Glidande medelvärde filter mjukvara

Det rörliga genomsnittet som ett filter Det rörliga genomsnittet används ofta för utjämning av data i närvaro av brus. Det enkla glidande medlet är inte alltid känt som FIT-filtret (Finite Impulse Response) som det är, medan det faktiskt är ett av de vanligaste filteren i signalbehandling. Att behandla det som ett filter gör det möjligt att jämföra det med, till exempel, fönsterfönster med synkronisering (se artiklarna om lågpass, högpass och bandpass och bandavvisningsfilter för exempel på dem). Den stora skillnaden med dessa filter är att det rörliga medlet är lämpligt för signaler för vilka den användbara informationen finns i tidsdomänen. varav utjämning av mätningar med medelvärde är ett utmärkt exempel. Windowed-sinc-filter är å andra sidan starka utövande inom frekvensområdet. med utjämning i ljudbehandling 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 där både tid och frekvensdomän är viktiga, kanske du vill titta på variationer på rörlig genomsnittsnivå. Vilket presenterar ett antal viktade versioner av det glidande medlet som är bättre på det. Det rörliga genomsnittet av längd (N) kan definieras som skrivet som det typiskt implementeras, med det aktuella utgångsprovet som medelvärdet av de tidigare (N) - proverna. Sett som ett filter utför det rörliga medlet en konvolvering av ingångssekvensen (xn) med en rektangulär puls längd (N) och höjd (1N) (för att göra pulsens område och därmed förstärkningen av filtret , ett ). I praktiken är det bäst att ta (N) udda. Även om ett glidande medelvärde också kan beräknas med ett jämnt antal prover, har fördelen med att fördröjningen av filtret är ett heltal antal prover, eftersom fördröjningen av ett filter med (N) proverna är exakt ((N-1) 2). Det rörliga genomsnittet kan sedan justeras exakt med de ursprungliga uppgifterna genom att flytta det med ett heltal antal prover. Tidsdomän Eftersom det rörliga medlet är en konvolvering med en rektangulär puls, är dess frekvensrespons en sinc-funktion. Detta 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-frekvensrespons som gör det rörliga genomsnittet en dålig performer i frekvensdomänen. Det fungerar dock mycket bra i tidsdomänen. Därför är det perfekt att släta data för att ta bort brus samtidigt som du fortfarande håller ett snabbt stegsvar (Figur 1). För det typiska Additiv White Gaussian Noise (AWGN) som ofta antas, har medelvärden (N) prover effekten av att öka SNR med en faktor (sqrt N). Eftersom bruset för de enskilda proverna är okorrelerat finns det ingen anledning att behandla varje prov på olika sätt. Därför kommer det rörliga medelvärdet, vilket ger varje prov samma vikt, att bli av med den maximala mängden brus för en given stegresponsskärpa. Genomförande Eftersom det är ett FIR-filter kan det glidande medlet implementeras genom konvolvering. Det kommer då att ha samma effektivitet (eller brist på det) som alla andra FIR-filter. Det kan emellertid också genomföras rekursivt, på ett mycket effektivt sätt. Det följer direkt av definitionen att denna formel är resultatet av uttrycken för (yn) och (yn1), dvs där vi märker att förändringen mellan (yn1) och (yn) är att en extra term (xn1N) visas vid Slutet, medan termen (xn-N1N) tas bort 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 en annan plats. Detta rekursiva genomförande kommer att bli mycket snabbare än konvolvering. Varje nytt värde av (y) kan beräknas med endast två tillägg, i stället för (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. Det kan vara ett problem för din ansökan, men det innebär också att denna rekursiva implementering faktiskt kommer att fungera bättre med ett heltal implementering än med flytande punktnummer. Detta är ganska ovanligt, eftersom en flytande