल्य निकलता है जैसा कि यहां दिखाया गया है, 0 0 9 61 होना। इस पूर्वानुमान में आंकड़ों की औसत आयु 1 0 2961 3 4 अवधि है, जो कि 6-अवधि की सरल चलती औसत के समान है। एसईएस मॉडल से दीर्घावधि पूर्वानुमान एसएमए मॉडल के रूप में एक क्षैतिज सीधी रेखा और विकास के बिना यादृच्छिक चलने वाला मॉडल हालांकि, ध्यान दें कि Statgraphics द्वारा गणना किए गए आत्मविश्वास अंतराल अब एक उचित दिखने वाले फैशन में अलग हो जाते हैं, और यह कि रैंड के लिए आत्मविश्वास अंतराल की तुलना में काफी संकरा है ओम वॉली मॉडल एसईएस मॉडल मानता है कि श्रृंखला यादृच्छिक चलने की मॉडल की तुलना में कुछ अधिक पूर्वानुमानित है। एक एसईएस मॉडल वास्तव में एक एआरआईएए मॉडल का विशेष मामला है, इसलिए एआरआईएए मॉडल के सांख्यिकीय सिद्धांत के लिए आत्मविश्वास अंतराल की गणना के लिए एक ठोस आधार प्रदान करता है। एसईएस मॉडल विशेष रूप से, एक एसईएस मॉडल एक गैर-मौसमी अंतर, एक एमए 1 शब्द के साथ एक एआरआईएए मॉडल है, और कोई स्थिर शब्द नहीं है जिसे अन्यथा एआरआईएएमए 0,1,1 मॉडल के रूप में जाना जाता है, निरंतर बिना एआरएमए मॉडल में एमए 1 गुणांक एसईएस मॉडल में मात्रा 1- उदाहरण के लिए, यदि आप यहां विश्लेषण किए गए श्रृंखला के लिए निरंतर बिना एआरआईएएमए 0,1,1 मॉडल को फिट करते हैं, तो अनुमानित एमए 1 गुणांक 0 7029 हो जाता है, जो लगभग एक शून्य से 0 9 61 है यह एक गैर-शून्य निरंतर रेखीय प्रवृत्ति को एसईएस मॉडल में शामिल करने के लिए संभव है, ऐसा करने के लिए केवल एक नॉनसैसोनल अंतर के साथ एक एआरआईएएमए मॉडल को निर्दिष्ट करें और एक एमए 1 शब्द निरंतर, अर्थात् एआरआईएएमए 0,1,1 मॉडल निरंतर के साथ दीर्घकालिक पूर्वानुमान होगा तो एक प्रवृत्ति है जो औसत अनुमान के हिसाब से औसत प्रवृत्ति के बराबर है आप इसे मौसमी समायोजन के साथ संयोजन में नहीं कर सकते, क्योंकि मॉड्यूल प्रकार को एआरआईए में सेट किया जाता है, जब मौसमी समायोजन विकल्प अक्षम हो जाते हैं, फिर भी, आप लगातार लंबे समय तक जोड़ सकते हैं - फ़ीडिंग की प्रक्रिया में मुद्रास्फ़ीति समायोजन विकल्प का उपयोग करके या बिना मौसमी समायोजन के साथ एक सरल घातीय चिकनाई मॉडल के लिए मानक घातीय प्रवृत्ति उचित अवधि में औसत मुद्रास्फीति प्रतिशत वृद्धि दर के अनुमान के अनुसार रेखीय प्रवृत्ति मॉडल में ढलान गुणांक के रूप में अनुमान लगाया जा सकता है प्राकृतिक लॉगरिथम रूपांतरण के साथ संयोजन, या यह अन्य, स्वतंत्र लंबी अवधि के विकास की संभावनाओं से संबंधित जानकारी पर आधारित हो सकता है पृष्ठ के शीर्ष पर लौटें। ब्राउन रैखिक यानी दोहरे घातीय चिकनाई। एसएमए मॉडल और एसईएस मॉडल मानते हैं कि इसमें कोई प्रवृत्ति नहीं है डेटा में किसी भी तरह का डेटा आमतौर पर ठीक है या कम से कम