Everyday DSP for programmerere Trinn Response of Averaging. Last uke tok vi en titt på ulike typer gjennomsnitt og brukte dem til å analysere historiske gasspriser. Se på et komplekst signal som gasspriser gir oss en fin sammenligning av atferdene til de ulike gjennomsnittsmetodene, men det gir bare oss en ide om hva gjennomsnittsnivået gjør for et bestemt signal. Hva hvis vi vil forstå hva de forskjellige middelmålsmetoder gjør på en mer generell måte. En måte å analysere de forskjellige metodene på er å bruke dem til de grunnleggende signalene. som resulterer fra å bruke en middelfunksjon til en av de grunnleggende signaler kalles funksjonens respons. Hvis signalet er likestrømssignalet, kalles det DC-svaret. Hvis signalet er trinnfunksjonen, kalles det trinnresponsen, og så videre Vi vil se på trinnresponsen mer detaljert, men først, la s kort diskutere svarene til de forskjellige gjennomsnittlige funksjonene til hver av de grunnleggende signaler. Svar på Signals. W e dekket fem forskjellige måter å gjennomsnittsføre i det siste innlegget full, blokk, flytting, eksponensiell og FIR filter og fire forskjellige typer grunnleggende signaler fra første post DC, impuls, trinn og sinus. Hvis vi skulle gjøre en kryssjämförelse av alle disse signalene og gjennomsnittsmetodene vil vi ende opp med tjue grafer, men de fleste vil ikke være for nyttige eller interessante, så vi kommer til å begrense dem litt. Først, la s vurdere hele gjennomsnittet Siden hele gjennomsnittet beregner bare gjennomsnittet over hele signalet. Signalresponsen er ikke veldig interessant. Det er en enkelt verdi. Blokk gjennomsnittet er ikke mye mer interessant siden det bare splitter opp signalet i like store brikker før du tar gjennomsnittet. Resultatet vil bli en decimert versjon av det opprinnelige signalet Vi vil ignorere disse to typer gjennomsnitt for denne utforskningen. Vi kan også kaste ut DC-signalet fra signalsiden av matrisen, siden ingen type gjennomsnitt vil endre en DC-verdi. uldn t Hvis det gjøres, bør du sørge for at gjennomsnittsfunksjonen din er stabil og gjør det du tror det gjør. DC-responsen er mer interessant når du analyserer komplekse Infinite Impulse Response IIR-filtre fordi de kan være ustabile med et DC-signal, men ingen av disse gjennomsnittsfunksjonene er ustabile. Det etterlater impuls-, trinn - og sinusignalene, og det bevegelige, eksponensielle og FIR-filteret er gjennomsnittlig som potensielle kandidater til sammenligning. Sonsignalets respons vil avhenge av frekvensen av sinusbølgen, og at type analyse er normalt gjort med en DFT for å finne gjennomsnittets frekvensrespons over en rekke frekvenser. Vi er ikke klar for den typen analyse, men likevel, så vi vil se på det i et senere innlegg. Impulssvaret av et gjennomsnitt faktisk har en interessant oppførsel Kjører en impuls gjennom en gjennomsnittsfunksjon vil gjengi gjennomsnittsfunksjonen som en serie kraner for et FIR-filter Fordi impulsfunksjonen er null overalt bortsett fra en enkelt prøve, når du bruker en gjennomsnittsfunksjon til det, er resultatet ved hvert punkt verdien du vil bruke for å trykke på det tilsvarende filteret. Impulsfunksjonen som brukes på et glidende gjennomsnitt, vil resultere i en blokk med prøver med hver prøve har en verdi av inversen av blokkstørrelsen Hvis du deretter brukte disse verdiene som kraner i et filter, multipliserer hver prøve av et signal ved invers av blokkstørrelsen og summerer dem sammen, vil du få det samme resultatet som glidende gjennomsnitt Det er fordi følgende ligninger er ekvivalente. De 1 n-termer i summeringen på høyre side er kretsene på et filter. På grunn av denne egenskapen vil FIR-filteret bare gjengi sine kraner som svar på impulsfunksjonen. Eksponentiell gjennomsnittet vil produsere et eksponentielt henfall, og det slutter aldri fordi eksponensiell forfall nærmer seg null, men når aldri det. Eksponentielt gjennomsnitt er derfor et eksempel på