Moving Average Fft

Moving Average Dieses Beispiel lehrt, wie Sie den gleitenden Durchschnitt einer Zeitreihe in Excel berechnen. Eine Bewegung wird verwendet, um Unregelmäßigkeiten (Spitzen und Täler) zu glätten, um Trends leicht zu erkennen. 1. Erstens, werfen wir einen Blick auf unsere Zeitreihe. 2. Klicken Sie auf der Registerkarte Daten auf Datenanalyse. Hinweis: Klicken Sie hier, um das Analyse-ToolPak-Add-In zu laden. 3. Wählen Sie Verschiebender Durchschnitt aus, und klicken Sie auf OK. 4. Klicken Sie im Feld Eingabebereich auf den Bereich B2: M2. 5. Klicken Sie in das Feld Intervall und geben Sie 6 ein. 6. Klicken Sie in das Feld Ausgabebereich und wählen Sie Zelle B3 aus. 8. Zeichnen Sie ein Diagramm dieser Werte. Erläuterung: Da wir das Intervall auf 6 setzen, ist der gleitende Durchschnitt der Durchschnitt der letzten 5 Datenpunkte und der aktuelle Datenpunkt. Als Ergebnis werden Spitzen und Täler geglättet. Die Grafik zeigt eine zunehmende Tendenz. Excel kann den gleitenden Durchschnitt für die ersten 5 Datenpunkte nicht berechnen, da nicht genügend frühere Datenpunkte vorhanden sind. 9. Wiederholen Sie die Schritte 2 bis 8 für Intervall 2 und Intervall 4. Fazit: Je größer das Intervall, desto mehr werden die Spitzen und Täler geglättet. Je kleiner das Intervall, desto näher sind die gleitenden Mittelwerte an den tatsächlichen Datenpunkten. FFT Moving Average (FFT-MA) Generator: Eine effiziente numerische Methode zur Erzeugung und Konditionierung von Gaußschen Simulationen Zitieren Sie diesen Artikel als: Ravalec, M. L. Noetinger, B. Hu, L. Y. Mathematische Geologie (2000) 32: 701. doi: 10.1023 / A: 1007542406333 68 Zitate 761 Downloads Eine schnelle Fourier-Transformation (FFT) gleitender Durchschnitt (FFT-MA) - Verfahren zur Erzeugung von gaußschen stochastischen Prozessen wird abgeleitet. Die Verwendung von diskreten Fourier-Transformationen macht die Berechnungen einfach und schnell, so daß große Zufallsfelder erzeugt werden können. Auf der anderen Seite erlaubt es der grundsätzliche gleitende Mittelrahmen, die Zufallszahlen aus den Strukturparametern (Mittelwert, Varianz, Korrelationslänge) zu entkoppeln, aber auch die Zufallskomponenten im räumlichen Bereich zu zeichnen. Solche Eigenschaften verleihen dem FFT-MA-Generator große Flexibilität. Wenn beispielsweise nur die Zufallszahlen geändert werden, ergeben sich unterschiedliche Realisierungen, die alle die gleiche Kovarianzfunktion haben. Ähnlich können mehrere Realisierungen aus dem gleichen Zufallszahlensatz aufgebaut werden, jedoch aus unterschiedlichen strukturellen Parametern. Die Integration des FFT-MA-Generators in ein Optimierungsverfahren liefert ein Werkzeug, das theoretisch in der Lage ist, die Zufallszahlen, die das Gaußsche Feld identifizieren, sowie die Strukturparameter aus dynamischen Daten zu bestimmen. Darüber hinaus können alle oder nur einige der Zufallszahlen gestört werden, so dass mit dem FFT-MA erzeugte Realisierungen lokal durch einen Optimierungsprozess aktualisiert werden können. Simulation Nichtlineare Konditionierung Optimierung FFT lokale