傅立叶的帮助 - 页 8 123456789101112131415...19 新评论 Dmitrii 2006.12.20 19:25 #71 ANG3110 писал (а): klot 写道（a）。 ANG3110 写道（a）。 在hmax=2的情况下，会有一个简单的MA，在一个给定的周期内，这不是很清楚，那为什么还要用全FFT？ 不，我也注意到了，全FFT更稳定（更少重绘）。 一般来说，我认为你需要过滤 if(hmax>0) for(i=hmax;i<N;i++) data[i]=0.0。 来编造一些智能过滤器。我们需要它有选择地留下必要的谐波，并将不必要的谐波归零。那么它可能有一些意义和稳定性。 另外，NeuroshellDayTrader在FFTadon中使用了五六个不同的过滤器，抱歉我没有公式，我可以修补一下。 而如果你不仅在顶部限制频率，而且在底部也限制频率，你就可以选择某一波段的震荡。该指标看起来不错，它让人想起了随机指数。 傅立叶的价值在于，如果它被适当地调整，它可以很好地显示出可能出现转折点的时间。而事实上，振幅轨迹不是很重合，这并不是什么坏事，相反，这是好事，相位变化速度可以考虑在内。 实际上，我并不介意。:)相位是一个相位，你也可以很容易地计算出来。 在数据阵列中直接FFT后，偶数单元的实部被存储在奇数单元，奇数单元的虚部被存储。 该阶段将是。 MathArctan(data[2*i+1]/data[2*i]); 振幅将是 MathSqrt(data[2*i+1]*data[2*i+1]+data[2*i]*data[2*i]); 再次选择所需的谐波，然后观看 :) 你可以将某一特定频段的相位和振幅相加，得出一些结论 :) ANG3110 2006.12.20 19:48 #72 klot писал (а): 事实上，我并不介意。:)相是相，也是很容易计算的。 在数据阵列中直接FFT后，偶数单元的实数部分被存储在奇数单元的虚数部分。 该阶段将是。 MathArctan(data[2*i+1]/data[2*i]); 振幅将是 MathSqrt(data[2*i+1]*data[2*i+1]+data[2*i]*data[2*i]); 再次，选择所需的谐波并观察 :) 你可以将某一特定频段的相位和振幅相加，得出一些结论 :) 是的，而且谐波的振幅甚至可以与时间作对比。 而这是以1小时为单位的48小时谐波谱，为当前时间绘制的。 Dmitrii 2006.12.20 19:55 #73 ANG3110 писал (а): klot 写道（a）。 事实上，我并不介意。:)相位是一个相位，你也可以很容易地计算出来。 在数据阵列中直接FFT后，偶数单元的实数部分被存储在奇数单元的虚数部分。 该阶段将是。 MathArctan(data[2*i+1]/data[2*i]); 振幅将是 MathSqrt(data[2*i+1]*data[2*i+1]+data[2*i]*data[2*i]); 再次，选择所需的谐波并观察 :) 你可以将某一特定频段的相位和振幅相加，得出一些结论 :) 我也有一幅漂亮的画。 目前，我认为这个系统加上一个神经网络，对外汇来说是最有希望的。当然，严格来说是IMHO。:) Slobodov Gleb 2006.12.21 22:41 #74 其实我有这个想法，就是应用傅里叶法。 傅里叶方法对时间间隔上的函数给出了足够好的近似，但不包括两端（间隔）的一些邻域。如果傅里叶能逼近与当前时间（t=0）相对应的终点以及区间的中间，那就更好了。如果能构建一个傅里叶数列，使其能预测未来，也是很好的。要做到这一点，我们可以应用以下想法： 让我们在区间[T,-T]（-T-尚未发生的时间，t=0-现在的时间）上建立一个傅里叶级数 但是，我们没有区间[0,-T]上的任何数据。因此，在零迭代时，我们将取close[t]=close[0]（对于t<0），并使用这个数据在区间[T,-T]上建立一个傅里叶级数f。然后我们按如下顺序进行迭代。 1）在区间[eps,-T]上构建一个由幂函数g（eps>0）对傅里叶数列f的近似 2）在区间[T,-T]上构建一个由f（在T>t>eps）+g（在eps>t>T）组成的傅里叶数列 也就是说，我们将首先用一个傅里叶数列，然后用一个幂函数对所得函数进行一致近似。