punktimplementering vanligtvis är enklare. Slutsatsen av allt detta måste vara att du aldrig ska underskatta nyttan av det enkla glidande medelfiltret i signalbehandlingsapplikationer. Filtrera designverktyg Denna artikel kompletteras med ett filterdesignverktyg. Experimentera med olika värden för (N) och visualisera de resulterande filteren. Prova nuAn närmare titt på Advanced CODAS Moving Average Algorithm Mångsidigt glidande medelvärde i Advanced CODAS-algoritmen filtrerar vågformstörningar, extraktmedel och eliminerar baslinjedrift. Det rörliga genomsnittet är en enkel matematisk teknik som används för att eliminera avvikelser och avslöja den verkliga trenden i en samling datapunkter. Du kanske är bekant med det från medelvärde bullriga data i ett freshman-fysikprov eller från att spåra värdet av en investering. Du kanske inte vet att det rörliga genomsnittsvärdet också är en prototyp av det ändliga impulsresponsfiltret, den vanligaste typen av filter som används i datorbaserad instrumentering. I fall där en given vågform är störd med brus, där ett medel måste extraheras från en periodisk signal eller där en långsamt drivande baslinje behöver elimineras från en högre frekvenssignal, kan ett glidande medelfilter appliceras för att uppnå önskat resultat. Den flytta genomsnittliga algoritmen för Advanced CODAS erbjuder denna typ av vågformsfiltreringsprestanda. Advanced CODAS är ett analyspaket som fungerar på befintliga vågformatfiler skapade av WinDaq eller andra generationens WinDaq-datainsamlingspaket. Förutom den rörliga genomsnittsalgoritmen innehåller Advanced CODAS även en rapportgenerator och programrutiner för vågformsintegration, differentiering, topp - och dalfångande, rätning och aritmetiska operationer. Flytta genomsnittlig filterteori DATAQ Instruments rörlig medelalgoritm möjliggör stor flexibilitet vid vågformsfiltrering. Den kan användas som ett lågpassfilter för att dämpa bruset som är inneboende i många typer av vågformer, eller som ett högpassfilter för att eliminera en drivande baslinje från en högre frekvenssignal. Förfarandet som används av algoritmen för att bestämma mängden filtrering innebär användning av en utjämningsfaktor. Denna utjämningsfaktor, som styrs av dig via mjukvaran, kan ökas eller minskas för att ange antalet faktiska vågformsdatapunkter eller prover som det rörliga genomsnittet kommer att spänna över. Vilken periodisk vågform som helst kan anses vara en lång sträng eller samling av datapunkter. Algoritmen åstadkommer ett glidande medelvärde genom att ta två eller flera av dessa datapunkter från den förvärvade vågformen, addera dem, dividera deras summa med det totala antalet datapunkter som adderas, ersätta den första datapunkten för vågformen med det genomsnittliga justerade beräkningen, och Upprepa stegen med andra, tredje och så vidare datapunkter tills slutet av data uppnås. Resultatet är en andra eller genererad vågform bestående av den genomsnittliga data och med samma antal punkter som den ursprungliga vågformen. Figur 1 8212 Varje periodisk vågform kan ses som en lång sträng eller samling av datapunkter. I ovanstående illustration representeras i följd vågformsdatapunkter av quotyquot för att illustrera hur det rörliga genomsnittet beräknas. I detta fall användes en utjämningsfaktor på tre, vilket innebär att tre på varandra följande datapunkter från den ursprungliga vågformen läggs till, deras summa dividerat med tre, och sedan är denna kvot plottad som den första datapunkten för en genererad vågform. Processen upprepar sig med den andra, tredje och så vidare datapunkterna i den ursprungliga vågformen tills slutet av data uppnås. En speciell quotfeatheringquot-teknik är genomsnittlig början och slutpunkten för den ursprungliga vågformen för att säkerställa att