Variações na média móvel O filtro de média móvel é mais ou menos perfeito para suavizar dados na presença de ruído, se as informações úteis nos seus dados estiverem completamente no domínio do tempo. Nesse caso, você não se preocupa com o seu desempenho bastante pobre no domínio da freqüência. A Figura 1 mostra as respostas de impulso, passo e freqüência do filtro básico de média móvel (com três amostras extras em ambos os lados que não fazem parte das respostas de impulso e de passo, para maior clareza). Às vezes, no entanto, você tem que trabalhar com dados para os quais ambos os domínios são importantes. Para esses casos, existem versões ponderadas da média móvel que são mais ou menos equivalentes no domínio do tempo, mas que têm um desempenho muito melhor no domínio da freqüência. Média móvel repetida A primeira coisa que você pode fazer para melhorar a resposta de freqüência da média móvel é aplicá-la várias vezes. Após duas repetições, isso equivale a uma ponderação triangular dos coeficientes (Figura 2). Uma vez que a aplicação do mesmo filtro duplica seu efeito, o primeiro lóbulo lateral da resposta de freqüência é apenas metade do que o da Figura 1. A razão para a forma triangular é que a média móvel é uma convolução com um pulso retangular. Aplicá-lo duas vezes provoca uma convolução deste pulso retangular com si, resultando em uma janela triangular para o filtro combinado. Note-se que Ive tomado o mesmo comprimento do filtro na Figura 2 como na Figura 1, Deslocando assim o primeiro zero da resposta de freqüência. Uma verdadeira convolução do filtro retangular original teria resultado em um filtro mais longo e teria mantido os zeros exatamente no mesmo lugar, é claro. Se o filtro de média móvel for repetido várias vezes, seus coeficientes convergem para uma janela gaussiana (Figura 3) por causa do teorema do limite central. Naturalmente, um gaussiano real se estende infinitamente em ambas as direções, portanto não há outra opção senão cortá-la em algum ponto (ou talvez multiplicá-la por uma segunda janela). Adicionalmente, o desvio padrão do Gaussiano tem de ser escolhido. Para esta ilustração (e para a implementação do Designer de filtro), adotei as configurações padrão do MATLAB. Na prática, você pode querer simplesmente repetidamente aplicar a média móvel em vez de aplicar uma janela gaussiana. Quando implementada recursivamente, a média móvel é muito eficiente. Enquanto a janela gaussiana deve ser implementada por convolução. Janela Blackman Outra possibilidade é escolher uma das funções de janela clássicas que são usadas para filtros de janela-sinc, e usá-lo como um kernel de filtro (veja a excelente página de Wikipedia em funções de janela). Como exemplo, Ive escolheu a janela Blackman (Figura 4). Isto melhora ainda mais a atenuação da banda de paragem, ao mesmo tempo que mostra uma resposta suave do domínio do tempo sem qualquer toque ou ultrapassagem. Em conclusão, se você precisa suavizar os dados, mas precisa de um melhor desempenho de freqüência do que a média móvel básica tem para oferecer, várias alternativas estão disponíveis. Filter Design Tool Este artigo é complementado com uma ferramenta Filter Design. Experimente as diferentes funções da janela eo comprimento do filtro e veja o efeito na resposta de freqüência. O filtro de média móvel é um filtro FIR de comprimento N com todas as torneiras definidas igual a (1N) .160 É conhecido por sua péssima separação de freqüência, mas excelente resposta no tempo - Você pode implementá-lo com SigmaStudios bloco FIR como descrito aqui: Quanto mais tempo o filtro, mais suavização - mas o algoritmo de filtro FIR padrão usa muitas instruções para filtros enormes, Porque ele tem que multiplicar coeficientes para cada tap.160 Isso é um desperdício quando todos os coeficientes são os mesmos.160 Como o capítulo 15 do livro de Steven W. Smiths aponta, você pode fazer um filtro de média móvel com uma técnica recursiva que tem