Im coding etwas in dem Moment, wo Im eine Reihe von Werten im Laufe der Zeit aus einem Hardware-Kompass. Dieser Kompass ist sehr genau und Updates sehr oft, mit dem Ergebnis, dass wenn es leicht wackelt, ich am Ende mit dem ungeraden Wert, der wild unvereinbar mit seinen Nachbarn ist. Ich möchte diese Werte glätten. Nachdem ich einiges gelesen hatte, scheint es, dass was ich will, ein Hochpaßfilter, ein Tiefpaßfilter oder ein gleitender Durchschnitt ist. Gleitender Durchschnitt kann ich mit erhalten, halten Sie einfach eine Geschichte der letzten 5 Werte oder was auch immer, und verwenden Sie den Durchschnitt dieser Werte stromabwärts in meinem Code, wo ich war einmal nur mit dem jüngsten Wert. Das sollte, glaube ich, die Wackeln schön abschneiden, aber es schlägt mir, dass seine wahrscheinlich ziemlich ineffizient, und dies ist wahrscheinlich eines dieser bekannten Probleme zu Proper Programmers, denen theres eine wirklich ordentliche Clever Math-Lösung. Ich bin jedoch einer jener schrecklichen selbstprogrammierten Programmierer ohne einen Fetzen der formalen Ausbildung in etwas sogar vage mit CompSci oder Mathe verwandt. Lesen um ein Bit deutet darauf hin, dass dies ein Hoch-oder Tiefpassfilter sein kann, aber ich kann nicht finden, was in Begriffen verständlich für einen Hack wie ich, was die Wirkung dieser Algorithmen wäre auf einer Reihe von Werten, geschweige denn wie die Mathematik Arbeitet. Die Antwort hier. Zum Beispiel, technisch beantwortet meine Frage, aber nur verständlich für diejenigen, die wahrscheinlich schon wissen, wie das Problem zu lösen. Es wäre ein sehr schöner und kluger Mensch, der die Art des Problems erklären könnte, und wie die Lösungen funktionieren, in Begriffen, die für einen Kunstabsolventen verständlich sind. Wenn Ihr gleitender Durchschnitt muss lang sein, um die gewünschte Glättung zu erreichen, und Sie brauchen nicht wirklich eine bestimmte Form des Kernels, dann sind Sie besser dran, wenn Sie einen exponentiell verfallenden gleitenden Durchschnitt verwenden: wo Sie Wählen Sie winzig, um eine passende Konstante zu sein (zB, wenn Sie winzige 1- 1 / N wählen, wird es die gleiche Menge der Mittelung wie ein Fenster der Größe N haben, aber verteilt unterschiedlich über ältere Punkte). Wie auch immer, da der nächste Wert des gleitenden Durchschnitts hängt nur von der vorherigen und Ihre Daten, müssen Sie nicht eine Warteschlange oder etwas zu halten. Und Sie können denken, dies zu tun, so etwas wie: Nun, ich habe einen neuen Punkt, aber ich dont wirklich vertrauen es, so Im werde 80 meiner alten Schätzung der Messung zu halten, und nur vertrauen diesem neuen Datenpunkt 20. Das ist So ziemlich das gleiche wie zu sagen, Nun, ich vertraue nur diesem neuen Punkt 20, und ich benutze 4 andere Punkte, die ich vertrauen die gleiche Menge, außer dass anstatt explizit nehmen die 4 anderen Punkten, youre Annahme, dass die Mittelung haben Sie das letzte Mal War vernünftig, so können Sie Ihre vorherige Arbeit. Beantwortet Sep 21 10 at 14:27 Hey, ich weiß, das ist 5 Jahre zu spät, aber danke für eine großartige Antwort. Ich arbeite an einem Spiel, bei dem der Klang sich nach deiner Geschwindigkeit ändert, aber wegen des laufenden Spiels auf einem Langsamcomputer würde die Geschwindigkeit stark schwanken, was für die Lenkung gut war, aber super ärgerlich in Bezug auf den Klang. Dies war eine wirklich einfache und billige Lösung für etwas, das ich für ein wirklich