Cuda เคลื่อนไหว เฉลี่ย กรอง

CUDA. Enroll คืออะไรวันนี้แนะนำการเขียนโปรแกรมแบบขนานหลักสูตรออนไลน์แบบเปิดจาก Udacity วิศวกรของ Dr John Owens, UC Davis และ Dr David Luebke NVIDIA. CUDA เป็นแพลตฟอร์มคอมพิวเตอร์แบบคู่ขนานและรูปแบบการเขียนโปรแกรมที่ NVIDIA คิดค้นขึ้น ประสิทธิภาพการทำงานโดยการควบคุมพลังของ GPU กราฟิกหน่วยประมวลผลด้วยล้านของ GPUs CUDA เปิดการขายวันที่นักพัฒนาซอฟต์แวร์นักวิทยาศาสตร์และนักวิจัยกำลังมองหาใช้ในวงกว้างสำหรับการประมวลผล GPU กับ CUDA ต่อไปนี้เป็นตัวอย่างระบุว่าแผ่นโลหะที่ซ่อนอยู่ใน การโจมตีหัวใจเป็นสาเหตุสำคัญของการเสียชีวิตทั่วโลก Harvard Engineering, Harvard Medical School และ Brigham Women's Hospital ได้ร่วมกันใช้ GPUs เพื่อจำลองการไหลเวียนของโลหิตและระบุแผ่นโลหะที่ซ่อนอยู่โดยไม่ใช้เทคนิคการถ่ายภาพรุกรานหรือการผ่าตัดสำรวจการวิเคราะห์การไหลของอากาศของ National Airspace System จัดการการประสานงานการไหลเวียนของอากาศทั่วประเทศแบบจำลองคอมพิวเตอร์ช่วยในการหาแนวทางใหม่ในการบรรเทา ความแออัดและทำให้การจราจรบนเครื่องบินเคลื่อนที่ได้อย่างมีประสิทธิภาพโดยใช้พลังการคำนวณของ GPUs ทีมงาน NASA ได้รับผลประโยชน์ที่มีประสิทธิภาพมากลดเวลาในการวิเคราะห์จากสิบนาทีเป็นเวลาสามวินาทีการตรวจสอบโมเลกุลการจำลองโมเลกุลที่เรียกว่า NAMD nanoscale molecular dynamics ได้รับการเพิ่มประสิทธิภาพเป็นอย่างมากด้วย GPUs ความเร็วขึ้นเป็นผลมาจากสถาปัตยกรรมแบบขนานของ GPUs ซึ่งช่วยให้นักพัฒนา NAMD สามารถใช้พอร์ตเล็ต CUDA Toolkit เข้ากับ GPU โดยใช้ CUDA ToolkitGPU Computing ปฏิวัติคุณต้องเผชิญกับความต้องการอีกครั้งปรับปรุงประสิทธิภาพแก้ปัญหา ปัญหามากขึ้นอย่างรวดเร็วการประมวลผลแบบขนานจะเร็วขึ้น แต่เส้นโค้งการเรียนรู้จะไม่สูงชันไม่ได้อีกต่อไปด้วย CUDA คุณสามารถส่งโค้ด C, C และ Fortran ไปยัง GPU ได้โดยไม่ต้องใช้ภาษาสำหรับการชุมนุมนักพัฒนาซอฟต์แวร์ที่ บริษัท ต่างๆเช่น Adobe, ANSYS , Autodesk, MathWorks และ Wolfram Research กำลังตื่นนอนกับยักษ์ใหญ่ที่ทำ GPU - เพื่อทำคอมพิวเตอร์ทางวิทยาศาสตร์และวิศวกรรมทั่วไปทั่วทั้งรัง e ของ platforms. Using ภาษาระดับสูงโปรแกรม GPU เร่งดำเนินการเป็นลำดับส่วนภาระงานของพวกเขาใน CPU ที่เหมาะสำหรับประสิทธิภาพการทำงานแบบเธรดเดียวในขณะที่เร่งการประมวลผลแบบขนานใน GPU นี้เรียกว่าคอมพิวเตอร์ GPU การประมวลผล GPU เป็นไปได้เพราะ GPU ของวันนี้ทำอะไรได้มากมายกว่าการแสดงผลกราฟิกมันมีความสามารถในการทำงานแบบ floating point และ crunches application ที่ออกแบบมาเพื่ออะไรจากการเงินไปจนถึงยา CUDA ใช้งานได้กว้างขวางผ่านทางแอพพลิเคชันหลายพันรายการและเผยแพร่เอกสารงานวิจัยและสนับสนุนโดยฐานที่ติดตั้ง GPU ที่รองรับ CUDA จำนวน 375 ล้านเครื่องในโน้ตบุ๊คเวิร์คสเตชั่นคำนวณกลุ่มและซูเปอร์คอมพิวเตอร์ดูโซน CUDA สำหรับตัวอย่างแอพพลิเคชันในตลาดแนวตั้งที่หลากหลายและปลุกให้ GPU ของคุณยักษ์ประวัติของ GPU Computing GPU ตัวแรกถูกออกแบบมาเป็นตัวเร่งกราฟิก ท่อทำงานแบบคงที่เริ่มต้นในปลายปี 1990, ฮาร์ดแวร์กลายเป็นโปรแกรมมากขึ้น, ซึ่งเป็นจุดสูงสุดของ GPU แรกของ NVIDIA ในปี 1999 น้อยกว่าหนึ่งปีหลังจากที่ NVIDIA ตั้งชื่อ GPU ไว้ศิลปินและนักพัฒนาเกมก็เป็นเพียงคนเดียวที่ทำผลงานได้อย่างยอดเยี่ยมกับเทคโนโลยีนักวิจัยกำลังใช้ประสิทธิภาพของ GPU GPU GPU GPU GPU เป้าหมายทั่วไป ได้เกิดขึ้น แต่ GPGPU ห่างไกลจากการใช้งานง่ายแม้กระทั่งสำหรับผู้ที่รู้จักภาษาการเขียนโปรแกรมกราฟิกเช่นนักพัฒนาซอฟต์แวร์ OpenGL ต้องทำแผนที่การคำนวณทางวิทยาศาสตร์ไปยังปัญหาที่อาจแสดงโดยรูปสามเหลี่ยมและรูปหลายเหลี่ยม GPGPU เป็นข้อ จำกัด สำหรับผู้ที่ไม่ได้ใช้ จดจำ APIs กราฟิกล่าสุดจนกว่ากลุ่มนักวิจัย Stanford University กำหนดให้ใช้ GPU ใหม่เป็นโปรเซสเซอร์แบบสตรีมมิ่งในปี 2003 ทีมนักวิจัยที่นำโดย Ian Buck ได้เปิดตัว Brook ซึ่งเป็นรูปแบบการเขียนโปรแกรมที่ใช้กันอย่างกว้างขวางเป็นอันดับแรกในการขยาย C ด้วยข้อมูลแบบขนาน การใช้แนวคิดเช่นสตรีมเมล็ดและตัวดำเนินการลดค่าคอมไพเลอร์ Brook และระบบรันไทม์จะทำให้ GPU เป็นแบบทั่วไป ขอให้ประมวลผลในภาษาระดับสูงสิ่งสำคัญที่สุดคือโปรแกรม Brook ไม่ใช่แค่เขียนได้ง่ายกว่าโค้ด GPU แบบมือถือพวกเขาเร็วกว่ารหัสที่มีอยู่เดิม 7 เท่า NVIDIA รู้ว่าฮาร์ดแวร์ที่รวดเร็วอย่างเหลือเฟือต้องมาพร้อมกับซอฟต์แวร์ที่ใช้งานง่ายและ เครื่องมือฮาร์ดแวร์และเชิญ Ian Buck เข้าร่วมงานกับ บริษัท และเริ่มพัฒนาโซลูชันเพื่อใช้งาน C บน GPU อย่างต่อเนื่องการนำซอฟต์แวร์และฮาร์ดแวร์เข้าด้วยกัน NVIDIA ได้เปิดตัว CUDA ในปี 2006 ซึ่งเป็นโซลูชันแรกสำหรับระบบประมวลผลทั่วไปของโลกสำหรับ GPUs. Tools และ การฝึกอบรมวันนี้ระบบนิเวศของ CUDA กำลังเติบโตอย่างรวดเร็วเนื่องจาก บริษัท ต่างๆมีเครื่องมือบริการและโซลูชันระดับโลกมากขึ้นหากคุณต้องการเขียนโค้ดของคุณเองวิธีที่ง่ายที่สุดในการควบคุมประสิทธิภาพของ GPU คือด้วย CUDA Toolkit ที่ให้บริการ สภาพแวดล้อมการพัฒนาที่ครอบคลุมสำหรับนักพัฒนา C และ C CUDA Toolkit ประกอบด้วยคอมไพเลอร์ไลบรารีคณิตศาสตร์และเครื่องมือสำหรับการดีบักและเพิ่มประสิทธิภาพการทำงานของแอ็พพลิเคชันของคุณนอกจากนี้คุณยังจะพบ ตัวอย่างโค้ดคู่มือการเขียนโปรแกรมคู่มือผู้ใช้การอ้างอิง API และเอกสารอื่น ๆ เพื่อช่วยให้คุณเริ่มต้นได้ NVIDIA ให้บริการฟรีทั้งหมดนี้รวมถึง NVIDIA Parallel Nsight สำหรับ Visual Studio สภาพแวดล้อมการพัฒนาแรกของอุตสาหกรรมสำหรับแอพพลิเคชันแบบขนานที่ใช้ทั้งสองอย่าง GPU และซีพียูการเรียนรู้ที่จะใช้ CUDA ทำได้สะดวกด้วยการฝึกอบรมออนไลน์ที่ครอบคลุมรวมทั้งแหล่งข้อมูลอื่น ๆ เช่นการสัมมนาทางเว็บและหนังสือมหาวิทยาลัยและวิทยาลัยกว่า 400 แห่งสอนโปรแกรม CUDA รวมถึงศูนย์ความเป็นเลิศ CUDA และ CUDA Research and Training Centres สำหรับนักพัฒนาชื่อ Smoothingmon แบบกรีก (Gaussian smoothing) คำอธิบายแบบย่อส่วน Gaussian smoothing operator คือตัวดำเนินการ convolution 2 มิติที่ใช้ในการเบลอภาพและลบรายละเอียดและเสียงรบกวนในแง่นี้คล้ายคลึงกับตัวกรองค่าเฉลี่ย แต่ใช้ kernel ที่แตกต่างกัน ที่แสดงถึงรูปร่างของก้านรูประฆัง Gaussian เคอร์เนลนี้มีคุณสมบัติพิเศษบางอย่างที่มีรายละเอียดด้านล่างนี้ฉัน t Works การแจกแจงแบบ Gaussian ในรูปแบบ 1-D มีรูปแบบคือส่วนเบี่ยงเบนมาตรฐานของการกระจายเรายังถือว่าสันนิษฐานว่าการแจกแจงมีค่าเฉลี่ยเป็นศูนย์นั่นคือตรงกลางของเส้น x 0 การแจกแจงดังแสดงในรูปที่ 1 รูปที่ 1 การกระจาย Gaussian 1-D กับค่าเฉลี่ย 0 และ 1 ใน 2-D, isotropic เช่น Gaussian แบบสมมาตรแบบวงกลมมีรูปแบบการกระจายนี้แสดงในรูปที่ 2 รูปที่ 2 การกระจาย Gaussian 2-D มีค่าเฉลี่ย 0.0 และ 1. แนวคิดเรื่อง Gaussian smoothing คือการใช้การกระจายแบบ 2 มิตินี้เป็นฟังก์ชันการแพร่กระจายจุดและสิ่งนี้ทำได้โดย convolution เนื่องจากภาพถูกเก็บเป็นคอลเลกชันของพิกเซลแบบไม่ต่อเนื่องเราจำเป็นต้องสร้างการประมาณแบบไม่ต่อเนื่องให้กับฟังก์ชัน Gaussian ก่อนที่เราจะสามารถดำเนินการ convolution ได้ในทางทฤษฎีการแจกแจงแบบ Gaussian ไม่ใช่ศูนย์ทุกที่ซึ่งจะต้องใช้เคอร์เนล convolution ขนาดใหญ่ที่ไม่มีที่สิ้นสุด แต่ในทางปฏิบัติจะมีค่าความเบี่ยงเบนมาตรฐานอยู่ที่ประมาณ 3 เท่าและเราสามารถตัดทอน เคอร์เนล ณ จุดนี้รูปที่ 3 แสดงเคอร์เนล convolution ที่มีค่าจำนวนเต็มที่เหมาะสมซึ่งใกล้เคียงกับ Gaussian ที่มีค่าเป็น 1 0 ไม่เห็นได้ชัดว่าการเลือกค่าของมาสก์เพื่อประมาณค่า Gaussian One