et enkelt IIR-filter. Gjennomsnittlig trinnrespons. Det lea ves trinnresponsen for å se nærmere på For å finne trinnresponset av et gjennomsnitt, er alt vi trenger å gjøre, erstattet gassprissignalet som vi så på før med en trinnfunksjon, og kjøre gjennomsnittsfunksjonen over den. For glidende gjennomsnitt, husk at operasjonen er. Hvor j er jth-prøven, og k er blokkstørrelsen Denne operasjonen ser ut som følgende graf. Klikk på grafen for å kjøre det bevegelige gjennomsnittet. Blokkestørrelsen ble utvidet for å vise svaret bedre. Legg merke til hvordan svaret er en linje som forbinder det lavere nivået ved det punktet der trinnet opptrer til det høyere nivået ved det punktet hvor antall prøver som er ekvivalent med blokkstørrelsen, er dekket. I hvert trinn av det bevegelige gjennomsnittet blir en annen høyereverdig prøve lagt til til gjennomsnittet, slik at gjennomsnittssignalet fortsetter i en lineær bane fra den gamle verdien til den nye verdien med en forsinkelse lik blokkstørrelsen. Dette trinnsvaret viser hvordan det bevegelige gjennomsnitt fjerner høyfrekvent innhold fra signalet Den originale trinnfunksjonen har uendelig frekvensinnhold på trinnet Svaret har fortsatt noe høyere frekvensinnhold i de to hjørnene, men det er mindre enn før, og den lineære regionen har svært lavfrekvensinnhold. Vi kan også se begynnelsen av en trekantbølge i dette svaret Hvis trinnfunksjonen faktisk var en firkantbølge med en periode dobbelt så lang som blokkstørrelsen på det bevegelige gjennomsnittet, ville det bevegelige gjennomsnittet produsere en perfekt trekantbølge. Kanskje ikke den mest effektive måten å generere en, men det er nyttig innsikt i oppførsel av det bevegelige gjennomsnittet. Eksponensielt gjennomsnittlig trinnrespons. Husk, den eksponentielle gjennomsnittsfunksjonen virker som denne. men iwsi 1-w betyr i-1. Hvor er vekten av gjeldende prøve og er en verdi mellom 0 og 1 For en vekting nær 0, ser trinnresponsen ut som dette. Denne grafen viser klart hvorfor det kalles et eksponentielt gjennomsnitt fordi gjennomsnittet nærmer seg den nye verdien av trinnfunksjonen langs en eksponentiell kurve. Vi kan også se tha t eksponentielt gjennomsnitt reagerer raskere på nye innganger fordi responsen endrer seg mye raskere nær det første trinnet Da nærmer den den nye verdien langsommere over tid Det er derfor det eksponensielle gjennomsnittet beholdt flere av støt og pigger i gassprisesignalet, og den fjerner noe mindre av høyfrekvensinnholdet enn det bevegelige gjennomsnittet, må vektingsvekter være svært nær null før eksponentiell gjennomsnitt vunnet t gi et sterkt svar på nye verdier, og deretter nærmer gjennomsnittet nye verdier ekstremt sakte. Teoretisk sett eksponentielt gjennomsnitt når aldri den nye verdien, og har dermed en uendelig respons, og derfor er det et IIR-filter. Praktisk sett har dette eksponensielle gjennomsnittet nesten nådd den nye verdien innen 5 eller 6 tidsenheter, som vist på grafen ovenfor. Det vil aldri virkelig nå den nye verdien, men det vil bli vilkårlig lukket. FIR Filter Step Response. For å få en mer konsistent frekvensrespons enn det bevegelige gjennomsnittet eller eksponentielle aver alder, må vi gå til FIR-filteret Husk at FIR-filteret har et sett med kraner som multipliseres med signalverdiene, og beregningen er representert som. Hvor yj er resultatet av filteret for j-prøven, k er antall kraner, og hei er det jeg trykker på FIR-filteret vi så på brukt en sinc-funksjon for kranene, og at filteret har følgende trinnrespons. Notat hvordan filteret ikke reagerer sterkt med en gang, i stedet vri tilbake og igjen et par ganger før du hopper opp til og overskygger den nye verdien når trinnet er halvveis gjennom filteret. Det vriker seg rundt den nye verdien litt før du går inn i den. Denne oppførselen kan se kjent Hvis vi utvidet trinnfunksjonen til en firkantbølge med riktig periode vil filterresponset se ut som Fourier-serien