komplexes Problem halten würde. Ndash Wenn Sie versuchen, den gelegentlichen ungeraden Wert zu entfernen, ist ein Tiefpassfilter die beste der drei Optionen, die Sie identifiziert haben. Tiefpaßfilter erlauben langsame Änderungen, wie die, die durch das Drehen eines Kompasses von Hand verursacht werden, während Abweisen von Hochgeschwindigkeitsänderungen, wie z. B. durch Stöße auf der Straße, verursacht werden. Ein gleitender Durchschnitt wird wahrscheinlich nicht ausreichen, da die Auswirkungen eines einzelnen Blips in Ihren Daten auf mehrere nachfolgende Werte wirken, abhängig von der Größe des gleitenden Durchschnittsfensters. Wenn die ungeraden Werte leicht erkannt werden, können Sie sogar mit einem Glitch-Entfer - nal-Algorithmus besser abschneiden, der sie völlig ignoriert: Hier ist ein Schaubild, um es zu illustrieren: Der erste Graph ist das Eingangssignal mit einem unangenehmen Glitch. Die zweite Grafik zeigt die Wirkung eines 10-stelligen Gleitmittels. Der endgültige Graph ist eine Kombination aus dem 10-Sample-Mittelwert und dem einfachen Glitch-Detektionsalgorithmus, der oben gezeigt ist. Wenn der Glitch detektiert wird, wird anstelle des tatsächlichen Wertes der 10-Sample-Mittelwert verwendet. Beantwortet Sep 21 10 am 13:38 Schön erklärt und Bonuspunkte für die Grafik) ndash Henry Cooke Sep 22 10 at 0:50 Wow. Seldomly sah so eine schöne Antwort ndash Muis Jun 4 13 at 9:14 Der gleitende Durchschnitt ist ein Tiefpassfilter. Ndash nomen Okt 21 13 am 19:36 Versuchen Sie einen laufenden / Streaming-Median statt. Ndash kert Apr 25 14 am 22:09 Gleitender Durchschnitt kann ich unten erhalten. Aber es scheint mir, dass seine wahrscheinlich ziemlich ineffizient. Theres wirklich kein Grund ein gleitender Durchschnitt sollte ineffizient sein. Sie halten die Anzahl der Datenpunkte, die Sie in einem Puffer (wie eine zirkuläre Warteschlange) wollen. An jedem neuen Datenpunkt pflücken Sie den ältesten Wert und subtrahieren ihn von einer Summe, und drücken Sie den neuesten und fügen Sie ihn der Summe hinzu. Jeder neue Datenpunkt beinhaltet also nur einen Pop / Push, eine Addition und eine Subtraktion. Ihr gleitender Durchschnitt ist immer diese Verschiebungssumme geteilt durch die Anzahl der Werte in Ihrem Puffer. Es wird ein wenig trickiger, wenn youre Empfangen von Daten gleichzeitig von mehreren Threads, aber da Ihre Daten von einem Hardware-Gerät kommt, das scheint sehr zweifelhaft für mich. Oh und auch: schreckliche Selbst-gelehrte Programmierer vereinen) Der gleitende Durchschnitt schien mir ineffizient, weil Sie einen Puffer von Werten speichern müssen - besser, nur einige Clever Maths mit Ihrem Eingabewert und aktuellen Arbeitswert zu tun Ich denke, dass ist wie exponentiell gleitenden Durchschnitt Arbeitet. Eine Optimierung, die ich für diese Art von gleitendem Durchschnitt gesehen habe, beinhaltet die Verwendung eines Fixlängen-Warteschlangen-Amps, einen Zeiger auf die Stelle, an der Sie sich in dieser Warteschlange befinden, und einfach den Zeiger um (mit oder wenn). Voila Kein teurer Push / Pop. Power für die Amateure, Bruder ndash Henry Cooke Henry: Für einen geraden-gleitenden Durchschnitt brauchst du den Puffer einfach so, dass du weißt, welcher Wert geknallt wird, wenn der nächste Wert gedrückt wird. Das heißt, die quotfixed-Länge Warteschlange amp eine pointerquot Sie beschreiben ist genau das, was ich durch quotcircular queue. quot Bedeutet, warum ich sage, es ist nicht