Det rörliga genomsnittet som ett filter. Det rörliga genomsnittet används ofta för utjämning av data i närvaro av ljud. Det enkla glidande medlet är inte alltid igenkänt som Finite Impulse Response FIR-filtret som det är, medan det faktiskt är ett av de vanligaste filteren I signalbehandling Behandling av det som ett filter gör det möjligt att jämföra det med t. ex. fönsterhåltfilter se artiklarna på lågpasspasspass och bandpass och bandavvisningsfilter för exempel på dem. Den största skillnaden med dessa filter är Att det rörliga medelvärdet är lämpligt för signaler för vilka den användbara informationen är innehållen i tidsdomänen, av vilken utjämningsmätningar medelst medelvärde är ett huvudexempel Windowed-sinc-filter är å andra sidan starka utövande i frekvensdomänen med utjämning i ljud Bearbetning som ett typiskt exempel Det finns en mer detaljerad jämförelse av båda typerna av filter i Time Domain vs Frekvensdomänprestanda för filter Om du har data för vilka både tid och Frekvensdomänen är viktig, så kanske du vill kolla på variationer på rörligt medelvärde som presenterar ett antal viktade versioner av det glidande medlet som är bättre på det. Rörligt medelvärde av längd N kan definieras som. skrivet som Det implementeras typiskt med det aktuella utgångsprovet som medelvärdet av de föregående N-proverna Sikt som ett filter utför det rörliga medlet en konvolvering av ingångssekvensen xn med en rektangulär puls med längd N och höjd 1 N för att göra området av Puls, och därigenom förstärkningen av filtret, en i praktiken är det bäst att ta N udda Även om ett glidande medelvärde också kan beräknas med ett jämnt antal prover, har det att använda ett udda värde för N den fördelen att Fördröjning av filtret kommer att vara ett heltal antal prover, eftersom fördröjningen av ett filter med N-prover är exakt N-1 2 Det rörliga genomsnittet kan sedan justeras exakt med originaldata genom att flytta det med ett heltal antal prover. Tid Domain. Since movi Ng-medelvärdet är en konvolvering med en rektangulär puls, dess frekvensrespons är en sinc-funktion. Det gör det något som det dubbla av windowed-sinc-filtret, eftersom det är en konvolvering med en sinc-puls som resulterar i ett rektangulärt frekvenssvar. Det är Detta sinc-frekvenssvar som gör det rörliga medlet en dålig performer i frekvensdomänen. Det fungerar dock mycket bra i tidsdomänen. Därför är det perfekt att släta data för att ta bort brus och samtidigt hålla ett snabbt stegsvar. Figur 1.Figur 1 Utjämning med ett glidande medelfilter. För det typiska Additiv White Gaussian Noise AWGN som ofta antas har medelvärdena N prover effekten av att öka SNR med en faktor kvt. N Eftersom bruset för de enskilda proverna är okorrelerat Det är ingen anledning att behandla varje prov på ett annat sätt. Det rörliga genomsnittet, vilket ger varje prov samma vikt, kommer att bli av med den maximala mängden brus för ett givet stegresponsskärpa. Eftersom det är ett FIR-filter kan det rörliga medlet genomföras genom konvolvering. Det kommer då att ha samma effektivitet eller brist på det som något annat FIR-filter. Det kan också implementeras rekursivt på ett mycket effektivt sätt. Det följer direkt från Definiera att. Den här formeln är resultatet av uttrycken för yn och yn 1, jag e. where vi märker att förändringen mellan yn 1 och yn är att en extra term xn 1 N visas i slutet, medan termen x nN 1 N avlägsnas från början I praktiska tillämpningar är det ofta möjligt att lämna uppdelningen av N för varje term genom att kompensera för den resulterande vinsten av N på ett annat ställe. Denna rekursiva implementering kommer att vara mycket snabbare än konvolvering. Varje nytt värde av y kan Beräknas med endast två tillägg istället för de N-tillägg som skulle