um Toque antes e depois de um retardo de tamanho (N-1 ).160 Tal filtro aparece abaixo como parte de um circuito de teste com fonte de sinal e um filtro de Bessel para comparação: 160160160160 Coeficientes são puxados para o bloco de ganho único na entrada.160 A presente amostra adiciona t O somador com o feedback acumula essas adições e subtrações para formar a saída - isso faz algo que é trivial em C, mas é de outra forma uma dor em A GUI.160 Embora uma técnica recursiva seja usada, o filtro permanece um verdadeiro filtro FIR - o comprimento de sua resposta ao impulso é definido apenas pelo seu atraso. 160160160160 Minha entrada de teste é uma onda quadrada com ruído adicionado.160 Os resultados filtrados aparecem como o traço superior em ambas as fotos - Primeiro o filtro de média móvel: O filtro Bessel: 160160160160 O filtro de média móvel permite mais ruído, mas melhor preserva a Forma de onda quadrada - não rode os cantos e as inclinações para cima e para baixo são simétricas (sua fase linear) .160 Ouvir as duas formas de onda com fones de ouvido mostra um resultado similar - mais ruído com o filtro de média móvel, mas a característica Som de uma onda quadrada vem through. FIR filtros, filtros IIR, ea equação de diferença de coeficiente constante linear Filtros de média móvel causal (FIR) Weve discutido sistemas em que cada amostra da saída é uma soma ponderada de (certo do) Amostras da entrada. Vamos tomar um sistema de soma ponderada causal, onde causal significa que uma dada amostra de saída depende apenas da amostra de entrada atual e outros insumos mais cedo na seqüência. Nem os sistemas lineares em geral, nem os sistemas finitos de resposta ao impulso em particular, precisam ser causais. No entanto, a causalidade é conveniente para um tipo de análise que iria explorar em breve. Se simbolizamos as entradas como valores de um vetor x. E as saídas como valores correspondentes de um vetor y. Então tal sistema pode ser escrito como onde os valores de b são quotweights aplicados às amostras de entrada atuais e anteriores para obter a amostra de saída atual. Podemos pensar na expressão como uma equação, com o sinal de igual signo igual a, ou como uma instrução processual, com o sinal de igual significação atribuição. Vamos escrever a expressão para cada amostra de saída como um loop MATLAB de instruções de atribuição, onde x é um vetor N-comprimento de amostras de entrada, e b é um vetor M-comprimento de pesos. A fim de lidar com o caso especial no início, vamos incorporar x em um vetor mais longo xhat cujas primeiras M-1 amostras são zero. Vamos escrever a soma ponderada para cada y (n) como um produto interno, e faremos algumas manipulações das entradas (como inverter b) para este fim. Esse tipo de sistema é muitas vezes chamado de filtro de média móvel, por razões óbvias. De nossas discussões anteriores, deve ser óbvio que tal sistema é linear e invariante ao deslocamento. Claro, seria muito mais rápido usar a convolução de função MATLAB conv () em vez do nosso mafilt (). Em vez de considerar as primeiras amostras M-1 da entrada como sendo zero, poderíamos considerá-las iguais às últimas amostras M-1. Isso é o mesmo que tratar a entrada como periódica. Bem, use cmafilt () como o nome da função, uma pequena modificação da função mafilt () anterior. Na determinação da resposta de impulso de um sistema, não há geralmente nenhuma diferença entre estes dois, desde que todas as amostras não-iniciais da entrada são zero: Uma vez que um sistema deste tipo é linear e shift-invariante, sabemos que seu efeito em qualquer Sinusoid será apenas a escala e deslocá-lo. Aqui é importante que usemos a versão circular A versão circularmente convoluta é deslocada e escalada um pouco, enquanto a versão com convolução ordinária é distorcida no início. Vamos ver o que a escala exata e deslocamento é usando um fft: Tanto a entrada ea saída têm amplitude apenas nas freqüências 1 e -1, que é como