상관 계수는 샘플 간에가 아니라 어레이 간에 계산됩니다. 다른 사람들이 당신이 말하는 것과 말하는 것, 생각하는 것을 이해할 수 있도록 정확한 표현을 해주세요.
Sergey, 당신은 "당신의" 공식(Wikipedia에 제공된 공식)에 따라 상관도를 가져와 작성하고 내가 준 공식에 따라 - 동일한 결과를 얻을 것입니다. 내가 사용하는 공식은 더 간단하고 충분한 샘플 길이로 전체 형식에 비해 계산 오류가 0이 되는 경향이 있습니다. 이건 나에게 꼭 맞는다. 이 특정 질문에서 더 많은 정확성이 필요하거나 수학적 엄밀함이 기본이라면 정당화하고 사용하십시오. 내 계산에서 때로는 (정당화될 때) 상관도를 구성하기 위해 전체 표현식을 사용합니다.
더 많은 Masha 좋고 다른 우리는 추상적인 부드러운 모델이 필요하지 않습니다. 우리는 눈을 위한 것일 뿐만 아니라 우리에게 가치 있는 다른 이점도 있는 Masha를 찾고 있습니다. 기계는 다양한 방식으로 작동합니다. - 브레이크아웃 TS의 경우 지지선/저항선으로 안정적인 mashka가 필요합니다. 오히려 매끄럽고 통합적이며 지연되고 VR과 분리됩니다. 가격과 교차하는 횟수가 중요하기 때문입니다. 이 교차점은 고장 = TS에 대한 신호입니다. 이러한 MA는 정의상 늦습니다. -역전 TS의 경우 선도적이고 예측 가능한 제어가 필요합니다. ... BP에 대한 상대 위치는 중요하지 않습니다. 가격과 교차하는 횟수도 중요하지 않기 때문입니다. 머리 회전은 중요하지만 BP에 대한 고정은 중요하지 않습니다. 총 2가지 종류, 2가지 종류의 마셰크와, + 빤다. 제로 시프트에서 동일한 MA는 고장 또는 반전과 같은 한 가지 유형의 TS에만 적합하거나 전혀 적합하지 않습니다. (0이 아닌 MA 이동은 하나의 방법이지만 아마도 수동 거래 에만 해당됩니다.) ... 디자인(검색)에서 MA의 향후 사용을 고려해야 합니까? = 두 가지 의견 a) - 일반적으로 고려할 필요는 없습니다. 중요한 것은 그것을 갖는 것입니다))), - 우리는 새로운 MA를 얻었고 우리는 운이 좋은 곳에서 시도하고 있습니다. b) - Masha에 대한 수년간의 경험 후에, 나는 더 견고하고 덜 미끄러운 위험한 것을 원합니다. ... 따라서 새로운 Mashka를 사용할 때마다 숙련된 MTS 개발자는 점점 더 냉소적으로 자신을 평가할 것입니다. - 더 까다롭습니다. 하지만 이번에도 미리 정해진 성질을 가진 새로운 MA를 매번 합성할 수 있을지는 여전히 큰 문제다.
그래서, 여기에 우리의 기능이 있습니다: S=w1*(X[i]-Y[i])^2+w2*(Y[i]-Y[i-1])^2-w3*{(Y[i ] -Y[i-1])*(X[i]-X[i-1])}^2-->min 을 사용하여 최소화합니다. i 번째 샘플을 현재 샘플(위 방정식)로 간주하여 다시 작성해 보겠습니다.
y[0](두 번째 식)에 대한 미분을 취하고 0과 동일하게 하여 y[0](세 번째 등식)에 대해 풀고 알려진 값에서 MA의 현재 값을 계산하기 위한 순환식을 얻습니다. 따옴표 x[0], x[1]의 값과 영화 자체의 이전 값 y[0] 및 y[1]. 여기서 함수에 대한 표현에서 MA의 평활도와 몫에 대한 근접성을 담당하는 처음 두 항 은 지수 평균에 대한 유사한 표현과 일치한다는 점에 유의해야 합니다. 그의 기사(토픽의 이전 페이지에 있는 파일)에서 논의된 Bulashov의 예를 따르면 w1+w2=1을 설정하여 조정 가능한 매개변수 중 하나를 제외할 수 있습니다. 그러면 "이상"에 대한 두 매개변수 표현식에 도달합니다. 엄마:
또한 매개 변수 w1은 부드러움을 담당하고 w2는 화려함을 담당합니다. 아마 그렇게 될 것입니다.