नहीं-बहुत-बुरा 1-कदम-आगे पूर्वानुमान के लिए जब डेटा अपेक्षाकृत नहीं है sy, और उन्हें एक निरंतर रेखीय प्रवृत्ति को शामिल करने के लिए संशोधित किया जा सकता है, जैसा कि ऊपर दिखाया गया है, अल्प अवधि के रुझान के बारे में यदि कोई श्रृंखला वृद्धि की एक अलग दर या एक चक्रीय पैटर्न जो शोर के खिलाफ स्पष्ट रूप से खड़ा है, और यदि एक से अधिक अवधि के पूर्वानुमान के बाद, एक स्थानीय प्रवृत्ति का अनुमान भी एक मुद्दा हो सकता है एक सरल घातीय चिकनाई मॉडल को एक रेखीय घातीय चिकनाई लेस मॉडल प्राप्त करने के लिए सामान्यीकृत किया जा सकता है जो दोनों स्तर और प्रवृत्ति के स्थानीय अनुमानों की गणना करता है। सरलतम समय-भिन्न प्रवृत्ति मॉडल ब्राउन की रेखीय घातीय चौरसाई मॉडल है, जो दो अलग-अलग चिकने श्रृंखला का उपयोग करता है जो समय के विभिन्न बिंदुओं पर केन्द्रित होते हैं पूर्वानुमान का सूत्र दो केंद्रों के माध्यम से एक रेखा के एक्सट्रपलेशन पर आधारित होता है इस मॉडल के एक और अधिक परिष्कृत संस्करण, होल्ट एस ब्राउन की रैखिक घातीय चौरसाई मॉडल के बीजीय रूप नीचे दिए गए हैं, जैसे कि सरल घातीय चिकनाई मॉडल की, कई अलग-अलग में व्यक्त किया जा सकता है लेकिन ई क्वॉलिटी फॉर्म इस मॉडल का मानक रूप आमतौर पर निम्नलिखित रूप में व्यक्त किया गया है: चलो एस श्रृंखला को सरल घातांक को चौरसाई करने से प्राप्त एकल-सीधा श्रृंखला को दर्शाती है, जो कि एस का मूल्य अवधि टी पर दिया जाता है। स्मरण करो कि, सरल घातीय चौरसाई के तहत, यह अवधि के दौरान वाई के लिए पूर्वानुमान होगा 1 फिर, एस द्विगुणित-सरल श्रृंखला को दर्शाती है जो श्रृंखला के लिए समान एक्सपेंनेली चौरसाई को लागू करने से प्राप्त होता है। अंत में, किसी भी वाई के लिए पूर्वानुमान कश्मीर 1 द्वारा दिया जाता है। यह पैदावार ई 1 0 या तो थोड़ी धोखा देती है, और पहले पूर्वानुमान को वास्तविक पहले अवलोकन के बराबर और दो 2 वाई 2 वाई 1 के बाद दें, इसके बाद से ऊपर के समीकरण का उपयोग करके भविष्यवाणी की जा रही है यह वही मूल्यों को पैदा करता है एस और एस पर आधारित सूत्र के रूप में यदि एस 1 एस 1 वाई 1 का उपयोग करना शुरू किया गया था तो मॉडल का यह संस्करण अगले पृष्ठ पर उपयोग किया जाता है जो कि मौसमी समायोजन के साथ घातीय चौरसाई का संयोजन दिखाता है। हॉल की रैखिक घातीय चिकनाई। ब्राउन एस लेस मॉडल हाल के आंकड़ों को चौरसाई करके स्तर और प्रवृत्ति के स्थानीय अनुमानों की गणना करता है, लेकिन तथ्य यह है कि यह एक चिकनाई पैरामीटर के साथ करता है, डेटा पैटर्न पर एक बाधा रखता है जो इसे स्तर में फिट करने में सक्षम है और प्रवृत्ति को अलग-अलग करने की अनुमति नहीं है पर स्वतंत्र दरों होल्ट एसईईएस मॉडल दो चिकनाई स्थिरांक, स्तर के लिए एक