Moving Average Filter DSP. one mówi, że średnie ruchome filtry MAF są dobre w dziedzinie czasu TD i złe w domenie freqeuency FD I że windowed-sinc filtrów są dobre w FD i złe w TD. But teraz zastanawiam się, czy w przypadku MAF to jest jednak w porządku, aby przekształcić jądro i dane za pośrednictwem FFT na FD, robi tam elementywne mnożenie i wreszcie zastosowanie iFFT, aby uzyskać wyniki w TD, zamiast przetwarzania convolution w TD. Jedno z jednej strony byłoby zaskakujące ja jeśli to matematycznie procedury convolution w TD jest mnożenie w FD jest tu dozwolone tutaj Jedna z drugiej strony dlaczego wynik jest wciąż dobry, nawet jeśli wykonam proces w FD gdzie MAF wydaje się być nie good. A wreszcie jest różnica między robiąc zwykły FFT na danych w domenie czasu lub stosując metodę nakładania i dodawania splotów FFT na przykład na danych, których nie wiem, kiedy powinienem używać poprzedniego lub ostatniego. Przekazywanie średniego filtru DSP. the transform kwadratowego pudełka, przesuwając ave wściekłość w td, lub idealny lp w fd to funkcja sinc. Ale funkcja sinc jest noncausal i jir filtra jodła może uzyskać idealną odpowiedź częstotliwościową w górę do N częstotliwości okno jest używany do handlu z dokładną precyzją w tych N częstotliwości dla lepszej precyzji na częstotliwościach pomiędzy nimi jest również łatwy sposób na zaprojektowanie filtra. przy użyciu średniej ruchomości, ponieważ jest łatwa do zaprojektowania i wdrożenia. ---------- Dodano w 19 08 - -------- Poprzedni post był na 19 02.oh, a prosta średnia ruchoma może być również wykonana przy użyciu splotów, ale jeśli musisz zrobić złożone multiplies, dlaczego nie wybrać lepszego filtru, na przykład na podstawie rzeczywistą przepustowość lub wymagania systemu. Obiekt systemowy. Obiekt systemowy oblicza średnią ruchomą sygnału wejściowego wzdłuż każdego kanału niezależnie od czasu. Obiekt wykorzystuje metodę wagi przesuwnej lub metodę ważenia wykładniczego do obliczania średniej ruchomej W metodzie okna przesuwnego okno o określonej długości jest przenoszony przez dane, próbki według próbki, a średnia jest obliczana na podstawie danych w oknie W metodzie ważenia wykładniczego obiekt mnoży próbki danych z zestawem współczynników ważenia Średnia jest obliczana przez sumowanie waŜonych danych Dla więcej szczegóły na temat tych metod, zobacz Algorithms (Algorytmy). Obiekt akceptuje wejścia wielokanałowe, tj. m-by-size, gdzie m 1 i n 1 Obiekt akceptuje wejścia o zmiennej wielkości Po zablokowaniu obiektu można zmienić rozmiar każdego kanału wejściowego Jednak liczba kanałów nie może się zmienić Ten obiekt obsługuje generowanie kodu C i C. Aby obliczyć średnią ruchliwą wejścia. Zredukować obiekt i ustawić właściwości obiektu objec t. Czważać do obliczania średniej ruchomej. Uwaga Alternatywnie, zamiast używać metody kroku do wykonywania operacji zdefiniowanej przez obiekt System, można wywołać obiekt z argumentami, tak jakby był to funkcja Na przykład y step obj, x i y obj x wykonaj równoważne operacje. movAvg zwraca ruchomego obiektu średniego, movAvg przy użyciu domyślnych właściwości. movAvg ustawia właściwość WindowLength na Len. movAvg określa dodatkowe właściwości przy użyciu Name, Value parze Nieokreślone właściwości mają wartości domyślne. Sliding Window Method. In metoda przesuwu okna, wyjście dla każdej próbki wejściowej jest średnią z bieżącej próbki, a Len - 1 poprzednich próbek Len to długość okna Aby obliczyć pierwsze wyjścia Len - 1, gdy okno nie ma wystarczająco dużo danych , algorytm wypełnia okno z zerami Jako przykład obliczyć średnią, gdy druga próbka wejściowa jest włączona, algorytm wypełnia okno z zerami Len - 2. Wektor danych, x to dwie próbki danych dla W przypadku braku określenia długości okna, algorytm wybiera nieskończoną długość okna W tym trybie wynik jest średnią ruchoma bieżącej próbki i wszystkich poprzednich próbek w kanale. Nazwa ważona metodą ważenia. W metodzie ważności wykładniczej średnia ruchoma jest obliczana rekurencyjnie przy użyciu tych wzorów. w N w N 1 1 N 1 N w N x N 1 1 w N x Nx N średnia ruchoma w bieżącej próbce. x N przykładowa próbka danych bieżących. x N 1 Średnia ruchoma w poprzedniej próbce. Forgetting factor. w N Współczynnik ważenia zastosowany do bieżącej próbki danych. 