Moving Average Filter DSP. one kertoo, että liikkuvien keskimääräisten suodattimien MAF ovat hyviä aikatasolla TD ja huono freqeuency-verkkotunnuksessa FD Ja että ikkuna-sinc-suodattimet ovat hyviä FD: ssä ja huonoissa TD: ssä. Mutta nyt kysyn, onko MAF: n tapauksessa se on kuitenkin kunnossa muuttaa ytimen ja datan FFT: n kautta FD: ksi, tekemällä elementaarinen kertolasku ja vihdoin soveltamalla iFFT: tä tulosten saamiseksi TD: ssä sen sijaan, että käsiteltäisiin konvoluutio TD: ssä. Yhtäältä olisi itsestään yllättävää jos tämä matemaattinen prosessin konvoluutio TD: ssä on kertolasku FD: ssä, ei tässä ole sallittua. Toisaalta miksi tulos on edelleen hyvä, vaikka tein prosessin FD: ssä, missä MAF ei näytä olevan hyvä. Ja lopulta Onko olemassa ero tekemällä vain tavallinen FFT ajan verkkotunnuksen dataa tai soveltamalla konvoluutiota FFT päällekkäisyys-ja-add-menetelmä esimerkiksi tietoja en tiedä, kun minun pitäisi käyttää entistä tai jälkimmäistä. Re Moving Average Filter DSP. The transform neliö laatikko, liikkuva ave rage in td tai ihanteellinen lp vuonna fd on sinc toiminto. but sinc funtion on noncausal ja iir fir-suodatin voi saada ihanteellisen taajuusvasteen jopa N taajuuksilla ikkuna käytetään kauppa pois tarkka tarkkuus näillä N taajuuksilla parantaa tarkkuutta taajuuksilla välillä on myös helppo tapa suunnitella suodatin. yksinkertainen liikkuva keskiarvo on käytetty, koska se on helppo suunnitella ja toteuttaa .---------- Post lisätty klo 19 08 - -------- Edellinen viesti oli 19 02.oh, ja yksinkertainen liukuva keskiarvo voidaan tehdä myös konvoluutiolla, mutta jos tarvitset monimutkaista moninkertaistumista, miksi ei valita parempaa suodatinta, esim. todellinen kaistanleveys tai järjestelmän vaatimukset. Järjestelmäobjekti. Järjestelmäobjektiivi laskee sisääntulosignaalin liukuvan keskiarvon pitkin kustakin kanavasta itsenäisesti ajan myötä. Kohde käyttää liukuvan ikkunan menetelmää tai eksponentiaalipainotusmenetelmää liukuvan keskiarvon laskemiseen. Liukuikkumenetelmällä määritetty pituusikkuna siirretään datan yli, näyte näytteestä ja keskiarvo lasketaan ikkunan tietojen yli. Eksponentiaalipainotustapahtumassa kohde kertoo datanäytteet joukolla painotuskertoimia. Keskimääräinen laskenta summaamalla painotetut tiedot Jos haluat lisätietoja Yksityiskohtaiset tiedot näistä menetelmistä ovat algoritmit. Objekti hyväksyy monikanavaiset sisääntulot, eli m-bn-kokoiset sisääntulot, joissa m 1 ja n 1 Objekti myös hyväksyy muuttujan kokoiset panokset Kun objekti on lukittu, voit muuttaa kunkin sisäänmenokanavan koko Kuitenkin kanavien määrä ei voi muuttua Tämä objekti tukee C - ja C-koodin generointia. Laske tulon liikkuva keskiarvo. Luo esine ja määritä objektin ominaisuudet t. Call-vaihe laskea liikkuva keskiarvo. Huomautus Vaihtoehtoisesti, sen sijaan, että käytät askelmenetelmää Järjestelmäobjektin määrittelemän operaation suorittamiseen, voit kutsua objektin argumentteilla, kuten jos se olisi toiminto Esimerkiksi y-askel