การย้าย ค่าเฉลี่ย ระบบ Dsp

ตัวกรองค่าเฉลี่ยเคลื่อนที่ DSP. one กล่าวว่าค่าเฉลี่ยตัวเลื่อน MAF ดีในโดเมนเวลา TD และไม่ดีในโดเมน freqeuency FD และตัวกรอง windowed-sinc ดีใน FD และไม่ดีใน TD แต่ตอนนี้ฉันสงสัยว่าในกรณี MAF ก็ยังคงถูกต้องในการแปลงเคอร์เนลและข้อมูลผ่าน FFT เพื่อ FD ทำมีการคูณ elementwise และสุดท้ายใช้ iFFT เพื่อให้ได้ผลลัพธ์ใน TD แทนการประมวลผล convolution ใน TD. One หนึ่งมือก็จะแปลกใจตัวเอง ถ้าวิธีนี้ convolution ทางคณิตศาสตร์ใน TD คือการคูณใน FD ไม่ได้รับอนุญาตที่นี่หนึ่งมืออื่น ๆ ทำไมผลยังคงดีแม้ว่าฉันจะทำให้กระบวนการใน FD ที่ MAF ดูเหมือนจะไม่ดีและสุดท้ายมีความแตกต่างระหว่าง ทำเพียง FFT ตามปกติในข้อมูลโดเมนเวลาหรือใช้ convolution FFT ทับซ้อนกันและเพิ่มวิธีเช่นเมื่อข้อมูลที่ฉันไม่รู้เมื่อฉันควรใช้อดีตหรือหลังการย้ายเฉลี่ยกรอง DSP. the แปลง ของกล่องสี่เหลี่ยมเคลื่อนย้าย Ave. ความโกรธใน td หรือ lp เหมาะใน fd เป็น function. but sinc funtion sinc เป็น noncausal และ iir กรอง fir จะได้รับการตอบสนองความถี่ที่เหมาะที่ได้ถึงความถี่ N หน้าต่างถูกใช้เพื่อการค้าปิดแม่นยำแน่นอนที่เหล่านี้ความถี่ N สำหรับความแม่นยำที่ดีขึ้นในความถี่ระหว่างนั้นยังเป็นวิธีที่ง่ายในการออกแบบค่าเฉลี่ยของการใช้งานแบบ filter. simple โดยใช้ค่าเฉลี่ยเคลื่อนที่เนื่องจากง่ายต่อการออกแบบและใช้งาน ----- Post added at 19 08 - -------- โพสต์ก่อนหน้านี้อยู่ที่ 19 02.oh และค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายสามารถทำได้โดยใช้ convolution แต่ถ้าคุณต้องทำ multiplies ที่ซับซ้อนทำไมไม่เลือกตัวกรองที่ดีกว่าเช่นหนึ่งตาม แบนด์วิดธ์ที่แท้จริงหรือความต้องการของระบบ System object วัตถุ System คำนวณค่าเฉลี่ยเคลื่อนที่ของสัญญาณขาเข้าตามแต่ละช่องโดยอิสระตลอดเวลาวัตถุใช้วิธีการเลื่อนหน้าต่างหรือวิธีการถ่วงน้ำหนักแบบเลขยกกำลังเพื่อคำนวณค่าเฉลี่ยเคลื่อนที่ในหน้าต่างบานเลื่อนหน้าต่างที่ระบุความยาว จะถูกย้ายไปยังข้อมูลตัวอย่างตามตัวอย่างและค่าเฉลี่ยคำนวณจากข้อมูลในหน้าต่างในวิธีการถ่วงน้ำหนักแบบเสวนาวัตถุคูณตัวอย่างข้อมูลด้วยชุดของปัจจัยการถ่วงน้ำหนักค่าเฉลี่ยคำนวณโดยสรุปข้อมูลที่ถ่วงน้ำหนักสำหรับข้อมูลเพิ่มเติม