Moving Media Algoritmo Filtro

La media mobile come un filtro La media mobile è spesso usato per lisciare i dati in presenza di rumore. La media mobile non è sempre riconosciuta come filtro Finite Impulse Response (FIR) che è, mentre è in realtà uno dei filtri più comuni nel trattamento del segnale. Trattandolo come un filtro consente il confronto con, per esempio,-sinc finestrate filtri (vedi gli articoli sul passa-basso.. Banda passa-passa-alto e e-banda rifiutano filtri per gli esempi di quelli). La differenza principale con questi filtri è che la media mobile è adatto per segnali per cui le informazioni utili è contenuto nel dominio del tempo. dei quali lisciatura misurazioni facendo la media è un ottimo esempio. filtri finestrato-sinc, d'altro canto, sono forti esecutori nel dominio della frequenza. con equalizzazione in elaborazione audio come esempio tipico. C'è un confronto più dettagliato di entrambi i tipi di filtri nel dominio del tempo vs prestazioni dominio della frequenza dei filtri. Se si dispone di dati per i quali sia il tempo e dominio della frequenza sono importanti, allora si potrebbe desiderare di avere uno sguardo al Variazioni sul media mobile. che presenta un certo numero di versioni ponderata della media mobile che sono meglio a questo. La media mobile di lunghezza (N) può essere definito come scritto come è tipicamente implementato, con il campione di uscita corrente come media dei campioni precedenti (N). Visto come un filtro, la media mobile esegue una convoluzione della sequenza di input (xn) con un impulso rettangolare di lunghezza (N) e l'altezza (1N) (per rendere l'area del polso, e, di conseguenza, il guadagno del filtro , uno ). In pratica, è meglio prendere (N) dispari. Sebbene una media mobile può anche essere calcolata utilizzando un numero di campioni, utilizzando un valore dispari per (N) ha il vantaggio che il ritardo del filtro sarà un numero intero di campioni, poiché il ritardo di un filtro con (N) campioni è esattamente ((N-1) 2). La media mobile può quindi essere allineato esattamente ai dati originali spostandolo da un numero intero di campioni. Time Domain Poiché la media mobile è una convoluzione con un impulso rettangolare, la sua risposta in frequenza è una funzione sinc. Questo rende qualcosa come il duale del filtro finestrato-sinc, dal momento che è una convoluzione con un impulso sinc che si traduce in una risposta in frequenza rettangolare. È questa risposta in frequenza sinc che rende la media mobile un esecutore povero nel dominio della frequenza. Tuttavia, esso funziona molto bene nel dominio del tempo. Pertanto, è ideale per lisciare i dati per rimuovere il rumore, mentre allo stesso tempo mantenendo una risposta a gradino veloce (Figura 1). Per il tipico rumore additivo gaussiano bianco (AWGN) che è spesso assunto, media campioni (N) ha l'effetto di aumentare il SNR di un fattore (sqrt N). Dal momento che il rumore per i singoli campioni non è correlata, non vi è alcun motivo di trattare ogni campione in modo diverso. Quindi, la media mobile, che dà ogni campione lo stesso peso, sarà sbarazzarsi della quantità massima di rumore per una data nitidezza risposta al gradino. Attuazione Poiché è un filtro FIR, la media mobile può essere attuato mediante convoluzione. Si avrà quindi la stessa efficacia (o la mancanza di esso) come qualsiasi altro filtro FIR. Tuttavia, può anche essere implementato in modo ricorsivo, in maniera molto efficiente. Segue direttamente dalla definizione che questa formula è il risultato delle espressioni per (yn) e (YN1), vale a dire, in cui si nota che il cambio tra (YN1) e (yn) è che un termine supplementare (xn1N) appare in alla fine, mentre il termine (xn-n1n) viene rimosso dall'inizio. Nelle applicazioni pratiche, è spesso possibile omettere la divisione per (N) per ogni termine compensando il guadagno risultante di (N) in un altro luogo. Questo ricorsiva attuazione sarà molto più veloce di convoluzione. Ogni nuovo valore (y) può essere calcolato con solo due aggiunte, invece dei (N) aggiunte che sarebbe necessaria per un'attuazione semplice della definizione. Una cosa da guardare fuori per una implementazione