Störung REFERENZEN Alabert, F. 1987, Die Praxis der schnellen Bedingungssimulationen durch die LU-Zerlegung der Kovarianzmatrix: Mathematik. Geologie, V. 19, Nr. 5, p. 369386. Google Scholar Blanc, G. Touati, M. und Hu, L. 1998, Geostatistische Modellierung des Fluidflusses auf flexiblen Gittern: 6. ECMOR-Proceedings, 811 Sept. Peebles, Schottland, C30. Bochner, S. 1936, Vorträge über die Fourier-Analyse: Princeton University Press, Princeton, NJ. Google Scholar Chils, J. P. 1995, Quelques mthodes de Simulation de fonctions alatoires intrinsques: Cahiers de gostatistique, 5, p. 97112. Google Scholar Cooley, J. W. und Tukey, J. W. 1965, Ein Algorithmus für die Maschinenberechnung komplexer Fourier-Reihen: Mathematik. Comp. V. 19, p. 297301. Google Scholar Davis, M. W. 1987, Herstellung von bedingten Simulationen über die LU-Dreieckszersetzung der Kovarianzmatrix: Mathematik. Geologie, V. 19, Nr. 2, p. 9198. Google Scholar Deutsch, C. V. 1992, Glühende Techniken für die Modellierung von Reservoirs und die Integration von geologischen und ingenieurtechnischen Daten (Brunnenversuch): Unveröffentlichte Dissertation, Stanford University, Stanford, CA, 325 p. Google Scholar Deutsch, C. V. und Cockerham, P. W. 1994, Geostatistische Modellierung der Permeabilität mit Glühkosimulation (ACS): SPE 69. Jährliche Technische Konferenz und Ausstellung, New Orleans, LA, p. 523532. Deutsch, C. V. und Journel, A. G. 1992, GSLIB: Geostatistische Softwarebibliothek und Benutzerhandbuch: Oxford University Press, New York, 340 p. Google Scholar Galli, A. Beucher, H. Le Loh, G. und Doligez, B. 1994, Die Vor - und Nachteile der trunkierten Gaußschen Methode in Armstrong, M. und Dowd, P. A. eds. Geostatistische Simulationen: Kluwer Academic Publishers, Dordrecht, Niederlande, p. 217233. Google Scholar Gomez-Hernandez, J. J. und Journel, A. G. 1992, Gemeinsame sequentielle Simulation von multiGaußschen Feldern, in Soares, Hrsg. Vorträge des 4. Internationalen Geostatistischen Kongresses: Kluwer Publishers, Troia, p. 8594. Google Scholar Gupta, A. D. 1992, Stochastische Heterogenität, Dispersion und Feldtracer-Antwort: Unveröffentlichte Dissertation, Universität Texas, Austin, TX, 248 p. Google Scholar Gutjahr, A. 1989, Fast Fourier transformiert für die Zufallsgenerierung: New Mexico Tech. Projektbericht, NM, 106 p. Gutjahr, A. Bullard, B. und Hatch, S. 1997, Allgemeine gemeinsame Simulationen mit einer schnellen Fourier-Transformationsmethode: Math. Geologie, V. 29, p. 361389. Google Scholar Hu, L. Y. 2000, Allmähliche Deformation und iterative Kalibrierung von Gauß-bezogenen stochastischen Modellen: Mathematik. Geologie, V. 32, Nr. 1, p. 87108. Google Scholar Johnson, M. E. 1987, Multivariate statistische Simulationen: John amp New York, Wiley amp Sons, 230 p. Journel, A. G. 1974, Geostatistik zur bedingten Simulation von Erzkörpern: Econ. Geologie, V. 69, p. 673687. Google Scholar Journel, A. G. und Huijbregts, C. J. 1978, Mining Geostatistics: Academic, San Diego, CA. Lantujoul, C. 1994, Nicht bedingte Simulation stationärer isotroper multiGaussian-Zufallsfunktionen, in