obj, x ja y obj x suorittavat vastaavia toimintoja. movAvg palauttaa liikkuvan keskimääräisen objektin, movAvg käyttäen oletusarvoisia properties. movAvg asettaa WindowLength-ominaisuuden Len. movAvg: lle määrittää lisäominaisuudet käyttämällä Name, Value - parit Unspecified-ominaisuuksilla on oletusarvot. Sliding Window Method. In liukuikkumenetelmä, jokaisen tulonäytteen lähtö on nykyisen näytteen ja Len - 1: n aikaisempien näytteiden keskiarvo Len on ikkunan pituus Laskea ensimmäiset Len - 1 - lähdöt, kun ikkunassa ei ole vielä tarpeeksi tietoa , algoritmi täyttää ikkunan nollilla Esimerkiksi keskimääräisen laskennan, kun toinen tulonäytteys tulee, algoritmi täyttää ikkunan Len-2 nollilla. Datavektori x on sitten kaksi datanäytettä fo Len - 2 nollia. Kun et määritä ikkunan pituutta, algoritmi valitsee ääretön ikkunan pituuden. Tässä tilassa lähtö on nykyisen näytteen liikkumaton keskiarvo ja kaikki edelliset näytteet kanavassa. Eksponentiaalinen painotusmenetelmä. Eksponentiaalipainotusmenetelmässä liikkuva keskiarvo lasketaan rekursiivisesti käyttäen näitä kaavoja. W N w N 1 1 x N 1 1 w N x N 1 1 w N x N x N Siirtymän keskiarvo nykyisessä näytteessä. X N. x N 1 Siirtyminen keskimäärin edellisessä näytteessä. Käännettävyyskerroin. w N Nykyiseen datanäytteeseen sovellettava painotuskerroin. 1 1 w N x N 1 Edellisten tietojen vaikutus keskiarvoon. Ensimmäisessä näytteessä, jossa Nl, algoritmi valitsee w N 1 Seuraavaksi näytteeksi painotuskerrointa päivitetään ja sitä käytetään laskettaessa keskiarvoa rekursiivinen yhtälö Kun tietojen ikä nousee, painotuskertoimen suuruus heikkenee eksponentiaalisesti eikä koskaan ylitä nollaa Toisin sanoen viimeaikaisilla tiedoilla on suurempi vaikutus nykyiseen keskiarvoon kuin vanhemmat tiedot. Harhaanjohtavan tekijän arvo määrittelee painotuskertoimien muutosnopeus 0 9: n unohtumistekijä antaa enemmän painoa vanhemmille tiedoille kuin unohtamiskerroin on 0 1 Unohoituskerroin 1 0 tarkoittaa ääretöntä muistia Kaikilla edellisillä näytteillä on sama paino. Valitse maa . Siirrä keskimäärin. Menetelmä Keskustelumenetelmä Liukuikkunan oletusarvo Exponential weighting. Sliding - ikkuna Pituusikkuna Pituus ikkuna liikkuu sisääntulotietojen yli jokaisen kanavan kohdalla Jokaisen näytteen ikkunan liikkuu, blokki laskee vertailua ikkunassa oleviin tietoihin. Eksponenttipainotus Lohko kertoo näytteet painotuskertoimien joukolla Painotuskertoimien suuruus pienenee eksponentiaalisesti datan iän kasvaessa, ei koskaan nollaan Keskiarvo lasketaan, algoritmi summaa painotetut arvot tiedot. Valitse ikkunan pituus Lippu määrittääksesi ikkunan pituuden oletusasetukseksi pois päältä. Jos valitset tämän valintaruudun, liukuikkunan pituus on sama kuin ikkunan pituudessa määritetty arvo. Kun poistat tämän valintaruudun, liukuikkunan pituus on ääretön Tässä tilassa lohko laskee nykyisen näytteen ja kaikkien aiempien kanavien keskiarvon kanavassa. Window pituus Liukuikkunan pituus 4 oletusarvoinen positiivinen skalaariluku. Window