有一个假设，即{转换后的预测价格函数（t<0）+历史价格函数（t>0）}与{该函数的傅里叶序列}的错位将是最小的（即随着迭代次数的增加而趋于零）。我认为这是端[eps,0]与价格函数很好地吻合的必要条件，其次，我们将得到一个对未来的预测。 Vladimir 2006.12.22 00:18 #75 shobvas писал (а): 其实我对傅里叶法的应用有这样的想法。 傅里叶方法对时间间隔上的函数给出了足够好的近似，但不包括两端（间隔）的一些邻居。 如果傅里叶能对负责当前时间（t=0）的一端以及间隔的中间部分进行近似，那就更好了。如果能建立一个傅里叶数列，使其能预测未来，那也是很好的。要做到这一点，我们可以应用以下想法。 我们将在区间[T,-T]上建立一个傅里叶数列（T是尚未发生的时间，t=0是现在的时间）。 然而，我们没有任何关于区间[0,-T]的数据。因此，在零迭代时，我们取close[t]=close[0]（对于t<0），用这个数据在区间[T,-T]上绘制傅里叶数列f。然后我们按如下顺序进行迭代。 1) 在区间[eps,-T]上，我们用幂函数g（eps>0）来近似傅里叶数列f。 2) 对[T,-T]构建一个关于f（关于T>t>eps）+g（关于eps>t>T）的傅里叶级数。 这意味着我们通过首先引入傅里叶级数，然后再引入幂函数，依次近似得到的函数。有一个假设，即{变换后的预测价格函数（t<0）+历史价格函数（t>0）}与{该函数的傅里叶序列}的错位将是最小的（即随着迭代次数的增加趋于零）。我认为这是端[eps,0]与价格函数很好地吻合的必要条件，其次，我们将得到一个对未来的预测。 当你可以非常简单地过滤掉一系列的价格而不需要知道单个谐波时，为什么还要费心去研究傅里叶方程呢？例如，高频谐波可以通过一个简单的移动平均线或数字滤波器来过滤。不幸的是，SMA、EMA和其他数字滤波器有一个延迟。那么价格序列的最后一个区间可以用一个幂函数来近似。这个想法在这里得到了实现。 AFIRMA"。 剩下的就是推导出幂函数。但预测结果将非常糟糕。一般来说，根据拟合一个平滑函数来推断一个系列的价格是浪费时间的。推断傅里叶数列也会让我们一无所获。如果你推断一个余弦傅里叶数列，它基本上是假设在未来，价格将沿着一个轨迹移动，这个轨迹是过去轨迹的精确镜像。如果你推断正弦傅里叶数列，它基本上是假设在未来，价格将沿着过去轨迹的倒置镜像移动。那么，傅里叶是用来做什么的呢？ 你自己决定旧的轨迹将如何反映到未来，然后你就可以走了。 Slobodov Gleb 2006.12.22 07:52 #76 gpwr писал (а): 唯一要做的就是推算出阶梯函数。但预测结果将非常糟糕。一般来说，根据拟合平滑函数来推断一个系列的价格是浪费时间的。推断一个傅里叶数列也会让我们一无所获。如果你推断一个余弦傅里叶数列，它基本上是假设在未来，价格将沿着一个轨迹移动，这个轨迹是过去轨迹的一个完全镜像拷贝。如果你推断正弦傅里叶数列，它基本上是假设在未来，价格将沿着过去轨迹的倒置镜像移动。那么傅里叶数列是用来做什么的？自己决定旧的轨迹将如何反映到未来 然后就可以走了! 你应该更仔细地阅读我写的内容。 如果你在区间[T,0]上画一个傅里叶级数，并尝试用谐波系数计算t<0时的值，那么你将得到一个对称的值。但我提议为区间[T,-T]建立一个傅里叶级数，它显然不会围绕0对称!!!!。这就是为什么我们需要迭代来建立这样一个片段的傅里叶级数。 gpwr 写道（a）： 那么价格序列的最后一个区间可以用一个幂函数来近似。这个想法在这里得到了实现。 AFIRMA"。 我见过这个指标。这并不是一个坏的指标。但同意有一个傅里叶数列，在两端和中间都能近似函数。 [删除] 2006.12.22 08:03 #77 这里有一张图片--科赫的短语曲线，从上到下的五个步骤的构造。每条直线 被分为三个部分，中间部分由一个角度连接。 在无限的迭代中，它变成了一个 "蓬松的雪花"。 下面是曼德布罗特分形曲线及其构造步骤。每条直线被替换为 呈 "之 "字形。 在无限的迭代中，它变得类似于一个报价表。 