M. Armstrong, M. und Dowd, P. A. eds. Geostatistische Simulationen: Kluwer Academic Publishers, Dordrecht, Niederlande, p. 147177. Google Scholar Le Ravalec, M. Hu, LY und Noetinger, B. 1999, Stochastische Reservoir-Modellierung beschränkt auf dynamische Daten: Lokale Kalibrierung und Schlussfolgerung der strukturellen Parameter: SPE Annual Technical Conference and Exhibition, Houston, TX, SPE 56556. Mantoglou, A. 1987, Digitale Simulation multivariater zweidimensionaler und dreidimensionaler stochastischer Prozesse mit einer spektralen Wendebandmethode: Math. Geologie, V. 19, Nr. 2, p. 129149. Google Scholar Mantoglou, A. und Wilson, J. 1982, Die Wendebandmethode zur Simulation von Zufallsfeldern mittels Linienerzeugung mittels einer Spektralmethode: Water Resources Res. V. 18, p. 13791394. Google Scholar Matheron, G. 1973, Die intrinsischen zufälligen Funktionen und ihre Anwendungen: Adv. Appl. Prob. V. 5, p. 439468. Google Scholar Oliver, D. S. 1995, Mittelwerte für die Gaußsche Simulation in zwei und drei Dimensionen: Mathe. Geologie. V. 27, Nr. 8, p. 939960. Google Scholar Oliver, D. S. Cunha, L. B. und Reynolds, A. C. 1997, Eine Markov-Kette Monte Carlo Methode der bedingten Simulation: Math. Geologie, V. 29, Nr. 1, p. 6191. Google Scholar Ouenes, A. 1992, Anwendung der simulierten Annealing auf Reservoir-Charakterisierung und petrophysischen inversen System: Unveröffentlichte Dissertation, New Mexico Technical, Socorro, NM, 205 p. Google Scholar Pardo-Iguzquiza, E. und Chica-Olmo, M. 1993, Die Fourier-Integralmethode: Eine effiziente Spektralmethode zur Simulation von Zufallsfeldern: Mathematik. Geologie, V. 25, Nr. 2, p. 177217. Google Scholar Prez, G. Stochastische Konditionalsimulation zur Beschreibung von Reservoireigenschaften: Unveröffentlichte Dissertation, Universität Tulsa, Tulsa, OK, 245 p. Priestley, M. B. 1981, Spektrale Analyse und Zeitreihen: Academic Press, London, GB. Scholar RamaRao, B. S. La Venue, M. M. Marsilly, G. und Marietta, M. G. 1995, Pilotpunktmethodik zur automatisierten Kalibrierung eines Ensembles eines bedingt simulierten Transmissionsfeldes: 1. Theorie und Rechenversuche: Wasserresourcen Res. V. 31, Nr. 3, p. 475493. Google Scholar Roggero, F. und Hu, L. 1998, Allmähliche Verformung kontinuierlicher geostatistischer Modelle für die Geschichtsabstimmung: SPE Annual Technical Conference and Exhibition, New Orleans, LA, SPE 49004. Shinozuka, M. und Jan, CM 1972, Digitale Simulation von Zufallsprozessen und deren Anwendungen: Jour. Klingt Vib. 25, Nr. 1, p. 111128. Google Scholar Yao, T. 1998, Konditionale Spektralsimulation mit Phasenidentifikation: Mathematik. Geologie, V. 30, Nr. 3, p. 285308. Google Scholar Copyright Informationen Internationale Vereinigung für Mathematische Geologie 2000 Autoren und Mitgliedsverbände Mickale Le Ravalec 1 Benot Noetinger 2 Lin Y. Hu 2 1. Institut Franais du Ptrole Pau Cedex 9 Frankreich 2. Institut Franais du Ptrole Pau Cedex 9 Frankreich Über diesen Artikel Drucken ISSN 0882-8121 Online ISSN 1573-8868 Herausgeber-Name Kluwer Academic Publishers-Plenum Publishers