Variasjoner på det bevegelige gjennomsnittet Det gjennomsnittlige filteret er mer eller mindre perfekt for utjevning av data i nærvær av støy, dersom den nyttige informasjonen i dataene dine er helt i tidsdomene. I så fall bryr du deg ikke om sin ganske dårlige ytelse i frekvensdomenet. Figur 1 viser impuls-, trinn - og frekvensresponsene til det grunnleggende bevegelige gjennomsnittsfilteret (med tre ekstraprøver på begge sider som ikke er en del av impuls - og trinnsvaret for klarhet). Noen ganger må du imidlertid jobbe med data for hvilke begge domener er viktige. For de tilfellene er det vektede versjoner av det bevegelige gjennomsnittet som er mer eller mindre likeverdige i tidsdomene, men det har mye bedre ytelse i frekvensdomenet. Gjentatt Flytende Gjennomsnitt Det første du kan gjøre for å forbedre frekvensresponsen av det bevegelige gjennomsnittet, er å bruke det flere ganger. Etter to repetisjoner, utgjør dette en trekantet vekting av koeffisientene (figur 2). Siden å bruke det samme filteret to ganger dobler effekten, er den første sidelaggen til frekvensresponsen bare halvparten så høy som den i figur 1. Årsaken til den trekantede formen er at det bevegelige gjennomsnittet er en konvolusjon med en rektangulær puls. Ved å bruke det to ganger, forårsaker en konvolusjon av denne rektangulære puls med seg selv, noe som resulterer i et trekantet vindu for det kombinerte filteret. Merk at Ive har tatt samme filterlengde i figur 2 som i figur 1, og derved skifter den første nullen til frekvensresponsen. En ekte konvolusjon av det originale rektangulære filteret ville ha resultert i et lengre filter og ville ha holdt nuller på nøyaktig samme sted, selvfølgelig. Hvis det bevegelige gjennomsnittsfilteret gjentas flere ganger, konvergerer konvergensen til et Gaussian-vindu (Figur 3) på grunn av den sentrale grense-teorien. Selvfølgelig strekker en faktisk Gaussian uendelig i begge retninger, så det er ikke noe annet valg enn å kutte det på et tidspunkt (eller kanskje formere det med et andre vindu). I tillegg må standardavviket til Gaussisk velges. For denne illustrasjonen (og for implementeringen av filterdesigneren) har jeg vedtatt standardinnstillingene til MATLAB. I praksis vil du kanskje bare gjenta gjentagende gjennomsnitt i stedet for å bruke et Gaussian-vindu. Når det gjennomføres rekursivt, er det bevegelige gjennomsnittet svært effektivt. mens det gaussiske vinduet må implementeres gjennom konvolusjon. Blackman Window En annen mulighet er å velge en av de klassiske vindusfunksjonene som brukes til windowed sinc filtre, og bruk det som en filterkjerne (se den utmerkede Wikipedia-siden om vindufunksjoner). Som et eksempel, har jeg plukket Blackman-vinduet (Figur 4). Dette forbedrer stoppbånddempingen enda lenger, mens du fremdeles viser et jevnt tidsdomene-svar uten ringing eller overshoot. Til slutt, hvis du trenger å glatte data, men trenger en bedre frekvens ytelse enn det grunnleggende glidende gjennomsnittet har å tilby, finnes det flere alternativer. Filter designverktøy Denne artikkelen er utfylt med et filterdesignverktøy. Eksperimenter med de ulike vindufunksjonene og lengden på filteret, og se effekten på frekvensresponsen. Prøv det nåRecursive Flytende Gjennomsnittlig Filter Bull Citat (0) 0 Bull 2 160160160160 Det bevegelige gjennomsnittsfilteret er et FIR-filter med lengde N med alle kranene tilsvarer (1N) .160 Den er kjent for elendig frekvensavstand, men utmerket tidsrespons - - I den forstand utmerker Bessels et Bessel filter.160 Du kan implementere det med SigmaStudios FIR-blokk som beskrevet her: Jo lengre filteret, jo mer utjevning - men standard FIR-filteralgoritmen bruker mange instruksjoner for store filtre, fordi det må multiplisere koeffisienter for hver kran.160 Dette er avfall når alle koeffisientene