我认为很明显，分形曲线不能被推断出来 对于分形的问题，可以使用频谱分解或线性近似。 曲线只有通过相似性方法才能实现。 当然，没有人证明实数报价与分形函数相似，但 图形是自相似的这一事实（也就是说，如果我们去掉尺度，就不可能 例如，区分细枝末节和细枝末节）使人想到它们的分形 性质。 在他的作品《华尔街上的多分形行走》中 曼德布罗特提议使用 基于变形之字形的分形。但我认为现实是，即使 更加复杂。 Vladimir 2006.12.22 08:34 #78 shobvas писал (а): 但同意有一个傅里叶级数可以在两端和中间都近似函数，只是不能凭空找到它! 是的，有的。它是一个完整的傅里叶数列，有正弦和余弦。 但它也有缺陷。离散傅里叶变换的频率由公式2*pi*k/N给出。也就是说，傅里叶数列中的所有正弦和余弦将以N条的周期性重复它们的值：cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N))。所以推断傅里叶数列的结果将是重复过去。例如，今天的价格将在N个柱子后重复出现。由于你选择了N，你将控制价格何时重复。再一次。为什么你需要一个完整的傅里叶级数？自己决定在多少个柱子后价格会重复并开始交易。 幂函数的推断也是不相关的。你不能通过将一些函数与历史数据拟合来预测市场。你必须使用统计方法或自学方法。阅读有关计量经济学和时间序列分析的书籍。最常见的预测方法是Box-Jenkins自回归方法。这种方法的问题是，你可以将一卡车的货物装入其置信区间。在我看来，应该从自我学习的神经网络中期待更多的成功。 ANG3110 2006.12.22 10:02 #79 gpwr писал (а): shobvas 写道（a）。 但同意有一个傅里叶级数可以在两端以及中间近似函数，只是你不能如此直截了当地找到它! 是的，有。这是一个完整的傅里叶数列，也就是说，有正弦和余弦。 但它也有缺陷。离散傅里叶变换的频率由公式2*pi*k/N给出。也就是说，傅里叶数列中的所有正弦和余弦将以N条的周期性重复它们的值：cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N))。所以推断傅里叶数列的结果将是重复过去。例如，今天的价格将在N个柱子后重复出现。由于你选择了N，你将控制价格何时重复。再一次。为什么你需要一个完整的傅里叶级数？自己决定在多少个柱子后价格会重复并开始交易。 幂函数的推断也是不相关的。你不能通过将一些函数与历史数据拟合来预测市场。你必须使用统计方法或自学方法。阅读有关计量经济学和时间序列分析的书籍。最常见的预测方法是Box-Jenkins自回归方法。这种方法的问题是，你可以将一卡车的货物装入其置信区间。我认为应该期待自我学习的神经网络取得更大的成功。 如果我们对傅里叶分解做一个支持，结果还不错。特别是，我们可以很容易地向前推断回归，并建立相对于它的傅里叶。你可以把铣削作为一个支撑点，在一个单独的窗口中绘制谐波的总和，就像铣削线性地继续下去一样。你可以把它建立在一个平滑变化的平均值上，如T3，向后移动半个周期，以准确地适应数据，并用抛物线推算末端，调整为最小有效值，并绘制相对于这个推算的傅里叶图。但无论如何，如果我们建立不同周期的傅里叶外推法的几个变体，并在最小有效值方面对每个变体进行优化，那么重复周期的概率很高。如果几个变体的读法有重合之处，就可以认为它们是可能的。如果有进一步的提前或滞后，这将产生一个修正的差异信号，可用于自动调谐或重新计算。这让人联想到无线电接收器中的FATF探测器，它是最有效的，对干扰的免疫。 Slobodov Gleb 2006.12.22 11:24 #80 New писал (а): 这里有一张图片--科赫的短语曲线，从上到下的五个步骤的构造。每条直线 被分为三个部分，中间部分由一个角度连接。 ... 当然，没有人证明真实的报价就像分形函数，但 事实上，图表是自相似的（即如果你去掉刻度，它就不可能是自相似的）。 例如，区分细枝末节和细枝末节）使人想到它们的分形 性质。 分形与此毫无关系。该主题是关于傅里叶数列的。你为什么要提出这么多离题的火药味呢？