Wzrost średniego filtra

Przeprowadzka Średnia. Ten przykład uczy, jak obliczyć średnią ruchową serii czasowej w programie Excel Średnia średnica ruchoma służy do wygładzania szczytów i dolin niezgodności w celu łatwego rozpoznania trendów.1 Po pierwsze, spójrzmy na nasz szereg czasowy.2 Na karcie Dane kliknij pozycję Analiza danych. Należy nacisnąć przycisk Analiza danych Kliknij tutaj, aby załadować dodatek Analysis ToolPak.3 Wybierz Średnia ruchoma i kliknij przycisk OK.4 Kliknij pole Zakres wejściowy i wybierz zakres B2 M2. 5 Kliknij w polu Interwał i wpisz 6.6 Kliknij w polu Zakres wyjściowy i wybierz komórkę B3.8 Wykres wykresu tych wartości. Instrukcja, ponieważ ustawiamy przedział na 6, średnia ruchoma jest średnią z poprzednich 5 punktów danych i bieżący punkt danych W rezultacie szczyty i doliny są wygładzone Wykres pokazuje tendencję wzrostową Excel nie może obliczyć średniej ruchomej dla pierwszych 5 punktów danych, ponieważ nie ma wystarczająco dużo poprzednich punktów danych.9 Powtórz kroki od 2 do 8 dla przedziału 2 i przedziału 4. Konkluzja La rger odstępu, im więcej szczytów i dolin są wygładzane Im krótszy odstęp, im przybliżone są średnie ruchome, to do rzeczywistych punktów danych. Średnia ruchoma jako filtr. Średnia ruchoma jest często wykorzystywana do wygładzania danych w obecności hałas Zwykła średnia ruchoma nie zawsze jest rozpoznawana jako filtr Finite Impulse Response FIR, chociaż jest to jeden z najczęstszych filtrów w przetwarzaniu sygnału Leczenie go jako filtr umożliwia porównanie go na przykład z filtrami windowed-sinc patrz artykuły dotyczące filtrów górnoprzepustowych i pasm przenoszących pasma górnoprzepustowy i górnoprzepustowy o niskim przebiegu dla przykładów tych Najważniejsza różnica w tych filtrach polega na tym, że średnia ruchoma jest odpowiednia dla sygnałów, dla których przydatne informacje są zawarte w dziedzinie czasowej które pomagają wygładzić pomiary przez uśrednianie są podstawowym przykładem Filtry Windowed-sinc z drugiej strony są silnymi wykonawcami w dziedzinie częstotliwości z wyrównywaniem w przetwarzaniu dźwięku jako typowy przykład bardziej szczegółowe porównanie obu typów filtrów w domenie czasu i skuteczność filtrów w domenie częstotliwości Jeśli masz dane, dla których zarówno czas, jak i dziedzina częstotliwości są ważne, warto zapoznać się z wariantami "Ruchliwa średnia", która prezentuje liczba ważonych wersji ruchomych średnich, które są lepsze. Średnia ruchoma długości N może być zdefiniowana jako. pisywana, jak zwykle jest wykonywana, przy czym aktualna próbka wyjściowa jest średnią z poprzednich N próbek Widziana jako filtr , średnia ruchoma wykonuje splot sekwencji wejściowej xn z prostokątnym impulsem o długości N i wysokości 1 N, aby utworzyć obszar impulsu, a tym samym zysk filtra, jeden W praktyce najlepiej jest Nieparzysty Pomimo, że średnia ruchoma może być obliczona przy użyciu parzystej liczby próbek, przy nieparzystej wartości dla N ma tę zaletę, że opóźnienie filtru będzie liczbą całkowitą próbek, ponieważ opóźnienie filtru z N próbkami jest exa ctly N-1 2 Średnia ruchoma może być wyrównana dokładnie do oryginalnych danych, przesuwając ją przez liczbę całkowitą próbek. Domena czasu Ponieważ średnia ruchoma jest splotem prostokątnym, jego odpowiedź częstotliwościowa jest funkcją sinc czyni to coś takiego jak podwójny filtr windowed-sinc, ponieważ jest to splot z impemem sinc, który skutkuje prostokątną odpowiedzią na częstotliwość. To jest to pasmo przenoszenia, które sprawia, że ​​średnia ruchoma jest słabym wykonaniem w dziedzinie częstotliwości. Jednakże, działa bardzo dobrze w dziedzinie czasu Dlatego doskonale nadaje się do wygładzania danych w celu usunięcia zakłóceń, przy jednoczesnym zachowaniu szybkiej odpowiedzi krokowej Figura 1.Figure 1 Wygładzanie za pomocą filtra średniej ruchomej. Dla typowego dodatkowego białego Gaussa Noise AWGN że