ineffizient. Was meinst du, ich meinte, Und wenn Ihre Antwort ist quotan Array, das seine Werte zurück verschiebt sich auf jedem indexierten removalquot (wie std :: vector in C). Also, I39m so weh I don39t sogar wollen, um mit Ihnen zu sprechen) ndash Dan Tao 22 September at 1:58 Henry: Ich don39t wissen über AS3, aber ein Java-Programmierer hat Sammlungen wie CircularQueue zu seiner Verfügung (I39m Nicht ein Java-Entwickler so I39m sicher, es gibt bessere Beispiele da draußen that39s genau das, was ich aus einer schnellen Google-Suche gefunden), die genau die Funktionalität, die wir reden zu implementieren. I39m ziemlich zuversichtlich, die Mehrheit der mittleren und niedrigen Sprachen mit Standard-Bibliotheken haben etwas ähnliches (z. B. in. NET there39s QueueltTgt). Jedenfalls war ich selbst Philosophie. alles ist vergeben. Ndash Dan Tao Ein exponentiell abnehmender gleitender Durchschnitt kann von Hand mit nur dem Trend berechnet werden, wenn Sie die richtigen Werte verwenden. Sehen Sie fourmilab. ch/hackdiet/e4/ für eine Idee, wie dies schnell mit einem Stift und Papier, wenn Sie für exponentiell geglättet gleitenden Durchschnitt mit 10 Glättung suchen. Aber da Sie einen Computer haben, möchten Sie wahrscheinlich binäre Verschiebung im Gegensatz zur Dezimalverschiebung tun) Auf diese Weise brauchen Sie nur eine Variable für Ihren aktuellen Wert und einen für den Durchschnitt. Daraus kann dann der nächste Mittelwert berechnet werden. Beantwortet eine Technik namens Bereichstor, die gut funktioniert mit Low-Vorkommen falschen Proben. Unter der Annahme einer der oben erwähnten Filtertechniken (gleitender Durchschnitt, exponentiell), sobald Sie über ausreichende Historie verfügen (eine Zeitkonstante), können Sie die neue, eingehende Datenprobe für die Angemessenheit testen, bevor sie zur Berechnung hinzugefügt wird. Ist ein gewisses Wissen über die maximale vernünftige Änderungsrate des Signals erforderlich. Wird die Rohprobe mit dem letzten geglätteten Wert verglichen, und wenn der absolute Wert dieser Differenz größer als der zulässige Bereich ist, wird diese Probe herausgeworfen (oder durch eine Heuristik ersetzt, zB eine Vorhersage basierend auf der Steigungsdifferenz oder dem Trend Vorhersagewert von der doppelten exponentiellen Glättung) antwortete am 30. April um 6: 56Frequenzantwort des laufenden Mittelfilters Der Frequenzgang eines LTI-Systems ist die DTFT der Impulsantwort, Die Impulsantwort eines L - signierenden gleitenden Durchschnittes ist Da der gleitende Durchschnitt Filter ist FIR, der Frequenzgang reduziert sich auf die endliche Summe Wir können die sehr nützliche Identität verwenden, um den Frequenzgang zu schreiben, wo wir ae minus jomega haben lassen. N 0 und M L minus 1. Wir können an der Größe dieser Funktion interessiert sein, um zu bestimmen, welche Frequenzen durch den Filter ungedämpft werden und welche gedämpft werden. Unten ist ein Diagramm der Größe dieser Funktion für L 4 (rot), 8 (grün) und 16 (blau). Die horizontale Achse reicht von Null bis pi Radiant pro Probe. Man beachte, daß der Frequenzgang in allen drei Fällen eine Tiefpaßcharakteristik aufweist. Eine konstante Komponente (Nullfrequenz) im Eingang durchläuft das Filter ungedämpft. Bestimmte höhere Frequenzen, wie z. B. pi / 2, werden durch das Filter vollständig eliminiert. Wenn es aber die Absicht war, ein Tiefpassfilter zu entwerfen, dann haben wir das nicht sehr gut gemacht. Einige der höheren