Имя (желательно полное):

E-Mail:

URL:

Город:

Страна:

Вежливый и подробный комментарий:
(Форматируйте его, пожалуйста, как почту - короткими строками
Еnter в конце строки, пустая строка между параграфами).
> > ДАНО: фрагмент временнОго ряда в виде пар > > , i = 1 .. N > > где > > T[i] - метка времени, unsigned short (два байта); > > V[i] - значение, unsigned short (два байта); > > В общем случае метки времени неэквидистантны. > А жаль ;-) > [skip] > > Такая вот постановка задачи. А ищу я алгоритм сжатия без потерь. Ничего кроме перехода к приращениям с последующим применением какого-либо универсального алгоритма сжатия, в голову не приходит. > > Буду признателен за любую информацию. Есть кой-какое математическое образование, так что пойму если что. > > В общем, понятно. > Сжатием аналоговых сигналов я > практически не занимался и охотно > сам почитаю чей-нибудь умный ответ. > Но, чтобы не возникало ощущения > "степь кругом, лишь ветер свищет" > выскажу свои соображения. > Кодировать надо разницу реального > значения и предсказываемую. > Имеем задачу прогнозирования ВР. > Для полноты ощущений отсчеты > неравноотстоящие, ну да ничего. > Разновидностей моделей рядов весьма > много, большая часть весьма > специфична (подогнана под особенности > экон. процессов), но вполне > себе широким классом, хорошо > отражающим реальные процессы, является > семейство вида: > y(n+1) = a0 + a1 y(n) + a2 y(n-1) + ... > + ap y(n-p) - b1 e(n) - b2 e(n-1) - ... > - bq e(n-q) > y(i) -- наблюдаемое значение в момент > i; > ai, bi -- подбираемые параметры; > e(i) -- ошибка прогноза для момента i. > Это для равноотстоящих отсчетов. > Форму записи для неравноостоящих > не помню. > Те элементы, что с ai, это > авторегрессионная часть, учитывающая > зависимости между отсчета. > Часть с bi -- скользящее среднее; > учитывает локальные изменения шума, > накладывающегося на авторегрессионную > составляющую. > ai, bi подбираются путем решения > оптим. задач (масса методов, все > мне известные громоздки). > Предварительно ряд может дифференци- > роваться нужно число раз, если > есть явно выраженный полиномиальный > тренд. Если тренд линейный, то > вычитание делаем один раз, квадр. -- > два раза, и т.п. Для неравноотстоящих > рядов применяются разные коррекции > (опять же не помню, т.к. на практике > сам не работал). > На прочие распространенные модели > можно посмотреть, скажем, где-то > в районе www.statsoft.ru > В общем, определение количества и > значения параметров -- задача > ресурсоемкая. Хотя в случае линейной > регрессии по одной переменной можно > находить коэффициенты довольно быстро. > Если данные более-менее стационарны, > то, возможно, можно подобрать > модель с фиксированными (а не > адаптивными) значениями параметров > и использовать ее. > Что касается адаптации. > Можно пойти так. > Взять какую-нибудь простую модель в > духе ADPCM. > Скажем: > Y(n+1) = k1 y(n) + k2 (y(n) + y(n-1)) > + k3 (Y(n) - y(n)) > ki -- параметры; > Y -- предсказываемое > y -- наблюдаемое. > > Оценивать точность нескольких > моделей с конкретными значениями > параметров на обработанном куске > ряда и для сжатия следующего куска > выбирать отработавшую наилучшим > образом. k брать, скажем (надо > подумать), от -1 до 1 с шагом 0.5. > > Ну, а сами значения отсчетов > V[i] можно сжимать таким же образом, > если там есть какая-то упорядоченность, > либо пожать простым арифметиком по > безусловным частотам. > PS > в разделе аудио я клал обзор > техник сжатия аудио. Он старый и > мало затрагивает вопросы реализации, > но может быть полезен, если мало > знаний в данной области.

Пожалуйста, заполните все поля.
И не нажимайте по два раза на кнопку! Дождитесь ответа сервера.