Glidande medelvärde filter förstärkningen

Flyttande medelvärde. Detta exempel lär dig hur man beräknar det glidande medlet av en tidsserie i Excel. Ett glidande medel används för att släpa ut oregelbundenheter toppar och dalar för att enkelt kunna känna igen trenderna. 1 Först, låt oss ta en titt på vår tidsserie.2 På Datafliken klickar du på Data Analysis. Note kan inte hitta knappen Data Analysis Klicka här för att ladda till verktyget Add-in Analysis ToolPak.3 Välj Flytta genomsnitt och klicka på OK.4 Klicka på rutan Inmatningsområde och välj intervallet B2 M2. 5 Klicka i rutan Intervall och skriv 6.6 Klicka i rutan Utmatningsområde och välj cell B3.8 Skriv ett diagram över dessa värden. Planering eftersom vi anger intervallet till 6 är det rörliga genomsnittet genomsnittet för de föregående 5 datapunkterna och Den aktuella datapunkten Som ett resultat utjämnas toppar och dalar Grafen visar en ökande trend Excel kan inte beräkna det glidande medlet för de första 5 datapunkterna eftersom det inte finns tillräckligt med tidigare datapunkter.9 Upprepa steg 2 till 8 för intervall 2 Och intervall 4.Konklusion Den la Rger intervallet desto mer topparna och dalarna släpper ut Ju mindre intervall desto närmare rörliga medelvärden är till de faktiska datapunkterna. Flyttande medelvärdet som ett filter. Det rörliga genomsnittet används ofta för att utjämna data i närvaro av Ljud Det enkla glidande medlet är inte alltid känt som Finite Impulse Response FIR-filtret som det är, medan det faktiskt är ett av de vanligaste filtren i signalbehandling. Behandling av det som ett filter gör det möjligt att jämföra det med till exempel fönsterfönster med synkronisering se artiklarna om lågpasspassade högpass och bandpass och bandavvisningsfilter för exempel på dem. Den största skillnaden med dessa filter är att det rörliga medlet är lämpligt för signaler för vilka den användbara informationen finns i tidsdomänen för vilka utjämna mätningar genom medelvärde är ett utmärkt exempel Windowed-sinc-filter är å andra sidan starka utövande i frekvensdomänen med utjämning i ljudbehandling som ett typiskt exempel. Det finns en mer detaljerad jämförelse av båda typerna av filter i Time Domain vs Frekvensdomänprestanda för filter Om du har data för vilka både tid och frekvensdomän är viktiga, kanske du vill titta på variationer på det rörliga genomsnittet som presenterar Ett antal viktade versioner av det glidande medlet som är bättre vid det. Rörande medelvärdet av längden N kan definieras som. skrivet som det typiskt implementeras med det aktuella utgångsprovet som medelvärdet av de föregående N-proverna sedda som ett filter , Det rörliga genomsnittsvärdet utför en konvolvering av ingångssekvensen xn med en rektangulär puls med längd N och höjd 1 N för att göra pulsens område, och därmed förstärkningen av filtret, en i praktiken är det bäst att ta N udda Även om ett glidande medelvärde även kan beräknas med ett jämt antal prover, har ett förutbestämt värde för N den fördelen att fördröjningen av filtret kommer att vara ett heltal antal prover, eftersom fördröjningen av ett filter med N-prover är exa ctly N-1 2 Det rörliga genomsnittet kan sedan justeras exakt med de ursprungliga uppgifterna genom att flytta det med ett heltal antal prover. Tidsdomän. Eftersom det rörliga medlet är en konvolvering med en rektangulär puls, är dess frekvensrespons en synkfunktion Gör det något som det dubbla av windowed-sinc-filtret, eftersom det är en konvolvering med en sinc-puls som resulterar i ett rektangulärt frekvenssvar. Det är detta sinc-frekvensrespons som gör det rörliga genomsnittet en dålig artist i frekvensdomänen. Det är mycket bra i tidsdomänen. Därför är det perfekt att släta data för att ta bort ljud samtidigt som du fortfarande håller ett snabbt stegsvar. Figur 1.Figur 1 Utjämning med ett glidande medelfilter. För den typiska Additiv White Gaussian Noise AWGN Det antas ofta att