此外，你不会相信，但我可以很容易地将分钟与15分钟，15分钟与小时区分开来。 gpwr 写道（a）。 是的，有。这是一个完整的傅里叶数列，也就是说，有正弦和余弦。 但它也有缺陷。离散傅里叶变换的频率由公式2*pi*k/N给出。也就是说，傅里叶数列中的所有正弦和余弦将以N条的周期性重复它们的值：cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N)) 。因此，推断一个傅里叶数列的结果将是重复过去的情况。 我认为没有必要第二次解释为什么不会有重复和对称的情况。 123456789101112131415...19 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
在hmax=2的情况下，会有一个简单的MA，在一个给定的周期内，这不是很清楚，那为什么还要用全FFT？
不，我也注意到了，全FFT更稳定（更少重绘）。
一般来说，我认为你需要过滤
if(hmax>0) for(i=hmax;i<N;i++) data[i]=0.0。
来编造一些智能过滤器。我们需要它有选择地留下必要的谐波，并将不必要的谐波归零。那么它可能有一些意义和稳定性。
另外，NeuroshellDayTrader在FFTadon中使用了五六个不同的过滤器，抱歉我没有公式，我可以修补一下。
而如果你不仅在顶部限制频率，而且在底部也限制频率，你就可以选择某一波段的震荡。该指标看起来不错，它让人想起了随机指数。
实际上，我并不介意。:)相位是一个相位，你也可以很容易地计算出来。
在数据阵列中直接FFT后，偶数单元的实部被存储在奇数单元，奇数单元的虚部被存储。
该阶段将是。
MathArctan(data[2*i+1]/data[2*i]);
振幅将是
MathSqrt(data[2*i+1]*data[2*i+1]+data[2*i]*data[2*i]);
再次选择所需的谐波，然后观看 :)
你可以将某一特定频段的相位和振幅相加，得出一些结论 :)
事实上，我并不介意。:)相是相，也是很容易计算的。
在数据阵列中直接FFT后，偶数单元的实数部分被存储在奇数单元的虚数部分。
该阶段将是。
MathArctan(data[2*i+1]/data[2*i]);
振幅将是
MathSqrt(data[2*i+1]*data[2*i+1]+data[2*i]*data[2*i]);
再次，选择所需的谐波并观察 :)
你可以将某一特定频段的相位和振幅相加，得出一些结论 :)
是的，而且谐波的振幅甚至可以与时间作对比。
而这是以1小时为单位的48小时谐波谱，为当前时间绘制的。
事实上，我并不介意。:)相位是一个相位，你也可以很容易地计算出来。
在数据阵列中直接FFT后，偶数单元的实数部分被存储在奇数单元的虚数部分。
该阶段将是。
MathArctan(data[2*i+1]/data[2*i]);
振幅将是
MathSqrt(data[2*i+1]*data[2*i+1]+data[2*i]*data[2*i]);
再次，选择所需的谐波并观察 :)
你可以将某一特定频段的相位和振幅相加，得出一些结论 :)
目前，我认为这个系统加上一个神经网络，对外汇来说是最有希望的。当然，严格来说是IMHO。:)
其实我有这个想法，就是应用傅里叶法。
傅里叶方法对时间间隔上的函数给出了足够好的近似，但不包括两端（间隔）的一些邻域。如果傅里叶能逼近与当前时间（t=0）相对应的终点以及区间的中间，那就更好了。如果能构建一个傅里叶数列，使其能预测未来，也是很好的。要做到这一点，我们可以应用以下想法：
让我们在区间[T,-T]（-T-尚未发生的时间，t=0-现在的时间）上建立一个傅里叶级数
但是，我们没有区间[0,-T]上的任何数据。因此，在零迭代时，我们将取close[t]=close[0]（对于t<0），并使用这个数据在区间[T,-T]上建立一个傅里叶级数f。然后我们按如下顺序进行迭代。
1）在区间[eps,-T]上构建一个由幂函数g（eps>0）对傅里叶数列f的近似
2）在区间[T,-T]上构建一个由f（在T>t>eps）+g（在eps>t>T）组成的傅里叶数列