1. 원본 VR과의 근접성. 이 요구 사항은 몫 X(그림의 녹색 선)와 부드러운 곡선 Y(파란색) 사이의 거리가 작은 것과 같습니다. 큰 표본의 경우 평균적으로 다음이 충족되어야 한다고 작성할 수 있습니다. (X[i]-Y[i])^2-->min
2. 부드러움 MA. 이 요구 사항은 부드러운 곡선의 인접한 판독값 사이의 거리가 작은 것과 같습니다. (Y[i]-Y[i-1])^2-->min
3. 오픈 포지션의 방향(기호)(그림의 수직선 사이)을 고려하여 초기 VR에서 잘라낸 조각으로 구성되는 Equity Curve가 증가해야 합니다. 포지션 개시 부호는 MA 파생상품의 부호와 같습니다. 우리의 표기법 기호(Y[i]-Y[i-1])에서. 이 경우의 자기자본 곡선은 청산되는 포지션의 표시에 따라 끝과 끝이 연결되는 견적 조각으로 구성됩니다. 이렇게 구현이 가능합니다. koter에 대한 첫 번째 미분 급수(RDS) d[i]=X[i]-X[i-1]을 작성하면 알고리즘에 따라 RDS에서 원래 VR을 쉽게 복원할 수 있습니다. 자기자본 곡선()의 1차 도함수를 최대화하기 위한 요구 사항과 동일합니다. dE[i]/dt=E[i]-E[i-1]= sign(Y[i]-Y[i- 1])*(X[i]-X[i-1]) 또는 작지만 수용 가능한 간섭 {(Y[i]-Y[i-1])*(X[i] -X[i-1])}^2-->max 분명히 일부 표현식을 최대화하는 것은 반대 기호로 최소화하는 것과 같습니다. -{(Y[i]-Y[i-1])*(X[ i]-X[i-1])}^2-->분.
내 관점에서(사실은 아니지만 살아 있을 수 있음)) 함수 Y를 정의하고 그 값을 계산할 필요가 없습니다. - 신경망은 이 마샤를 그릴 수 있습니다. 이론적으로 각 뉴런의 쌍곡선 활성화 함수를 가진 3층 퍼셉트론이 작업에 대처할 수 있습니다. 허용 가능한 형평성 편차(견적과 MA의 차이, 즉 최소값)를 사용하면 그리드 교육에 대한 허용 오차 값을 설정할 수 있습니다. 이 경우 min 값은 차량의 허용 가능한 위험 수준에 따라 결정되어야 하지만 0이 되는 경향이 있습니다.
계수 w1, w2 및 w3이 정의된 영역에 매복이 있습니다. 함수를 도출할 때 우리는 그들의 값에 대해 어떤 식으로든 우리 자신을 제한하지 않았기 때문에 그들 중 하나를 1(w3)과 동일하게 설정하고 Bulashev의 . 그런 다음 필터에 대한 하나의 매개변수 표현식을 얻습니다.
여기. 상당히 간단하고 맛있습니다! 이것은 좋은 것입니다. 이제 확실히 코딩할 수 있습니다.
PS 일반적으로 DSP와 필터링의 기본을 아는 신사가 이러한 계수(3가지 모두)의 정의 영역을 결정하는 데 도움이 된다면 좋을 것입니다. 내가 기억하는 한 여기에서 특성 방정식을 찾고 그 근이 복소 평면의 단위 원 안에 있음을 만족해야 합니다. 이렇게 하면 안정적인 필터로 작업하고 세 개의 노브를 모두 미세 조정할 수 있습니다. 그러나 지금은 간단한 구현에 충실합시다.
명확성을 위해 최종 버전이 이미 그림에 표시되어 있으며 언뜻 보기에는 매끄럽고 명확하게 겹쳐진 그림이 표시됩니다. 그러나 마지막 수신 데이터에 대해 초기 계산된 데이터에 항상 왜곡된 표시 정보가 있다는 한 가지 기능이 있습니다. , 그러나 주기가 작을수록 왜곡이 작아집니다. 더 높은 기간에서 더 낮은 기간을 계산한 다음 평활화하여 누락된 지점을 근사하는 옵션을 사용하여 더 높은 기간의 왜곡을 줄일 수 있습니다.
계수 w1, w2 및 w3이 정의된 영역에 매복이 있습니다. 함수를 도출할 때 우리는 그들의 값에 대해 어떤 식으로든 우리 자신을 제한하지 않았기 때문에 그들 중 하나를 1(w3)과 동일하게 설정하고 Bulashev의 것과 같이 다른 둘을 연결하는 것이 논리적(아마도)입니다. 그런 다음 필터에 대한 단일 매개변수 표현식을 얻습니다.
여기. 상당히 간단하고 맛있습니다! 이것은 좋은 것입니다. 이제 확실히 코딩할 수 있습니다.
PS 일반적으로 DSP와 필터링의 기본을 아는 신사가 이러한 계수(3가지 모두)의 정의 영역을 결정하는 데 도움이 된다면 좋을 것입니다. 내가 기억하는 한 여기에서 특성 방정식을 찾고 그 근이 복소 평면의 단위 원 안에 있음을 만족해야 합니다. 이렇게 하면 안정적인 필터로 작업하고 세 개의 노브를 모두 미세 조정할 수 있습니다. 그러나 지금은 간단한 구현에 충실합시다.
계수 w1, w2 및 w3이 정의된 영역에 매복이 있습니다. 함수를 도출할 때 우리는 그들의 값에 대해 어떤 식으로든 우리 자신을 제한하지 않았기 때문에 그들 중 하나를 1(w3)과 동일하게 설정하고 Bulashev의 . 그런 다음 필터에 대한 단일 매개변수 표현식을 얻습니다.
여기. 상당히 간단하고 맛있습니다! 이것은 좋은 것입니다. 이제 확실히 코딩할 수 있습니다.
PS 일반적으로 DSP와 필터링의 기본을 아는 신사가 이러한 계수(3가지 모두)의 정의 영역을 결정하는 데 도움이 된다면 좋을 것입니다. 내가 기억하는 한 여기에서 특성 방정식을 찾고 그 근이 복소 평면의 단위 원 안에 있음을 만족해야 합니다. 이렇게 하면 안정적인 필터로 작업하고 세 개의 노브를 모두 미세 조정할 수 있습니다. 그러나 지금은 간단한 구현에 충실합시다.
내가 틀리지 않으면 (집에 가서 확인하겠습니다) 칼만 필터링에서 알려진 알파 베타 필터를 얻었습니다.
Prival писал(а) >>
더 나은 방법) 이 공식은 무엇이며 어디서 얻습니까?
상관 계수가 어떻게 계산되는지 확인하십시오 https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D1%8D%D1%84%D1%84%D0%B8%D1%86%D0% B8 %D0%B5%
D0%BD%D1%82_%D0%BA%D0%BE%D1%80%D1%80%D0%B5%D0%BB%D1%8F%D1%86%D0%B8%D0%B8
상관 계수는 샘플 간에가 아니라 어레이 간에 계산됩니다. 다른 사람들이 당신이 말하는 것과 말하는 것, 생각하는 것을 이해할 수 있도록 정확한 표현을 해주세요.
Sergey, 당신은 "당신의" 공식(Wikipedia에 제공된 공식)에 따라 상관도를 가져와 작성하고 내가 준 공식에 따라 - 동일한 결과를 얻을 것입니다. 내가 사용하는 공식은 더 간단하고 충분한 샘플 길이로 전체 형식에 비해 계산 오류가 0이 되는 경향이 있습니다. 이건 나에게 꼭 맞는다. 이 특정 질문에서 더 많은 정확성이 필요하거나 수학적 엄밀함이 기본이라면 정당화하고 사용하십시오. 내 계산에서 때로는 (정당화될 때) 상관도를 구성하기 위해 전체 표현식을 사용합니다.
우리는 추상적인 부드러운 모델이 필요하지 않습니다. 우리는 눈을 위한 것일 뿐만 아니라 우리에게 가치 있는 다른 이점도 있는 Masha를 찾고 있습니다.
기계는 다양한 방식으로 작동합니다.
- 브레이크아웃 TS의 경우 지지선/저항선으로 안정적인 mashka가 필요합니다. 오히려 매끄럽고 통합적이며 지연되고 VR과 분리됩니다.
가격과 교차하는 횟수가 중요하기 때문입니다. 이 교차점은 고장 = TS에 대한 신호입니다.