den genererade vågformen innehåller samma antal datapunkter som originalet. Figur 1 illustrerar hur den glidande medelalgoritmen appliceras på vågformade datapunkter (som representeras av y). Illustrationen har en utjämningsfaktor på 3, vilket innebär att medelvärdet (representerat av a) kommer att beräknas över 3 på varandra följande vågformdata. Observera överlappningen som finns i de rörliga medelberäkningarna. Det är denna överlappande teknik, tillsammans med en särskild start - och slutpunktsbehandling som genererar samma antal datapunkter i den genomsnittliga vågformen som existerade i originalet. Hur algoritmen beräknar ett glidande medelvärde förtjänar en närmare titt och kan illustreras med ett exempel. Säg att vi har varit på en diet i två veckor och vi vill beräkna vår genomsnittliga vikt under de senaste 7 dagarna. Vi skulle summera vår vikt på dag 7 med vår vikt på dagarna 8, 9, 10, 11, 12 och 13 och multiplicera sedan med 17. För att formalisera processen kan detta uttryckas som: a (7) 17 (y 7) y (8) y (9). Y (13)) Denna ekvation kan vidare generaliseras. Det rörliga genomsnittet för en vågform kan beräknas med: Var: ett medelvärde n datapunktsläge s utjämningsfaktor y faktiskt datapunktvärde Figur 2 8212 Vågformen för belastningscellens utgång visas ursprungligt och ofiltrerat i toppkanalen och som en 11-punkts Flytta medelvärdet vågform i bottenkanalen. Bullret som uppstod på den ursprungliga vågformen berodde på de intensiva vibrationer som pressen skapade under förpackningsoperationen. Nyckeln till denna flexibilitet i algoritmer är dess brett utbud av utjämnade utjämningsfaktorer (från 2 till 1000). Utjämningsfaktorn bestämmer hur många faktiska datapunkter eller prover som ska beräknas. Att ange en positiv utjämningsfaktor simulerar ett lågpassfilter medan specificering av en negativ utjämningsfaktor simulerar ett högpassfilter. Med tanke på det absoluta värdet av utjämningsfaktorn gäller högre värden för större utjämningsbegränsningar på den resulterande vågformen och omvänt gäller lägre värden mindre utjämning. Med tillämpningen av den korrekta utjämningsfaktorn kan algoritmen också användas för att extrahera medelvärdet av en given periodisk vågform. En högre positiv utjämningsfaktor används vanligtvis för att generera medelvärdesvågformvärden. Tillämpning av den rörliga medelalgoritmen Ett framträdande inslag i den glidande medelalgoritmen är att det kan appliceras många gånger till samma vågform om det behövs för att få önskat filtreringsresultat. Vågformsfiltrering är en mycket subjektiv övning. Vad som kan vara en ordentligt filtrerad vågform till en användare kan vara oacceptabelt bullrigt mot en annan. Bara du kan bedöma om antalet genomsnittliga poäng som valts var för högt, för lågt eller bara rätt. Flexibiliteten i algoritmen gör att du kan justera utjämningsfaktorn och göra ett annat pass genom algoritmen när tillfredsställande resultat inte uppnås med det ursprungliga försöket. Ansökan och förmågan hos den glidande medelalgoritmen kan illustreras bäst av följande exempel. Figur 3 8212 EKG-vågformen visades original och ofiltrerad i toppkanalen och som en 97-punkts rörlig medelvärdesvågform i bottenkanalen. Observera frånvaron av baslinjedrift i bottenkanalen. Båda vågformerna visas i komprimerat tillstånd för presentation. En brusreduktionsansökan I fall där en given vågform är störd med brus kan det glidande medelfiltret appliceras för att undertrycka bruset och ge en tydligare bild av vågformen. En avancerad CODAS-kund använde till exempel en press och en lastcell i en förpackningsoperation. Deras produkt skulle komprimeras till en förutbestämd nivå (övervakad av lastcellen) för att minska storleken på det förpackning som krävs för att innehålla produkten. Av kvalitetsskäl