Frequenzen werden nur um einen Faktor von etwa 1/10 (für den 16-Punkte-gleitenden Durchschnitt) oder 1/3 (für den vier-Punkte-gleitenden Durchschnitt) gedämpft. Wir können viel besser als das. Der oben genannte Plot wurde durch den folgenden Matlab-Code erzeugt: omega 0: pi / 400: pi H4 (1/4) (1-exp (-iomega4)) ./ (1-exp (-Iomega)) H8 (1/8 ) (1-exp (-iomega)) - (1-exp (-iomega)) - Geispiel (Omega , Abs (H4) abs (H8) abs (H16) Achse (0, pi, 0, 1) Copyright-Kopie 2000- - Universität von Kalifornien, BerkeleyUpdated 12. März 2013 Was sind RC-Filterung und exponentielle Mittelung und wie unterscheiden sie sich Antwort auf den zweiten Teil der Frage ist, dass sie der gleiche Prozess sind Wenn man von einem elektronischen Hintergrund kommt dann RC Filtering (oder RC Glättung) ist der übliche Ausdruck. Auf der anderen Seite hat ein Ansatz, der auf Zeitreihenstatistik basiert, den Namen Exponential Averaging oder den vollen Namen Exponential Weighted Moving Average. Dies wird auch als EWMA oder EMA bezeichnet. Ein wesentlicher Vorteil des Verfahrens ist die Einfachheit der Formel für die Berechnung der nächsten Ausgabe. Es benötigt einen Bruchteil der vorherigen Ausgabe und einen Minus dieser Fraktion mal der Stromeingabe. Algebraisch zum Zeitpunkt k ist die geglättete Ausgabe y k gegeben durch Wie später gezeigt, hebt diese einfache Formel die jüngsten Ereignisse hervor, glättet Hochfrequenzschwankungen und zeigt langfristige Trends. Es gibt zwei Formen der exponentiellen Mittelungsgleichung, die eine oben und eine Variante Both sind richtig. Siehe die Hinweise am Ende des Artikels für weitere Details. In dieser Diskussion werden wir nur die Gleichung (1) verwenden. Die obige Formel wird manchmal in der begrenzten Weise geschrieben. Wie ist diese Formel abgeleitet und was ist ihre Interpretation Ein wichtiger Punkt ist, wie wir wählen. Um dies zu untersuchen, ist ein RC-Tiefpassfilter zu betrachten. Jetzt ist ein RC-Tiefpassfilter einfach ein Serienwiderstand R und ein Parallelkondensator C, wie unten dargestellt. Die Zeitreihengleichung für diese Schaltung ist Das Produkt RC hat Zeiteinheiten und wird als Zeitkonstante T bezeichnet. Für die Schaltung. Angenommen wir repräsentieren die obige Gleichung in ihrer digitalen Form für eine Zeitreihe, die alle h Sekunden dauert. Wir haben Dies ist genau die gleiche Form wie die vorherige Gleichung. Vergleicht man die beiden Beziehungen für a, die sich auf die sehr einfache Beziehung verringert, ergibt sich die Wahl von N, um welche Zeitkonstante wir uns entschieden haben. Nun kann Gleichung (1) als Tiefpassfilter erkannt werden, und die Zeitkonstante bezeichnet das Verhalten des Filters. Um die Bedeutung der Zeitkonstanten zu sehen, müssen wir die Frequenzcharakteristik dieses Tiefpass-RC-Filters betrachten. In seiner allgemeinen Form ist dies in E-Modul und Phase-Form haben wir, wo der Phasenwinkel ist. Die Frequenz wird als nominale Grenzfrequenz bezeichnet. Physikalisch kann gezeigt werden, daß bei dieser Frequenz die Leistung im Signal um die Hälfte reduziert wurde und die Amplitude um den Faktor verringert ist. In dB ist diese Frequenz, wo die Amplitude um 3dB reduziert wurde. Wenn die Zeitkonstante T zunimmt, nimmt die Grenzfrequenz ab, und wir wenden den Daten mehr Glättung zu, dh wir eliminieren die höheren Frequenzen. Es ist wichtig zu beachten, dass der Frequenzgang in Bogenmaß / Sekunde ausgedrückt wird. Das ist es ist ein Faktor der