और प्रवृत्ति के लिए एक के साथ इस मुद्दे को संबोधित करता है, ब्राउन के मॉडल के रूप में किसी भी समय टी के अनुसार स्थानीय स्तर का एल टी अनुमान है और अनुमान टी स्थानीय प्रवृत्तियों में से इन्हें समय-समय पर वाई के मूल्य से मनाया जाता है और स्तर के पिछले अनुमान और दो समीकरणों के अनुसार अनुमान लगाया जाता है जो उन्हें अलग-अलग घातीय टुकड़ों को अलग से लागू करते हैं। यदि समय पर अनुमानित स्तर और प्रवृत्ति टी -1 क्रमशः एल टी 1 और टी टी -1, तो वाई टी के लिए पूर्वानुमान जो टी -1 पर बना होता है एल टी -1 टी टी -1 के बराबर होता है, जब वास्तविक मूल्य मनाया जाता है, तो अद्यतन अनुमान स्तर को वाई टी और उसके भविष्यवाणी, एल टी -1 टी टी -1 के बीच में अंतर करके और 1 के भार का उपयोग करके फिर से गणना की जाती है। अनुमानित स्तर में परिवर्तन, अर्थात् एल टी एल टी 1 को एक शोर माप के रूप में व्याख्या किया जा सकता है समय पर रुझान प्रवृत्ति के अद्यतन अनुमान को फिर से एल के बीच interpolating द्वारा recursively गणना है टी एल टी 1 और प्रवृत्ति का पिछला अनुमान, टी टी -1 का वजन और 1 का उपयोग करना। प्रवृत्ति-चौरसाई स्थिरता की व्याख्या स्तर-चौरसाई के समान मॉडल के समान होती है, जो मानते हैं कि प्रवृत्ति में परिवर्तन केवल समय के साथ ही बहुत धीरे-धीरे, जबकि बड़े मॉडल के साथ यह मानता है कि यह और तेज़ी से बदल रहा है एक मॉडल का मानना ​​है कि दूर के भविष्य में बहुत अनिश्चितता है, क्योंकि एक से अधिक अवधि की भविष्यवाणी करते समय प्रवृत्ति अनुमान में त्रुटियां काफी महत्वपूर्ण हो जाती हैं। पृष्ठ का। चौरसाई स्थिरांक और 1-कदम-आगे पूर्वानुमानों की औसत स्क्वायर त्रुटि को कम करके सामान्य तरीके से अनुमान लगाया जा सकता है जब यह स्टैटाग्राफिक्स में किया जाता है, तो इसका अनुमान लगाया जा सकता है 0 3048 और 0 008 बहुत छोटा मान इसका मतलब यह है कि मॉडल में एक अवधि से लेकर दूसरे तक की प्रवृत्ति में बहुत कम बदलाव होता है, इसलिए मूल रूप से यह मॉडल लंबी अवधि के रुझान का अनुमान लगाने का प्रयास कर रहा है, जो अनुमानित आंकड़ों की औसत आयु के विचार के साथ सादृश्य है। वह श्रृंखला का स्थानीय स्तर, स्थानीय प्रवृत्ति का आकलन करने के लिए उपयोग की जाने वाली डेटा की औसत आयु 1 के आनुपातिक है, हालांकि इसके ठीक उसी के बराबर नहीं है इस मामले में यह 1 0 006 125 हो सकता है यह बहुत सटीक संख्या है क्योंकि अनुमान के शुद्धता के रूप में वास्तव में 3 दशमलव स्थान वास्तव में नहीं हैं, लेकिन यह 100 के नमूने के आकार के समान परिमाण के समान सामान्य क्रम का है, इसलिए यह मॉडल प्रवृत्ति का अनुमान लगाने में काफी इतिहास का अनुमान लगा रहा है। नीचे दिखाया गया है कि एलईएस मॉडल एसईएस प्रवृत्ति मॉडल में अनुमानित निरंतर प्रवृत्ति की तुलना में श्रृंखला के अंत में एक थोड़ा बड़ा स्थानीय प्रवृत्ति का अनुमान भी करता है, अनुमानित मूल्य एसईएस मॉडल के साथ या प्रवृत्ति के बिना फिटिंग द्वारा प्राप्त होने वाले लगभग समान है , तो यह लगभग एक ही मॉडल है.