也就是说，我们将首先用一个傅里叶数列，然后用一个幂函数对所得函数进行一致近似。有一个假设，即{转换后的预测价格函数（t<0）+历史价格函数（t>0）}与{该函数的傅里叶序列}的错位将是最小的（即随着迭代次数的增加而趋于零）。我认为这是端[eps,0]与价格函数很好地吻合的必要条件，其次，我们将得到一个对未来的预测。
其实我对傅里叶法的应用有这样的想法。
傅里叶方法对时间间隔上的函数给出了足够好的近似，但不包括两端（间隔）的一些邻居。 如果傅里叶能对负责当前时间（t=0）的一端以及间隔的中间部分进行近似，那就更好了。如果能建立一个傅里叶数列，使其能预测未来，那也是很好的。要做到这一点，我们可以应用以下想法。
我们将在区间[T,-T]上建立一个傅里叶数列（T是尚未发生的时间，t=0是现在的时间）。
然而，我们没有任何关于区间[0,-T]的数据。因此，在零迭代时，我们取close[t]=close[0]（对于t<0），用这个数据在区间[T,-T]上绘制傅里叶数列f。然后我们按如下顺序进行迭代。
1) 在区间[eps,-T]上，我们用幂函数g（eps>0）来近似傅里叶数列f。
2) 对[T,-T]构建一个关于f（关于T>t>eps）+g（关于eps>t>T）的傅里叶级数。
这意味着我们通过首先引入傅里叶级数，然后再引入幂函数，依次近似得到的函数。有一个假设，即{变换后的预测价格函数（t<0）+历史价格函数（t>0）}与{该函数的傅里叶序列}的错位将是最小的（即随着迭代次数的增加趋于零）。我认为这是端[eps,0]与价格函数很好地吻合的必要条件，其次，我们将得到一个对未来的预测。
当你可以非常简单地过滤掉一系列的价格而不需要知道单个谐波时，为什么还要费心去研究傅里叶方程呢？例如，高频谐波可以通过一个简单的移动平均线或数字滤波器来过滤。不幸的是，SMA、EMA和其他数字滤波器有一个延迟。那么价格序列的最后一个区间可以用一个幂函数来近似。这个想法在这里得到了实现。
AFIRMA"。
剩下的就是推导出幂函数。但预测结果将非常糟糕。一般来说，根据拟合一个平滑函数来推断一个系列的价格是浪费时间的。推断傅里叶数列也会让我们一无所获。如果你推断一个余弦傅里叶数列，它基本上是假设在未来，价格将沿着一个轨迹移动，这个轨迹是过去轨迹的精确镜像。如果你推断正弦傅里叶数列，它基本上是假设在未来，价格将沿着过去轨迹的倒置镜像移动。那么，傅里叶是用来做什么的呢？ 你自己决定旧的轨迹将如何反映到未来，然后你就可以走了。
唯一要做的就是推算出阶梯函数。但预测结果将非常糟糕。一般来说，根据拟合平滑函数来推断一个系列的价格是浪费时间的。推断一个傅里叶数列也会让我们一无所获。如果你推断一个余弦傅里叶数列，它基本上是假设在未来，价格将沿着一个轨迹移动，这个轨迹是过去轨迹的一个完全镜像拷贝。如果你推断正弦傅里叶数列，它基本上是假设在未来，价格将沿着过去轨迹的倒置镜像移动。那么傅里叶数列是用来做什么的？自己决定旧的轨迹将如何反映到未来
然后就可以走了!
你应该更仔细地阅读我写的内容。
如果你在区间[T,0]上画一个傅里叶级数，并尝试用谐波系数计算t<0时的值，那么你将得到一个对称的值。但我提议为区间[T,-T]建立一个傅里叶级数，它显然不会围绕0对称!!!!。这就是为什么我们需要迭代来建立这样一个片段的傅里叶级数。
那么价格序列的最后一个区间可以用一个幂函数来近似。这个想法在这里得到了实现。
AFIRMA"。
被分为三个部分，中间部分由一个角度连接。
在无限的迭代中，它变成了一个 "蓬松的雪花"。
下面是曼德布罗特分形曲线及其构造步骤。每条直线被替换为
呈 "之 "字形。
在无限的迭代中，它变得类似于一个报价表。
我认为很明显，分形曲线不能被推断出来
对于分形的问题，可以使用频谱分解或线性近似。
曲线只有通过相似性方法才能实现。
当然，没有人证明实数报价与分形函数相似，但
图形是自相似的这一事实（也就是说，如果我们去掉尺度，就不可能
例如，区分细枝末节和细枝末节）使人想到它们的分形
性质。
在他的作品《华尔街上的多分形行走》中
曼德布罗特提议使用
基于变形之字形的分形。但我认为现实是，即使
更加复杂。
但同意有一个傅里叶级数可以在两端和中间都近似函数，只是不能凭空找到它!