vara nödvändiga för en enkel implementering av definitionen En sak att se efter med en rekursiv implementering är att avrundningsfel kommer att ackumuleras. Denna ma Y eller kanske inte är ett problem för din ansökan, men det innebär också att det här rekursiva genomförandet faktiskt kommer att fungera bättre med ett heltal implementering än med flytande punkttal. Detta är ganska ovanligt, eftersom en flytande punktimplementering vanligtvis är enklare. Slutsatsen av Allt detta måste vara att du aldrig bör underskatta användbarheten av det enkla glidande medelfiltret i signalbehandlingsapplikationer. Filtreverktyg. Denna artikel kompletteras med ett filterdesignverktyg Experiment med olika värden för N och visualisera de resulterande filtrena Prova nu. Flyttande medelfilter MA filter. Laddning Det rörliga genomsnittliga filtret är ett enkelt Low Pass FIR Finite Impulse Response-filter som vanligtvis används för utjämning av en samling av samplad datasignal. Det tar M prover av ingång åt gången och tar medlet av dessa M-prover och Producerar en enda utgångspunkt Det är en väldigt enkel LPF Low Pass Filter-struktur som är praktisk för forskare och ingenjörer för att filtrera oönskade n Ojämlik komponent från den avsedda data. När filterlängden ökar parametern M ökar utjämnets jämnhet, medan de skarpa övergångarna i data görs alltmer stupade. Detta innebär att detta filter har utmärkt tidsdomänsvar men ett dåligt frekvenssvar. MA-filtret utför tre viktiga funktioner.1 Det tar M-ingångspunkter, beräknar medelvärdet av de M-punkterna och producerar en enda utgångspunkt 2. På grund av beräkningsberäkningarna som är inblandade introducerar filtret en bestämd mängd fördröjning 3. Filtret fungerar som en låg Passfilter med dåligt frekvensdomänsvar och ett bra domänrespons. Matlab-kod. Följande matlab-kod simulerar tidsdomänsvaret för ett M-punkts rörande medelfilter och avbildar också frekvensresponsen för olika filterlängder. Tid Domänrespons. Inmatning till MA filter.3-punkts MA filter output. Input till Flyttande medelfilter. Response av 3 poäng Flytta genomsnittlig filter.51-punkts MA filter output.101-punkts MA filter outpu T. Response av 51-punkts Flyttande medelfilter. Response av 101-punkts Flyttande medelfilter.501-punkts MA filterutgång. Respons av 501 poäng Flyttande medelfilter. On den första tomten har vi ingången som går in i rörelsen Medelfilter Inmatningen är bullrig och vårt mål är att minska bruset Nästa bild är utgångsvaret för ett 3-punkts rörligt medelfilter Det kan härledas från figuren att 3-punkts rörande medelfilter inte har gjort mycket i filtrering Ut bruset Vi ökar filterkranarna till 51-punkter och vi kan se att bruset i utmatningen har minskat mycket, vilket avbildas i nästa figur. Frequency Response of Moving Average Filters av olika längder. Vi ökar tapparna ytterligare till 101 och 501 och vi kan observera att även om bullret är nästan noll, övergångarna är utslagna drastiskt observera lutningen på vardera sidan av signalen och jämföra dem med den ideala tegelväggsövergången i vårt input. Frequency Response. From Frekvensen Svaret kan man hävda att avrullningen är väldigt långsam och stoppbandets dämpning är inte bra. Med tanke på detta stoppbanddämpning kan det glidande medelfiltret tydligt inte skilja ett frekvensband från en annan. Eftersom vi vet att en bra prestanda i Tidsdomänen resulterar i dålig prestanda i frekvensdomänen och vice versa Kort sagt är det rörliga genomsnittet ett exceptionellt bra utjämningsfilter, åtgärden i tidsdomänen, men ett exceptionellt dåligt lågpassfilter är åtgärden i frekvensdomänen. Externa länkar . Rekommenderad Books. Primary Sidebar. Detta exempel visar hur man använder rörliga genomsnittsfilter och resampling för att isolera