Det rörliga genomsnittet som ett filter Det rörliga genomsnittet används ofta för att utjämna data i närvaro av brus. Det enkla glidande medlet är inte alltid känt som FIT-filteret som det är, medan det faktiskt är ett av de vanligaste filtren i signalbehandling. Att behandla det som ett filter gör det möjligt att jämföra det med exempelvis fönsterhäftande filter (se artiklarna på lågpass, högpass och bandpass och bandavvisningsfilter för exempel på dem). Den stora skillnaden med dessa filter är att det rörliga medlet är lämpligt för signaler för vilka den användbara informationen finns i tidsdomänen. varav utjämningsmätningar genom medelvärde är ett utmärkt exempel. Windowed-sinc-filter är å andra sidan starka aktörer inom frekvensområdet. 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 där både tid och frekvensdomän är viktiga, kanske du vill titta på variationer på rörlig genomsnittsnivå. vilket presenterar ett antal viktade versioner av det glidande medlet som är bättre på det. Det rörliga medelvärdet av längden (N) kan definieras som skrivet som det typiskt implementeras, med det aktuella utgångsprovet som medelvärdet av de tidigare (N) - proverna. Sett som ett filter utför det rörliga medlet en konvolvering av ingångssekvensen (xn) med en rektangulär puls längd (N) och höjd (1N) (för att göra pulsens område, och därmed förstärkningen av filtret , ett ). I praktiken är det bäst att ta (N) udda. Även om ett rörligt medelvärde även kan beräknas med ett jämnt antal prover, har fördelen med att fördröjningen av filtret är ett heltal antal prover, eftersom fördröjningen av ett filter med (N) proverna är exakt ((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 sinc-funktion. Detta gör det 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 medlet en dålig artist i frekvensdomänen. Det fungerar dock 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). För det typiska Additiv White Gaussian Noise (AWGN) som ofta antas, har medelvärdet (N) prover effekten av att öka SNR med en faktor (sqrt N). Eftersom bruset för de enskilda proverna är okorrelerat finns det ingen anledning att behandla varje prov olika. Därför kommer det rörliga medelvärdet, vilket ger varje prov samma vikt, att bli av med den maximala mängden brus för en given stegresponsskärpa. Genomförande Eftersom det är ett FIR-filter kan det glidande medlet genomföras genom konvolvering. Det kommer då att ha samma effektivitet (eller brist på det) som något annat FIR-filter. Det kan emellertid också genomföras rekursivt, på ett mycket effektivt sätt. Det följer direkt av definitionen att denna formel är resultatet av uttrycken för (yn) och (yn1), dvs där vi märker att förändringen mellan (yn1) och (yn) är att en extra term (xn1N) visas vid slutet, medan termen (xn-N1N) tas bort från början. I praktiska tillämpningar är det ofta möjligt att lämna uppdelningen av (N) för varje term genom att kompensera för den resulterande vinsten av (N) på en annan plats. Detta rekursiva genomförande kommer att bli mycket snabbare än konvolvering. Varje nytt värde av (y) kan beräknas med endast två tillägg istället för (N) tillägg som skulle vara nödvändiga för en enkel implementering av definitionen. En sak att se efter med en rekursiv implementering är att avrundningsfel ackumuleras. Detta kan eller kanske inte är ett problem för din ansökan, men det innebär också att den här rekursiva implementeringen faktiskt kommer att fungera bättre med ett heltal implementering än med flytande punktnummer. Detta är ganska ovanligt, eftersom en flytande punktimplementering vanligtvis är enklare. Slutsatsen av allt detta måste vara att du aldrig bör underskatta nyttan av det enkla glidande medelfiltret i signalbehandlingsapplikationer. Filtrera designverktyg Denna artikel kompletteras med ett filterdesignverktyg. Experimentera med olika värden för (N) och visualisera de resulterande filteren. Prova det nuFrekvensrespons för det löpande medelfiltret Frekvensresponsen hos ett LTI-system är DTFS för impulsresponset. Impulsresponsen av ett L-provrörande medelvärde är Eftersom det glidande medelfiltret är FIR, minskar frekvensresponsen till den ändliga summa Vi kan använda den mycket användbara identiteten för att skriva frekvensresponsen som där vi har låt oss minus jomega. N 0 och M L minus 1. Vi kan vara intresserade av storleken på denna funktion för att bestämma vilka frekvenser som går igenom filtret obetydligt och vilka dämpas. Nedan är en plot av storleken på denna funktion för L 4 (röd), 8 (grön) och 16 (blå). Den horisontella axeln sträcker sig från noll till pi radianer per prov. Observera att frekvensresponsen i alla tre fallen har en lowpass-egenskap. En konstant komponent (nollfrekvens) i ingången passerar genom filtret obetydligt. Vissa högre frekvenser, såsom pi 2, elimineras helt av filtret. Men om avsikt var att designa ett lågpassfilter, har vi inte gjort det bra. Några av de högre frekvenserna dämpas endast med en faktor på ca 110 (för 16-punkts glidande medelvärdet) eller 