รายละเอียดเกี่ยวกับวิธีการเหล่านี้ให้ดูที่อัลกอริธึมออบเจ็กต์ยอมรับอินพุทหลายช่องซึ่ง ได้แก่ อินพุตขนาด m-by-n โดยที่ m 1 และ n 1 วัตถุยังรับอินพุทขนาดตัวแปรเมื่อวัตถุถูกล็อกคุณสามารถเปลี่ยน ขนาดของช่องสัญญาณเข้าแต่ละช่องอย่างไรก็ตามจำนวนช่องไม่สามารถเปลี่ยนแปลงได้วัตถุนี้สนับสนุนการสร้างรหัส C และ C เพื่อคำนวณค่าเฉลี่ยเคลื่อนที่ของ input สร้างวัตถุและตั้งค่าคุณสมบัติของ objec t. Call ขั้นตอนในการคำนวณค่าเฉลี่ยเคลื่อนที่หมายเหตุนอกจากนี้แทนที่จะใช้วิธีการขั้นตอนเพื่อดำเนินการตามที่กำหนดโดยวัตถุระบบคุณสามารถเรียกวัตถุที่มีอาร์กิวเมนต์เหมือนกับว่าเป็นฟังก์ชันตัวอย่างเช่น y step obj, x และ y obj x ดำเนินการที่สมเหตุสมผลmovAvgส่งค่าวัตถุเคลื่อนที่โดยเฉลี่ย movAvg โดยใช้ properties. movAvg เริ่มต้นกำหนดคุณสมบัติ WindowLength เพื่อ Len. movAvg ระบุคุณสมบัติเพิ่มเติมโดยใช้ชื่อคู่ค่าคุณสมบัติที่ไม่ระบุยังมีค่าเริ่มต้นวิธี Window Window ใน วิธีการหน้าต่างแบบเลื่อนการส่งออกสำหรับแต่ละอินพุทคือค่าเฉลี่ยของตัวอย่างปัจจุบันและ Len - 1 ตัวอย่างก่อนหน้า Len คือความยาวของหน้าต่างการคำนวณผลลัพท์แรกของ Len - 1 เมื่อหน้าต่างยังไม่มีข้อมูลเพียงพอ อัลกอริธึมเติมหน้าต่างด้วยศูนย์ตัวอย่างเช่นเมื่อคำนวณค่าเฉลี่ยเมื่อป้อนข้อมูลตัวอย่างที่สองมาแล้วอัลกอริทึมจะเติมหน้าต่างด้วยจำนวนเต็มของ Len - 2 เวกเตอร์ข้อมูล x เป็นตัวอย่างข้อมูลสองชุดสำหรับ llowed by Len - 2 ศูนย์หากคุณไม่ได้ระบุความยาวของหน้าต่างอัลกอริทึมจะเลือกความยาวของหน้าต่างที่ไม่มีที่สิ้นสุดในโหมดนี้ผลลัพธ์คือค่าเฉลี่ยเคลื่อนที่ของตัวอย่างปัจจุบันและตัวอย่างก่อนหน้าทั้งหมดในช่องทาง ในวิธีการถ่วงน้ำหนักแบบเสวนาค่าเฉลี่ยเคลื่อนที่จะถูกคำนวณโดยใช้สูตรเหล่านี้ซ้ำ ๆ Nw 1 1 x N 1 1 w N x N 1 1 w N x Nx N ค่าเฉลี่ยเคลื่อนที่ที่ sample. x ปัจจุบัน N ตัวอย่างการป้อนข้อมูลปัจจุบัน. x N 1 ค่าเฉลี่ยเคลื่อนที่ที่ตัวอยางขางลางเนนปจจัยตอการนําไปใชกับตัวอยางขอมูลปจจุบัน 1 1 w N x N 1 ผลของข้อมูลก่อนหน้านี้โดยเฉลี่ยสำหรับตัวอย่างแรกที่ N 1 อัลกอริทึ่มเลือก w N 1 