1 1 w N x N 1 Wpływ poprzednich danych na średnią. W przypadku pierwszej próby, w której N 1 algorytm wybiera w N 1 W kolejnej próbce współczynnik ważenia jest aktualizowany i wykorzystywany do obliczania średniej, równanie rekurencyjne Gdy wiek danych wzrasta, wielkość współczynnika wagi maleje wykładniczo i nigdy nie osiąga zero Innymi słowy, ostatnie dane mają większy wpływ na obecną średnią niż starsze dane. Wartość współczynnika zapominalności określa szybkość zmian współczynników wagi Współczynnik zapominania 0 9 daje większą wagę starszym danych niż współczynnik zapominania 0 1 Współczynnik zapominania równy 1 0 wskazuje na nieskończoną pamięć Wszystkie poprzednie przykłady mają równą wagę. Wybierz swój kraj Średnia metoda pomiaru Metoda metody średniej Okno przesuwne Wyważenie wykładnicze Okno przesuwne Okno długości Długość okna przesuwa się przez dane wejściowe wzdłuż każdego kanału W przypadku każdej próbki, przez którą przesuwa się okno blok oblicza verage nad danymi w oknie. Ważenie wyrównawcze Blok sumuje próbki za pomocą zestawu współczynników ważenia Współczynniki ważenia maleją wykładniczo, gdy wiek danych wzrasta, nigdy nie osiągając wartości zerowej Aby obliczyć średnią, algorytm oblicza ważoną wartość data. Spinify length Określa długość okna Określenie flagi w celu określenia długości okna na domyślnym wyłączeniu. W przypadku wybrania tego pola długość okna przesuwnego jest równa wartości określonej w oknie Okno Wyczyść to pole wyboru długość okna przesuwnego jest nieskończona W tym trybie blok oblicza średnią z bieżącej próbki i wszystkich poprzednich próbek w kanale. Wybierz długość Długość okna przesuwnego 4 domyślna dodatnia wielka liczba całkowita. Window długość określa długość przesuwanego okna Ten parametr pojawia się, gdy zaznacz pole wyboru Określ długość okna. Forgetting factor Współczynnik ważenia wykładniczego 0 9 domyślny dodatni rzeczywisty skalar w zakresie 0,1. Ten parametr ma zastosowanie, gdy yo u set Metoda ważenia wykładniczego Współczynnik zapamiętywania równy 0 9 daje większą wagę do starszych danych niż współczynnik zapamiętywania 0 1 Współczynnik zapominania równy 1 0 oznacza nieskończoną pamięć Wszystkie poprzednie próbki są równe wagi. Ten parametr jest dostrojony może zmienić wartość nawet podczas symulacji. Simulate używając Typu symulacji do uruchomienia Generowanie kodu Domyślnie interpretowane wykonanie. Simulate model przy użyciu wygenerowanego kodu C Po pierwszym uruchomieniu symulacji Simulink generuje kod C dla bloku Kod C jest ponownie używany do późniejszego symulacje, dopóki model się nie zmieni Ta opcja wymaga dodatkowego czasu uruchamiania, ale zapewnia szybszą prędkość symulacji niż wykonanie interpretacji. Simulate model za pomocą interpretera MATLAB Ta opcja skraca czas uruchamiania, ale ma mniejszą szybkość symulacji niż generowanie kodu. metoda przesuwu okna, wyjście dla każdej próbki wejściowej jest średnią bieżącej próbki i poprzednich próbek Len - 1 en jest długością okna Aby obliczyć pierwsze wyjścia Len-1, gdy okno nie ma jeszcze wystarczająco dużo danych, algorytm wypełnia okno z zerami. Przykładowo, obliczyć średnią, gdy pojawi się druga próbka wejściowa, algorytm wypełnia okno z Len - 2 zerami Wektor danych, x to dwiema próbkami danych, a następnie zerami Len - 2. Gdy nie określisz długości okna, algorytm wybiera nieskończoną długość okna W tym trybie wynik jest średnia ważona bieżącej próbki i wszystkich poprzednich próbek w kanale. Metoda ważenia dodatkowego. W metodzie ważenia wykładnicza średnia ruchoma jest obliczana rekurencyjnie przy użyciu tych wzorów. w N w N 1 1 x N 1 1 w N x N 1 1 w N x Nx N średnia ruchoma w bieżącej próbce. x N bieżące dane wejściowe sample. x N 1 średnia krocząca w poprzedniej próbce. Forgetting factor. w N współczynnik ważenia zastosowany do bieżącej próbki danych. 1 1 w N x N 1 Wpływ poprzednich danych na średnią. W przypadku pierwszej próby, w której N 1 algorytm wybiera w N 1 W kolejnej próbce współczynnik ważenia jest aktualizowany i wykorzystywany do obliczania średniej, równanie rekurencyjne Gdy wiek danych wzrasta, wielkość współczynnika wagi maleje wykładniczo i nigdy nie osiąga zero Innymi słowy, ostatnie dane mają większy wpływ na obecną średnią niż starsze dane. Wartość współczynnika zapominalności określa szybkość zmian współczynników wagi Współczynnik zapominania 0 9 daje większą wagę starszym danych niż współczynnik zapominania 0 1 Współczynnik zapominania równy 1 0 oznacza nieskończoną pamięć Wszystkie poprzednie przykłady mają równą wagę. Wybierz swój kraj .
No comments:
Post a Comment