अब, ये एक मॉडल के लिए उचित पूर्वानुमान की तरह दिखते हैं जो कि स्थानीय प्रवृत्ति का आकलन करने वाला है यदि आप इस प्लॉट को नजरअंदाज करते हैं, ऐसा लगता है जैसे स्थानीय प्रवृत्ति निम्न के अंत में बदल गई है श्रृंखला क्यू पर हुआ है इस मॉडल के मापदंडों का अनुमान लगाया गया है कि 1-कदम-आगे पूर्वानुमान की चुकता त्रुटि को कम करके, लंबी अवधि के पूर्वानुमान नहीं, इस मामले में प्रवृत्ति बहुत अधिक अंतर नहीं करती है यदि आप सभी को देख रहे हैं 1 - छोटे-आगे की त्रुटियां, आप 10 या 20 की अवधि के ऊपर रुझानों की बड़ी तस्वीर नहीं देख रहे हैं ताकि डेटा के आंखों के एक्सट्रपलेशन के साथ इस मॉडल को और अधिक प्राप्त करने के लिए, हम मैन्युअल रूप से रुझान-चिकनाई स्थिरता समायोजित कर सकते हैं ताकि यह उदाहरण के लिए, यदि हम 0 1 सेट करना चुनते हैं, तो स्थानीय प्रवृत्ति का अनुमान लगाने में उपयोग की जाने वाली डेटा की औसत आयु 10 अवधि है, जिसका मतलब है कि हम उस पिछले 20 अवधि या उससे अधिक की प्रवृत्ति को औसत कर रहे हैं यहां बताया गया है कि अगर भविष्य की साजिश लगती है तो हम 0 1 को रखते हुए 0 1 सेट करते हैं, लेकिन यह इस श्रृंखला के लिए सहज रूप से उचित लगता है, हालांकि भविष्य में इस प्रवृत्ति को 10 से अधिक अवधि के एक्सट्रपलेशन के लिए संभवतः खतरनाक है। त्रुटि आंकड़ों के बारे में यहां बताया गया है एक मॉडल तुलना एफ या उपरोक्त दो मॉडल के साथ ही तीन एसईएस मॉडल एसईएस मॉडल का इष्टतम मूल्य लगभग 3 है, लेकिन इसी तरह के परिणाम थोड़ा अधिक या कम प्रतिक्रिया के साथ क्रमशः 0 5 और 0 से प्राप्त होते हैं। एक होल्ट रेखीय विस्तार चौरसाई अल्फा 0 3048 और बीटा 0 008 के साथ। बी होल्ट की रैखिक विस्तार एलएफए 0 और बीटा 0 के साथ चौरसाई करना 1. सी अल्फा के साथ सरल घातीय चौरसाई 0 5. डी अल्फा के साथ सरल घातीय चौरसाई 0 3. ई अल्फा के साथ आसान घातीय चिकनाई 0 2 । उनका आंकड़ा लगभग समान है, इसलिए हम वास्तव में 1-कदम-आगे पूर्वानुमान नमूने के आधार पर पूर्वानुमान के आधार पर विकल्प नहीं बना सकते हैं, हमें अन्य विचारों पर पीछे पड़ना होगा यदि हम दृढ़ता से मानते हैं कि यह मौजूदा आधार पर समझ में आता है पिछले 20 सालों में जो कुछ हुआ है, उसके बारे में रुझान का अनुमान है, हम 0 3 और 0 1 के साथ एलईएस मॉडल के लिए एक केस बना सकते हैं यदि हम अज्ञात होना चाहते हैं कि क्या स्थानीय प्रवृत्ति है, तो एसईएस मॉडल में से एक समझाने के लिए