er de samme.160 Som kapittel 15 i Steven W. Smiths bok peker ut, kan du lage et bevegelige gjennomsnittsfilter med en rekursiv teknikk som har en trykk før og etter en (N-1) størrelsesforsinkelse.160 Et slikt filter vises nedenfor som en del av en testkrets med signalkilde og et Bessel-filter for sammenligning: 160160160160 Koeffisienter trekkes ut til enkelvinstblokken ved inngangen.160 Den nåværende prøven legger til t o utgangen når den går inn i forsinkelsen, trekker den forsinkede prøven ut av utgangen når den går ut.160 Addereren med tilbakemelding akkumulerer disse tilleggene og subtraksjonene for å danne utgangen - dette gjør noe som er trivielt i C, men er ellers en smerte i GUI.160 Selv om en rekursiv teknikk brukes, forblir filteret et ekte FIR-filter - lengden av impulsresponsen er kun innstilt av forsinkelsen. 160160160160 Min testinngang er en firkantbølge med ekstra støy.160 Filtrerte resultater vises som det øvre sporet i begge bildene - Først det bevegelige gjennomsnittsfiltret: Bessel-filteret: 160160160160 Det bevegelige gjennomsnittsfilteret gir mer lyd gjennom, men det opprettholder bedre firkantet bølgeform - det går ikke rundt hjørnene, og opp - og nedskråningene er symmetriske (den lineære fasen). 160 Oppsummering av de to bølgeformene med hodetelefoner viser et tilsvarende resultat - mer støy med det bevegelige gjennomsnittsfilteret, men det karakteristiske lyden av en firkantbølge kommer gjennom. FIR-filtre, IIR-filtre og den lineære konstant-koeffisientforskjellen ligning. Causal Moving Average (FIR) - filtre. Vi har diskutert systemer der hver prøve av utgangen er en vektet sum av (visse av) prøver av inngangen. La oss ta et årsaksvektet sumssystem, hvor årsakssammenheng betyr at en gitt utgangsprøve bare avhenger av gjeldende inngangseksempel og andre innganger tidligere i sekvensen. Verken lineære systemer generelt, og heller ikke finite impulsresponsystemer, må være årsakssammenhengende. Kausalitet er imidlertid praktisk for en slags analyse som skulle undersøke snart. Hvis vi symboliserer inngangene som verdier av en vektor x. og utgangene som tilsvarende verdier av en vektor y. så kan et slikt system skrives som hvor b-verdiene er quotweightsquot brukt på de nåværende og tidligere inngangssamplene for å få den nåværende utgangsprøven. Vi kan tenke på uttrykket som en ligning, med likestillingsbetegnelsen betyr lik, eller som en prosedyreinstruksjon, med likestillingsbetegnelsen. Lar oss skrive uttrykket for hver utgangseksempel som en MATLAB-sløyfe med oppgaveoppgavene, hvor x er en N-lengdevektor av inngangsprøver, og b er en M-lengdevektor med vekt. For å håndtere det spesielle tilfellet ved starten, vil vi legge inn x i en lengre vektor xhat hvis første M-1-prøver er null. Vi vil skrive den veide summasjonen for hver y (n) som et indre produkt, og vil gjøre noen manipulasjoner av inngangene (som reversering b) til dette formål. Denne typen system kalles ofte et bevegelig gjennomsnittsfilter av åpenbare årsaker. Fra våre tidligere diskusjoner bør det være åpenbart at et slikt system er lineært og skift-invariant. Selvfølgelig vil det være mye raskere å bruke MATLAB convolution-funksjonen conv () i stedet for vår mafilt (). I stedet for å vurdere de første M-1-prøvene av inngangen til å være null, kan vi betrakte dem til å være de samme som de siste M-1-prøvene. Dette er det samme som å behandle inngangen som periodisk. Vel bruk cmafilt () som navnet på funksjonen, en liten modifikasjon av den tidligere mafilt () - funksjonen. Ved å bestemme impulsresponsen til et system er det vanligvis ingen forskjell mellom disse to, siden alle ikke-første prøver av inngangen er null: Siden et slikt system er lineært og skift-invariant, vet vi at dets effekt på alle sinusoid vil bare være å skalere og skifte