deveria ser, uma vez que a entrada era uma sinusoid eo sistema era linear. Os valores de saída são maiores numa razão de 10,62518 1,3281. Este é o ganho do sistema. E quanto à fase Nós só precisamos olhar onde a amplitude é diferente de zero: A entrada tem uma fase de pi2, como nós pedimos. A fase de saída é deslocada por um adicional 1.0594 (com sinal oposto para a freqüência negativa), ou cerca de 16 de um ciclo à direita, como podemos ver no gráfico. Agora vamos tentar um sinusoid com a mesma freqüência (1), mas em vez de amplitude 1 e fase pi2, vamos tentar amplitude 1,5 e fase 0. Sabemos que apenas a freqüência 1 e -1 terá amplitude não-zero, então vamos apenas olhar Para eles: Novamente a razão de amplitude (15.937712.0000) é 1.3281 - e quanto à fase é novamente deslocada por 1.0594 Se esses exemplos são típicos, podemos prever o efeito do nosso sistema (resposta de impulso .1 .2 .3 .4 .5) em qualquer sinusoide com freqüência 1 - a amplitude será aumentada em um fator de 1,3281 e a fase (freqüência positiva) será deslocada em 1,0594. Poderíamos continuar a calcular o efeito desse sistema sobre sinusóides de outras freqüências pelos mesmos métodos. Mas há uma maneira muito mais simples, e uma que estabelece o ponto geral. Dado que a circunvolução (circular) no domínio do tempo significa a multiplicação no domínio da frequência, daí decorre que, por outras palavras, a DFT da resposta de impulso é a razão da DFT da saída para a DFT da entrada. Nesta relação os coeficientes de DFT são números complexos. Desde abs (c1c2) abs (c1) abs (c2) para todos os números complexos c1, c2, esta equação nos diz que o espectro de amplitude da resposta ao impulso será sempre a relação do espectro de amplitude da saída para a da entrada . No caso do espectro de fase, ângulo (c1c2) ângulo (c1) - ângulo (c2) para todos os c1, c2 (com a condição de que as fases diferentes por n2pi são considerados iguais). Portanto, o espectro de fase da resposta ao impulso será sempre a diferença entre os espectros de fase da saída e da entrada (com quaisquer correções de 2pi são necessárias para manter o resultado entre - pi e pi). Podemos ver os efeitos de fase mais claramente se desempacotarmos a representação da fase, isto é, se adicionarmos vários múltiplos de 2pi conforme necessário para minimizar os saltos que são produzidos pela natureza periódica da função ângulo (). Embora a amplitude e a fase sejam normalmente utilizadas para apresentação gráfica e mesmo tabular, uma vez que são uma forma intuitiva de pensar os efeitos de um sistema sobre os vários componentes de frequência de sua entrada, os coeficientes de Fourier complexos são mais úteis algébricamente, A expressão simples da relação A abordagem geral que acabamos de ver funcionará com filtros arbitrários do tipo esboçado, em que cada amostra de saída é uma soma ponderada de algum conjunto de amostras de entrada. Como mencionado anteriormente, estes são muitas vezes chamados filtros de resposta de impulso finito, porque a resposta ao impulso é de tamanho finito, ou às vezes filtros de média móvel. Podemos determinar as características de resposta de freqüência de tal filtro a partir da FFT de sua resposta de impulso e também podemos projetar novos filtros com características desejadas por IFFT a partir de uma especificação da resposta de freqüência. Filtros Autoregressivos (IIR) Não haveria nenhum ponto em ter nomes para filtros FIR, a menos que houvesse algum outro tipo de distinção, de modo que aqueles que estudaram pragmática não ficarão surpresos ao saber que existe de fato outro tipo principal Do filtro tempo-invariante linear. Estes filtros são às vezes chamados recursivos porque o valor de saídas anteriores (assim como entradas anteriores) importa, embora os algoritmos sejam geralmente escritos usando construções iterativas. Eles também são chamados filtros Infinite Impulse Response (IIR), porque em geral sua resposta a um impulso continua para