tilnærming av en firkantbølge som vi utforsket når de dekker transformasjoner. Filtret vil faktisk generere den samme bølgeformen som Fourier-serien, men med en forsinkelse som er halve numbe r av kraner i filteret. Kranene generert fra sinc-funksjonen tillater bare bestemte frekvenser i responsen, og derfor har den denne oppførselen med trinnfunksjonen. Antallet wiggles og brattheten i overgangen i midten av filteret vil avhenge av antall kraner og frekvensen som brukes i sinc-funksjonen for å generere kranene. En stor del av filterdesignet styrer disse parametrene for å produsere ønsket avskjæringsfrekvens for filteret. Med det har vi ganske mye dekket trinnrespons av de ulike gjennomsnittsfunksjonene vi har brukt. Analysere trinnresponsen til et nytt filter eller en annen DSP-operasjon er en god praksis for å forstå oppførselen til algoritmen du utvikler. Det kan gi deg ny innsikt eller bekrefte at algoritmen gjør hva det er ment å gjøre Det er et godt verktøy for å holde i DSP-verktøykassen Neste uke slår vi opp de statistiske teknikkene til DSP ved å se på noen måter å beregne hvor mye et signal endrer seg med signalvariasjon. Oppdatert 12. mars 2013. Hva er RC-filtrering og eksponentiell gjennomsnittsverdi og hvordan de adskiller Svaret på den andre delen av spørsmålet er at de er samme prosess Hvis en kommer fra en elektronikkbakgrunn, er RC-filtrering eller RC-utjevning det vanlige uttrykket På den annen side har en tilnærming basert på tidsseriestatistikk navnet Exponential Averaging, eller for å bruke fullt navn Eksponentiell vektet Flytende Gjennomsnitt Dette er også forskjellige kjent som EWMA eller EMA. En hovedfordel ved metoden er enkelheten av formelen for beregning av neste utgang Det tar en brøkdel av forrige utgang og en minus denne brøkdel ganger gjeldende inngang Algebraisk ved tid k den glatte utdata yk er gitt av. Som vist senere, legger denne enkle formelen vekt på nylige hendelser, jevner ut høyfrekvensvarianter og avslører langsiktige trender Merk at det er to former for eksponentiell gjennomsnittlig ligning, den ene over og en variant. Både er korrekte Se notatene i slutten av artikkelen for flere detaljer I denne diskusjonen vil vi bare bruke ligning 1. Formelen ovenfor er noen ganger skrevet på mer begrenset måte. Hvordan er denne formelen avledet og hva er dens tolkning Et sentralt punkt er hvordan velger vi å se på denne enkle måten er å vurdere et RC lavpasfilter. Nå er et RC lavpasfilter bare en seriemotstand R og en parallell kondensator C som illustrert nedenfor. Tidsserier ligningen for denne kretsen er. Produktet RC har tidsenheter og er kjent som tidskonstanten T for kretsen Anta at vi representerer ovennevnte ligning i sin digitale form for en tidsserie som har data tatt hvert sekund vi har. Dette er nøyaktig samme form som forrige ligning Sammenligning av de to relasjonene for en vi har. Du reduserer til det svært enkle forholdet. Hvordan er valget av N styrt av hvilken tidskonstant vi valgte Nå kan ligning 1 bli gjenkjent som et lavpassfilter og tidskonstanten karakteriserer filterets oppførsel For å se betydningen av Time Constant må vi se på frekvenskarakteristikken til dette lavpas-RC-filteret. I sin generelle form er dette. Ekspansjon i modul og faseform har vi. hvor fasevinkelen er. Frekvensen kalles den nominelle avskjæringsfrekvensen Fysisk det kan det påvises at ved denne frekvensen er effekten i signalet redusert med en halv og amplituden reduseres med faktoren I dB-termer er denne frekvensen hvor amplituden er redusert med 3dB. Klar når tiden Konstant T øker så da kuttfrekvensen reduseres og vi bruker mer utjevning til dataene, det er at vi eliminerer de høyere frekvensene. Det er viktig å merke seg at frekvensresponsen uttrykkes i radianer andre. Det er en faktor involvert. For eksempel å velge en tidskonstant av 5 sekunder gir en effektiv avskjæringsfrekvens av En populær bruk av RC-utjevning er å simulere