Ist es möglich, einen gleitenden Durchschnitt in C ohne die Notwendigkeit für ein Fenster von Samples zu implementieren. Ich habe festgestellt, dass ich ein bisschen optimieren kann, indem ich eine Fenstergröße, die eine Kraft von zwei, um Bit-Verschiebung statt zu teilen, aber Nicht brauchen einen Puffer wäre nett Gibt es eine Möglichkeit, ein neues gleitendes durchschnittliches Ergebnis nur als eine Funktion des alten Ergebnisses und der neuen Probe auszudrücken. Define ein Beispiel gleitenden Durchschnitt, über ein Fenster von 4 Samples zu sein. Add neue Probe eA Gleitender Durchschnitt kann rekursiv umgesetzt werden, aber für eine genaue Berechnung des gleitenden Mittelpunktes musst du dich an den ältesten Input-Sample in der Summe erinnern, dh der a in deinem Beispiel Für eine Länge N gleitenden Durchschnitt berechnen Sie, wo yn das Ausgangssignal und xn ist Ist das Eingangssignal Eq 1 kann rekursiv geschrieben werden. So müssen Sie sich immer an die Probe x nN erinnern, um zu berechnen 2.As, die von Conrad Turner angezeigt werden, können Sie ein unendlich langes exponentielles Fenster verwenden, das Ihnen erlaubt, zu berechnen Die Ausgabe nur aus der Vergangenheit Ausgang und die aktuelle input. but dies ist nicht ein Standard ungewichtet gleitenden Durchschnitt, sondern ein exponentiell gewichtet gleitenden Durchschnitt, wo Proben weiter in der Vergangenheit erhalten ein kleineres Gewicht, aber zumindest in der Theorie Sie nie vergessen, die Gewichte Nur kleiner und kleiner für Proben weit in der Vergangenheit. Ich habe einen gleitenden Durchschnitt ohne individuellen Element Speicher für ein GPS-Tracking-Programm, das ich schrieb. Ich beginne mit 1 Probe und teilen durch 1, um die aktuelle avg. I dann fügen Sie anothe Probe und Teilen sich mit 2 auf die aktuelle avg. Dies geht weiter, bis ich auf die Länge des durchschnittlichen. Jede Zeit später, füge ich in die neue Probe, bekomm den Durchschnitt und entfernen Sie diesen Durchschnitt aus der total. Ich bin kein Mathematiker aber das Schien wie ein guter Weg, um es zu tun Ich dachte, es würde den Magen eines echten Mathe-Kerl drehen, aber es stellt sich heraus, es ist eine der akzeptierten Möglichkeiten, es zu tun Und es funktioniert gut Nur daran erinnern, dass je höher Ihre Länge, je langsamer es ist Nach dem, was du dir folgen möchtest, das kann die meiste Zeit nicht ausmachen, aber wenn du Satelliten verfolgst, wenn du langsam bist, könnte der Weg weit von der tatsächlichen Position entfernt sein und es wird schlecht aussehen Du könntest eine Lücke zwischen dem Sat und den hinteren Punkten haben Ich wählte eine Länge von 15 aktualisiert 6 mal pro Minute, um ausreichende Glättung und nicht zu weit von der tatsächlichen Sat-Position mit dem geglätteten Pfad dots. answered 16. November 16 um 23 03.initialize insgesamt 0, zählen 0 jedes Mal sehen ein neues Value. Then eine Eingabe scanf, man add add total newValue, eine Inkrementzählung, eine geteilte durchschnittliche Gesamtzählung. Dies wäre ein gleitender Durchschnitt über allen inputs. To, um den Durchschnitt über nur die letzten 4 Eingänge zu berechnen, würde 4 Eingabevariablen erfordern, vielleicht kopieren Jeder Eingang zu einem älteren Eingang variabel, dann die Berechnung der neuen gleitenden Durchschnitt als Summe der 4 inputvariables, geteilt durch 4 richtige Verschiebung 2 wäre gut, wenn alle Eingänge waren positiv, um die durchschnittliche Berechnung. Erwerben 3. Februar 15 um 4 06.That Wird tatsächlich den Gesamtdurchschnitt berechnen und NICHT der gleitende Durchschnitt Wenn der Zählwert größer wird, wird der Einfluss eines neuen Eingabemessels verschwindend klein. Hilmar 3. Februar 15 um 13 53. Ihre Antwort.2017 Stack Exchange, Inc. Dieses Beispiel zeigt, wie man gleitenden Durchschnitt verwendet