beteiligt. Wenn beispielsweise eine Zeitkonstante von 5 Sekunden gewählt wird, ergibt sich eine effektive Grenzfrequenz von. Eine beliebte Verwendung von RC-Glättung ist die Simulation der Wirkung eines Meters, wie er in einem Schallpegelmesser verwendet wird. Diese werden typischerweise durch ihre Zeitkonstante wie beispielsweise 1 Sekunde für S-Typen und 0,125 Sekunden für F-Typen typisiert. Für diese beiden Fälle liegen die effektiven Grenzfrequenzen bei 0,16 Hz bzw. 1,27 Hz. Eigentlich ist es nicht die Zeitkonstante, die wir normalerweise wählen wollen, sondern jene Perioden, die wir einschließen möchten. Angenommen, wir haben ein Signal, wo wir Merkmale mit einer P zweiten Periode einschließen möchten. Nun ist eine Periode P eine Frequenz. Dann können wir eine Zeitkonstante T wählen. Allerdings wissen wir, dass wir etwa 30 der Ausgabe (-3dB) verloren haben. Die Wahl einer Zeitkonstante, die genau den Perioden entspricht, die wir beibehalten wollen, ist nicht das beste Schema. Es ist normalerweise besser, eine etwas höhere Grenzfrequenz zu wählen, sagen wir. Die Zeitkonstante ist dann die in der Praxis ähnelt. Dies verringert den Verlust auf etwa 15 bei dieser Periodizität. In der Praxis also, um Ereignisse mit einer Periodizität von oder größer zu halten, dann wählen Sie eine Zeitkonstante von. Dies beinhaltet die Auswirkungen der Periodizität von bis zu etwa. Zum Beispiel, wenn wir die Auswirkungen von Ereignissen, die mit sagen, eine 8-Sekunden-Periode (0,125 Hz), dann wählen Sie eine Zeitkonstante von 0,8 Sekunden. Dies ergibt eine Grenzfrequenz von ungefähr 0,2 Hz, so daß unsere 8-Sekunden-Periode im Hauptdurchlaßband des Filters gut ist. Wenn wir die Daten mit 20 mal / sekunde (h 0,05) abtasten, dann ist der Wert von N (0,8 / 0,05) 16 und. Dies gibt einen Einblick in die Einstellung. Grundsätzlich für eine bekannte Abtastrate bezeichnet er die Mittelungsperiode und wählt aus, welche Hochfrequenzschwankungen ignoriert werden. Mit Blick auf die Erweiterung des Algorithmus können wir sehen, dass es die neuesten Werte begünstigt, und auch, warum es als exponentielle Gewichtung bezeichnet wird. Wir haben Ersatz für y k-1 gibt Wiederholen dieses Prozesses mehrmals führt zu, weil im Bereich dann deutlich die Begriffe nach rechts kleiner werden und sich wie eine abklingende Exponential verhalten. Das ist die aktuelle Ausgabe ist auf die jüngeren Ereignisse voreingenommen, aber je größer wir wählen, desto weniger Bias. Zusammenfassend lässt sich feststellen, dass die einfache Formel die jüngsten Ereignisse hervorhebt, die die Ereignisse mit hoher Frequenz (kurzzeitig) glätten, zeigt langfristige Trends Anhang 1 8211 Alternative Formen der Gleichung Achtung Es gibt zwei Formen der exponentiellen Mittelungsgleichung, die in der Literatur vorkommen. Beide sind richtig und gleichwertig. Die erste Form, wie oben gezeigt, ist (A1) Die alternative Form ist 8230 (A2) Beachten Sie die Verwendung von in der ersten Gleichung und in der zweiten Gleichung. In beiden Gleichungen sind Werte zwischen Null und Eins. Früher wurde definiert als Jetzt wählen, um zu definieren Also die alternative Form der exponentiellen Mittelung Gleichung ist In physikalischen Begriffen bedeutet es, dass die Wahl der Form verwendet wird, hängt davon ab, wie man denken, entweder nehmen als die Rückkopplung Fraktion Gleichung (A1) oder Als den Bruchteil der Eingangsgleichung (A2). Die erste Form ist etwas weniger