สามารถใช้ค่า Gaussian ที่ศูนย์กลางได้อย่างไร ของพิกเซลในหน้ากาก แต่ไม่ถูกต้องเนื่องจากค่าของ Gaussian จะแตกต่างกันไปไม่ใช่แบบเส้นตรงข้ามพิกเซลเรารวมค่าของ Gaussian ไปเป็นพิกเซลทั้งหมดโดยการสรุป Gaussian ที่ 0 001 increments integals ไม่ใช่จำนวนเต็มที่เรา ปรับขนาดอาร์เรย์เพื่อให้มุมมีค่า 1 ในที่สุด 273 คือผลรวมของค่าทั้งหมดในหน้ากากรูปที่ 3 การประมาณแบบไม่ต่อเนื่องกับฟังก์ชันแบบเกาส์โดยมีค่าเท่ากับ 1 0. เมื่อมีการคำนวณเคอร์เนลที่เหมาะสมแล้วการให้ความละเอียดแบบเกาส์ สามารถทำได้โดยการใช้วิธีสวิฟท์มาตรฐานวิธี convolution สามารถทำได้ค่อนข้างรวดเร็วเนื่องจากสมการของ Gaussian แบบ 2-D ที่แสดงด้านบนสามารถแยกออกเป็นส่วนประกอบ x และ y ได้ดังนั้น convolution แบบ 2-D สามารถทำได้ จะกระทำโดยการหมุนวนครั้งแรกด้วย Gaussian 1-D ในทิศทาง x และ convolving กับอีก Gaussian 1-D ในทิศทาง Y Gaussian คือในความเป็นจริงเพียงอย่างเดียว circularly สมมาตรดำเนินการซึ่งสามารถถูกย่อยสลายในลักษณะรูปที่ 4 แสดงเคอร์เนลขององค์ประกอบ 1-D ที่จะใช้ในการผลิตเคอร์เนลเต็มรูปที่แสดงในรูปที่ 3 หลังจากปรับขนาดโดย 273 ปัดเศษและตัดทอนพิกเซลหนึ่งแถวรอบขอบเนื่องจากส่วนใหญ่มีค่า 0 ซึ่งจะลดเมทริกซ์ 7x7 ลงใน 5x5 แสดงไว้ด้านบนองค์ประกอบ y ตรงเหมือนกัน แต่จะมีแนวตั้งตามแนวตั้งรูปที่ 4 หนึ่งในคู่ของ convolution kernels 1-D ที่ใช้ในการคำนวณเคอร์เนลเต็มรูปที่แสดงในรูปที่ 3 เพิ่มเติม quick. A เพิ่มเติมวิธีการคำนวณการทำให้เรียบแบบเกาส์กับ เบี่ยงเบนมาตรฐานขนาดใหญ่คือการ convolve ภาพหลายครั้งด้วย Gaussian ขนาดเล็กในขณะนี้ซับซ้อน computationally ก็สามารถมีการบังคับใช้ถ้าการประมวลผลจะดำเนินการโดยใช้ท่อฮาร์ดแวร์ Gaussian กรองไม่เพียง มีประโยชน์ในการใช้งานด้านวิศวกรรมนอกจากนี้ยังดึงดูดความสนใจจากนักชีววิทยาด้านการคำนวณเนื่องจากมีความเป็นไปได้ทางชีวภาพบางอย่างเช่นเซลล์บางส่วนในวิถีการมองเห็นของสมองมักมีการตอบสนองแบบ Gaussian ที่ใช้กันอยู่ผลกระทบของ Gaussian การทำให้ราบเรียบเป็นภาพเบลอในรูปแบบคล้ายคลึงกับตัวกรองค่าเฉลี่ยความละเอียดของการปรับให้เรียบจะถูกกำหนดโดยค่าเบี่ยงเบนมาตรฐานของ Gauss Gaussianians ค่าเบี่ยงเบนมาตรฐานแน่นอนต้องมีขนาดใหญ่ขึ้นเพื่อให้ได้ความถูกต้องแม่นยำ ค่าเฉลี่ยถ่วงน้ำหนักของพื้นที่ใกล้เคียงของแต่ละพิกเซลโดยเฉลี่ยถ่วงน้ำหนักมากขึ้นต่อค่าของพิกเซลกลางนี่คือค่าเฉลี่ยของการถัวเฉลี่ยถ่วงน้ำหนักเฉลี่ยของเครื่องคิดเลขเฉลี่ยเท่ากันด้วยเหตุนี้ Gaussian จึงให้ความเรียบเนียนและรักษาขอบได้ดีกว่าขนาดที่เหมือนกัน ตัวกรองเฉลี่ยหนึ่งในเหตุผลหลักสำหรับการใช้ Gaussian เป็นตัวกรองความเรียบคือ เนื่องจากการตอบสนองต่อคลื่นความถี่ส่วนใหญ่ตัวกรองความเรียบราบเรียบเป็นตัวกรองความถี่ต่ำซึ่งหมายความว่าผลกระทบของพวกเขาคือการลบคอมโพเนนต์ความถี่เชิงพื้นที่สูงออกจากภาพการตอบสนองความถี่ของตัวกรอง convolution คือผลกระทบต่อความถี่เชิงพื้นที่ที่แตกต่างกัน โดยใช้ตัวแปลงฟูริเยร์ของตัวกรองรูปที่ 5 แสดงการตอบสนองความถี่ของตัวกรองแบบ 1-D ที่มีความกว้าง 5 และตัวกรอง Gaussian ด้วย 3. รูปที่ 5 การตอบสนองความถี่ของกล่อง ได้แก่ ค่าเฉลี่ยความกว้างของตัวกรอง 5 พิกเซลและตัวกรอง Gaussian 3 พิกเซล แกนความถี่เชิงพื้นที่มีการทำเครื่องหมายในรอบต่อพิกเซลและไม่มีค่าเหนือ 0 5 มีความหมายจริงทั้งสองตัวกรองจะลดทอนความถี่สูงกว่าความถี่ต่ำ แต่ตัวกรองค่าเฉลี่ยแสดงการแกว่งในการตอบสนองความถี่ Gaussian ในอีกทางหนึ่งจะแสดง ไม่มีการสั่นสะเทือนในความเป็นจริงรูปร่างของเส้นโค้งตอบสนองความถี่เป็นตัวเองครึ่ง Gaussian ดังนั้นโดยเลือกกรอง Gaussian ขนาดเหมาะสมเราสามารถธรรม con fident เกี่ยวกับช่วงความถี่พื้นที่ที่ยังคงอยู่ในภาพหลังจากการกรองซึ่งไม่ใช่กรณีของตัวกรองค่าเฉลี่ยนี้มีผลต่อเทคนิคการตรวจจับขอบบางอย่างที่กล่าวไว้ในส่วนที่เกี่ยวกับศูนย์ crossings กรอง Gaussian ยังเปลี่ยนเป็น คล้ายกับตัวกรองความเรียบที่ดีที่สุดสำหรับการตรวจจับขอบภายใต้เกณฑ์ที่ใช้ในการหาเครื่องตรวจจับขอบ Canny เพื่อแสดงผลของการปรับให้เรียบด้วยตัวกรอง Gaussian ขนาดใหญ่และใหญ่กว่าจะแสดงผลของการกรองด้วย Gaussian 1 0 และขนาดเคอร์เนล 5 5. แสดงผลของการกรองด้วย Gaussian 2 0 และขนาดเคอร์เนล 9 9. แสดงผลของการกรองด้วย Gaussian 4 0 และขนาดเคอร์เนล 15 15. เรากำลังพิจารณาใช้ Gaussian filter เพื่อลดเสียงรบกวนตัวอย่างเช่นพิจารณา ภาพที่ได้รับความเสียหายโดยเสียง Gaussian ที่มีค่าเฉลี่ยของศูนย์และ 8 Smoothing นี้มีผลตอบแทน 5 5 Gaussian เปรียบเทียบกับผลลัพธ์ที่ได้จากตัวกรองค่าเฉลี่ยและค่ามัธยฐานเสียงเบสและพริกไทยมีความท้าทายมากขึ้นสำหรับตัวกรองแบบเกาส์นี่เราจะทำให้ได้ภาพที่ได้รับความเสียหายจากเสียงพริกไทยและเกลือ 1 ชนิดเช่นแต่ละบิตถูกพลิกกลับด้วยความเป็นไปได้ 1 image. shows ผลของการเรียบ Gaussian ใช้ convolution เช่นเดียวกับข้างต้นเปรียบเทียบกับ original. Notice ที่มากของเสียงยังคงมีอยู่และแม้ว่าจะมีลดลงในขนาดค่อนข้างจะได้รับ smeared out มากกว่าพื้นที่เชิงพื้นที่ขนาดใหญ่ การเพิ่มความเบี่ยงเบนมาตรฐานยังคงลดความรุนแรงของเสียงรบกวน แต่ยังลดทอนรายละเอียดความถี่สูงเช่นขอบอย่างมากตามที่แสดงในการทดลองแบบอินเทอร์แอคทีฟคุณสามารถโต้ตอบกับผู้ดำเนินการนี้ได้โดยการคลิกที่นี่เริ่มต้นจากเสียงรบกวนแบบ Gaussian คือ 0, ภาพจำลองที่เสียหาย 13 ตัวกรองทั้งแบบเฉลี่ยและตัวกรองแบบเกาส์อีซี่เอฟเฟ็กต์ในเครื่องชั่งต่างๆและเปรียบเทียบแต่ละข้อในแง่ของการกำจัดเสียงรบกวนและการสูญเสียรายละเอียด วิธีการหลายเบี่ยงเบนมาตรฐานจากค่าเฉลี่ยไม่ Gaussian ลดลงถึง 5 ของค่าสูงสุดของมันบนพื้นฐานของการนี้แนะนำขนาดเคอร์เนลที่เหมาะสมสำหรับตารางกรอง Gaussian กับ s. Estimate การตอบสนองความถี่สำหรับกรอง Gaussian โดย Gaussian เรียบภาพและ การแปลงฟูเรียร์ทั้งก่อนและหลังเปรียบเทียบกับการตอบสนองความถี่ของตัวกรองค่าเฉลี่ยระยะเวลาที่ใช้ในการราบเรียบกับตัวกรองแบบ Gaussian เทียบกับเวลาที่ใช้ในการราบรื่นด้วยตัวกรองค่าเฉลี่ยสำหรับเคอร์เนลที่มีขนาดเท่ากันโปรดสังเกตว่า ในทั้งสองกรณี convolution สามารถเร่งขึ้นมากโดย exploiting คุณลักษณะบางอย่างของเมล็ดเดวีส์ Machine ทฤษฎีวิสัยทัศน์ Algorithms และ Practicalities Academic Press, 1990, pp 42 - 44.R Gonzalez และ R Woods การประมวลผลภาพดิจิตอล Addison - Wesley Publishing Company , 1992, p 191.R Haralick และ L ชาปิโรคอมพิวเตอร์และหุ่นยนต์วิสัยทัศน์ Addison-Wesley Publishing Company, 1992, Vol 1, Chap 7.B Horn หุ่นยนต์วิสัยทัศน์ MIT Press, 1986, Chap 8.D Vernon Machine V ision Prentice-Hall, 1991, pp 59 - 61, 214. ข้อมูลทั่วไปข้อมูลเฉพาะเกี่ยวกับผู้ให้บริการรายนี้สามารถดูได้จากที่นี่คำแนะนำทั่วไปเกี่ยวกับการติดตั้ง HIPR ในท้องถิ่นมีอยู่ในส่วนแนะนำเบื้องต้นของ Local Information เมื่อคำนวณค่าเฉลี่ยเคลื่อนที่ที่ใช้งาน , วางค่าเฉลี่ยในช่วงเวลากลางทำให้รู้สึกในตัวอย่างก่อนหน้านี้เราคำนวณค่าเฉลี่ยของช่วงเวลา 3 ครั้งแรกและวางไว้ข้างงวด 3 เราอาจมีวางเฉลี่ยในช่วงกลางของช่วงเวลาสามช่วง, นั่นคือถัดจากช่วงเวลา 2 นี่ทำงานได้ดีกับช่วงเวลาแปลก ๆ แต่ไม่ค่อยดีเท่าช่วงเวลาที่แน่นอนดังนั้นเราจะวางค่าเฉลี่ยเคลื่อนที่ครั้งแรกเมื่อ M 4. ทางเทคนิคค่าเฉลี่ยเคลื่อนที่จะลดลงที่ 2 5, 3 5 เพื่อหลีกเลี่ยงปัญหานี้เราเรียบ MA s ใช้ M 2 ดังนั้นเราจึงเรียบค่าเรียบถ้าเราเฉลี่ยจำนวนแม้ของคำที่เราต้องเรียบค่าเรียบตารางต่อไปนี้แสดงผลการใช้ M 4