virkningen av en meter som brukes i en lydnivåmåler. Disse er vanligvis typifisert av deres tidskonstant suksess h som 1 sekund for S-typer og 0 125 sekunder for F-typer For disse 2 tilfellene er de effektive kuttfrekvensene henholdsvis 0 16 Hz og 1 27 Hz. Det er ikke den tidskonstanten vi vanligvis ønsker å velge, men de perioder vi ønsker å inkludere Anta at vi har et signal der vi ønsker å inkludere funksjoner med en P-periode. Nå en periode P er en frekvens. Vi kan da velge en tidskonstant T gitt av. Men vi vet at vi har mistet ca. 30 av utgangen -3dB ved dermed å velge en tidskonstant som nøyaktig tilsvarer periodicitetene vi ønsker å beholde, er ikke den beste ordningen. Det er vanligvis bedre å velge en litt høyere avskjæringsfrekvens, si Tidskonstanten er da som praktisk sett ligner dette. Dette reduserer tapet til 15 i denne periodiciteten Derfor, i praksis, å beholde hendelser med en periodighet eller større, velg en tidskonstant av dette. Dette vil inkludere effektene av periodiskhetene ned til, for eksempel hvis vi ønsker å inkludere virkningen av hendelsen s skjer med en 8 sekunders periode 0 125Hz og velg en tidskonstant på 0 8 sekunder Dette gir en kuttfrekvens på ca. 0 2 Hz, slik at vår 8 sekunders periode er godt i filterets hovedpassbånd. Hvis vi prøvde det data ved 20 ganger andre h 0 05 da er verdien av N 0 8 0 05 16 og. Dette gir litt innsikt i hvordan man setter. I utgangspunktet for en kjent samplingsfrekvens, karakteriserer den gjennomsnittlig periode og velger hvilke høyfrekvent svingninger som vil bli ignorert. Ved å se på ekspansjonen av algoritmen kan vi se at den favoriserer de nyeste verdiene, og også hvorfor det er referert til som eksponentiell vekting. Vi har. Substitutering for y k-1 gir. Repeating denne prosessen flere ganger fører til. Fordi er I rekkevidden blir det tydelig at vilkårene til høyre blir mindre og oppfører seg som en forfallende eksponentiell. Det er dagens utgang er forspent mot de nyere hendelsene, men jo større velger vi T, desto mindre bias. Samlet sett ser vi den enkle formelen. understreker rece nt events. smoothes ut høyfrekvent kort periode events. reveals langsiktige trender. Vedlegg 1 Alternative former for ligningen. Forsiktig Det er to former for eksponentiell gjennomsnittlig ligning som vises i litteraturen. Begge er korrekte og likeverdige. Det første skjemaet som vist over er A1. Den alternative formen er A2. Noter bruk av i den første ligningen og i den andre ligningen I begge ligninger og er verdier mellom null og enhet. Tidligere ble definert som. Nå valgte å definere. Hvordan den alternative form av eksponentiell gjennomsnittlig ligning er. I fysiske uttrykk betyr det at valget av form en bruker avhenger av hvordan man ønsker å tenke på enten å ta som tilbakebetegnelsesfraksjonen A1 eller som en brøkdel av inngangsligningen A2. Den første form er litt mindre besværlig med å vise RC-filterforholdet, og fører til en enklere forståelse i filterbetingelser. Kjærlighetssignalbehandling Analyst hos Prosig. Dr Colin Mercer var tidligere ved Institute of Sound and Vibration Research ISVR University of Southampton hvor han grunnla Data Analysis Center Han fortsatte deretter med å finne Prosig i 1977 Colin pensjonert som Chief Signal Processing Analyst hos Prosig i desember 2016 Han er en Chartered Engineer og en stipendiat fra British Computer Society. I tror du vil å endre p til symbolet for pi. Marco, takk for at du peker på at jeg tror dette er en av våre eldre artikler som er blitt overført fra et gammelt tekstbehandlingsdokument. Åpenbart har redaktøren meg ikke klar over at pi ikke hadde blitt transkribert riktig. Det vil bli korrigert shortly. it sa veldig god artikkel forklaring på eksponentiell gjennomsnittlig. Jeg tror det er en feil i formelen for T Det skal være T h N-1, ikke T N-1 h. Mange takk for å oppdage at jeg nettopp har sjekket tilbake til Dr Mercer s opprinnelige tekniske notat