medelvärdena N-prover medför att SNR ökas med en faktor kvt. N Eftersom bruset för de enskilda proverna är okorrelerat finns det ingen anledning att behandla varje prov differen Därför kommer det rörliga medelvärdet, vilket ger varje prov samma vikt, att bli av med den maximala bullernivån för ett givet stegresponsskärpa. Eftersom det är ett FIR-filter kan det glidande medlet implementeras genom konvolvering. Det kommer då att ha samma effektivitet eller brist på det som något annat FIR-filter. Det kan också implementeras rekursivt, på ett mycket effektivt sätt. Det följer direkt av definitionen att. Denna formel är resultatet av uttrycken för yn och yn 1, jag e där vi märker att förändringen mellan yn 1 och yn är att en extra term xn 1 N visas i slutet medan termen x nN 1 N tas bort från början I praktiska tillämpningar är det ofta möjligt att lämna upp delningen Av N för varje term genom att kompensera för den resulterande vinsten av N på en annan plats. Detta rekursiva genomförande kommer att vara mycket snabbare än konvolvering. Varje nytt värde av y kan beräknas med endast två tillägg istället för de N-tillägg som skulle vara nödvändiga för en enkel implementering av definitionen En sak att se upp med en rekursiv implementering är att avrundningsfel kommer att ackumuleras. Detta kan eller kanske inte är ett problem för din ansökan, men det innebär också att denna rekursiva implementering faktiskt kommer att fungera bättre med ett heltal implementering än Med flytande punkttal Detta är ganska ovanligt, eftersom en flytpunktsimplementering vanligen är enklare. Slutsatsen av allt detta måste vara att du aldrig bör underskatta användbarheten av det enkla glidande medelfilteret i signalbehandlingsapplikationer. Filtreverktyg. Denna artikel Kompletteras med ett filterdesignverktyg Experiment med olika värden för N och visualisera de resulterande filtrena Prova nu. FIR-filter, IIR-filter och den linjära konstant-koefficientskillnadsekvationen. Kausala rörliga medelvärden för FIR-filter. Vi diskuterade system där varje Provet av utgången är en viktad summa av vissa av proven i ingången. Låt oss ta ett orsakssamband w åttondelssumman, där orsakssambandet innebär att ett givet utmatningsprov endast beror på det aktuella ingångsprovet och andra ingångar tidigare i sekvensen. Varken linjära system i allmänhet eller i synnerhet finite impulsreaktionssystem behöver i synnerhet vara orsakssamband. En typ av analys som vi snart kommer att undersöka. Om vi ​​symboliserar ingångarna som värden på en vektor x och utgångarna som motsvarande värden på en vektor y, kan ett sådant system skrivas som. Där b-värdena är vikter applicerade på Nuvarande och tidigare inmatningssampler för att få det aktuella utgångsprovet Vi kan tänka på uttrycket som en ekvation, med lika signaturbetydelse lika, eller som en procedurinstruktion, med samma signaturbetydelse. Låt oss skriva uttrycket för varje utgång prov som en MATLAB-slinga av uppdragsutlåtanden, där x är en N-längdsvektor av ingångsprover och b är en M-längdsvektorvikt För att kunna hantera det speciella fallet i början lägger vi in x i en längre vektor xhat vars första M-1-prov är noll. Vi skriver den viktade summeringen för varje yn som en inre produkt och kommer att göra några manipuleringar av ingångarna som omvänd b till detta ändamål. Denna typ av system är kallas ofta ett glidande medelfilter av uppenbara skäl. Från våra tidigare diskussioner borde det vara uppenbart att ett sådant system är linjärt och skift-invariant. Det skulle naturligtvis vara mycket snabbare att använda MATLAB convolution-funktionen conv conv istället för vår mafilt. I stället för att överväga att de första M-1-proverna av ingången är noll, kan vi betrakta dem som de sista M-1-proverna. Det här är detsamma som att behandla ingången som periodisk. Vi ska använda cmafilt som namnet på funktion, en liten modifikation av den tidigare mafiltfunktionen