ricorsiva è che errori di arrotondamento si accumulano. Questo può o non può essere un problema per la vostra applicazione, ma implica anche che questo ricorsiva implementazione potrà mai funzionare meglio con un'implementazione intero che con numeri in virgola mobile. Questo è piuttosto insolito, poiché una implementazione in virgola mobile solito è più semplice. La conclusione di tutto questo deve essere che non bisogna mai sottovalutare l'utilità del semplice filtro media mobile nelle applicazioni di elaborazione dei segnali. Filter Design Tool Questo articolo è completato con uno strumento Filter Design. Esperimento con diversi valori di (N) e visualizzare i filtri risultanti. Provalo Nowi essenzialmente avere una matrice di valori come questo: La matrice di cui sopra è Semplificando al massimo, Im la raccolta di 1 valore per millisecondo nel mio codice vero e ho bisogno di elaborare l'uscita su un algoritmo che ho scritto per trovare il picco più vicino prima di un punto nel tempo . La mia logica non è riuscito perché nel mio esempio precedente, 0,36 è il vero picco, ma il mio algoritmo sarebbe guardare indietro e vedere l'ultimo numero di 0,25 come il picco, come theres una diminuzione di 0,24 prima di esso. L'obiettivo è quello di prendere questi valori e applicare un algoritmo per loro che li appianare un po 'in modo da avere i valori più lineare. (Vale a dire: Id come i miei risultati siano sinuosa, non jaggedy) Ive stato detto di applicare un filtro a media mobile esponenziale a miei valori. Come posso fare questo la sua davvero difficile per me leggere equazioni matematiche, ho a che fare molto meglio con il codice. Come faccio a dei valori di processo nella mia matrice, l'applicazione di un calcolo della media mobile esponenziale a pareggiare fuori chiesto 8 febbraio 12 a 20:27 Per calcolare una media mobile esponenziale. è necessario mantenere uno stato in giro e avete bisogno di un parametro di sintonia. Ciò richiede una (sei ipotizzando l'utilizzo di Java 5 o successivo) po 'di classe: un'istanza con il parametro di decadimento che si desidera (potrebbe richiedere sintonizzazione dovrebbe essere compreso tra 0 e 1) e quindi utilizzare media () per filtrare. Durante la lettura di una pagina su qualche ricorrenza mathmatical, tutti si ha realmente bisogno di sapere quando trasformandolo in codice è che i matematici piace scrivere indici in array e sequenze con gli indici. (Theyve alcune altre notazioni così, che non aiuta.) Tuttavia, l'EMA è piuttosto semplice come avete solo bisogno di ricordare un valore vecchio non complicati elementi di superfici sensibile richiesti. rispose 8 febbraio 12 a 20:42 TKKocheran: Più o meno. Isn39t è bello quando le cose possono essere semplici (oppure con la nuova sequenza, ottenere un nuovo averager.) Si noti che i primi termini della sequenza media salteranno in giro un po 'a causa di effetti di bordo, ma si ottiene quelli con altre medie mobili pure. Tuttavia, un buon vantaggio è che si può avvolgere la logica di media mobile nel averager e sperimentare senza disturbare il resto del programma troppo. ndash Donal Fellows 9 febbraio 12 a 0:06 sto avendo difficoltà a capire le vostre domande, ma cercherò di rispondere in ogni caso. 1) Se il vostro algoritmo trovato 0,25 invece di 0,36, allora è sbagliato. E 'sbagliato perché presuppone un aumento o una diminuzione monotona (che sta andando sempre verso l'alto o verso il basso andando sempre). A meno che la media di tutti i dati, i punti dati --- come li presenti --- sono non lineari. Se davvero si vuole trovare il valore massimo tra due punti nel tempo, poi tagliare la matrice da Tmin a Tmax e trovare il massimo di tale sottoarray. 