आसान होगा और अधिक मिडल भी देंगे अगले 5 या 10 अवधि के लिए ई-ऑफ-द-रोड पूर्वानुमान पृष्ठ के शीर्ष पर लौटें। प्रवृत्ति-एक्सट्रपलेशन का किस प्रकार का सबसे अच्छा क्षैतिज या रैखिक अनुभवजन्य साक्ष्य बताता है कि यदि मुद्रास्फीति के लिए यदि आवश्यक हो तो डेटा पहले से समायोजित हो गया है, तो यह भविष्य के रुझानों में बहुत दूर अल्पकालिक रैखिक प्रवृत्तियों को एक्सट्रपोल करने के लिए अविवेकपूर्ण हो सकता है, जो कि आज के दिनों में स्पष्ट हो सकता है कि उत्पाद अप्रचलन, बढ़ती प्रतिस्पर्धा और उद्योग में चक्रीय गिरावट या उतार-चढ़ाव जैसे विभिन्न कारणों से भविष्य में धीमा हो सकता है इस कारण से, सरल घातीय चूरा लगाना अक्सर अपेक्षाकृत अपेक्षाकृत बेहतर प्रदर्शन करती है, अन्यथा इसकी उम्मीद की जा सकती है, इसके भोलेदार क्षैतिज प्रवृत्ति एक्सट्रपलेशन के बावजूद रैखिक घातीय चिकनाई मॉडल के ढेलेदार प्रवृत्ति संशोधनों का इस्तेमाल प्रायः अपने प्रवृत्ति के अनुमानों में रूढ़िवाद की एक नोट पेश करने के लिए किया जाता है लेस मॉडल को एक एआरआईएएमए मॉडल के विशेष मामले के रूप में लागू किया जा सकता है, विशेष रूप से, एआरआईएआईए 1,1,2 मॉडल। विश्वास के अंतराल की गणना करना संभव है डीआरडीएम दीर्घकालीन पूर्वानुमानों को एआरआईएए मॉडल के विशेष मामलों के रूप में देखते हुए, उन पर विचार करके, एआरआईएए मॉडल के विशेष मामलों पर विचार करके, सभी सॉफ़्टवेयर इन मॉडल के लिए आत्मविश्वास अंतराल की गणना नहीं करते हैं, विश्वास के अंतराल की चौड़ाई मैं मॉडल के आरएमएस त्रुटि पर निर्भर करता हूं, ii प्रकार सरल या रैखिक चौरसाई के चौरसाई स्थिरांक के मूल्य एस और iv आप की भविष्यवाणी कर रहे हैं आगे की अवधि की संख्या सामान्य रूप में, अंतराल एसईएस मॉडल में बड़ा हो के रूप में तेजी से बाहर फैल गया और वे बहुत तेजी से फैल गया जब रैखिक बजाय सरल चौरसाई का प्रयोग किया जाता है इस विषय पर नोट्स के एआरआईएए मॉडल खंड में और भी चर्चा की जाती है। पृष्ठ के शीर्ष पर लौटें। मैविंग औसत फ़िल्टर, निरंतर डेटा अधिग्रहण, एनआई मी कई नली सिग्नलों को फ़िल्टर करने की तलाश में है I वर्तमान में 1000Hz पर एनआई 9 203 वा सीडीएक -91 74 नमूना का उपयोग कर रहा हूं मैं काम शुरू करने के लिए डीएक्यूएमएक्स वीआईएस का इस्तेमाल करता हूं और आईआईआर के चलने के साथ चिपकाए जाने वाले फिल्टर का उपयोग करने की कोशिश करने वाले संकेत को सिग्नल करने के लिए सिग्नल सिग्नल और एल के लिए काम करना चाहता हूं। हालांकि, जब मैं इस सेटअप को वास्तविक समय के लिए उपयोग करने का प्रयास करता हूं तो यह केवल सभी संकेतों को शून्य में कटौती करता है, मैंने पाली रजिस्टरों का उपयोग करने पर ध्यान दिया है, लेकिन परिणाम प्राप्त करने के लिए आवश्यक