i vårt arkiv, og det ser ut til at det var feil ved overføring av ligningene til bloggen. Vi vil rette innlegget. Takk for at du fikk beskjed. Takk, takk takkdu Du kan lese 100 DSP-tekster uten å finne noe som sier at et eksponentielt gjennomsnittlig filter er ekvivalent av et RC-filter. Hmm, har du ligningen for et EMA-filter, er det ikke Yk aXk 1-en Yk-1 i stedet for Yk aYk-1 1-a Xk. Alan, begge formene av ligningen vises i litteraturen, og begge skjemaene er korrekte som jeg vil vise nedenfor. Poenget du lager er viktig, fordi det å bruke den alternative form betyr at det fysiske forholdet med en RC filter er mindre tydelig, dessuten er tolkningen av betydningen av en som er vist i artikkelen ikke hensiktsmessig for den alternative formen. Først la oss vise at begge skjemaene er korrekte. Formen av ligningen som jeg har brukt er. og den alternative form som gjør vises i mange tekster er. Merknad i det ovennevnte har jeg brukt latex 1 latex i den første ligningen og latex 2 latex i den andre ligningen. Likningen av begge former av ligningen er vist matematisk under det å ta enkle trinn om gangen. Hva er ikke Det samme er verdien som brukes for latex latex i hver ligning. I begge former er latex latex en verdi mellom null og enhet. Første omskrivningsligning 1 erstatter latex 1 latex med latex latex. Dette gir. latex yk y 1 - beta xk latex 1A. Nå definerer latex beta 1 - 2 latex og så har vi også latex 2 1 - beta latex. Bytt disse inn i ligning 1A gir. latex yk 1 - 2 y 2xk latex 1B. And endelig re-arrangere gir. Denne ligningen er identisk med den alternative form gitt i ligning 2.Puttere mer bare latex 2 1 - 1 latex. I fysisk form betyr det at valg av form en bruk avhenger av hvordan man ønsker å tenke på enten å ta latex alpha latex som feed back fraksjon ekvation 1 eller som brøkdel av inngangsligningen 2. Som nevnt ovenfor har jeg brukt den første form som det er litt mindre tungvint å vise RC filter forhold, og fører til enklere forståelse i filterbetingelser. Uansett om man unnlater det ovenfor, er det etter min mening en mangel i artikkelen som andre mennesker kan gjøre feil forklaring, så en revidert versjon vil vises snart. Jeg har alltid lurt på dette , takk for å beskrive det så klart. Jeg tror en annen grunn den første formuleringen er fin er alfa-kart for å glatte et høyere valg av alfa betyr en mer jevn utgang. Michael Takk for observasjon Jeg vil legge til artikkelen noe på disse linjene som det er ALW ays bedre i min mening å forholde seg til fysiske aspekter. Mercer, Utmerket artikkel, takk Jeg har et spørsmål angående tidskonstanten når den brukes med en rms detektor som i et lydnivåmålere som du refererer til i artikkelen Hvis jeg bruker din ligninger for å modellere et eksponensielt filter med Time Constant 125ms og bruke et input-trinns signal, får jeg faktisk en utgang som etter 125ms er 63 2 av den endelige verdien. Men hvis jeg kvitterer inngangssignalet og legger dette gjennom filteret , så ser jeg at jeg må doble tidskonstanten for at signalet skal kunne nå 63 2 av sin endelige verdi på 125 ms. Kan du fortelle meg om dette er forventet Mange takk Ian. Ian, Hvis du kvitterer et signal som en sinusbølge så baserer du i utgangspunktet på frekvensen av dens grunnleggende, så vel som introduserer mange andre frekvenser. Fordi frekvensen faktisk er blitt fordoblet, blir den redusert med en større mengde av lavpasfilteret. Det tar derfor lengre tid å nå samme amplitude. The squarin g-operasjon er en ikke-lineær drift, så jeg tror ikke det vil alltid doble nøyaktig i alle tilfeller, men det vil ha en tendens til å doble hvis vi har en dominerende lavfrekvens. Merk også at differansen av et kvadrert signal er to ganger differensialet av un - kvadratisk signal. Jeg mistenker at du kanskje prøver å få en form for middels kvadratutjevning, som er helt fint og gyldig. Det kan være bedre å bruke filteret og deretter firkantet som du vet den