den. Her er det viktig at vi bruker den sirkulære versjonen Den sirkulært-konvolverte versjonen skiftes og skaleres litt, mens versjonen med vanlig konvolusjon er forvrengt i starten. Lar se hva den eksakte skaleringen og skiftingen er ved å bruke en fft: Både inngang og utgang har amplitude bare ved frekvenser 1 og -1, som er som det burde være, gitt at inngangen var en sinusformet og systemet var lineært. Utgangsverdiene er større med et forhold på 10,62518 1,3281. Dette er gevinsten til systemet. Hva med fasen Vi trenger bare å se hvor amplitude er ikke-null: Inngangen har en fase av pi2, som vi ba om. Utgangsfasen skiftes med ytterligere 1,0594 (med motsatt tegn for negativ frekvens), eller ca. 16 av en syklus til høyre, som vi kan se på grafen. Nå kan vi prøve en sinusoid med samme frekvens (1), men i stedet for amplitude 1 og fase pi2, kan vi prøve amplitude 1.5 og fase 0. Vi vet at bare frekvens 1 og -1 vil ha null null amplitude, så vi kan bare se på dem: Igjen er amplitudeforholdet (15.937712.0000) 1.3281 - og for fasen blir det igjen skiftet med 1.0594 Hvis disse eksemplene er typiske, kan vi forutsi effekten av vårt system (impulsrespons .1 .2 .3 .4 .5) på hvilken som helst sinusoid med frekvens 1 - amplituden vil bli økt med en faktor på 1,3281 og den (positive frekvens) fase vil bli forskyvet med 1,0594. Vi kunne fortsette å beregne effekten av dette systemet på sinusoider av andre frekvenser med samme metoder. Men det er en mye enklere måte, og en som etablerer det generelle punktet. Siden (sirkulær) konvolusjon i tidsdomenet betyr multiplikasjon i frekvensdomenet, følger det med at DFT av impulsresponsen med andre ord er forholdet mellom DFT for utgangen og DFT på inngangen. I dette forholdet er DFT-koeffisientene komplekse tall. Siden abs (c1c2) abs (c1) abs (c2) for alle komplekse tall c1, c2, forteller denne ligningen oss at amplitudespektret for impulsresponsen alltid vil være forholdet mellom amplitudespektret for utgangen og inngangen til inngangen . I tilfelle av fasespektret er vinkel (c1c2) vinkel (c1) - vinkel (c2) for alle c1, c2 (med den forutsetning at faser som er forskjellige med n2pi regnes like). Fasespektret for impulsresponsen vil derfor alltid være forskjellen mellom fasespekteret for utgangen og inngangen (med hvilke korrigeringer med 2pi som er nødvendig for å holde resultatet mellom - pi og pi). Vi kan se fasevirkningene tydeligere hvis vi pakker ut representasjonen av fase, dvs. hvis vi legger til flere multipler på 2pi etter behov for å minimere hoppene som er produsert av periodisk karakter av vinkelen () - funksjonen. Selv om amplitude og fase vanligvis brukes til grafisk og jevn tabellpresentasjon, da de er en intuitiv måte å tenke på effekten av et system på de forskjellige frekvenskomponentene i inngangen, er de komplekse Fourier-koeffisientene mer nyttige algebraisk, siden de tillater det enkle uttrykket for forholdet Den generelle tilnærmingen vi nettopp har sett vil fungere med vilkårlig filtre av typen skissert, hvor hver utgangseksempel er en vektet sum av et sett av inngangssampler. Som nevnt tidligere kalles disse ofte Finite Impulse Response-filtre, fordi impulsresponsen er av fin størrelse, eller noen ganger Flyttende gjennomsnittlig filtre. Vi kan bestemme frekvensresponsegenskapene til et slikt filter fra FFT av impulsresponsen, og vi kan også designe nye filtre med ønskede egenskaper ved IFFT fra en spesifikasjon av frekvensresponsen. Autoregressive (IIR) - filtre Det ville være lite poeng å ha navn på FIR-filtre, med mindre det var noe annet å skille dem fra, og så de som har studert pragmatikk, vil ikke bli overrasket over at det er en annen stor art av lineært tidsinvariant filter. Disse filtrene kalles noen ganger rekursive fordi verdien av tidligere utganger (samt tidligere