สำหรับตัวอย่างถัดไปจะมีการอัพเดตข้อมูลการถ่วงน้ำหนักและคำนวณค่าเฉลี่ยตามลำดับ สมการ recursive เมื่ออายุของข้อมูลเพิ่มขึ้นขนาดของปัจจัยการถ่วงน้ำหนักลดลงอย่างมากและไม่ถึงศูนย์ในคำอื่น ๆ ข้อมูลล่าสุดมีอิทธิพลมากขึ้นกับค่าเฉลี่ยปัจจุบันมากกว่าข้อมูลที่เก่ากว่าค่าของปัจจัยการลืมกำหนด อัตราการเปลี่ยนแปลงของปัจจัยการถ่วงน้ำหนักปัจจัยการลืม 0 9 ให้น้ำหนักแก่ข้อมูลเก่ามากกว่าปัจจัยที่ลืม 0 1 ปัจจัยการลืมของ 1 0 หมายถึงหน่วยความจำที่ไม่มีที่สิ้นสุดตัวอย่างทั้งหมดก่อนหน้านี้จะมีน้ำหนักเท่ากันเลือกประเทศของคุณ. Moving Average วิธีการเฉลี่ยวิธีการเลื่อนหน้าต่างการกำหนดค่าเริ่มต้น weighting. Sliding window หน้าต่างของความยาวความยาวของหน้าต่างจะเลื่อนไปตามข้อมูลการป้อนข้อมูลตามแต่ละช่องสำหรับทุกตัวอย่างหน้าต่างจะเคลื่อนที่โดยบล็อกจะคำนวณค่า a verage มากกว่าข้อมูลในหน้าต่างการถ่วงน้ำหนักที่เพิ่มขึ้นบล็อกคูณตัวอย่างโดยใช้ชุดของปัจจัยการถ่วงน้ำหนักขนาดของปัจจัยการถ่วงน้ำหนักลดลงอย่างมากเมื่ออายุของข้อมูลเพิ่มขึ้นโดยไม่ต้องไปถึงศูนย์คำนวณค่าเฉลี่ยอัลกอริทึมจะคำนวณจำนวนถัวเฉลี่ยถ่วงน้ำหนัก data. Specify window length กำหนดค่าความยาวของหน้าต่างเมื่อเริ่มต้น off. When คุณเลือกกล่องกาเครื่องหมายนี้ความยาวของหน้าต่างเลื่อนเท่ากับค่าที่คุณระบุในความยาวของหน้าต่างเมื่อคุณล้างกล่องกาเครื่องหมายนี้ความยาวของหน้าต่างบานเลื่อน เป็นอนันต์ในโหมดนี้บล็อกจะคำนวณค่าเฉลี่ยของตัวอย่างปัจจุบันและตัวอย่างก่อนหน้าทั้งหมดในช่องความยาวตามความยาวของหน้าต่างเลื่อน 4 ค่าเริ่มต้นของจำนวนเต็มบวกที่เป็นค่าเริ่มต้นความยาวตามขั้นตอนระบุความยาวของหน้าต่างเลื่อนพารามิเตอร์นี้จะปรากฏขึ้นเมื่อคุณ ให้เลือกกล่องกาเครื่องหมายระบุความยาวของหน้าต่างปัจจัยการฟอร์จูน Factor factor 0 9 ค่าเริ่มต้นบวกจริงในช่วง 0.1 พารามิเตอร์นี้ใช้เมื่อ yo u set วิธีการชั่งน้ำหนักแบบ Exponential ปัจจัยการลืม 0 9 จะให้น้ำหนักแก่ข้อมูลเก่ามากกว่าปัจจัยที่ลืม 0 1 ปัจจัยการลืมของ 1 0 หมายถึงหน่วยความจำอนันต์ตัวอย่างทั้งหมดก่อนหน้านี้จะได้รับน้ำหนักที่เท่ากันพารามิเตอร์นี้จะปรับได้ สามารถเปลี่ยนค่าของมันได้แม้ในระหว่างการจำลองการจำลองโดยใช้ประเภทของการจำลองการเรียกใช้การสร้างโค้ดการประมวลผลเริ่มต้นการตีความดำเนินการจำลองรูปแบบโดยใช้รหัส C ที่สร้างขึ้นครั้งแรกที่คุณเรียกใช้การจำลอง Simulink สร้างรหัส C สำหรับบล็อกรหัส C ถูกนำมาใช้ใหม่ในภายหลัง การจำลองแบบตราบเท่าที่รูปแบบไม่เปลี่ยนแปลงตัวเลือกนี้ต้องการเวลาเริ่มต้นเพิ่มเติม แต่ให้ความเร็วในการจำลองได้เร็วกว่าการแปลผลดำเนินการจำลองรูปแบบโดยใช้ตัวแปล MATLAB ตัวเลือกนี้จะลดเวลาในการเริ่มต้น แต่มีความเร็วในการจำลองช้ากว่าการสร้างโค้ด วิธีการสไลด์หน้าต่างเอาท์พุทสำหรับแต่ละตัวอย่างคือค่าเฉลี่ยของตัวอย่างปัจจุบันและตัวอย่างก่อนหน้านี้ Len - 1 en คือความยาวของหน้าต่างการคำนวณผลลัพท์แรกของ Len - 1 เมื่อหน้าต่างไม่มีข้อมูลเพียงพออัลกอริทึมจะเติมหน้าต่างด้วยศูนย์ตัวอย่างเช่นในการคำนวณค่าเฉลี่ยเมื่อป้อนข้อมูลตัวอย่างที่สอง อัลกอริทึมจะเติมหน้าต่างด้วย Len - 2 zeros เวกเตอร์ข้อมูล x คือตัวอย่างข้อมูลสองชุดตามด้วยศูนย์ Len-2 เมื่อคุณไม่ได้ระบุความยาวของหน้าต่างอัลกอริทึมจะเลือกความยาวของหน้าต่างที่ไม่มีที่สิ้นสุดในโหมดนี้ผลลัพธ์คือ ค่าเฉลี่ยเคลื่อนที่ของตัวอย่างปัจจุบันและตัวอย่างก่อนหน้าทั้งหมดในช่องทางวิธีการคำนวณความถ่วงน้ำหนักในวิธีการถ่วงน้ำหนักแบบเสวนาการคำนวณค่าเฉลี่ยเคลื่อนที่จะคำนวณโดยใช้สูตรเหล่านี้ใหม่ Nw N 1 1 x N 1 1 w N x N 1 1 N N x Nx N คาเฉลี่ยเคลื่อนที่ที่ตัวอยางปจจุบัน N การปอนขอมูลปจจุบัน n ยกเวน N 1 คาเฉลี่ยเคลื่อนที่ที่ตัวอยางเดิมตัวอยางการปอน 1 1 w N x N 1 ผลของข้อมูลก่อนหน้านี้โดยเฉลี่ยสำหรับตัวอย่างแรกที่ N 1 อัลกอริทึ่มเลือก w N 1 สำหรับตัวอย่างถัดไปจะมีการอัพเดตข้อมูลการถ่วงน้ำหนักและคำนวณค่าเฉลี่ยตามลำดับ สมการ recursive เมื่ออายุของข้อมูลเพิ่มขึ้นขนาดของปัจจัยการถ่วงน้ำหนักลดลงอย่างมากและไม่ถึงศูนย์ในคำอื่น ๆ ข้อมูลล่าสุดมีอิทธิพลมากขึ้นกับค่าเฉลี่ยปัจจุบันมากกว่าข้อมูลที่เก่ากว่าค่าของปัจจัยการลืมกำหนด อัตราการเปลี่ยนแปลงของปัจจัยการถ่วงน้ำหนักปัจจัยการลืม 0 9 ให้น้ำหนักแก่ข้อมูลเก่ามากกว่าปัจจัยที่ลืม 0 1 ปัจจัยการลืมของ 1 0 หมายถึงหน่วยความจำที่ไม่มีที่สิ้นสุดตัวอย่างทั้งหมดก่อนหน้านี้จะมีน้ำหนักเท่ากันเลือกประเทศของคุณ .