sempre. Eles também são chamados de filtros auto-regressivos, porque os coeficientes podem ser considerados como o resultado de fazer uma regressão linear para expressar valores de sinal como uma função de valores de sinal anteriores. A relação dos filtros FIR e IIR pode ser vista claramente numa equação de diferença de coeficiente constante linear, isto é, estabelecendo uma soma ponderada de saídas igual a uma soma ponderada de entradas. Isto é como a equação que damos anteriormente para o filtro causal FIR, exceto que, além da soma ponderada de insumos, também temos uma soma ponderada de saídas. Se quisermos pensar nisso como um procedimento para gerar amostras de saída, precisamos reorganizar a equação para obter uma expressão para a amostra de saída atual y (n), Adotando a convenção de que a (1) 1 (por exemplo, escalando outros como E bs), podemos nos livrar do termo 1a (1): 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) Se todos os a (n) diferentes de a (1) são zero, isso reduz a nosso velho amigo o filtro FIR causal. Este é o caso geral de um filtro (causal) LTI, e é implementado pelo filtro de função MATLAB. Vejamos o caso em que os coeficientes b diferentes de b (1) são zero (em vez do caso FIR, onde a (n) são zero): Neste caso, a amostra de saída corrente y (n) é calculada como um (N-1), y (n-2), etc. Para ter uma idéia do que acontece com esses filtros, vamos começar com o caso em que: Isto é, a amostra de saída atual é a soma da amostra de entrada corrente e metade da amostra de saída anterior. Bem, tome um impulso de entrada através de alguns passos de tempo, um de cada vez. Deve ficar claro neste ponto que podemos facilmente escrever uma expressão para o n-ésimo valor de amostra de saída: é apenas (se MATLAB contado a partir de 0, isso seria simplesmente .5n). Uma vez que o que estamos calculando é a resposta ao impulso do sistema, temos demonstrado por exemplo que a resposta ao impulso pode de fato ter infinitas amostras diferentes de zero. Para implementar esse filtro trivial de primeira ordem no MATLAB, poderíamos usar o filtro. A chamada será assim: eo resultado é: Este negócio é realmente ainda linear Podemos olhar para isto empiricamente: Para uma abordagem mais geral, considere o valor de uma amostra de saída y (n). Por substituição sucessiva poderíamos escrever isto como Isto é exatamente como o nosso velho amigo a forma convolução-soma de um filtro FIR, com a resposta ao impulso fornecida pela expressão .5k. E o comprimento da resposta ao impulso é infinito. Assim, os mesmos argumentos que usamos para mostrar que os filtros FIR eram lineares agora se aplicam aqui. Até agora isso pode parecer um monte de barulho por não muito. O que é toda esta linha de investigação bom para Bem responder esta questão em etapas, começando com um exemplo. Não é uma grande surpresa que possamos calcular uma amostra exponencial por multiplicação recursiva. Vamos olhar para um filtro recursivo que faz algo menos óbvio. Desta vez, torná-lo um filtro de segunda ordem, de modo que a chamada para filtro será da forma Vamos definir o segundo coeficiente de saída a2 para -2cos (2pi40) eo terceiro coeficiente de saída a3 para 1, e olhar para o impulso resposta. Não é muito útil como um filtro, na verdade, mas gera uma onda senoidal amostrada (de um impulso) com três multiplicações por amostra. Para entender como e por que faz isso, e como filtros recursivos podem ser projetados e analisados em O caso mais geral, precisamos dar um passo atrás e dar uma olhada em algumas outras propriedades de números complexos, no caminho para a compreensão da transformada z. Como faço média de rolamento recursiva e variância rápida Estude minha demonstração de filtro de variância e escreva de volta se Você tem quaisquer perguntas depois disso: Demonstração para tomar a média local, variância e desvio padrão de uma imagem de escala de cinza. UserImage, se passado em, é usado como a imagem. Se