innganger) betyr noe, selv om algoritmene generelt skrives ved hjelp av iterative konstruksjoner. De kalles også Infinite Impulse Response (IIR) filtre, fordi deres respons på impulser generelt går for alltid. De kalles også noen ganger autoregressive filtre, fordi koeffisientene kan tenkes som følge av å foreta lineær regresjon for å uttrykke signalverdier som en funksjon av tidligere signalverdier. Forholdet mellom FIR og IIR-filtre kan ses tydelig i en lineær konstant-koeffisientforskjellekvasjon, dvs. å sette en vektet sum av utganger som er lik en vektet sum av innganger. Dette er som ligningen som vi ga tidligere for årsakssystemet FIR-filter, bortsett fra at i tillegg til den vektede summen av innganger, har vi også en vektet sum av utganger. Hvis vi vil tenke på dette som en prosedyre for å generere utgangssampler, må vi omarrangere ligningen for å få et uttrykk for gjeldende utgangseksempel y (n), Vedta konvensjonen at a (1) 1 (f. eks. Ved å skalere andre som og bs), kan vi kvitte seg med 1a (1) termen: y (n) b (1) x (n) b (2) x (n-1). b (Nb1) x (n-nb) - a (2) y (n-1) -. - a (Na1) y (n-na) Hvis alle a (n) annet enn a (1) er null, reduseres dette til vår gamle venn, det kausale FIR-filteret. Dette er det generelle tilfellet av et (kausal) LTI filter, og implementeres av MATLAB-funksjonsfilteret. La oss se på tilfellet der b-koeffisientene bortsett fra b (1) er null (i stedet for FIR-tilfellet, hvor a (n) er null): I dette tilfellet beregnes nåværende utgangsprøve y (n) som en vektet kombinasjon av gjeldende inngangseksempel x (n) og tidligere utgangsprøver y (n-1), y (n-2) osv. For å få en ide om hva som skjer med slike filtre, kan vi starte med tilfellet hvor: Det vil si at den nåværende utgangsprøven er summen av gjeldende inngangseksempel og halvparten av den forrige utgangsprøven. Vel ta en inngangspuls gjennom noen få skritt, en om gangen. Det skal være klart på dette punktet at vi enkelt kan skrive et uttrykk for nth utgangsprøveverdien: det er bare (Hvis MATLAB telles fra 0, ville dette bare være .5n). Siden det vi beregner er impulsresponsen til systemet, har vi vist ved eksempel at impulsresponsen faktisk kan ha uendelig mange ikke-nullprøver. For å implementere dette trivielle førstegangsfilteret i MATLAB kunne vi bruke filter. Samtalen vil se slik ut: og resultatet er: Er denne virksomheten virkelig fortsatt lineær? Vi kan se på dette empirisk: For en mer generell tilnærming, vurder verdien av en utgangseksempel y (n). Ved suksessiv substitusjon kan vi skrive dette som: Dette er akkurat som vår gamle venn, sammenkallings-summen av et FIR-filter, med impulsresponsen gitt av uttrykket .5k. og lengden på impulsresponsen er uendelig. Dermed de samme argumentene som vi pleide å vise at FIR-filtre var lineære, vil nå gjelde her. Så langt kan dette virke som mye oppstyr om ikke mye. Hva er denne hele undersøkelsesgruppen god for Vel, svar på dette spørsmålet i faser, med utgangspunkt i et eksempel. Det er ikke en stor overraskelse at vi kan beregne en samplet eksponensiell ved rekursiv multiplikasjon. La oss se på et rekursivt filter som gjør noe mindre tydelig. Denne gangen gjør du det til et andreordfilter, slik at anropet til filteret vil være av skjemaet. Lets angi den andre utgangskoeffisienten a2 til -2cos (2pi40), og den tredje utgangskoeffisienten a3 til 1, og se på impulsen respons. Ikke veldig nyttig som et filter, men det genererer en samplet sinusbølge (fra en impuls) med tre multipliser-adds per prøve. For å forstå hvordan og hvorfor det gjør dette, og hvordan rekursive filtre kan utformes og analyseres i Jo mer generelt, vi må gå tilbake og ta en titt på noen andre egenskaper av komplekse tall, på vei til å forstå z-transformen. Hvordan gjør jeg rekursiv rullende gjennomsnitt og varians raskt? Stu min