是的，有的。它是一个完整的傅里叶数列，有正弦和余弦。 但它也有缺陷。离散傅里叶变换的频率由公式2*pi*k/N给出。也就是说，傅里叶数列中的所有正弦和余弦将以N条的周期性重复它们的值：cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N))。所以推断傅里叶数列的结果将是重复过去。例如，今天的价格将在N个柱子后重复出现。由于你选择了N，你将控制价格何时重复。再一次。为什么你需要一个完整的傅里叶级数？自己决定在多少个柱子后价格会重复并开始交易。
幂函数的推断也是不相关的。你不能通过将一些函数与历史数据拟合来预测市场。你必须使用统计方法或自学方法。阅读有关计量经济学和时间序列分析的书籍。最常见的预测方法是Box-Jenkins自回归方法。这种方法的问题是，你可以将一卡车的货物装入其置信区间。在我看来，应该从自我学习的神经网络中期待更多的成功。
但同意有一个傅里叶级数可以在两端以及中间近似函数，只是你不能如此直截了当地找到它!
是的，有。这是一个完整的傅里叶数列，也就是说，有正弦和余弦。 但它也有缺陷。离散傅里叶变换的频率由公式2*pi*k/N给出。也就是说，傅里叶数列中的所有正弦和余弦将以N条的周期性重复它们的值：cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N))。所以推断傅里叶数列的结果将是重复过去。例如，今天的价格将在N个柱子后重复出现。由于你选择了N，你将控制价格何时重复。再一次。为什么你需要一个完整的傅里叶级数？自己决定在多少个柱子后价格会重复并开始交易。
幂函数的推断也是不相关的。你不能通过将一些函数与历史数据拟合来预测市场。你必须使用统计方法或自学方法。阅读有关计量经济学和时间序列分析的书籍。最常见的预测方法是Box-Jenkins自回归方法。这种方法的问题是，你可以将一卡车的货物装入其置信区间。我认为应该期待自我学习的神经网络取得更大的成功。
如果我们对傅里叶分解做一个支持，结果还不错。特别是，我们可以很容易地向前推断回归，并建立相对于它的傅里叶。你可以把铣削作为一个支撑点，在一个单独的窗口中绘制谐波的总和，就像铣削线性地继续下去一样。你可以把它建立在一个平滑变化的平均值上，如T3，向后移动半个周期，以准确地适应数据，并用抛物线推算末端，调整为最小有效值，并绘制相对于这个推算的傅里叶图。但无论如何，如果我们建立不同周期的傅里叶外推法的几个变体，并在最小有效值方面对每个变体进行优化，那么重复周期的概率很高。如果几个变体的读法有重合之处，就可以认为它们是可能的。如果有进一步的提前或滞后，这将产生一个修正的差异信号，可用于自动调谐或重新计算。这让人联想到无线电接收器中的FATF探测器，它是最有效的，对干扰的免疫。
这里有一张图片--科赫的短语曲线，从上到下的五个步骤的构造。每条直线
被分为三个部分，中间部分由一个角度连接。
...
当然，没有人证明真实的报价就像分形函数，但
事实上，图表是自相似的（即如果你去掉刻度，它就不可能是自相似的）。
例如，区分细枝末节和细枝末节）使人想到它们的分形
性质。
是的，有。这是一个完整的傅里叶数列，也就是说，有正弦和余弦。 但它也有缺陷。离散傅里叶变换的频率由公式2*pi*k/N给出。也就是说，傅里叶数列中的所有正弦和余弦将以N条的周期性重复它们的值：cos(2*pi*k/N*i)=cos(2*pi*k/N*(i+N)), sin(2*pi*k/N*i)=sin(2*pi*k/N*(i+N)) 。因此，推断一个傅里叶数列的结果将是重复过去的情况。