Filter und Resampling, um die Wirkung von periodischen Komponenten der Tageszeit auf stündliche Temperaturablesungen zu isolieren sowie unerwünschtes Leitungsrauschen aus einer offenen Spannungsmessung zu entfernen. Das Beispiel zeigt auch, wie man die Pegel eines Taktsignals bei gleichzeitiger Beibehaltung des Taktsignals glättet Kanten mit einem Median-Filter Das Beispiel zeigt auch, wie man einen Hampel-Filter verwendet, um große Ausreißer zu entfernen. Smoothing ist, wie wir wichtige Muster in unseren Daten entdecken, während wir Dinge, die unwichtig sind, dh Rauschen Wir verwenden Filterung, um diese Glättung durchzuführen Das Ziel von Glättung ist es, langsame Wertänderungen zu erzeugen, so dass es einfacher ist, Trends in unseren Daten zu sehen. Manchmal, wenn Sie Eingabedaten untersuchen, können Sie die Daten glatt machen, um einen Trend im Signal zu sehen. In unserem Beispiel haben wir einen Satz von Temperatur-Messwerte in Celsius genommen jede Stunde am Logan Flughafen für den ganzen Monat Januar 2011.Hinweis, dass wir visuell sehen können, dass die Tageszeit auf die Temperaturablesungen hat Wenn Sie nur an der täglichen Temperaturvariation über dem Monat interessiert sind , Die stündlichen Schwankungen nur dazu beitragen, Lärm, die die täglichen Variationen schwer zu unterscheiden machen können Um die Wirkung der Tageszeit zu entfernen, würden wir jetzt gern unsere Daten mit einem gleitenden durchschnittlichen Filter zu glätten. Moving Average Filter. In seiner einfachsten Form, ein gleitender Mittelfilter der Länge N nimmt den Durchschnitt aller N aufeinanderfolgenden Abtastwerte der Wellenform an. Um einen gleitenden Mittelwertfilter an jeden Datenpunkt anzuwenden, konstruieren wir unsere Koeffizienten unseres Filters, so dass jeder Punkt gleich gewichtet ist und 1 24 beiträgt Auf den Gesamtdurchschnitt Dies gibt uns die durchschnittliche Temperatur über jeden 24 Stunden Zeitraum. Filter Delay. Hinweis, dass die gefilterten Ausgabe um etwa zwölf Stunden verzögert Dies ist aufgrund der Tatsache, dass unsere gleitenden Durchschnitt Filter hat eine Verzögerung. Jeder symmetrischen Filter der Länge N wird eine Verzögerung von N-1 2 Samples haben. Wir können diese Verzögerung manuell berücksichtigen. Extracting Average Differences. Alternativ können wir auch die gleitenden durchschnittlichen Filter verwenden, um eine bessere Schätzung zu erhalten, wie die Tageszeit die Gesamttemperatur beeinflusst Diese, zuerst, subtrahieren die geglätteten Daten aus den stündlichen Temperaturmessungen Dann segmentieren Sie die differenzierten Daten in Tage und nehmen Sie den Durchschnitt über alle 31 Tage im Monat. Extracting Peak Envelope. Sometimes möchten wir auch gern eine reibungslose Abweichung von wie haben Die Höhen und Tiefen unseres Temperatursignals ändern sich täglich Um dies zu tun, können wir die Hüllkurvenfunktion nutzen, um extreme Höhen und Tiefen über eine Teilmenge der 24-Stunden-Periode zu verbinden. In diesem Beispiel stellen wir sicher, dass es mindestens 16 Stunden zwischen jedem Extrem hoch ist Und extrem niedrig Wir können auch ein Gefühl dafür, wie die Höhen und Tiefen sind Trending, indem sie den Durchschnitt zwischen den beiden Extremen. Weighted Moving Average Filters. Other Arten von gleitenden durchschnittlichen Filtern nicht Gewicht jeder Probe gleichermaßen. Eine andere gemeinsame Filter folgt dem Binomial Ausdehnung Diese Art von Filter nähert sich einer Normalkurve für große Werte von n. Es ist nützlich, um Hochfrequenzrauschen für kleine n zu filtern. Um die Koeffizienten für den Binomialfilter zu finden, fliegen Sie mit sich selbst und dann iterativ die Ausgabe mit einer vorgeschriebenen Anzahl von Mal In diesem Beispiel verwenden Sie fünf Gesamt-Iterationen. Ein anderer Filter, der dem