variansfilterdemo og skriv tilbake hvis du har noen spørsmål etter det: Demo for å ta det lokale gjennomsnittet, variansen og standardavviket til et gråskala bilde. userImage, hvis sendt inn, brukes som bildet. Hvis userImage ikke er sendt inn, blir brukeren bedt om å bruke et demo-bilde. Kode skrevet av ImageAnalyst funksjon localvariance (userImage) Clean up. clc Fjern kommandovinduet. lukk alt Lukk alle tall (unntatt de som er av imtool.) arbeidsområde Kontroller at arbeidspanelpanelet vises. Endre gjeldende mappe til mappen til denne m-filen. (Koden nedenfor er fra Brett Shoelson av The Mathworks.) Ikke bruk disse linjene hvis du ringer dette fra en annen m-fil. hvis (isdeployed) cd (fileparts (som (mfilename))) avslutter Initialize. fontSize 20 hvis nargin 0 Ingen bilde ble sendt inn på kommandolinjen. Les i et av de vanlige MATLAB demo-bildene som vårt originale gråskala bilde og vis det. promptMessage sprintf (Hvilket bilde vil du bruke. nMyntene eller kameramanen) knappen questdlg (promptMessage, Select Image, Coins, Kameraman, Mynter) hvis strcmp (knapp, mynter) grayImage double (imread (coins. png)) Cast til dobbelt. ellers grayImage double (imread (cameraman. tif)) Cast for å doble. slutten ellers Bruk bildearrangementet som er sendt inn på kommandolinjen. grayImage double (userImage) Cast for å doble. slutt Start timing. startTime tic subplot (2, 2, 1) imshow (grayImage,) tittel (Original Image, FontSize, fontSize) sett (gcf, Position, få (0, Skjermstørrelse)) Maksimere figur. Slør bildet med et 5 til 5 gjennomsnittlig (boksfilter) - vindu. blurredImage conv2 (grayImage, ones (5,5) 25) subplot (2, 2, 2) imshow (blurredImage) tittel (Sløret bilde, FontSize, fontSize) Utfør et variansfilter. Utgangsbilde er variansen av inngangsbildet i et 3 til 3 skyvevindu. VarianceFilterFunction (x) var (x (:)) varianceImage nlfilter (grayImage, 3 3, VarianceFilterFunction) En alternativ måte å gjøre variansfilteret på er neste linje: varianceImage reshape (std (im2col (originalImage, 3 3, glidende)) , størrelse (originalImage) -2) subplot (2, 2, 3) imshow (varianceImage,) title (Variance Image, FontSize, fontSize) Beregn kvadratroten av variansbildet for å få standardavviket. standardDeviationImage sqrt (varianceImage) subplot (2, 2, 4) imshow (standardDeviationImage) tittel (Standardavvik Bilde, FontSize, fontSize) forlengetTime toc (startTime) melding sprintf (DonennElapsed tid.22 sekunder, forlengetTime) msgbox Slutt på localvariance () - funksjonen. Den 5. juli kl. 12:33, ImageAnalyst ltimageanal. mailinatorgt skrev: gt Studier min variansfilter-demo og skriv tilbake hvis du har noen spørsmål gt etter det: gt gt Demo for å ta den lokale gjennomsnittlige variansen og standardavviket gt av et gråskala bilde. gt userImage, hvis sendt inn, brukes som bildet. gt Hvis userImage ikke er sendt inn, blir brukeren bedt om å bruke et demo-bilde. gt Kode skrevet av ImageAnalyst gt-funksjon localvariance (userImage) gt Clean up. gt clc Fjern kommandovinduet. gt lukk alt Lukk alle tallene (unntatt de som er imtool.) gt workspace Kontroller at arbeidspanelpanelet vises. gt gt Bytt gjeldende mappe til mappen til denne m-filen. gt (Koden nedenfor er fra Brett Shoelson av The Mathworks.) gt Ikke bruk disse linjene hvis du ringer dette fra en annen m-fil. gt if (isdeployed) gt cd (fileparts (som (mfilename))) gt gt gt Initialize. gt fontSize 20 gt hvis nargin 0 gt Ingen bilde ble sendt inn på kommandolinjen. gt Les i en av de vanlige MATLAB demo bildene gt som vårt originale gråskala bilde og vis det. gt promptMessage sprintf (Hvilket bilde vil du bruke. nThe gt mynter eller kameraman) gt button questdlg (promptMessage, Velg bilde, Mynter, gt Kameraman, Mynter) gt hvis strcmp (knapp, mynter) gt grayImage double (imread. png)) Kaste for å doble. gt else gt