2) Ora, il concetto di medie mobili è molto semplice: immaginate che ho il seguente elenco: 1.4, 1.5, 1.4, 1.5, 1.5. Posso liscia fuori prendendo la media di due numeri: 1.45, 1.45, 1.45, 1.5. Si noti che il primo numero è la media di 1.5 e 1.4 (secondo e primi numeri) il secondo (nuova lista) è la media di 1.4 e 1.5 (terzo e secondo elenco di età), terzo (nuovo elenco) la media di 1,5 e 1,4 (quarto e terzo), e così via. Avrei potuto reso periodo di tre o quattro, o n. Si noti come i dati sono molto più agevole. Un buon modo per vedere le medie mobili sul posto di lavoro è quello di andare a Google Finance, selezionare un magazzino (provate Tesla Motors piuttosto volatile (TSLA)) e cliccare su fattori tecnici alla parte inferiore del grafico. Selezionare Media mobile con un determinato periodo, e media mobile esponenziale a confrontare le loro differenze. Media mobile esponenziale è solo un altro elaborazione di questo, ma i pesi i dati più vecchi in meno rispetto ai nuovi dati questo è un modo per polarizzare il livellamento verso il retro. Si prega di leggere la voce di Wikipedia. Quindi, questo è più di un commento di una risposta, ma la piccola casella di commento era solo per minuscola. In bocca al lupo. Se siete ad avere problemi con la matematica, si potrebbe andare con una media mobile semplice anziché esponenziale. Quindi, l'uscita si ottiene sarebbe stato l'ultimo termine x diviso per x. pseudocodice testato: Si noti che è necessario per gestire le parti iniziali e finali dei dati dato che chiaramente non puoi fare la media dei ultimi 5 termini quando si è sul 2 ° punto di dati. Inoltre, ci sono modi più efficaci di calcolo di questa media mobile (somma somma - più antica più recente), ma questo è quello di ottenere il concetto di che cosa sta accadendo in tutto. rispose 8 febbraio 12 a 20: 41Moving Filter Media (filtro MA) Caricamento in corso. Il filtro media mobile è un semplice filtro passa-basso FIR (Finite Impulse Response) comunemente usato per lisciare una serie di campionati datasignal. Prende M campioni di ingresso alla volta e prendere la media di questi M-campioni e produce un singolo punto di uscita. Si tratta di una struttura molto semplice LPF (Filtro passa basso), che viene portata di mano per gli scienziati e gli ingegneri di filtrare componente rumoroso indesiderati dai dati previsti. Come la lunghezza del filtro aumenta (il parametro M) la scorrevolezza degli aumenti di uscita, mentre le transizioni taglienti nei dati sono fatte sempre più smussato. Questo implica che il filtro ha un'eccellente risposta nel dominio del tempo, ma una risposta in frequenza scarsa. Il filtro MA svolgere tre funzioni importanti: 1) Ci vogliono punti di ingresso M, calcola la media di questi M-points e produce un unico punto di uscita 2) A causa delle computationcalculations coinvolti. il filtro introduce una quantità definita di ritardo 3) Il filtro agisce come un filtro passa basso (con scarsa risposta nel dominio di frequenza e una buona risposta nel dominio del tempo). Codice Matlab: A seguito di codice MATLAB simula la risposta nel dominio del tempo di un M-punto mobile filtro media e traccia anche la risposta in frequenza per varie lunghezze di filtro. Time Domain Risposta: Al primo trama, abbiamo l'ingresso che sta succedendo nel filtro media mobile. L'ingresso è rumoroso e l'obiettivo è di ridurre il rumore. La figura seguente è la risposta di uscita di un punto 3 Moving Average filtro. Si può dedurre dalla figura che il 3 punti Moving filtro media non ha fatto molto a filtrare il rumore. Aumentiamo i rubinetti filtro a 51 punti e possiamo vedere che il rumore in uscita è ridotta molto, che è rappresentato nella figura seguente. Aumentiamo i rubinetti ulteriormente a 101 e 501 e si può osservare che, anche-se il rumore è quasi zero, le transizioni siano smussati su drasticamente (osservare il pendio sulla lati del segnale e confrontarle con la transizione muro ideale il nostro ingresso). Risposta in frequenza: Dalla risposta in frequenza si può affermare che il roll-off è molto lento e l'attenuazione banda di arresto non è buona. Tenuto conto di questa banda di attenuazione di arresto, in modo chiaro, il filtro media mobile non può separare una banda di frequenze da un'altra. Come sappiamo che una buona prestazione nei risultati dominio del tempo in scarso rendimento nel dominio della frequenza, e viceversa. In breve, la media mobile è un eccezionale buon filtro smoothing (l'azione nel dominio del tempo), ma un filtro passa-basso eccezionalmente avverse (l'azione nel dominio della frequenza) Link esterni: Libri consigliati: Sidebar primaria