Vid bestämning av impulsresponsen hos ett system är det vanligtvis ingen skillnad mellan dessa två eftersom alla icke-initiala prover av ingången är noll. Eftersom ett sådant system är linjärt och skift - Invariant, vi vet att dess e ffect på vilken sinusoid som helst kommer bara att skala och flytta den. Här är det viktigt att vi använder den cirkulära versionen. Den cirkulärkonvolverade versionen skiftas och skalas lite medan versionen med vanlig konvolvering snedvrids i början. Se s vad Exakt skalering och skiftning sker genom att använda en fft. Both-ingång och utgång har endast amplitud vid frekvenserna 1 och -1, vilket är som det borde vara, med tanke på att ingången var en sinusoid och systemet var linjärt. Utgångsvärdena är större genom Ett förhållande av 10 6251 8 1 3281 Detta är förstärkningen av systemet. Vad gäller fasen Vi behöver bara se var amplituden är icke-noll. Inmatningen har en fas av pi 2, som vi begärde. Utgångsfasen skiftas Med ytterligare 1 0594 med motsatt tecken på den negativa frekvensen eller omkring 1 6 av en cykel till höger, som vi kan se på grafen. Nu ska vi försöka en sinusoid med samma frekvens 1, men istället för amplitud 1 och Fas pi 2, låt s försöka amplitud 1 5 och fas 0.Vi vet att endast frekvens 1 an d-1 kommer att ha icke-noll amplitude, så låt oss bara titta på dem. Ge amplitudförhållandet 15 9377 12 0000 1 3281 - och för fas. it skiftas igen med 1 0594. Om dessa exempel är typiska , Kan vi förutse effekten av vårt system impulsrespons 1 2 3 4 5 på vilken sinusoid som helst med frekvens 1 - amplituden ökas med en faktor 1 3281 och den positiva frekvensfasen kommer att flyttas med 1 0594. Vi kunde gå på att beräkna effekten av detta system på sinusoider av andra frekvenser med samma metoder Men det finns ett mycket enklare sätt, och en som fastställer den allmänna punkten Eftersom cirkulär konvolvering i tidsdomänen betyder multiplikation i frekvensdomänen följer Det med andra ord är DFT för impulssvaret förhållandet mellan DFT för utgången och DFT på ingången. I detta förhållande är DFT-koefficienterna komplexa. Eftersom abs c1 c2 abs c1 abs c2 för alla komplexa tal C1, c2, säger denna ekvation oss att amplitudspektrumet av t Hans impulsrespons kommer alltid att vara förhållandet mellan amplitudspektrumet och utgången till ingången. I fallet med fasspektrumet, vinkel c1 c2 vinkel c1 - vinkel c2 för alla c1, c2 med det förbehållet att faserna skiljer sig från n 2 pi anses lika. Därför kommer fasspänningsfas spektret alltid att vara skillnaden mellan fasspektra av utgången och ingången med vilka korrigeringar som helst med 2 pi behövs för att hålla resultatet mellan - pi och pi. Vi kan se fasfaktorer tydligare om vi avvecklar representationen av fas, det vill säga om vi lägger till flera multiplar av 2 pi efter behov för att minimera de hopp som produceras av den periodiska karaktären av vinkelfunktionen. Även om amplituden och fasen vanligtvis används för grafisk och även tabellformat, eftersom de är ett intuitivt sätt att tänka på effekterna av ett system på de olika frekvenskomponenterna för dess ingång, är de komplexa Fourier-koefficienterna mer användbara algebraiskt eftersom de tillåter s Imple - mentation av förhållandet. Det allmänna tillvägagångssättet vi just har sett kommer att fungera med godtyckliga filter av den skissade typen, där varje utmatningsprov är en viktad summa av en uppsättning ingångsprover. Som nämnts tidigare kallas dessa ofta Finite Impulse Response filter, eftersom impulssvaret är av finitstorlek eller ibland rörliga medelfilter. Vi kan bestämma frekvensresponsegenskaperna hos ett sådant filter från FFT av dess impulsrespons, och vi kan också designa nya filter med önskade egenskaper av IFFT från en Specifikation av frekvensresponsen. Utrikespressiva IIR-filter. Det skulle vara litet att ha namn på FIR-filter om det inte fanns någon annan typ s att skilja dem från, och så de som