grayImage double (imread (cameraman. tif)) Gjør for å doble. gt end gt else gt Bruk billedarrangementet som er sendt inn på kommandolinjen. gt grayImage double (userImage) Cast for å doble. gt gt gt gt Start timing. gt startTime tic gt gt subplot (2, 2, 1) gt imshow (grayImage) gt tittel (Original Image, FontSize, fontSize) gt sett (gcf, posisjon, få (0, skjermstørrelse)) Maksimere figur. gt Blur bildet med et 5 til 5 gjennomsnittlig (boksfilter) - vindu. gt blurredImage conv2 (grayImage, ones (5,5) 25) gt subplot (2, 2, 2) gt imshow (blurredImage) GT tittel (Sløret bilde, FontSize, fontSize) gt gt Utfør et variansfilter. gt Output-bilde er variansen av inngangsbilledet i et 3 til 3 glidende gt-vindu. gt VarianceFilterFunction (x) var (x (:)) gt varianceImage nlfilter (grayImage, 3 3, VarianceFilterFunction) gt En alternativ måte å gjøre variansfilteret på er neste linje: gt varianceImage reshape (std (im2col (originalImage, 3 3 , glidning)), gt størrelse (originalImage) -2) gt subplot (2, 2, 3) gt imshow (varianceImage) gt tittel (Variance Image, FontSize, fontSize) gt gt Beregn kvadratroten av variansbildet for å få standard gt-avviket. gt standardDeviationImage sqrt (varianceImage) gt subplot (2, 2, 4) gt imshow (standardDeviationImage,) gt tittel (Standardavvik Bilde, FontSize, fontSize) gt forlengetTime toc (startTime) gt gt message sprintf (DonennElapsed time .2f seconds. gt elapsedTime) gt msgbox (melding) gt return End of localvariance () - funksjonen. Men jeg har ikke imshow eller nlfilter, det vil si jeg har ikke bildebehandlingsverktøy. og lar vi ikke komme inn på anskaffelsen osv. Jeg tenker på at det kanskje er generisk måte i Matlab å gjøre rekursiv beregning, det være seg rekursivt eller rekursivt variancestd eller andre øyeblikk, etc. Noen tanker Takk mye Emne: Hvordan Jeg gjør rekursiv rullende gjennomsnitt og varians raskt Fra: Steve Amphlett Luna Moon ltlunamoonmoongmailgt skrev i melding lt6fc04321-2ece-4f41-ad2d-4a0a2b436baex27g2000yqb. googlegroupsgt. gt gt Great kode gt gt Men jeg har ikke imshow eller nlfilter, det vil si jeg har ikke bilde gt prosessering verktøykasse. og lar ikke komme inn på innkjøpene etc. gt gt Jeg tenker på at det kanskje er generisk måte i Matlab å gjøre gt rekursiv beregning, det er det rekursive middel eller rekursive variancestd eller andre øyeblikk, gt etc. gt gt Enhver tanker tusen takk ja. Hvorfor bruker du ordet rekursive Dine innganger er ikke avhengige av utgangene dine. Vel, bruk bare blockproc og var () - funksjonene - det er en måte. Emne: Hvordan gjør jeg rekursiv rullende gjennomsnitt og varians raskt Fra: Oleg Komarov Luna Moon ltlunamoonmoongmailgt skrev i melding lt2b265914-45f5-4b6e-9a85-c6d07191bfafs9g2000yqd. googlegroupsgt. gt Hei alt, gt gt I rekursivt flytte eller rullende gjennomsnitt, gt gt result alpha pt (1-alfa) resultat, gt gt hvor pt er den nye ankomsten. gt gt Hvordan gjør vi dette raskt i Matlab, ved hjelp av filterfunksjonsformatet, gt dvs. det fungerer på en hel kolonne-vis. gt gt Nå må du først bruke det samme konseptet til rullende varians gt gt. For å kunne gjøre rullende varians må vi først få gt-rullende gjennomsnitt, gt gt og deretter rullende middelfirkant: gt gt rollingmeansquaret alphapt2 (1- gt alpha) rollingmeansquare, gt gt ved å bruke: gt gt rollingvariancet rollingmeansquaret - rollingmeant 2. gt gt har jeg rett Hvordan gjør du dette raskt gt gt takk Du kan tenke på din titteliste som tråder du har bokmerket. Du kan legge til koder, forfattere, tråder, og til og med søkeresultater til tittelisten din. På denne måten kan du lett holde styr på emner som du er interessert i. Hvis du vil se tittelisten din, klikker du på linken Quotere Newsreaderquot. Hvis du vil legge til elementer i oversiktelisten din, klikker du på kvoten for å se