umständlich, wenn sie die RC-Filterbeziehung zeigt, und führt zu einem einfacheren Verständnis in Filterausdrücken. Chief Signal Processing Analyst bei Prosig Dr. Colin Mercer ist Chief Signal Processing Analyst bei Prosig und verantwortlich für die Signalverarbeitung und deren Anwendungen. Er war früher am Institute of Sound and Vibration Research (ISVR) an der Southampton University, wo er das Data Analysis Center gründete. Er ist ein Chartered Ingenieur und ein Fellow der British Computer Society. Ich denke, dass Sie den 8216p8217 zum Symbol für pi ändern möchten. Marco, danke für das Zeigen. Ich denke, dies ist einer unserer älteren Artikel, die von einem alten Textverarbeitungsdokument übertragen wurde. Offensichtlich, der Herausgeber (mir) nicht zu erkennen, dass die pi nicht korrekt transkribiert wurden. Sie wird in Kürze behoben. Es ist ein sehr guter Artikel Erklärung über die exponentielle Mittelung Ich glaube, es gibt einen Fehler in der Formel für T. Es sollte T h (N-1), nicht T (N-1) / h sein. Mike, danke für das Spotting. Ich habe gerade zurück zu Dr Mercer8217s ursprünglichen technischen Hinweis in unserem Archiv und es scheint, dass es Fehler bei der Übertragung der Gleichungen auf den Blog. Wir korrigieren die Post. Danke, dass Sie uns wissen Danke Danke danken Ihnen. Sie können 100 DSP-Texte lesen, ohne etwas zu sagen, dass ein exponentieller Mittelungsfilter das Äquivalent eines R-C-Filters ist. Hmm, haben Sie die Gleichung für einen EMA-Filter richtig ist es nicht Yk aXk (1-a) Yk-1 anstatt Yk aYk-1 (1-a) Xk Alan, Beide Formen der Gleichung erscheinen in der Literatur, und Beide Formen sind korrekt, wie ich unten zeigen werde. Der Punkt, den Sie machen, ist wichtig, weil die Verwendung der alternativen Form bedeutet, dass die physikalische Beziehung mit einem RC-Filter weniger offensichtlich ist, darüber hinaus ist die Interpretation der Bedeutung eines in dem Artikel gezeigt nicht geeignet für die alternative Form. Zuerst zeigen wir, dass beide Formen korrekt sind. Die Form der Gleichung, die ich verwendet habe und die alternative Form, die in vielen Texten erscheint, ist Anmerkung in der oben genannten habe ich Latex 1 / Latex in der ersten Gleichung und Latex 2 / Latex in der zweiten Gleichung verwendet. Die Gleichheit beider Formen der Gleichung wird mathematisch unterhalb der einfachen Schritte auf einmal gezeigt. Was nicht das gleiche ist, ist der Wert, der für Latex / Latex in jeder Gleichung verwendet wird. In beiden Formen ist Latex / Latex ein Wert zwischen Null und Eins. Die erste Gleichung (1) ersetzt Latex 1 / Latex durch Latex / Latex. Dies ergibt Latexk y (1 - beta) xk / latex 8230 (1A) Nun definieren wir Latexbeta (1 - 2) / Latex und so haben wir auch Latex 2 (1 - beta) / Latex. Setzt man diese in die Gleichung (1A) ein, so erhält man die Latexyk (1 - 2) y 2xk / Latex 8230 (1B) und schließlich die Reanordnung. Diese Gleichung ist identisch mit der in Gleichung (2) angegebenen alternativen Form. Legen Sie einfacher Latex 2 (1 - 1) / Latex. In physikalischer Hinsicht bedeutet das, dass die Wahl der verwendeten Form davon abhängt, wie man annehmen will, ob man Latexalpha / Latex als Rückkopplungsfraktionsgleichung (1) oder als Bruchteil der Eingangsgleichung (2) verwendet. Wie oben erwähnt, habe ich die erste Form verwendet, da sie etwas weniger mühsam ist, die RC-Filterbeziehung zu zeigen, und führt zu einem einfacheren Verständnis in Filtertermen. Allerdings