effektive cutoff. Men hvis alt du har er kvadrert signal da bruker du en faktor på 2 for å endre filteret ditt, vil alfa-verdien omtrentlig gi deg tilbake til den opprinnelige kuttefrekvensen, eller sette den litt enklere, definere cutofffrekvensen på to ganger original. Takk for ditt svar Dr Mercer Mitt spørsmål var virkelig å prøve for å komme til det som faktisk gjøres i en rms detektor av en lydnivåmåler Hvis tidskonstanten er satt for rask 125m, ville jeg ha trodd at intuitivt du ville forvente et sinusformet inngangssignal for å produsere en utgang på 63 2 av dens endelige verdi etter 125ms, men siden signalet blir kvadret før det kommer til gjennomsnittlig deteksjon, vil det faktisk ta dobbelt så lenge du forklarte. Hovedprinsippet med artikkelen er å vise ekvivalensen til RC-filtrering og eksponensiell gjennomsnittlig Hvis vi diskuterer integrasjonstiden som tilsvarer en ekte rektangulær integrator, da er du korrekt at det er to faktorer involvert. I utgangspunktet hvis vi har en ekte rektangulær integrator som integreres i Ti sekunder, er den tilsvarende RC integatortiden for å oppnå det samme resultatet 2RC sekunder Ti er forskjellig fra RC tidskonstanten T som er RC Dermed hvis vi har en fasttidskonstant på 125 msek, det er RC 125 msek da det tilsvarer en sann integrasjonstid på 250 msek. Takk for artikkelen, er det var veldig hjelpsom Det er noen nyere papirer i nevrovitenskap som bruker en kombinasjon av EMA-filtre kortvarig EMA long-windowed EMA som et bandpassfilter for sanntidsanalyse, jeg vil gjerne ap ply dem, men jeg sliter med vinduene størrelser ulike forskergrupper har brukt og dens korrespondanse med cutoff frekvens. Let si at jeg vil beholde alle frekvensene under 0 5Hz aprox og at jeg skaffer 10 prøver andre Dette betyr at fp 0 5Hz P 2s TP 10 0 2 h 1 fs 0 1.Denfor bør vindustørrelsen jeg skal bruke, være N 3 Er denne begrunnelsen riktig. Før du svarer på spørsmålet ditt, må jeg kommentere bruken av to høypasningsfiltre for å danne et bånd pass filter Formentlig fungerer de som to separate strømmer, slik at et resultat er innholdet fra si latex f latex til halv prøvefrekvens og den andre er innholdet fra si latex f latex til halv prøvefrekvens Hvis alt som gjøres er forskjellen i gjennomsnittlige firkantnivåer som indikerer kraften i bandet fra latex f latex til latex f latex, så kan det være rimelig hvis de to avskjærefrekvensene er tilstrekkelig langt fra hverandre, men jeg forventer at folkene som bruker denne teknikken forsøker å simulere et smalere bandfilter I min vi ew det ville være upålitelig for seriøst arbeid, og det ville være en kilde til bekymring. Bare for referanse er et bandpassfilter en kombinasjon av et lavfrekvent høypassfilter for å fjerne de lave frekvensene og et høyfrekvent lavpassfilter for å fjerne den høye frekvenser. Det er selvfølgelig en lavpasningsform av et RC-filter og dermed en tilsvarende EMA. Kanskje selv om min vurdering er overkritisk uten å vite alle fakta. Så kan du sende meg noen referanser til studiene du nevnte, så jeg kan kritisere som passende Kanskje de bruker et lavt pass og et høypassfilter. Nå vender du til ditt faktiske spørsmål om hvordan du bestemmer N for en gitt målkuttfrekvens. Jeg synes det er best å bruke grunnverdien T N-1 h Diskusjonen om perioder var rettet mot å gi folk en følelse av hva som skjedde. Vennligst se avledningen nedenfor. Vi har forholdene latex T N-1 h latex og latex T 1 2 latex hvor latex fc latex er den fiktive cut-off frekvens og h er tiden mellom prøver, klart latex h 1 latex hvor latex fs latex er prøvefrekvensen i prøvene sek. Rearrangering T N-1 h til en passende form for å inkludere cut-off frekvensen, latex fc latex og sample rate, latex fs latex, vises nedenfor. Så ved bruk av latex fc 0 5Hz latex og latex fs 10 latex prøver sek slik at latex fc fs 0 05 latex gir. Så nærmeste heltall verdi er 4 Re-arrangere ovennevnte vi har. Så med N 4 vi har latex