userImage não é passado, o usuário é solicitado a usar uma imagem de demonstração. Código escrito por ImageAnalyst function localvariance (userImage) Limpar. Clc Limpa a janela de comando. Close all Feche todas as figuras (exceto as do imtool.) Espaço de trabalho Verifique se o painel do espaço de trabalho está sendo exibido. Altere a pasta atual para a pasta deste m-arquivo. (A linha de código abaixo é de Brett Shoelson de The Mathworks.) Não use essas linhas se você está chamando isso de outro m-arquivo. If (isdeployed) cd (fileparts (which (mfilename))) end Inicializar. FontSize 20 if nargin 0 Nenhuma imagem foi passada na linha de comando. Leia em uma das imagens de demonstração padrão do MATLAB como nossa imagem de escala de cinza original e exiba-a. PromptMessage sprintf (Qual imagem você quer usar. nA moedas ou o cameraman) botão questdlg (promptMessage, selecione imagem, moedas, cameraman, moedas) if strcmp (button, Coins) grayImage double (imread (coins. png)) Duplo. Else grayImage double (imread (cameraman. tif)) Lançado para duplicar. End else Use a matriz de imagens passada na linha de comando. GrayImage double (userImage) Elenco para dobrar. End Start timing. StartTime tic subplot (2, 2, 1) imshow (grayImage,) title (Imagem Original, FontSize, fontSize) set (gcf, Position, get (0, Screensize)) Maximize a figura. Desfocar a imagem com uma janela de média de 5 por 5 (filtro de caixa). BlurredImage conv2 (grayImage, uns (5,5) 25) subplot (2, 2, 2) imshow (blurredImage,) title (imagem borrada, FontSize, fontSize) Executar um filtro de desvio. A imagem de saída é a variação da imagem de entrada em uma janela deslizante de 3 por 3. VarianceFilterFunction (x) var (x (:)) varianceImage nlfilter (grayImage, 3 3, VarianceFilterFunction) Uma maneira alternativa de fazer o filtro de desvio está na próxima linha: varianceImage remodelar (std (im2col (originalImage, 3 3, deslizando) , Size (originalImage) -2) subplot (2, 2, 3) imshow (varianceImage,) title (Variance Image, FontSize, fontSize) Calcula a raiz quadrada da variância para obter o desvio padrão. PadrãoDeviationImage sqrt (varianceImage) subtrama (2, 2, 4) imshow (standardDeviationImage,) title (Desvio Padrão Image, FontSize, fontSize) elapsedTime toc (startTime) mensagem sprintf (DonennElapsed time .2f seconds., ElapsedTime) Fim da função localvariance (). Em 5 de julho, 12:33 pm, ImageAnalyst ltimageanal. Mailinatorgt escreveu: gt Estude minha demo de filtro de variância e escreva de volta se você tiver alguma dúvida gt depois disso: gt gt Demonstração para pegar a média local, variância e desvio padrão gt de uma imagem de escala de cinza. Gt userImage, se passado em, é usado como a imagem. Gt Se userImage não for passado, o usuário é solicitado a usar uma imagem de demonstração. Gt Código escrito por ImageAnalyst gt function localvariance (userImage) gt Limpar. Gt clc Limpa a janela de comando. Gt close all Feche todas as figuras (exceto as de imtool.) Gt workspace Verifique se o painel do espaço de trabalho está sendo exibido. Gt gt Altere a pasta atual para a pasta deste m-arquivo. Gt (A linha de código abaixo é de Brett Shoelson de The Mathworks.) Gt Não use essas linhas se você está chamando isso de outro m-arquivo. Gt if (isdeployed) gt cd (fileparts (que (mfilename)) gt end gt gt Inicializa. Gt fontSize 20 gt se nargin 0 gt Nenhuma imagem passou na linha de comando. Gt Leia em uma das imagens de demonstração padrão do MATLAB gt como nossa imagem de escala de cinza original e exiba-a. Gt promptMessage sprintf (Qual imagem você quer usar. nO gt moedas ou o cameraman) gt botão questdlg (promptMessage, Selecione Imagem, Coins, gt Cameraman, Moedas) gt if strcmp (botão, Moedas) gt grayImage double (imread. png)) Lançado para duplicar. Gt else gt grayImage duplo (imread (cameraman. tif)) Lançado para duplicar. Gt end gt else gt Use a matriz de imagens transmitida na linha de comando. Gt grayImage double (userImage) Elenco