13 (för det fyrapunkts glidande medlet). Vi kan göra mycket bättre än det. Ovanstående plot skapades av följande Matlab-kod: omega 0: pi400: pi H4 (14) (1-exp (-iomega4)) (1-exp (-iomega)) H8 (18) iomega8)) (1-exp (-iomega)) H16 (116) (1-exp (-iomega16)) (1-exp (-iomega)) plot (omega, abs (H4) H16)) axel (0, pi, 0, 1) Copyright kopia 2000- - University of California, BerkeleyFrekvensrespons av rörligt medelfilter och FIR-filter Jämför frekvensresponsen för det glidande medelfiltret med det vanliga FIR-filtret. Ställ in koefficienterna för det vanliga FIR-filtret som en sekvens av skalade 1s. Skaleringsfaktorn är 1filterLength. Skapa ett dsp. FIRFilter-systemobjekt och sätt dess koefficienter till 140. För att beräkna det rörliga genomsnittet skapar du ett dsp. MovingAverage System-objekt med ett glidfönster med längden 40 för att beräkna det glidande medlet. Båda filtren har samma koefficienter. Inmatningen är Gaussian white noise med ett medelvärde av 0 och en standardavvikelse på 1. Visualisera frekvensresponsen för båda filtren med hjälp av fvtool. Frekvenssvaren matchar exakt, vilket visar att det glidande medelfiltret är ett speciellt fall av FIR-filtret. För jämförelse, se filtrets frekvensrespons utan ljud. Jämför filterfrekvensresponsen med det idealiska filtret. Du kan se att huvudloben i passbandet inte är platt och krusningarna i stoppbandet är inte begränsade. Det rörliga genomsnittliga filterfrekvensresponset matchar inte frekvensresponsen hos det ideala filtret. För att realisera ett idealiskt FIR-filter, ändra filterkoefficienterna till en vektor som inte är en sekvens av skalade 1s. Frekvensresponsen hos filtret ändras och tenderar att flytta närmare det perfekta filtrets svaret. Utforma filterkoefficienterna baserat på fördefinierade filterspecifikationer. Utforma till exempel ett Equiripple FIR-filter med en normaliserad cutoff-frekvens på 0,1, en passband-rippel på 0,5 och en stoppbanddämpning på 40 dB. Använd fdesign. lowpass för att definiera filterspecifikationerna och designmetoden för att utforma filtret. Filtrets svar i passbandet är nästan platt (liknar det perfekta svaret) och stoppbandet har begränsat equiripples. MATLAB och Simulink är registrerade varumärken som tillhör The MathWorks, Inc. Vänligen se mathworkstrademarks för en lista över andra varumärken som ägs av The MathWorks, Inc. Övriga produkt - eller varumärken är varumärken eller registrerade varumärken som tillhör respektive ägare. Välj ditt CountryMoving Average Filter (MA filter) Laddar. Det rörliga genomsnittliga filtret är ett enkelt filter med lågt pass FIR (Finite Impulse Response) som vanligtvis används för att utjämna en rad samplade datasignaler. Det tar M prover av ingång i taget och tar medeltalet av de M-proverna och producerar en enda utgångspunkt. Det är en mycket enkel LPF (Low Pass Filter) struktur som kommer till nytta för forskare och ingenjörer att filtrera oönskade bullriga komponenter från de avsedda data. När filterlängden ökar (parametern M) ökar utjämnets jämnhet, medan de skarpa övergångarna i data görs alltmer stumma. Detta innebär att detta filter har utmärkt tidsdomänsvar men ett dåligt frekvenssvar. MA-filtret utför tre viktiga funktioner: 1) Det tar M-ingångspunkter, beräknar medelvärdet av de M-punkterna och producerar en enda utgångspunkt 2) På grund av beräknade beräkningskalkyler. filtret introducerar en bestämd mängd fördröjning 3) Filtret fungerar som ett lågpassfilter (med dåligt frekvensdomänsvar och ett bra domänsvar). Matlab-kod: Efter matlab-kod simuleras tidsdomänsvaret för ett M-punkts rörande medelfilter och avbildar även frekvensresponsen för olika filterlängder. Tid Domain Response: På den första tomten har vi inmatningen som går in i det glidande medelfiltret. Inmatningen är bullrig och vårt mål är att minska bruset. Nästa siffra är utgångsvaret för ett 3-punkts rörande medelfilter. Det kan härledas från figuren att 3-punkts rörande medelfilter inte har gjort mycket för att filtrera ut bruset. Vi ökar filterkranarna till 51-punkter och vi kan se att bruset i utmatningen har minskat mycket, vilket avbildas i nästa bild. Vi ökar kranarna vidare till 101 och 501 och vi kan observera att även om bullret är nästan noll övergår övergångarna drastiskt (observera lutningen på vardera sidan av signalen och jämföra dem med den ideala tegelväggsövergången i vår ingång). Frekvensrespons: Från frekvenssvaret kan det hävdas att avrullningen är väldigt långsam och stoppbandets dämpning inte är bra. Med tanke på detta stoppband dämpning, klart, det rörliga genomsnittliga filtret kan inte separera ett band med frekvenser från en annan. Som vi vet att en bra prestanda i tidsdomänen leder till dålig prestanda i frekvensdomänen och vice versa. Kort sagt är det rörliga genomsnittet ett exceptionellt bra utjämningsfilter (åtgärden i tidsdomänen), men ett exceptionellt dåligt lågpassfilter (åtgärden i frekvensdomänen) Externa länkar: Rekommenderade böcker: Primär sidofält
No comments:
Post a Comment