Auslassung der oben ist, meiner Meinung nach, ein Mangel in dem Artikel als andere Menschen könnten eine falsche Schlussfolgerung, so dass eine überarbeitete Version wird bald erscheinen. Ich habe immer darüber nachgedacht, danke für die Beschreibung so klar. Ich denke, ein anderer Grund die erste Formulierung ist schön ist Alpha-Maps zu 8216smoothness8217: eine höhere Auswahl an Alpha bedeutet eine 8216more smooth8217 Ausgabe. Michael Vielen Dank für die Beobachtung 8211 Ich werde den Artikel etwas auf diese Zeilen hinzufügen, da es immer besser in meiner Sicht auf physische Aspekte beziehen. Dr Mercer, Ausgezeichneter Artikel, danke. Ich habe eine Frage bezüglich der Zeitkonstante, wenn sie mit einem RMS-Detektor wie in einem Schallpegelmesser verwendet wird, auf den Sie in dem Artikel verweisen. Wenn ich Ihre Gleichungen verwenden, um einen exponentiellen Filter mit Zeitkonstanten 125ms zu modellieren und ein Eingangsschrittsignal zu verwenden, bekomme ich tatsächlich einen Ausgang, der nach 125ms 63,2 des Endwertes ist. Jedoch wenn ich das Eingangssignal quadriere und dieses durch den Filter stelle, sehe ich, daß ich die Zeitkonstante verdoppeln muß, damit das Signal 63.2 seines Endwertes in 125ms erreicht. Können Sie mir mitteilen, ob dies erwartet wird. Danke vielmals. Ian Ian, Wenn Sie ein Signal wie ein Sinus-Welle dann im Grunde Sie verdoppeln die Häufigkeit ihrer grundlegenden sowie die Einführung von vielen anderen Frequenzen. Da die Frequenz in Wirklichkeit verdoppelt worden ist, wird sie um 8216 um einen grßeren Betrag durch das Tiefpaßfilter verringert. Infolgedessen dauert es länger, die gleiche Amplitude zu erreichen. Die Quadrierung Operation ist eine nicht lineare Operation, so glaube ich nicht, dass es immer doppelt genau in allen Fällen, aber es wird dazu neigen, zu verdoppeln, wenn wir eine dominante niedrige Frequenz haben. Beachten Sie auch, dass die Differenz eines quadrierten Signals das Doppelte des Differentials des 8220un-squared8221 Signals ist. Ich vermute, Sie könnten versuchen, eine Form der mittleren quadratischen Glättung, die vollkommen in Ordnung und gültig ist zu bekommen. Es könnte besser sein, den Filter anzuwenden und dann quadratisch, wie Sie die effektive Cutoff kennen. Aber wenn alles, was Sie haben, ist das quadrierte Signal dann mit einem Faktor von 2, um Ihre Filter-Alpha-Wert ändern wird etwa erhalten Sie zurück auf die ursprüngliche Cut Off-Frequenz, oder setzen Sie es ein wenig einfacher definieren Sie Ihre Cutoff-Frequenz auf das Doppelte des Originals. Vielen Dank für Ihre Antwort Dr. Mercer. Meine Frage war wirklich versuchen, zu bekommen, was tatsächlich in einem rms Detektor eines Schallpegelmessgerät getan. Wenn die Zeitkonstante für 8216fast8217 (125ms) eingestellt ist, hätte ich gedacht, dass Sie intuitiv erwarten würden, dass ein sinusförmiges Eingangssignal einen Ausgang von 63,2 seines Endwertes nach 125ms erzeugt, aber da das Signal quadriert wird, bevor es an die 8216mean8217 gelangt Erkennung, es dauert doppelt so lange wie Sie erklärt haben. Das Hauptziel des Artikels ist es, die Äquivalenz der RC-Filterung und exponentielle Mittelung zu zeigen. Wenn wir die Integrationszeit äquivalent zu einem echten rechteckigen Integrator diskutieren, dann sind Sie richtig, dass es einen Faktor von zwei beteiligt ist. Grundsätzlich, wenn wir einen echten rechtwinkligen Integrator haben, der für Ti Sekunden integriert, ist die