para duplicar. Gt end gt gt Iniciar temporização. Gt startTime tic gt gt subplot (2, 2, 1) gt imshow (grayImage,) gt título (Imagem Original, FontSize, fontSize) gt set (gcf, Posição, get (0, Screensize)) Maximize figura. Gt gt Desfoca a imagem com uma janela de média de 5 por 5 (filtro de caixa). Gt blurredImage conv2 (grayImage, uns (5,5) 25) gt subplot (2, 2, 2) gt imshow (blurredImage,) gt título (Blurred Image, FontSize, fontSize) gt gt Executar um filtro de desvio. Gt A imagem de saída é a variância da imagem de entrada em uma janela deslizante gt de 3 por 3. Gt VarianceFilterFunction (x) var (x (:)) gt varianceImage nlfilter (grayImage, 3 3, VarianceFilterFunction) gt Uma maneira alternativa de fazer o filtro de variância está na próxima linha: gt varianceImage remodelar (std (im2col (originalImage, 3 3 , Gt size (originalImage) -2) gt subplot (2, 2, 3) gt imshow (varianceImage,) gt título (Variance Image, FontSize, fontSize) gt gt Compute a raiz quadrada da variância imagem para obter O desvio gt padrão. Gt standardDeviationImage sqrt (varianceImage) gt subplot (2, 2, 4) gt imshow (padrãoDeviationImage,) gt title (Desvio Padrão Imagem, FontSize, fontSize) gt elapsedTime toc (startTime) gt gt mensagem sprintf (DonennElapsed tempo .2f segundos. Gt elapsedTime) gt msgbox (mensagem) gt return Fim da função localvariance (). No entanto, eu não tenho imshow ou nlfilter, ou seja, eu não tenho ferramenta de processamento de imagem. E não vamos entrar em que a aquisição, etc Estou pensando em talvez há uma maneira genérica em Matlab de fazer a computação recursiva, seja recursiva média, ou variancestd recursiva, ou outros momentos, etc Qualquer pensamentos Muito obrigado Assunto: How do Eu faço recursive rolling média e variância rápido De: Steve Amphlett Luna Moon ltlunamoonmoongmailgt escreveu na mensagem lt6fc04321-2ece-4f41-ad2d-4a0a2b436baex27g2000yqb. googlegroupsgt. Gt gt Grande código gt gt No entanto, eu não tenho imshow ou nlfilter, ou seja, eu não tenho caixa de ferramentas de processamento de imagem gt. E não vamos entrar em que a aquisição, etc gt gt Estou pensando em talvez há uma maneira genérica em Matlab de fazer gt computação recursiva, gt gt seja recursiva média, ou variancestd recursiva, ou outros momentos, gt etc gt gt Qualquer Pensamentos Muito obrigado Sim. Por que você usa a palavra recursiva Suas entradas não dependem de suas saídas. Bem, basta usar blockproc e as funções var () - isso é uma maneira. Assunto: Como fazer recursive rolling average and variance fast De: Oleg Komarov Luna Moon ltlunamoonmoongmailgt escreveu na mensagem lt2b265914-45f5-4b6e-9a85-c6d07191bfafs9g2000yqd. googlegroupsgt. Gt Oi tudo, gt gt Na média recursiva móvel ou rolando, gt gt resultado alfa pt (1-alfa) resultado, gt gt onde pt é a nova chegada. Gt gt Como fazer isso rápido em Matlab, usando o formato de função de filtro, gt, ou seja, ele funciona em toda uma matriz coluna-wise. Gt gt Agora, como aplicar o mesmo conceito para a variância de rotação gt gt Eu acho que para fazer a variância de rolamento, precisamos primeiro obter a média de rolamento gt, gt gt e então o quadrado médio de rolamento: gt gt rollingmeansquaret alphapt2 (1- Gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt Gt gt gt Gt Gt gt Gt Gt Gt Gt gt Gt Gt Gt Gt Gt Gt Gt Gt Gt Gt Gt Gt Gt gt Gt Gt gt Você pode adicionar tags, autores, threads e até mesmo resultados de pesquisa à sua lista de observação. Desta forma, você pode facilmente acompanhar os tópicos que você está interessado polegadas Para ver a sua lista de observação, clique no link quotMas newsreaderquot. Para adicionar itens à sua lista de observação, clique no link quotadd para assistir listquot na parte inferior de qualquer página. Como adicionar um item à minha lista de observação Para adicionar critérios de pesquisa à sua lista de observação, pesquise o termo desejado na caixa de pesquisa. Clique no botão quotAdicionar esta pesquisa ao meu