이러한 MA는 정의상 늦습니다.
-역전 TS의 경우 선도적이고 예측 가능한 제어가 필요합니다. ... BP에 대한 상대 위치는 중요하지 않습니다.
가격과 교차하는 횟수도 중요하지 않기 때문입니다. 머리 회전은 중요하지만 BP에 대한 고정은 중요하지 않습니다.
총 2가지 종류, 2가지 종류의 마셰크와, + 빤다.
제로 시프트에서 동일한 MA는 고장 또는 반전과 같은 한 가지 유형의 TS에만 적합하거나 전혀 적합하지 않습니다.
(0이 아닌 MA 이동은 하나의 방법이지만 아마도 수동 거래 에만 해당됩니다.)
...
디자인(검색)에서 MA의 향후 사용을 고려해야 합니까? = 두 가지 의견
a) - 일반적으로 고려할 필요는 없습니다. 중요한 것은 그것을 갖는 것입니다))), - 우리는 새로운 MA를 얻었고 우리는 운이 좋은 곳에서 시도하고 있습니다.
b) - Masha에 대한 수년간의 경험 후에, 나는 더 견고하고 덜 미끄러운 위험한 것을 원합니다.
...
따라서 새로운 Mashka를 사용할 때마다 숙련된 MTS 개발자는 점점 더 냉소적으로 자신을 평가할 것입니다.
- 더 까다롭습니다.
하지만 이번에도 미리 정해진 성질을 가진 새로운 MA를 매번 합성할 수 있을지는 여전히 큰 문제다.
더 가자!
그래서, 여기에 우리의 기능이 있습니다: S=w1*(X[i]-Y[i])^2+w2*(Y[i]-Y[i-1])^2-w3*{(Y[i ] -Y[i-1])*(X[i]-X[i-1])}^2-->min 을 사용하여 최소화합니다. i 번째 샘플을 현재 샘플(위 방정식)로 간주하여 다시 작성해 보겠습니다.
y[0](두 번째 식)에 대한 미분을 취하고 0과 동일하게 하여 y[0](세 번째 등식)에 대해 풀고 알려진 값에서 MA의 현재 값을 계산하기 위한 순환식을 얻습니다. 따옴표 x[0], x[1]의 값과 영화 자체의 이전 값 y[0] 및 y[1]. 여기서 함수에 대한 표현에서 MA의 평활도와 몫에 대한 근접성을 담당하는 처음 두 항 은 지수 평균에 대한 유사한 표현과 일치한다는 점에 유의해야 합니다. 그의 기사(토픽의 이전 페이지에 있는 파일)에서 논의된 Bulashov의 예를 따르면 w1+w2=1을 설정하여 조정 가능한 매개변수 중 하나를 제외할 수 있습니다. 그러면 "이상"에 대한 두 매개변수 표현식에 도달합니다. 엄마:
또한 매개 변수 w1은 부드러움을 담당하고 w2는 화려함을 담당합니다. 아마 그렇게 될 것입니다.
이제 코딩을 시작할 수 있습니다!
오, 얼마나 무서운가.
S=w1*(X[i]-Y[i])^2+w2*(Y[i]-Y[i-1])^2-w3*{(Y[i]-Y[i-1 ])*(X[i]-X[i-1])}^2-->분
변동의 미적분학에 약간 익숙하지만 적절한 미분 가능한 함수에 대해서만. 여기에 다른 것이 있습니다. 이 문제를 해결하는 방법조차 아직 찾지 못했습니다.
이상적인 MA에 대한 기본 요구 사항을 메모리에서 새로 고침해 보겠습니다.