har studerat pragmatik kommer inte att förvåna sig för att lära sig att det verkligen finns en annan stor typ av linjärt tidsinvarianskt filter. Dessa filter kallas ibland rekursiva eftersom värdet av tidigare utdata samt tidigare ingångar saker, även om algoritmerna generellt skrivs med iterativa konstruktioner. De kallas också Infinite Impulse Response IIR-filter, eftersom deras svar på impulser i allmänhet fortsätter för alltid. De kallas också ibland autogegrativa filter, eftersom koefficienterna kan anses som resultatet att göra linjär regression för att uttrycka signalvärden som en funktion av tidigare signalvärden. Förhållandet mellan FIR och IIR-filter kan ses tydligt i en linjär konstant-koefficientskillnadsekvation, dvs att en vägd summa av utgångar är lika med en vägd summa Av ingångar Detta är som den ekvation som vi gav tidigare för orsakssystemet FIR, förutom att förutom den viktiga summan av ingångar, har vi också en viktad summa outputs. Of vi vill tänka på detta som ett förfarande för att generera produktionen prover måste vi omordna ekvationen för att få ett uttryck för det aktuella utgångsprovet yn. Adopting konventionen att en 1 1 t. ex. genom att skala andra as och bs, vi kan bli av med 1 a 1 term. ynb 1 xnb 2 x n-1 b Nb 1 x n-nb - en 2 y n-1 - - en Na 1 y n-na. Om alla andra än en 1 är noll reduceras detta till vår gamla vän, det kausala FIR-filtret. Detta är det generella fallet med ett orsakssignal LTI-filter och implementeras av MATLAB-funktionsfiltret. Låt oss se på fallet där b-koefficienterna andra än b 1 är noll Istället för FIR-fallet, där n är noll. I det här fallet beräknas det aktuella utgångsprovet yn som en vägd kombination av det aktuella ingångsprovet xn och de tidigare utgångsproverna y n-1, y n-2 osv. Till Få en uppfattning om vad som händer med sådana filter, låt oss börja med fallet där. Det är det aktuella utgångsprovet summan av det aktuella ingångsprovet och hälften av det föregående utgångsprovet. Vi ska ta en ingångspuls om några gånger Steg, en i taget. Det ska vara klart vid den här tiden att vi enkelt kan skriva ett uttryck för det nth output-provvärdet det bara är. Om MATLAB räknat från 0, skulle det vara helt enkelt 5 n. Eftersom det vi beräknar är systemets impulsrespons, har vi visat att ett impulsrespons faktiskt kan ha oändligt många icke-nollprover. För att genomföra denna triviala första - filter i MATLAB, vi kan använda filter Samtalet kommer att se ut så här. och resultatet är. Är den här verksamheten verkligen fortfarande linjär. Vi kan se på detta empiriskt. För en mer allmän inställning, överväga värdet av ett utsignalsprov y N. By successiv substitution kan vi skriva detta som. Detta är precis som vår gamla vän, convolution-sum form av ett FIR-filter, med impulsresponsen som tillhandahålls av uttrycket 5k och längden av impulsresponsen är oändlig Således samma Argument som vi brukade visa att FIR-filter var linjära kommer nu att tillämpas här. Så länge kan det tyckas som mycket väsen om inte mycket Vad är denna hela undersökningsskala bra för. Vi ska svara på denna fråga i steg, som börjar med en Exempel. Det är inte en Stor överraskning att vi kan beräkna en samplad exponentiell genom rekursiv multiplikation Låt oss titta på ett rekursivt filter som gör något mindre uppenbart Den här gången kommer vi att göra det till ett andra orderfilter så att samtalet till filtret kommer att vara av formen. ställa in den andra utmatningskoefficienten a2 till -2 cos 2pi 40 och den tredje utgångskoefficienten a3 till 1 och titta på impulsresponset. Inte mycket användbart som ett filter, men det genererar en samplad sinusvåg från en impuls Med tre multiplicera tillägg per prov För att förstå hur och varför det gör det, och hur rekursiva filter kan utformas och analyseras i det mer allmänna fallet, måste vi gå tillbaka och titta på några andra egenskaper hos komplexa tal, på väg att förstå z-transformen.