beslutade de att övervaka pressoperationen med instrumentation. Ett oväntat problem uppstod när de började se realtidsladdningscellutgången. Eftersom pressmaskinen vibrerades avsevärt under drift var belastningscellens utgångsvågform svår att skilja eftersom den innehöll en stor mängd brus på grund av vibrationen som visas i toppkanalen i figur 2. Detta brus eliminerades genom att generera en 11-punkts rörlig medelkanal som visas i bottenkanalen i Figur 2. Resultatet var en mycket tydligare bild av belastningscellerna. En applikation för att eliminera baslinjedrift I de fall då en långsamt drivande baslinje måste avlägsnas från en högre frekvenssignal, kan det glidande medelfiltret appliceras för att eliminera drivlinjen. Exempelvis uppvisar en EKG-vågform vanligen en viss grad av baslinjevandring, vilket kan ses i toppkanalen i figur 3. Denna baslinjedrift kan elimineras utan att förändra eller störa karaktären hos vågformen som visas i bottenkanalen i Figur 3. Detta åstadkoms genom att man tillämpar en lämplig utjämningsfaktor för negativ värde under den glidande medelberäkningen. Den lämpliga utjämningsfaktorn bestäms genom att dela en vågformsperiod (i sekunder) av kanalintervallintervallet. Kanalprovintervallet är helt enkelt den ömsesidiga av kanalens samplingsfrekvens och visas bekvämt på den glidande genomsnittliga verktygsmenyn. Vågformsperioden bestäms enkelt från bildskärmen genom att placera markören på en lämplig punkt på vågformen, ställa in en tidsmarkör och sedan flytta markören en fullständig cykel bort från den visade tidsmarkören. Tidsskillnaden mellan markör och tidmarkör är en vågformsperiod och visas längst ner på skärmen om några sekunder. I vårt EKG-exempel hade vågformen ett kanalprovintervall på 0,004 sekunder (erhållet från den glidande genomsnittliga användarmenyn) och en vågformsperiod uppmättes till spänningen 0,388 sekunder. Att dela upp vågformsperioden med kanalintervallintervallet gav oss en utjämningsfaktor på 97. Eftersom det är baslinjedriften som vi är intresserade av att eliminera tillämpade vi en negativ utjämningsfaktor (-97) på den glidande medelalgoritmen. Detta subtraherade i själva verket det rörliga genomsnittliga resultatet från den ursprungliga vågformsignalen, vilket eliminerade baslinjedriften utan störande vågformsinformation. Andra vågformsrörande genomsnittsproblem Oavsett tillämpningen är universell orsak för att tillämpa ett glidande medelfilter att kväve utväcka de höga och låga avvikelserna och avslöja ett mer representativt mellanvågformvärde. När du gör det, bör programvaran inte äventyra andra funktioner i den ursprungliga vågformen i processen att generera en rörlig medellång vågform. Till exempel bör mjukvaran automatiskt justera kalibreringsinformationen som är associerad med den ursprungliga datafilen, så att den rörliga genomsnittliga vågformen ligger i lämpliga ingenjörsenheter när den genereras. Alla avläsningar i figurerna togs med WinDaq Data Acquisition softwareMoving Average Filter Du kan tänka på din tittellista som trådar som du har bokmärkt. Du kan lägga till taggar, författare, trådar och till och med sökresultat till din bevakningslista. På så sätt kan du enkelt hålla reda på ämnen som du är intresserad av. För att se din tittellista, klicka på quotMy Newsreaderquot-länken. Om du vill lägga till objekt i din bevakningslista klickar du på citadeln för att titta på listotiklänk längst ner på en sida. Hur lägger jag till ett objekt i min vaktlista För att lägga till sökkriterier i din vaktlista, sök efter önskad term i sökrutan. Klicka på citatetLägg till den här sökningen i min klocklistor på länken på sökresultatsidan. Du kan också lägga till en tagg i din bevakningslista genom att leta efter taggen med direktivet quottag: tagnamequot