pituus määrittää liukuikkunan pituuden Tämä parametri näkyy, kun valitse Määritä ikkunapituus - valintaruutu. Kiertävä tekijä Eksponentiaalinen painotuskerroin 0 9 positiivinen positiivinen todellinen skalaari alueella 0,1. Tämä parametri koskee, kun yo u asetetaan Menetelmä eksponentiaalipainotukseen Unohintekijä 0 9 antaa enemmän painoa vanhemmille tiedoille kuin unohtamiskerroin 0 1 Unohtumiskerroin 1 0 tarkoittaa ääretöntä muistia Kaikkien aikaisempien näytteiden annetaan yhtä suuri paino Tämä parametri on viritettävä Sinä voi muuttaa sen arvoa simuloinnin aikana. Simuloida käyttäen simulaation tyyppiä ajetaan Koodin generointi oletus Tulkittu suorittaminen. Simuloida mallia käyttämällä generoitua C-koodia Kun simulointi suoritetaan ensimmäistä kertaa, Simulink luo C-koodin lohkolle. C-koodia käytetään uudelleenkäyttöä varten simulaatioita, niin kauan kuin malli ei muutu Tämä vaihtoehto edellyttää ylimääräistä käynnistysaikaa, mutta tarjoaa nopeamman simuloinnin nopeuden kuin Tulkittu suorittaminen. Simuloida mallia MATLAB-tulkilla Tämä vaihtoehto lyhentää käynnistysaikaa, mutta hidastaa simuloinnin nopeutta kuin Code generation. Sliding Window Method. In liukuikkunamenetelmä, jokaisen tulonäytteen ulostulo on nykyisen näytteen ja Len - 1: n aikaisempien näytteiden L keskiarvo fi on ikkunan pituus Jos lasketaan ensimmäiset Len - 1 - lähdöt, kun ikkunassa ei ole vielä tarpeeksi tietoa, algoritmi täyttää ikkunan nollilla. Esimerkiksi, kun lasketaan keskimääräinen arvo, kun toinen panosnäyttö tulee, algoritmi täyttää ikkunan Len - 2 - nollilla Tietovektori x on sitten kaksi datanäytettä, jota seuraa Len - 2 nollia. Kun et määritä ikkunan pituutta, algoritmi valitsee ääretön ikkunan pituuden. Tässä tilassa tulos on nykyisen näytteen liikkumaton keskiarvo ja kaikki edelliset näytteet kanavassa. Eksponentiaalinen painotusmenetelmä. Eksponentiaalipainotusmenetelmässä liikkuva keskiarvo lasketaan rekursiivisesti käyttäen näitä kaavoja. w N w N 1 1 x N 1 1 w N x N 1 1 w N x Nx N Keskimääräinen muuttuja nykyisessä näytteessä. x N Ajankohtainen tietolähde sample. x N 1 Keskimääräinen keskiarvo edellisessä näytteessä. Erittäjästekijä. w N Painotuskerroin, jota sovelletaan nykyiseen datanäytteeseen. 1 1 w N x N 1 Edellisten tietojen vaikutus keskiarvoon. Ensimmäisessä näytteessä, jossa Nl, algoritmi valitsee w N 1 Seuraavaksi näytteeksi painotuskerrointa päivitetään ja sitä käytetään laskettaessa keskiarvoa rekursiivinen yhtälö Kun tietojen ikä nousee, painotuskertoimen suuruus heikkenee eksponentiaalisesti eikä koskaan ylitä nollaa Toisin sanoen viimeaikaisilla tiedoilla on suurempi vaikutus nykyiseen keskiarvoon kuin vanhemmat tiedot. Harhaanjohtavan tekijän arvo määrittelee painotuskertoimien muutosnopeus 0 9: n unohtumistekijä antaa enemmän painoa vanhemmille tiedoille kuin unohtamiskerroin on 0 1 Unohduskerroin 1 0 tarkoittaa ääretöntä muistia Kaikilla edellisillä näytteillä on sama paino. Valitse maa .
No comments:
Post a Comment