लगता है कि मुझे सैकड़ों तत्वों का उपयोग करना होगा। अंत में मैं कोशिश कर रहा हूं उपयोगकर्ता के लिए और अधिक निरंतर पढ़ने के लिए सिग्नल को फ़िल्टर करने के लिए उदाहरण के लिए, उदाहरण के दौरान उपयोगकर्ता को वास्तविक समय में मूल्यों की वर्तमान स्थिति की समीक्षा करने की आवश्यकता होती है। यह वर्तमान में जब शोर मूल्यों को दिखाता है - 100 100ms बदलता है। कोई भी सहायता या सुझाव सराहना कीजिए, अग्रिम धन्यवाद। संदेश 1 9 6,31 9 देखें। पुनः चलने वाले औसत फ़िल्टर को निरंतर डेटा अधिग्रहण n। 09-25-2013 12 31 PM। अपने VI को संलग्न करने के बिना, आपको आपकी मदद करने के लिए पर्याप्त जानकारी नहीं दी जाती है। गलती इंसान है, लेकिन वास्तव में खराब होने के लिए एक कंप्यूटर की आवश्यकता है आशावादी का मानना ​​है कि हम सभी के सर्वोत्तम दुनिया - निराशावादी यह सच है कि भयावह एक भाषा है जो सभी प्रोग्रामर सबसे अच्छा जानते हैं एक विशेषज्ञ कोई ऐसा व्यक्ति है जिसने सभी संभव गलतियां की हैं। LabVIEW के बारे में कोई अतिरिक्त लागत के बारे में जानने के लिए, ऑनलाइन LabVIEW ट्यूटोरियल s. Message 2 9 का काम करें 6,316 देखें। मूविंग औसत फ़िल्टर, निरंतर डेटा अधिग्रहण n। 09-25-2013 12 37 PM। चूंकि आप डेटा एकत्र करने के दौरान एक फिल्टर से छुटकारा पाने की कोशिश कर रहे हैं, आप प्वाइंट-टू-पॉइंट फ़िल्टर VI में जांच कर सकते हैं आपको अपने तरंग डेटा को फॉर लूप में डालने की आवश्यकता होगी यह, लेकिन यह वास्तविक समय आपके लिए चला सकता है। किसी को बताने के लिए केवल दो तरीके हैं धन्यवाद कुंडो और मार्केड सॉल्यूशंस अनौपचारिक फोरम नियम और दिशानिर्देश उन्नत उपयोगकर्ता ट्रैक से चर्चाएं खत्म नहीं हुई हैं 2016 के उन्नत उपयोगकर्ता ट्रैक की बातचीत में शामिल हों। संदेश 3 9, 6, 3, 3, देखें। री चलते औसत फिल्टर w निरंतर डेटा अधिग्रहण n। 09-25-2013 01 41 बजे। मैंने अपने वीआई के थोड़ा सरलीकृत संस्करण संलग्न कर लिया है मुझे नहीं पता कि मैं उपभोक्ता पाश को खराबी के साथ कैसे लूप के लिए लागू करूंगा, मेरी समझ से अगर मैं लूप के लिए एक डाला, जबकि लूप बंद हो जाएगा काम करने के लिए और इसलिए जब तक लूप के लिए डेटा पूरा नहीं किया जाता है, तब तक लूप का यह विराम तब होता है जब अंतर में अंतरहीन डेटा दे। 09-25-2013 02 43 पीएम। आपने अपना VI संलग्न नहीं किया है, लेकिन अपने VI के निष्पादन के समय में एक बिंदु की एक तस्वीर है, वहाँ राज्य नहीं दिखाए गए हैं, वहां राज्य के लिए केस चयनकर्ता से कोई दृश्य कनेक्शन नहीं है दिखा रहा है, बूलियन 3 जाहिरा तौर पर कहीं नहीं के बीच में है, और पूरी तस्वीर का फ़िल्टरिंग के साथ कोई संबंध नहीं है जिसे आपने कहा था कि आप मूल पोस्ट में करने की कोशिश कर