där tagname är namnet på den tagg du vill titta på. För att lägga till en författare till din bevakningslista, gå till författarens profilsida och klicka på quotAddjär den här författaren till min watch listquot-länk högst upp på sidan. Du kan också lägga till en författare till din bevakningslista genom att gå till en tråd som författaren har publicerat och klicka på quotAdd denna författare till min watch listquot link. Du kommer att få besked när författaren gör ett inlägg. Om du vill lägga till en tråd i din bevakningslista går du till trådsidan och klickar på citatetLägg till den här tråden i min larmlista-länk högst upp på sidan. Om nyhetsgrupper, nyhetsläsare och MATLAB Central Vad är nyhetsgrupper Nyhetsgrupperna är ett globalt forum som är öppet för alla. Nyhetsgrupper används för att diskutera ett stort antal ämnen, göra meddelanden och handelsfiler. Diskussionerna är gängade eller grupperade på ett sätt som låter dig läsa ett upplagd meddelande och alla dess svar i kronologisk ordning. Detta gör det enkelt att följa tråden i samtalet och för att se vad du redan har sagt innan du skickar ditt eget svar eller gör ett nytt inlägg. Nyhetsgruppens innehåll distribueras av servrar som är värd av olika organisationer på Internet. Meddelanden utbyts och hanteras med hjälp av öppna standardprotokoll. Ingen enskild enhet ldquoownsrdquo newsgroups. Det finns tusentals nyhetsgrupper som varje adresserar ett enda ämne eller intresseområde. MATLAB Central Newsreader postar och visar meddelanden i comp. soft-sys. matlab-nyhetsgruppen. Hur läser jag eller postar till nyhetsgrupperna Du kan använda den integrerade nyhetsläsaren på MATLAB Central webbplats för att läsa och skicka meddelanden i den här nyhetsgruppen. MATLAB Central är värd MathWorks. Meddelanden som skickas via MATLAB Central Newsreader ses av alla som använder nyhetsgrupper, oavsett hur de kommer åt nyhetsgrupperna. Det finns flera fördelar med att använda MATLAB Central. Ett konto Ditt MATLAB Central-konto är knutet till ditt MathWorks-konto för enkel åtkomst. Använd E-postadressen till ditt val MATLAB Central Newsreader gör att du kan definiera en alternativ e-postadress som din postadress, för att undvika röran i din primära brevlåda och minska spam. Spamkontroll De flesta nyhetsgruppspamfiler filtreras ut av MATLAB Central Newsreader. Taggningsmeddelanden kan märkas med en relevant etikett av någon inloggad användare. Taggar kan användas som nyckelord för att hitta specifika filer av intresse eller som ett sätt att kategorisera dina bokmärkta inlägg. Du kan välja att låta andra se dina taggar, och du kan visa eller söka otherrsquo-taggar såväl som de i samhället som helhet. Tagging ger ett sätt att se både de stora trenderna och de mindre, mer dunkla idéerna och applikationerna. Vaktlistor Med inställning av vallistor kan du få meddelande om uppdateringar gjorda till inlägg som valts av författare, tråd eller någon sökvariabel. Meddelandena om bevakningslistan kan skickas via e-post (dagligen digest eller omedelbar), visas i My Newsreader, eller skickas via RSS-flöde. Andra sätt att komma åt nyhetsgrupperna Använd en nyhetsläsare via din skola, arbetsgivare eller internetleverantör Betala för nyhetsgruppen tillgång från en kommersiell leverantör Använd Google Groups Mathforum. org ger en nyhetsläsare med tillgång till comp. soft sys. matlab-nyhetsgruppen Kör din egen server. För typiska instruktioner, se: slyckng. phppage2 Välj ditt land Flytta genomsnittet som ett filter Det rörliga genomsnittet används ofta för att utjämna data i närvaro av ljud. Det enkla glidande medlet är inte alltid känt som FIT-filtret (Finite Impulse Response) som det är, medan det faktiskt är ett av de vanligaste filteren i signalbehandling. Att behandla det som