link de lista de observações na página de resultados de pesquisa. Você também pode adicionar uma tag à sua lista de observação procurando a tag com a diretiva quottag: tagnamequot onde tagname é o nome da tag que você gostaria de assistir. Para adicionar um autor à sua lista de observação, vá para a página de perfil dos autores e clique no botão quotAdicionar este autor ao meu link de lista de observações na parte superior da página. Você também pode adicionar um autor à sua lista de observação, indo a um tópico que o autor postou e clicando no quotAdicionar este autor ao meu link listquot do relógio. Você será notificado sempre que o autor fizer um post. Para adicionar um tópico à sua lista de observação, vá para a página do tópico e clique no link quotAdicionar este tópico ao meu link de lista de observações na parte superior da página. Sobre Newsgroups, Newsreaders e MATLAB Central O que são newsgroups Os newsgroups são um fórum mundial aberto a todos. Os newsgroups são usados para discutir uma enorme variedade de tópicos, fazer anúncios e trocar arquivos. As discussões são encadeadas ou agrupadas de forma a permitir que você leia uma mensagem postada e todas as suas respostas em ordem cronológica. Isto torna mais fácil seguir o fio da conversa e ver whatrsquos já foi dito antes de postar sua própria resposta ou fazer uma nova postagem. O conteúdo do grupo de notícias é distribuído por servidores hospedados por várias organizações na Internet. As mensagens são trocadas e gerenciadas usando protocolos de padrão aberto. Nenhuma entidade única ldquoownsrdquo os newsgroups. Existem milhares de newsgroups, cada um abordando um único tópico ou área de interesse. O MATLAB Central Newsreader publica e exibe mensagens no newsgroup comp. soft-sys. matlab. Como posso ler ou publicar nos newsgroups Você pode usar o newsreader integrado no site da MATLAB Central para ler e publicar mensagens neste newsgroup. MATLAB Central é hospedado por MathWorks. As mensagens enviadas através do Central Newsreader MATLAB são vistas por todos os grupos de notícias, independentemente de como eles acessam os grupos de notícias. Há várias vantagens em usar o MATLAB Central. Uma conta A sua conta MATLAB Central está ligada à sua conta MathWorks para fácil acesso. Use o endereço de e-mail da sua escolha O MATLAB Central Newsreader permite que você defina um endereço de e-mail alternativo como seu endereço de postagem, evitando a confusão em sua caixa de correio principal e reduzindo o spam. Controle de Spam A maioria do spam do newsgroup é filtrada para fora pelo newsreader central de MATLAB. Marcação As mensagens podem ser marcadas com um rótulo relevante por qualquer usuário conectado. As tags podem ser usadas como palavras-chave para encontrar determinados arquivos de interesse ou como uma maneira de categorizar suas postagens marcadas. Você pode optar por permitir que outras pessoas visualizem suas tags e você pode exibir ou pesquisar outras tags, assim como as da comunidade em geral. Tagging fornece uma maneira de ver tanto as grandes tendências e as menores, mais obscuros idéias e aplicações. Listas de vigilância A configuração de listas de observação permite que você seja notificado das atualizações feitas em postagens selecionadas por autor, segmento ou qualquer variável de pesquisa. As notificações da sua lista de observação podem ser enviadas por email (resumo diário ou imediato), exibidas em Meu leitor de notícias ou enviadas via feed RSS. Outras formas de aceder aos newsgroups Utilize um leitor de notícias através da sua escola, entidade patronal ou fornecedor de serviços Internet Pagar o acesso a grupos de notícias de um fornecedor comercial Utilizar Grupos do Google Mathforum. org fornece um leitor de notícias com acesso ao grupo de notícias comp. soft sys. matlab Execute o seu próprio servidor. Para obter instruções típicas, consulte: slyckng. phppage2 Selecione seu país
No comments:
Post a Comment