fc 0 5307 Hz latex Bruke N 3 gir en latex fc latex på 0 318 Hz Merk med N 1 vi har en komplett kopi uten filtrering. Gjennomsnittlig gjennomsnitt. Metode Gjennomsnittlig metode Glidende vindu standard Eksponensiell vekting. Glidende vindu Et lengdevindu Vinduelengde beveger seg over inntastingsdataene langs hver kanal. For hver prøve flytter vinduet forbi blokken gjennomsnittet over dataene i vinduet. Eksponentiell vekting Blokken multipliserer prøvene med et sett vektningsfaktorer Størrelsen på vektningsfaktorene reduseres eksponentielt som alder av dataene øker, når aldri null For å beregne gjennomsnittet summerer algoritmen vektede data. Spesifiser vindelengde Flagg for å angi vinduets lengde på standard av. Når du velger denne avmerkingsboksen, er lengden på skyvevinduet lik verdien du angir i Vinduellengde Når du fjerner denne avmerkingsboksen, er glidevinduets lengde uendelig. I denne modusen beregner blokken gjennomsnittet av gjeldende prøve og alle tidligere prøver i kanalen. Vindlengde Lengde på glidevinduet 4 standard positiv skalar heltall. Vindulengden angir lengden på glidevinduet Denne parameteren vises når du merker avkryssingsfeltet Angi vindulengde. Forgettingfaktor Eksponentiell vektfaktor 0 9 standard positiv ekte skalar i området 0,1. Denne parameteren gjelder når du angir Metode til Eksponentiell vekting En glemsom faktor på 0 9 gir større vekt på eldre data enn en glemsom faktor på 0 1 En glemsom faktor på 1 0 indikerer uendelig minne Alle previ ous prøver blir gitt like vekt. Denne parameteren er tunable Du kan endre verdien selv under simuleringen. Simulere ved hjelp av Type simulering å kjøre Code generasjon standard Tolket execution. Simulate modell ved hjelp av generert C-kode Første gang du kjører en simulering, Simulink genererer C-kode for blokken C-koden blir gjenbrukt for etterfølgende simuleringer, så lenge modellen ikke endres. Dette alternativet krever ekstra oppstartstid, men gir raskere simuleringshastighet enn Tolket utførelse. Simulere modell ved hjelp av MATLAB-tolk Dette alternativet forkorter oppstartstiden, men har langsommere simuleringshastighet enn kodegenerering. Skjulvindumetode. I glidemetoden er utgangen for hver inngangseksempel gjennomsnittsverdien av gjeldende prøve og Len-1 forrige eksempler Len er lengden på vinduet For å beregne den første Len - 1 utganger, når vinduet ikke har nok data ennå, fyller algoritmen vinduet med nuller. For eksempel å beregne gjennomsnittet når den andre inngangseksemplet kommer inn, algoritmen fyller vinduet med Len - 2 nuller Datav vektoren, x er da de to datasamplene etterfulgt av Len - 2 nuller. Når du ikke angir vinduets lengde, velger algoritmen et uendelig vindu lengde I denne modusen er utgangen det bevegelige gjennomsnittet for den nåværende prøven og alle de tidligere prøvene i kanalen. Eksponentiell vektingsmetode. I eksponentiell vektingsmetode beregnes glidende gjennomsnitt rekursivt ved hjelp av disse formlene. w N w N 1 1 x N 1 1 N N N N N N N N N Gjennomsnittlig Gjeldende N Eksempel N Gjeldende datainngang sample. x N 1 Moving gjennomsnitt på forrige sample. Forgetting factor. w N Vektfaktor påført strømmen dataprøve. 1 1 w N x N 1 Effekt av tidligere data i gjennomsnitt. For den første prøven, hvor N 1 velger algoritmen w N 1 For neste prøve blir vektningsfaktoren oppdatert og brukes til å beregne gjennomsnittet, i henhold til den rekursive ligningen Når alderen på dataene øker, reduseres størrelsen på vektningsfaktoren eksponentielt og når aldri null. Med andre ord, har de nyere data større innflytelse på nåværende gjennomsnitt enn de eldre dataene. Verdien av den glemme faktoren bestemmer Endringshastighet av vektningsfaktorene En glemsom faktor på 0 9 gir større vekt på de eldre dataene enn en glemme faktor på 0 1 En glemme faktor på 1 0 indikerer uendelig minne. Alle de tidligere eksemplene blir gitt like vekt. Velg ditt land .
No comments:
Post a Comment