äquivalente RC-Integatorzeit, um dasselbe Ergebnis zu erzielen, 2RC Sekunden. Ti unterscheidet sich von der RC 8216zeit constant8217 T, die RC ist. Also, wenn wir eine 8216Fast8217 Zeitkonstante von 125 ms haben, das ist RC 125 msec, dann ist das äquivalent zu einer echten Integrationszeit von 250 msec Vielen Dank für den Artikel, es war sehr hilfreich. Es gibt einige neuere Arbeiten in der Neurowissenschaften, die eine Kombination von EMA-Filtern (kurzfensternde EMA 8211 langfaserige EMA) als Bandpassfilter für die Echtzeit-Signalanalyse verwenden. Ich möchte sie anwenden, aber ich kämpfe mit den Fenstergrößen, die verschiedene Arbeitsgruppen verwendet haben, und ihre Entsprechung mit der Grenzfrequenz. Let8217s sagen, ich möchte alle Frequenzen unter 0,5Hz (aprox) zu halten, und dass ich 10 Proben / Sekunde zu erwerben. Das bedeutet, dass fp 0,5Hz P 2s T P / 100.2 h 1 / fs0.1 Die Fenstergröße I sollte mit N3 verwendet werden. Ist diese Argumentation richtig Vor der Beantwortung Ihrer Frage muss ich kommentieren die Verwendung von zwei Hochpass-Filter, um ein Bandpassfilter zu bilden. Vermutlich arbeiten sie als zwei getrennte Ströme, so ein Ergebnis ist der Inhalt von sagen, latexf / latex zu halben Sample-Rate und der andere ist der Inhalt von sagen, latexf / latex zu halben Sample-Rate. Wenn alles, was getan wird, die Differenz der mittleren quadratischen Niveaus als Angabe der Leistung in der Band aus latexf / latex zu latexf / latex dann kann es sinnvoll sein, wenn die beiden abgeschnittenen Frequenzen sind ausreichend weit auseinander, aber ich erwarte, dass die Menschen mit Diese Technik versucht, ein schmaleres Bandfilter zu simulieren. Aus meiner Sicht wäre das für eine ernsthafte Arbeit unzuverlässig und würde eine Quelle der Besorgnis sein. Nur als Referenz ist ein Bandpassfilter eine Kombination eines Niederfrequenz-Hochpassfilters, um die niedrigen Frequenzen zu entfernen, und ein Hochfrequenz-Tiefpaßfilter, um die hohen Frequenzen zu entfernen. Es gibt natürlich eine Tiefpaßform eines RC-Filters und damit eine entsprechende EMA. Vielleicht aber mein Urteil ist überkritisch, ohne zu wissen, alle Fakten So könnten Sie bitte senden Sie mir einige Verweise auf die Studien, die Sie erwähnt, so kann ich Kritik als angemessen. Vielleicht verwenden sie einen Tiefpass sowie ein Hochpassfilter. Ich denke, es ist am besten, die grundlegende Gleichung T (N-1) h verwenden, um Ihre tatsächliche Frage, wie zu bestimmen N für eine bestimmte Ziel-Cut-off-Frequenz. Die Diskussion über die Perioden zielte darauf ab, den Menschen ein Gefühl dafür zu geben, was vor sich ging. Also bitte die Ableitung unten. Wir haben die Beziehungen latexT (N-1) h / latex und latexT1 / 2 / latex, wobei latexfc / latex die nominale Grenzfrequenz ist und h die Zeit zwischen den Proben ist, klar latexh 1 / / latex wo latexf / latex ist Abtastrate in Abtastungen / Sek. Die Umwandlung von T (N-1) h in eine geeignete Form, um die Grenzfrequenz, Latexfc / Latex und die Abtastrate, Latexf / Latex, einzuschließen, wird nachfolgend gezeigt. Also mit latexfc 0.5Hz / latex und latexfs 10 / latex-Samples / sec so dass Latex (fc / fs) 0,05 / Latex gibt Also der nächste Integer-Wert ist 4. Re-Arrangierung der oben haben wir So mit N4 haben wir latexfc 0.5307 Hz /Latex. Unter Verwendung von N3 ergibt sich ein Latexfc / Latex von 0,318 Hz. Hinweis mit N1 haben wir eine komplette Kopie ohne Filterung.
No comments:
Post a Comment