रहे थे। एक बात जो मेरे पास होती है, हालांकि, यह है कि आईएमएचओ आप निर्माता पाश में बहुत अधिक तरीके से करने की कोशिश कर रहे हैं क्या आपने इस आर्किटेक्चर पर लेखन अपॉइंट्स की खोज की है, आप ऐसा करना चाहते हैं और कई अच्छे स्पष्टीकरण और पीसी प्रोग्राम के उदाहरणों को खा सकते हैं, तो देखें कि आपका गुणवत्ता कितना भिन्न है। आपके प्रश्न और आपके उन लोगों के लिए परिणाम के कुछ डेटा चित्रों के लिए प्रासंगिक VI, जिनके पास आपका सटीक उपकरण नहीं है, जहां तक ​​मैं यहां जा सकता हूं अन्य शायद आपको क्या चल रहा है, इसके बारे में बेहतर अनुमान लगाने में सक्षम हो सकते हैं, लेकिन यह अभी भी एक अनुमान होगा। गलती इंसान है, लेकिन वास्तव में खराब होने के लिए एक कंप्यूटर की आवश्यकता है आशावादी का मानना ​​है कि हम सभी संभव दुनिया में सबसे अच्छे हैं - निराशावादी का डर है यह सच है एक भाषा है जो सभी प्रोग्रामर सर्वश्रेष्ठ जानते हैं एक विशेषज्ञ एक ऐसा व्यक्ति है जिसने सभी संभव गलतियां की हैं। LabVIEW के बारे में कोई अतिरिक्त लागत के बारे में कुछ सीखें, ऑनलाइन LabVIEW ट्यूटोरियल का काम करें, आप मंच की शिष्टाचार पर एक व्याख्यान देने की कोशिश नहीं कर रहे हैं, बस उस जानकारी को इंगित कर रहे हैं जो आपके लिए यहां अच्छे लोगों की सहायता प्राप्त करना आसान हो सकता है I आपकी मदद कर सकते हैं यदि आप अपने प्रोग्राम को उस हिस्से में रख सकते हैं जिसमें आपको समस्याएं आ रही हैं, तो इससे मदद मिलेगी, भले ही आप डेटा लेने के लिए डीएक्यू सामग्री का इस्तेमाल कर रहे हों और किसी के पास एक ही उपकरण नहीं है, कई बार छठी संरचना की पहचान करने योग्य है पर्याप्त है कि वे मदद कर सकते हैं यदि आप एक विशिष्ट इनपुट डेटा फ़ाइल स्ट्रीम को बंद कर सकते हैं जो खराब आउटपुट में परिणाम देता है, यह भी आपकी सहायता करता है। आपके VI के लिए, शायद मैं इसे तीन छोरों में विभाजित कर दूंगा, पहला डेटा लेने के लिए, दूसरे नंबर पर लॉग इन करें एक फ़ाइल, और तीसरा उपयोगकर्ता के लाभ के लिए फिल्टर के रूप में क्रॉसरुलज़ ने कहा, आप फ़िल्टरिंग पाश के अंदर एक फ़ोर लूप में पॉइंट-टू-पॉइंट फ़िल्टर का उपयोग कर सकते हैं, फिर आप किसी भी डेटा को खो नहीं सकते क्योंकि यह उस फ़ंक्शन को प्रभावित नहीं करता है। गड़बड़ करने के लिए इंसान है, लेकिन वास्तव में खराब होने के लिए एक कंप्यूटर की आवश्यकता है आशावादी का मानना ​​है कि हम सभी संभव दुनिया में सबसे अच्छे हैं - निराशावादी का मानना ​​है कि यह सच है। एक भाषा है जो सभी प्रोग्रामर सर्वश्रेष्ठ जानते हैं एक विशेषज्ञ एक ऐसा व्यक्ति है जो सभी संभव गलतियाँ। LabVIEW के बारे में कोई अतिरिक्त लागत के बारे में जानने के लिए, ऑनलाइन LabVIEW ट्यूटोरियल का काम करें।