Gaußschen Expansionsfilter etwas ähnelt, ist der exponentielle gleitende Mittelwertfilter. Dieser Typ des gewichteten gleitenden Durchschnittsfilters ist einfach zu konstruieren und erfordert keine große Fenstergröße. Sie passen eine exponentiell gewichtete Gleitende durchschnittliche Filter durch einen Alpha-Parameter zwischen null und eins Ein höherer Wert von Alpha wird weniger Glättung haben. Zoom in auf die Messwerte für einen Tag. Select Your Country. Moving Average Filter MA filter. Loading Der gleitende durchschnittliche Filter ist ein einfacher Low Pass FIR Finite Impulse Response-Filter, der üblicherweise zum Glätten eines Arrays von abgetastetem Datensignal verwendet wird Es nimmt M Abtastwerte der Eingabe zu einem Zeitpunkt und nimmt den Durchschnitt dieser M-Samples und erzeugt einen einzelnen Ausgangspunkt Es ist eine sehr einfache LPF-Tiefpassfilterstruktur, die Ist für Wissenschaftler und Ingenieure praktisch, um unerwünschte geräuschvolle Komponenten aus den beabsichtigten Daten zu filtern. Wenn die Filterlänge den Parameter M erhöht, erhöht sich die Glätte des Ausgangssignals, während die scharfen Übergänge in den Daten zunehmend stumpf sind. Dies bedeutet, dass dieser Filter eine ausgezeichnete Zeit hat Domänenreaktion, aber eine schlechte Frequenzantwort. Der MA-Filter führt drei wichtige Funktionen aus.1 Es nimmt M Eingangspunkte, berechnet den Mittelwert dieser M-Punkte und erzeugt einen einzelnen Ausgangspunkt 2 Aufgrund der Berechnungsberechnungen führt der Filter einen bestimmten Betrag ein Der Verzögerung 3 Der Filter fungiert als Tiefpassfilter mit schlechter Frequenzbereichsantwort und einer guten Zeitbereichsantwort. Matlab Code. Following Matlab Code simuliert die Zeitbereichsantwort eines M-Punkt Moving Average Filters und zeichnet auch den Frequenzgang für verschiedene Filter Längen. Time Domain Response. Input zu MA Filter.3-Punkt MA Filter Ausgang. Input zu Moving Average Filter. Response von 3 Punkt Moving Average Filter.51-Punkt MA Filter Ausgang.101-Punkt MA Filter Ausgang. Response von 51 - punkt Bewegen des durchschnittlichen Filters. Response von 101-Punkt Bewegender durchschnittlicher Filter.501-Punkt-MA-Filterausgang. Response von 501 Punkt Bewegen des durchschnittlichen Filters. Im ersten Plot haben wir die Eingabe, die in den gleitenden Mittelfilter geht. Die Eingabe ist Laut und unser Ziel ist es, das Rauschen zu reduzieren Die nächste Abbildung ist die Ausgangsreaktion eines 3-Punkt-Moving Average-Filters Aus der Figur kann abgeleitet werden, dass der 3-Punkt Moving Average Filter nicht viel bei der Auswertung des Rauschens getan hat Der Filter tippt auf 51-Punkte und wir können sehen, dass das Rauschen in der Ausgabe viel reduziert hat, was in der nächsten Abbildung dargestellt wird. Frequenz-Response von Moving Average Filtern verschiedener Längen. Wir erhöhen die Hähne weiter auf 101 und 501 und wir Kann beobachten, dass auch - obwohl das Rauschen fast null ist, die Übergänge abgestumpft werden, drastisch beobachten die Steigung auf beiden Seiten des Signals und vergleichen sie mit dem idealen Brick Wandübergang in unserem input. Frequency Response. From der Frequenzgang kann es Dass der Roll-off sehr langsam ist und die Stoppbanddämpfung nicht gut ist. Angesichts dieser Stoppbanddämpfung kann eindeutig der gleitende Mittelfilter kein Frequenzband von einem anderen trennen. Da wir wissen, dass eine gute Performance im Zeitbereich resultiert In schlechter Leistung im Frequenzbereich und umgekehrt Kurz gesagt, der gleitende Durchschnitt ist ein außergewöhnlich guter Glättungsfilter die Aktion im Zeitbereich, aber ein außergewöhnlich schlechter Tiefpassfilter die Aktion im Frequenzbereich. External Links. Recommended Books. Primary Seitenleiste.
No comments:
Post a Comment