listekjennelinken nederst på en side. Hvordan legger jeg til et element i ventelisten For å legge til søkekriterier i urlisten din, søk etter ønsket uttrykk i søkeboksen. Klikk på quotAdd dette søket til min watch listquot link på søkeresultatsiden. Du kan også legge til en etikett i oversiktelisten din ved å søke etter taggen med direktivet quottag: tagnamequot hvor tagname er navnet på taggen du vil se. Hvis du vil legge til en forfatter i tittelisten din, går du til forfatterens profilside og klikker på quotAddis denne forfatteren til klokken min på listen over klikklister øverst på siden. Du kan også legge til en forfatter til tittelisten din ved å gå til en tråd som forfatteren har lagt ut på og klikk på quotAdd denne forfatteren til min watch listquot link. Du vil bli varslet når forfatteren lager et innlegg. Hvis du vil legge til en tråd i oversiktelisten din, går du til trådsiden og klikker på quotAdd denne tråden til kollisjonslisten-linken øverst på siden. Om nyhetsgrupper, nyhetslesere og MATLAB Central Hva er nyhetsgrupper Nyhetsgruppene er et verdensomspennende forum som er åpent for alle. Nyhetsgrupper brukes til å diskutere et stort spekter av emner, lage meldinger og handelsfiler. Diskusjoner blir gjengitt eller gruppert på en måte som lar deg lese en utgitt melding og alle svarene i kronologisk rekkefølge. Dette gjør det enkelt å følge tråden i samtalen, og for å se hva du allerede har sagt før du legger inn ditt eget svar eller foreta et nytt innlegg. Nyhetsgruppens innhold distribueres av servere som er vert for ulike organisasjoner på Internett. Meldinger utveksles og administreres ved hjelp av åpne standardprotokoller. Ingen enkelt enhet ldquoownsrdquo nyhetsgruppene. Det er tusenvis av nyhetsgrupper som hver adresserer et enkelt emne eller område av interesse. MATLAB Central Newsreader poster og viser meldinger i comp. soft-sys. matlab nyhetsgruppen. Hvordan leser eller poster jeg til nyhetsgruppene Du kan bruke den integrerte nyhetsleseren på MATLAB Central-nettstedet til å lese og legge inn meldinger i denne nyhetsgruppen. MATLAB Central er vert for MathWorks. Meldinger sendt via MATLAB Central Newsreader er sett av alle som bruker nyhetsgruppene, uansett hvordan de får tilgang til nyhetsgruppene. Det er flere fordeler med å bruke MATLAB Central. En konto Din MATLAB Central-konto er knyttet til MathWorks-kontoen din for enkel tilgang. Bruk e-postadressen til ditt valg MATLAB Central Newsreader lar deg definere en alternativ e-postadresse som din postadresse, unngå rot i din primære postkasse og redusere spam. Spam kontroll De fleste nyhetsgruppespam blir filtrert ut av MATLAB Central Newsreader. Merking Meldinger kan merkes med en relevant etikett av en pålogget bruker. Etiketter kan brukes som nøkkelord for å finne bestemte filer av interesse, eller som en måte å kategorisere dine bokmerkede innlegg på. Du kan velge å tillate andre å se kodene dine, og du kan se eller søke på andrersquo-koder, så vel som de i fellesskapet som helhet. Tagging gir en måte å se både de store trendene og de mindre, mer uklare ideene og applikasjonene. Vaktlister Ved å sette opp lister kan du bli varslet om oppdateringer gjort til innlegg som er valgt av forfatter, tråd eller en hvilken som helst søkevariabel. Varselmeldingene dine kan sendes via e-post (daglig fordøyelse eller umiddelbar), vises i Min nyhetsleser, eller sendes via RSS-feed. Andre måter å få tilgang til nyhetsgruppene Bruk en nyhetsleser gjennom din skole, arbeidsgiver eller internettleverandør Betal for nyhetsgruppe tilgang fra en kommersiell leverandør Bruk Google Grupper Mathforum. org gir en nyhetsleser med tilgang til comp. soft sys. matlab nyhetsgruppe Kjør din egen server. For typiske instruksjoner, se: slyckng. phppage2 Velg ditt land
No comments:
Post a Comment