数据预处理(1)在数据采集与传输过程中，由于环境干扰或人为因素有可能造成个别数据不切合实际或丢失，这种数据称为异常值。为了恢复数据的客观真实性以便将来得到更好的分析结果，有必要先对原始数据(1)剔除异常值； 另外，无论是人工观测的数据还是由数据采集系统获取的数据，都不可避免叠加上“噪声”干扰(反映在曲线图形上就是一些“毛刺和尖峰”)。为了提高数据的质量，必须对数据进行(2)平滑处理(去噪声干扰)；
(一)剔除异常值
rmoutliers 语法
用rmoutliers()函数即可移除数据组中的离群值，可作数据清洗的初步方法。
Detect and remove outliers in data
B = rmoutliers(A,'percentiles',threshold)
B = rmoutliers(A,movmethod,window)
B = rmoutliers(___,Name,Value)
效果演示
GW_ZZS_UP_1=rmoutliers(GW_ZZS_UP); %去除数据中的异常值、离群值
% 绘制结果，比较平滑处理前后的效果
plot(-GW_ZZS_UP,'k-')
hold on
plot(-GW_ZZS_UP_1,'r-')
legend('origin','rmoutliers')；
(二)平滑处理
smoothdata语法
Smooth noisy data
Syntax
B = smoothdata(___,method,window)
B = smoothdata(___,Name,Value)
效果演示
% 平滑
GW_ZZS_UP_2=smoothdata(GW_ZZS_UP_1);
plot(-GW_ZZS_UP_1,'k-')
hold on
plot(-GW_ZZS_UP_2,'r-')
legend('rmoutliers','smooth')
参考资料1：https://blog.csdn.net/Davidietop/article/details/115441236；
参考资料 2：https://blog.csdn.net/weixin_42395980/article/details/115825594?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-0-115825594-blog-115441236.pc_relevant_multi_platform_whitelistv3&spm=1001.2101.3001.4242.1&utm_relevant_index=3
转载本文请联系原作者获取授权，同时请注明本文来自柏延文科学网博客。
链接地址：https://m.sciencenet.cn/blog-3402238-1380149.html?mobile=1
收藏