effekten av periodiska komponenter på tiden av timmen vid timme temperaturavläsningar, samt ta bort oönskat linjebus från en spänningsmätning med öppen slinga. Exempel visar också hur man mäter nivåerna på en klocksignal medan du håller kanterna genom att använda ett medianfilter. Exemplet visar också hur man använder ett Hampel-filter för att ta bort stor ut Liers. Smoothing är hur vi upptäcker viktiga mönster i våra data medan vi lämnar ut saker som är obetydliga, dvs brus Vi använder filtrering för att utföra denna utjämning. Målet med utjämning är att producera långsamma värdeförändringar så att det blir enklare att se trender i våra data . Ibland när du granskar inmatningsdata kan du önska att jämna data för att se en trend i signalen I vårt exempel har vi en uppsättning temperaturvärden i Celsius som tas varje timme på Logan Airport för hela januari månad 2011. Observera att vi visuellt kan se vilken effekt dagtid har på temperaturavläsningarna. Om du bara är intresserad av den dagliga temperaturvariationen under månaden, bidrar de timliga fluktuationerna bara med ljud, vilket kan göra det svårt att skilja de dagliga variationerna. För att ta bort Effekten av tiden på dagen skulle vi nu vilja släta våra data genom att använda ett glidande medelfilter. A Flytande medelfilter. I sin enklaste form tar ett glidande medelfilter av längd N genomsnittet E av varje N på varandra följande prover av vågformen. För att tillämpa ett glidande medelfilter till varje datapunkt konstruerar vi våra koefficienter i vårt filter så att varje punkt är lika vägt och bidrar med 1 24 till det totala genomsnittet. Detta ger oss medeltemperaturen över Varje 24-timmarsperiod. Filter Delay. Not att den filtrerade utsignalen är försenad med cirka tolv timmar Detta beror på det faktum att vårt glidande medelfilter har en fördröjning. Ett nytt symmetriskt filter med längd N kommer att ha en fördröjning av N-1 2 prover Vi kan redovisa denna fördröjning manuellt. Utdragsgenomsnittliga skillnader. Alternativt kan vi också använda det glidande medelfiltret för att få en bättre uppskattning av hur tidpunkten för dagen påverkar den totala temperaturen. För det första, subtrahera de jämnda data från timmen Temperaturmätningar Därefter segmentera de olika uppgifterna i dagar och ta medeltalet över alla 31 dagar i månaden. Utdragning av toppkuvert. Ibland vill vi också ha en jämn varierande uppskattning av hur höga Och nedgången i vår temperatursignal byts dagligen. För att göra detta kan vi använda kuvertfunktionen för att ansluta extrema höga och låga detekterade över en delmängd av 24-timmarsperioden. I det här exemplet ser vi till att det finns minst 16 timmar mellan varje extremt hög och extrem Låg Vi kan också få en känsla av hur höga och låga trender är genom att ta medeltalet mellan de två ytterligheterna. Vågade rörliga medelfilter. Övriga typer av rörliga genomsnittliga filter viktar inte varje prov lika. Ett annat vanligt filter följer binomial expansion av Denna typ av filter approximerar en normal kurva för stora värden på n. Det är användbart för att filtrera ut högfrekventa ljud för små. N För att hitta koefficienterna för binomialfiltret, sammanfogar sig med sig och sedan iterativt sammanfaller utsignalen med ett föreskrivet antal gånger I Detta exempel, använd fem totalt iterationer. Ett annat filter som liknar det gaussiska expansionsfiltret är exponentiell glidande medelfilter. Denna typ av vägd rörlig ave Rage filter är lätt att konstruera och kräver inte en stor fönsterstorlek. Du justerar ett exponentiellt vägt glidande medelfilter med en alfaparameter mellan noll och en. Ett högre värde på alfa kommer att ha mindre utjämning. Söm in på avläsningarna för en dag. Välj ditt land.
No comments:
Post a Comment