1. 원본 VR과의 근접성. 이 요구 사항은 몫 X(그림의 녹색 선)와 부드러운 곡선 Y(파란색) 사이의 거리가 작은 것과 같습니다. 큰 표본의 경우 평균적으로 다음이 충족되어야 한다고 작성할 수 있습니다. (X[i]-Y[i])^2-->min
2. 부드러움 MA. 이 요구 사항은 부드러운 곡선의 인접한 판독값 사이의 거리가 작은 것과 같습니다. (Y[i]-Y[i-1])^2-->min
3. 오픈 포지션의 방향(기호)(그림의 수직선 사이)을 고려하여 초기 VR에서 잘라낸 조각으로 구성되는 Equity Curve가 증가해야 합니다. 포지션 개시 부호는 MA 파생상품의 부호와 같습니다. 우리의 표기법 기호(Y[i]-Y[i-1])에서. 이 경우의 자기자본 곡선은 청산되는 포지션의 표시에 따라 끝과 끝이 연결되는 견적 조각으로 구성됩니다. 이렇게 구현이 가능합니다. koter에 대한 첫 번째 미분 급수(RDS) d[i]=X[i]-X[i-1]을 작성하면 알고리즘에 따라 RDS에서 원래 VR을 쉽게 복원할 수 있습니다. 자기자본 곡선()의 1차 도함수를 최대화하기 위한 요구 사항과 동일합니다. dE[i]/dt=E[i]-E[i-1]= sign(Y[i]-Y[i- 1])*(X[i]-X[i-1]) 또는 작지만 수용 가능한 간섭 {(Y[i]-Y[i-1])*(X[i] -X[i-1])}^2-->max 분명히 일부 표현식을 최대화하는 것은 반대 기호로 최소화하는 것과 같습니다. -{(Y[i]-Y[i-1])*(X[ i]-X[i-1])}^2-->분.
모든 것. 최소화에 필요한 기능을 얻습니다.
S=w1*(XY)^2+w2*(Y[i]-Y[i-1])^2-w3*{(Y[i]-Y[i-1])*(X[i] -X[i-1])}^2-->분
Y[i]에 상대적인 최소값, 여기서 i는 현재 카운트이므로 찾아야 합니다.
수학적 관점에서 모든 것이 정확합니다.
자유시간이 주어지면 비슷하지만 다른 방법으로 해결하려고 합니다.
내 관점에서(사실은 아니지만 살아 있을 수 있음)) 함수 Y를 정의하고 그 값을 계산할 필요가 없습니다. - 신경망은 이 마샤를 그릴 수 있습니다. 이론적으로 각 뉴런의 쌍곡선 활성화 함수를 가진 3층 퍼셉트론이 작업에 대처할 수 있습니다. 허용 가능한 형평성 편차(견적과 MA의 차이, 즉 최소값)를 사용하면 그리드 교육에 대한 허용 오차 값을 설정할 수 있습니다. 이 경우 min 값은 차량의 허용 가능한 위험 수준에 따라 결정되어야 하지만 0이 되는 경향이 있습니다.
원칙적으로 모든 것이 언뜻보기에는 간단하지만 처음에는 ...
오, 얼마나 무서운가.
좋아, 우리는 이미 해결책을 찾았습니다.
계수 w1, w2 및 w3이 정의된 영역에 매복이 있습니다. 함수를 도출할 때 우리는 그들의 값에 대해 어떤 식으로든 우리 자신을 제한하지 않았기 때문에 그들 중 하나를 1(w3)과 동일하게 설정하고 Bulashev의 . 그런 다음 필터에 대한 하나의 매개변수 표현식을 얻습니다.
여기. 상당히 간단하고 맛있습니다! 이것은 좋은 것입니다. 이제 확실히 코딩할 수 있습니다.
PS 일반적으로 DSP와 필터링의 기본을 아는 신사가 이러한 계수(3가지 모두)의 정의 영역을 결정하는 데 도움이 된다면 좋을 것입니다. 내가 기억하는 한 여기에서 특성 방정식을 찾고 그 근이 복소 평면의 단위 원 안에 있음을 만족해야 합니다. 이렇게 하면 안정적인 필터로 작업하고 세 개의 노브를 모두 미세 조정할 수 있습니다. 그러나 지금은 간단한 구현에 충실합시다.
내 의견으로는 완전 균일 스무딩을 위한 한 가지 방법은 이중 스무딩입니다.
RMS를 사용하여 Mashke의 변위를 설정하지만 계산된 데이터가 없는 섹션이 있습니다.
각 MA는 고유합니다. 평활 기간에 따라 지연도 증가합니다.
NoLagMA 표시기를 사용할 때 이 지연은 계수 6.8541로 표시됩니다.
이것은 간단한 표현으로 표로 표현할 수 있습니다..
처음에 이 비율은 강제 변위를 통해 순전히 시각적인 방식으로 얻어졌습니다.
그런 다음 RMS를 사용할 때 확인되었습니다.