uśrednianie N próbek powoduje zwiększenie współczynnika SNR przez współczynnik sqrt N Ponieważ hałas poszczególnych próbek nie jest ze sobą skorelowany, nie ma powodu, aby traktować każdą próbkę różnią się Dlatego też średnia ruchoma, która daje każdą próbkę taką samą wagę, pozbędzie się maksymalnej ilości hałasu dla danej ostrości odpowiedzi na etapie. Ponieważ jest to filtr FIR, średnia ruchoma może zostać zaimplementowana przez splot ta sama skuteczność lub brak tego jak każdy inny filtr FIR Jednak może on być również implementowany rekurencyjnie, w sposób bardzo efektywny Wynika to bezpośrednio z definicji, że ta formuła jest wynikiem wyrażeń dla yn i yn 1, i gdy zauważymy, że zmiana pomiędzy yn 1 i yn polega na tym, że na końcu znajduje się dodatkowy termin xn 1 N, podczas gdy termin x nN 1 N jest usuwany od początku W praktycznych zastosowaniach często można wyłączyć podział przez N dla każdej kadencji przez kompensację powstałego zysku N w innym miejscu To rekursywne wdrożenie będzie dużo szybsze niż splot Każda nowa wartość y może być obliczona tylko z dwoma dodatkami, zamiast N dodatków, które byłyby konieczne dla prosta implementacja definicji Jedyną rzeczą, na którą trzeba zwrócić uwagę na rekursywną implementację jest to, że gromadzą się błędy zaokrąglania To może być lub nie może być problemem dla twojej aplikacji, ale sugeruje również, że ta rekurencyjna implementacja rzeczywiście będzie działać lepiej przy wprowadzaniu liczby całkowitej niż z liczbą zmiennoprzecinkową To dość nietypowe, ponieważ implementacja zmiennoprzecinkowa jest zwykle prostsza. Wniosek musi być taki, że nigdy nie należy lekceważyć użyteczności prostego ruchomego filtra w aplikacjach przetwarzania sygnału. Filter Design Tool. Ten artykuł jest uzupełniany za pomocą narzędzia do projektowania filtrów Doświadczenie z różnymi wartościami dla N i wizualizowanie wynikowych filtrów Wypróbuj teraz. fir filtry FIR, filtry IIR i liniowy współczynnik różnicy współczynników stałych. Regulacja średnia filtrów FIR. I omówiliśmy systemy, w których każdy próbka wyjścia jest sumą ważoną niektórych próbek wejściowych. Weźmy przyczynę w system przyczynowo-skutkowy, w którym przyczyna oznacza, że ​​dana próbka wyjściowa zależy wyłącznie od bieżącej próbki wejściowej i innych wejść wcześniejszych w sekwencji. Żadne systemy liniowe w ogóle, ani skończone systemy odpowiedzi impulsowych w szczególności nie muszą być przyczynowymi. rodzaj analizy, którą wkrótce zbadamy. Jeśli symbolizujemy wejścia jako wartości wektora x i wartości wyjściowe jako odpowiednie wartości wektora y, wówczas taki system może być zapisany jako. gdzie wartości b mają wagi stosowane do bieżąca i wcześniejsza próbka wejściowa, aby uzyskać bieżącą próbkę wyjściową Możemy myśleć o wyrażeniu jako równaniu, ze znakiem równości oznacza równe lub jako instrukcję proceduralną, z znakiem równości oznacza przyporządkowanie. Za s napisz wyrażenie dla każdego wyjścia próbka jako pętla instrukcji przypisania MATLAB, gdzie x jest wektorem długości N próbek wejściowych, a b jest wektorem wagi M długości Aby poradzić sobie ze szczególnym przypadkiem na początku, osadzimy x w dłuższym wektorze, którego pierwsza próbka M-1 jest równa zeru. Będziemy pisać ważone sumy dla każdego yn jako wewnętrznego produktu i będą manipulować wejściami jak odwrócenie b do tego. Ten rodzaj systemu jest często zważywszy na oczywisty powód. Z naszych wcześniejszych dyskusji, powinno być oczywiste, że taki system ma charakter liniowy i niezmienny. Oczywiście, zamiast mafilt, byłoby znacznie szybsze użycie funkcji convolution function MATLAB. Zamiast rozważać pierwsze próbki M-1, które mają być zero, możemy uznać je za identyczne z ostatnimi próbkami M-1 Jest to takie samo, jak traktowanie wejścia jako okresowe Używamy cmafilt jako nazwy funkcja, mała modyfikacja wcześniejszej funkcji mafilt W celu określenia odpowiedzi impulsowej systemu