ett filter gör det möjligt att jämföra det med, till exempel, fönsterfönster med synkronisering (se artiklarna om lågpass, högpass och bandpass och bandavvisningsfilter för exempel på dem). Den stora skillnaden med dessa filter är att det rörliga medlet är lämpligt för signaler för vilka den användbara informationen finns i tidsdomänen. varav utjämning av mätningar med medelvärde är ett utmärkt exempel. Windowed-sinc-filter är å andra sidan starka utövande inom frekvensområdet. med utjämning i ljudbehandling 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 där både tid och frekvensdomän är viktiga, kanske du vill titta på variationer på rörlig genomsnittsnivå. Vilket presenterar ett antal viktade versioner av det glidande medlet som är bättre på det. Det rörliga genomsnittet av längd (N) kan definieras som skrivet som det typiskt implementeras, med det aktuella utgångsprovet som medelvärdet av de tidigare (N) - proverna. Sett som ett filter utför det rörliga medlet en konvolvering av ingångssekvensen (xn) med en rektangulär puls längd (N) och höjd (1N) (för att göra pulsens område och därmed förstärkningen av filtret , ett ). I praktiken är det bäst att ta (N) udda. Även om ett glidande medelvärde också kan beräknas med ett jämnt antal prover, har fördelen med att fördröjningen av filtret är ett heltal antal prover, eftersom fördröjningen av ett filter med (N) proverna är exakt ((N-1) 2). Det rörliga genomsnittet kan sedan justeras exakt med de ursprungliga uppgifterna genom att flytta det med ett heltal antal prover. Tidsdomän Eftersom det rörliga medlet är en konvolvering med en rektangulär puls, är dess frekvensrespons en sinc-funktion. Detta 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-frekvensrespons som gör det rörliga genomsnittet en dålig performer i frekvensdomänen. Det fungerar dock mycket bra i tidsdomänen. Därför är det perfekt att släta data för att ta bort brus samtidigt som du fortfarande håller ett snabbt stegsvar (Figur 1). För det typiska Additiv White Gaussian Noise (AWGN) som ofta antas, har medelvärden (N) prover effekten av att öka SNR med en faktor (sqrt N). Eftersom bruset för de enskilda proverna är okorrelerat finns det ingen anledning att behandla varje prov på olika sätt. Därför kommer det rörliga medelvärdet, vilket ger varje prov samma vikt, att bli av med den maximala mängden brus för en given stegresponsskärpa. Genomförande Eftersom det är ett FIR-filter kan det glidande medlet implementeras genom konvolvering. Det kommer då att ha samma effektivitet (eller brist på det) som alla andra FIR-filter. Det kan emellertid också genomföras rekursivt, på ett mycket effektivt sätt. Det följer direkt av definitionen att denna formel är resultatet av uttrycken för (yn) och (yn1), dvs där vi märker att förändringen mellan (yn1) och (yn) är att en extra term (xn1N) visas vid Slutet, medan termen (xn-N1N) tas bort 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 en annan plats. Detta rekursiva genomförande kommer att bli mycket snabbare än konvolvering. Varje nytt värde av (y) kan beräknas med endast två tillägg, i stället för (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. Det kan vara ett problem för din ansökan, men det innebär också att denna rekursiva implementering faktiskt kommer att fungera bättre med ett heltal implementering än med flytande punktnummer. Detta är ganska ovanligt, eftersom en flytande punktimplementering vanligtvis är enklare. Slutsatsen av allt detta måste vara att du aldrig ska underskatta nyttan av det enkla glidande medelfiltret i signalbehandlingsapplikationer. Filtrera designverktyg Denna artikel kompletteras med ett filterdesignverktyg. Experimentera med olika värden för (N) och visualisera de resulterande filteren. Prova det nu