명확성을 위해 최종 버전이 이미 그림에 표시되어 있으며 언뜻 보기에는 매끄럽고 명확하게 겹쳐진 그림이 표시됩니다. 그러나 마지막 수신 데이터에 대해 초기 계산된 데이터에 항상 왜곡된 표시 정보가 있다는 한 가지 기능이 있습니다. , 그러나 주기가 작을수록 왜곡이 작아집니다. 더 높은 기간에서 더 낮은 기간을 계산한 다음 평활화하여 누락된 지점을 근사하는 옵션을 사용하여 더 높은 기간의 왜곡을 줄일 수 있습니다.
좋습니다, 우리는 이미 해결책을 찾았습니다.
계수 w1, w2 및 w3이 정의된 영역에 매복이 있습니다. 함수를 도출할 때 우리는 그들의 값에 대해 어떤 식으로든 우리 자신을 제한하지 않았기 때문에 그들 중 하나를 1(w3)과 동일하게 설정하고 Bulashev의 것과 같이 다른 둘을 연결하는 것이 논리적(아마도)입니다. 그런 다음 필터에 대한 단일 매개변수 표현식을 얻습니다.
여기. 상당히 간단하고 맛있습니다! 이것은 좋은 것입니다. 이제 확실히 코딩할 수 있습니다.
PS 일반적으로 DSP와 필터링의 기본을 아는 신사가 이러한 계수(3가지 모두)의 정의 영역을 결정하는 데 도움이 된다면 좋을 것입니다. 내가 기억하는 한 여기에서 특성 방정식을 찾고 그 근이 복소 평면의 단위 원 안에 있음을 만족해야 합니다. 이렇게 하면 안정적인 필터로 작업하고 세 개의 노브를 모두 미세 조정할 수 있습니다. 그러나 지금은 간단한 구현에 충실합시다.
그녀는 매끄럽지 않다
이것은 다른 비율과 함께입니다.
계수가 낮을수록 마우스가 더 부드러워집니다. 여전히 흥미롭다.
좋습니다, 우리는 이미 해결책을 찾았습니다.
계수 w1, w2 및 w3이 정의된 영역에 매복이 있습니다. 함수를 도출할 때 우리는 그들의 값에 대해 어떤 식으로든 우리 자신을 제한하지 않았기 때문에 그들 중 하나를 1(w3)과 동일하게 설정하고 Bulashev의 . 그런 다음 필터에 대한 단일 매개변수 표현식을 얻습니다.
여기. 상당히 간단하고 맛있습니다! 이것은 좋은 것입니다. 이제 확실히 코딩할 수 있습니다.
PS 일반적으로 DSP와 필터링의 기본을 아는 신사가 이러한 계수(3가지 모두)의 정의 영역을 결정하는 데 도움이 된다면 좋을 것입니다. 내가 기억하는 한 여기에서 특성 방정식을 찾고 그 근이 복소 평면의 단위 원 안에 있음을 만족해야 합니다. 이렇게 하면 안정적인 필터로 작업하고 세 개의 노브를 모두 미세 조정할 수 있습니다. 그러나 지금은 간단한 구현에 충실합시다.
내가 틀리지 않으면 (집에 가서 확인하겠습니다) 칼만 필터링에서 알려진 알파 베타 필터를 얻었습니다.
그녀는 매끄럽지 않다
이것은 다른 비율과 함께입니다.
계수가 낮을수록 마우스가 더 부드러워집니다. 여전히 흥미롭다.
오 좋은!
그것이 완전히 매끄럽지 않다는 것은 중요하지 않습니다. 방금 일어난 주요 사건은 극한에서 거래할 때 최대 이익 성장률을 제공해야 한다는 것입니다(위에 모든 유보 사항이 있음). Vinin, Mashka 테스트를 위해 산과 MTS-ku에 제공합니다.
그건 그렇고, 극값이 Mashka와 kotir의 교차점에서 정확히 떨어지는 것을 주목하십시오. 나는 기술 분석에 관한 책에서 이 교차점의 요구 사항을 기억합니다 ... 모두 흥미롭습니다.
내가 틀리지 않으면 (집에 가서 확인하겠습니다) 칼만 필터링에서 알려진 알파 베타 필터를 얻었습니다.
그래서, 알파 또는 베타,-)
...하지만 마지막 수신 데이터에 대한 초기 계산 데이터가 항상 왜곡된 디스플레이 정보를 갖는다는 특징이 있습니다...