zazwyczaj nie ma żadnej różnicy między tymi dwoma, ponieważ wszystkie nieoryginalne próbki wejścia są równe zero. Kiedy system tego typu jest liniowy i przesunięcie - inwariant, wiemy, że jego e ffect na dowolnej sinusoidy będzie tylko skalować i przesuwać ją tutaj ma znaczenie, że używamy okrągłej wersji. Okrągła-convolved wersja jest przesuwane i skalowane nieco, podczas gdy wersja z zwykłym splotem jest zniekształcone na początku. dokładne skalowanie i przesunięcie jest za pomocą fft. Both wejście i wyjście mają amplitudy tylko w częstotliwościach 1 i -1, co jest tak, jak powinno być, biorąc pod uwagę, że wejście było sinusoidy i system był liniowy Wartości wyjściowe są większe stosunek 10 6251 8 1 3281 To jest zysk z systemu. What about the phase Musimy tylko sprawdzić, gdzie amplituda jest non-zero. Input ma fazę pi 2, jak poprosiliśmy Faza wyjściowa przesuwa się przez dodatkowe 1 0594 z przeciwnym znakiem dla ujemnej częstotliwości lub około 1 6 cyklu po prawej, co widać na wykresie. Teraz spróbujmy sinusoidę o tej samej częstotliwości 1, ale zamiast amplitudy 1 i faza pi 2, spróbujmy spróbować amplitudy 1 5 i faza 0. Będziemy wiedzieli, że tylko częstotliwość 1 a d -1 będzie miało zerową amplitudę, więc spójrzmy tylko na nie. Zatem stosunek amplitudy 15 9377 12 0000 jest równy 1 3281 - a co do fazy. jest ponownie przesunięty o 1 0594.Jeżeli te przykłady są typowe , możemy przewidzieć wpływ naszej odpowiedzi impulsowej systemu 1 2 3 4 5 na dowolną sinusoidę o częstotliwości 1 - amplituda zostanie zwiększona o współczynnik 1 3281, a dodatnia faza częstotliwości zostanie przesunięta o 1 0594. Możemy pójść w celu obliczenia wpływu tego systemu na sinusoidy innych częstotliwości za pomocą tych samych metod Jest to znacznie prostszy sposób i jeden, który ustala ogólny punkt Ponieważ okrągły splot w dziedzinie czasowej oznacza mnożenie w dziedzinie częstotliwości, od. it następujące że. Innymi słowy, DFT odpowiedzi impulsowej jest stosunek DFT wyjścia do DFT wejściowych. W tym stosunku. Każda współczynniki DFT są liczby zespolone Ponieważ abs c1 c2 abs c1 abs c2 dla wszystkich liczb zespolonych c1, c2, to równanie mówi nam, że widmo amplitudowe t jego odpowiedź impulsowa będzie zawsze stosunkiem widma amplitudy wyjścia do sygnału wejściowego. W przypadku spektrum fazowego kąt c1 c2 kąt c1 - kąt c2 dla wszystkich c1, c2, z tym że fazy różnią się od n 2 pi są uznawane za równe. Dlatego spektrum fazowe odpowiedzi impulsowej będzie zawsze różnicą między widmami fazy wyjściowej a wejściem, niezależnie od korekcji przez 2 pi, aby zachować wynik pomiędzy - pi a pi. Jesteśmy w stanie zobaczyć gdy rozmieszczamy reprezentację fazy, tzn. jeśli w miarę potrzeb będziemy dodawać różne wielokrotności 2 pi, aby zminimalizować skoki, które są wytwarzane przez periodyczny charakter funkcji kąta. Chociaż amplituda i faza są zwykle używane w grach graficznych i nawet jako prezentacja tabelaryczna, ponieważ są one intuicyjnym sposobem na pomyślenie o wpływie systemu na różne składowe częstotliwości jego wejścia, skomplikowane współczynniki Fouriera są bardziej użyteczne algebraicznie, ponieważ pozwalają na implem wyra enia relacji. W ogólnym podejściu, które widzimy po raz pierwszy, będziemy pracować z arbitralnymi typami szkicowanych szkiców, w których każda próbka wyjściowa jest ważoną sumą pewnych zestawów próbek wejściowych. Jak wspomniano wcześniej, są one często nazywane odpowiedzią impulsową skończoną ponieważ odpowiedź impulsowa ma skończoną wielkość, a czasami przewyższa średnie filtry. Możemy określić charakterystykę odpowiedzi częstotliwościowej takiego filtra z FFT jego odpowiedzi impulsowej, a także możemy zaprojektować nowe filtry o pożądanych właściwościach IFFT z specyfikacja odpowiedzi częstotliwościowych. Filtry IIR niewłaściwe. Nie byłoby mowy o nazwie filtrów FIR, chyba że istnieją jakieś inne rodzaje, aby ich odróżnić, a więc ci, którzy studiowali pragmatykę, nie będą zdziwieni, gdy dowiedzą się, że rzeczywiście inny duży rodzaj liniowego filtru niezmiennego czasowo. Te filtry są czasem nazywane rekursywnymi, ponieważ wartość poprzednich wyjść, jak również poprzednich wejść chociaż algorytmy są na ogół pisane przy użyciu konstruktów iteracyjnych Są też nazywane filtrami Infinite Impulse Response IIR, ponieważ w ogóle ich odpowiedź na impuls idzie na zawsze Są też czasami nazywane filtrami autoregresywnymi, ponieważ współczynniki mogą być traktowane jako rezultat wykonywanie regresji liniowej w celu wyrażania wartości sygnału w funkcji wcześniejszych wartości sygnału. Zależność filtrów FIR i IIR może być wyraźnie widoczna w liniowym równoważniku różniczkowym liniowym, tj. ustawiając ważoną sumę wyjść równą sumie ważonej wejść Jest to podobne do równania, które daliśmy wcześniej dla filtra FIR przyczynowo-zatorowego, za wyjątkiem tego, że oprócz ważonej sumy wejściowej mamy również ważoną sumę wyników. Jeśli chcemy myśleć o tym jako procedurze generowania danych wyjściowych próbki musimy przekształcić równanie w celu uzyskania wyrażenia dla bieżącej próbki wyjściowej y n. Podejmując konwencję, że 1 1 np. skalując inne jako i bs, może pozbyć się terminu 1 a 1.nb 1 xnb 2 x n-1 b Nb 1 x n-nb - a 2 y n-1 - - a Na 1 y n-na. Jeżeli każdy inny niż jeden są zerowe, to zmniejsza się do naszego starego przyjaciela przyczynowo-filtru FIR. Jest to ogólny przypadek przyczynowo-filtru LTI i jest realizowany przez filtr funkcji MATLAB. Spójrzmy na przypadek, w którym współczynniki b inne niż b1 są zerowe zamiast przypadku FIR, gdzie wartość zeru wynosi zero. W tym przypadku próbka wyjściowa yn jest obliczana jako ważona kombinacja bieżącej próbki wejściowej xn i poprzednich próbek wyjściowych y n-1, y n-2 itd. zorientuj się, co się dzieje z tymi filtrami, niech zacznie się od przypadku where. That, obecna próbka wyjściowa jest sumą obecnej próbki wejściowej i pół poprzedniej próbki wyjściowej. Będziemy wziąć impuls wejściowy przez kilka czasu krok po kroku, po jednym na raz. W tym miejscu powinno być jasne, że możemy łatwo napisać wyrażenie dla n-tej wartości próbki wyjściowej. Jeśli MATLAB liczy się od 0, byłoby to po prostu 5 n. Odkąd obliczamy odpowiedź impulsową systemu, wykazaliśmy na przykładzie, że odpowiedź impulsowa może rzeczywiście zawierać nieskończenie wiele niezerowych próbek. Aby zaimplementować to banalne w filtrze w MATLAB, możemy użyć filtru Połączenie będzie wyglądać tak. and wynik jest. Jest to firma naprawdę nadal liniowa. Możemy spojrzeć na to empirycznie. Dla bardziej ogólne podejście, warto rozważyć wartość próbki wyjściowej y n. Przez kolejną podstawę moglibyśmy to napisać. Jest to tak jak nasz stary znajomy splotowej postaci filtra FIR, z odpowiedzią impulsową wyrażoną 5 k i długością odpowiedzi impulsowej jest nieskończona Tak więc to samo argumenty, które pokazały, że filtry FIR są liniowe będą teraz stosowane tutaj. Jak dotąd to może się wydawać dużo fuss about not much Czym jest ta cała linia dochodzenia good. We ll odpowiedzi na to pytanie w etapach, począwszy od przykład. To nie jest wielka niespodzianka, że ​​możemy obliczyć próbkę wykładniczą przez mnożenie rekurencyjne Spójrzmy na filtr rekurencyjny, który czyni coś mniej oczywistego Tym razem zrobimy to filtr drugiego rzędu, aby wywołanie filtru miało formę. ustawić drugi współczynnik wyjściowy a2 do -2 cos 2 pi 40, a trzeci współczynnik wyjściowy a3 do 1, i przyjrzeć się odpowiedzi impulsów. Nież bardzo użyteczne jako filtr, faktycznie, ale generuje próbkowaną falę sinusoidalną z impulsu z trzema liczbami dodanymi na próbkę Aby zrozumieć, jak i dlaczego tak się dzieje, a w jaki sposób filtry rekursywne można zaprojektować i przeanalizować w bardziej ogólnym przypadku, musimy cofnąć się i spojrzeć na niektóre inne właściwości złożonych liczb, na drodze do zrozumienia transformacji z.