Moving genomsnittet dsp

Ett inledande digitalt filter. Vi öppnar MicroModeler DSP och väljer ett digitalt filter från verktygsfältet överst och drar det till vår applikation. Vi väljer ett glidande medelfilter eftersom det är en av de enklaste filtertyperna. När du har släppt filtret, displayerna uppdateras automatiskt Klicka för att starta MicroModeler DSP i ett nytt fönster. Vi vet alla vad som är genomsnittligt - lägg till siffrorna ihop och dela med hur många det finns Ett glidande medelfilter gör att den lagrar en historia av den sista N siffror och utgångar deras genomsnittliga Varje gång ett nytt nummer kommer in, genomsnittsberäknas genomsnittsvärdet effektivt från de lagrade proverna och ett nytt nummer matas ut. Frekvensresponsen hos ett filter. På toppen till höger ser vi grafen för magnitude vs frekvens , eller hur mycket olika frekvenser kommer att förstärkas eller reduceras med det glidande medelfiltret. Som du kan förvänta dig, kommer medelvärdet av de sista N-proven att använda någon typ av utjämning till signalen, behålla de låga frekvenserna och remmen Vi kan styra antalet tidigare ingångar, eller prover som det genomsnittliga genom att justera filterlängden, N Genom att justera detta kan vi se att vi har viss grundläggande kontroll över vilka frekvenser som kan passera och vilka kasseras. inuti ett filter. Om vi ​​tittar på strukturvyn kan vi se vad insidan av ett glidande medelfilter kan se ut. Diagrammet har kommenterats för att visa vad de olika symbolerna betyder. Z -1-symbolerna innebär fördröjning med en gång prov och symbolerna betyder att lägga till eller kombinera signalerna pilarna betyder multiplicera tänk att förstärka, minska eller skala signalen med den mängd som visas till höger om pilen. För i genomsnitt 5 prov tar vi en femtedel av de mest det senaste provet, en femtedel av det näst senaste provet och så vidare. Kedjan av förseningar kallas en fördröjningslinje med ingångssignalen fördröjd med ett ytterligare tidssteg när du fortsätter längs fördröjningslinjen. Pilarna kallas också kranar, Så du kan nästan föreställa dig dem Som kranar som den i din kökshandfat som alla är en femtedel. Du kan tänka dig att signalen flyter in från vänster och blir progressivt fördröjd eftersom den rör sig längs fördröjningslinjen och sedan rekombineras i olika styrkor genom kranarna för att bilda utgången . Det bör också vara lätt att se att filtrets utdata kommer att vara. Vilket är ekvivalent med genomsnittet för de senaste 5 proven. Ingång tN betyder den fördröjda ingången från tiden tN. I praktiken kommer koden som genereras av MicroModeler DSP att använda tricks för att göra det mer effektivt så att endast första och sista prov måste vara inblandade, men diagrammet är bra för illustrativa ändamål. Om du kan förstå detta kan du få en uppfattning om vad ett FIR-filter är. Ett FIR-filter är identiskt med glidande medelfilter men i stället för att alla dragstyrkor är desamma kan de vara olika. Här har vi ett glidande medelfilter och ett FIR-filter. Du kan se att de är strukturellt desamma, den enda skillnaden är styrkorna av kranarna. Nästa avsnitt kommer att introducera dig till Finite Impulse Response FIR-filter. Genom att ändra kretsstyrkorna kan vi skapa nära vilket frekvensrespons som helst som vi vill. Flyttning Genomsnitt. Metod Medelvärdesmetod Glidande fönster standard Exponentiell viktning. Glidande fönster Ett fönster av längd Fönsterlängd rör sig över ingångsdata längs varje kanal För varje prov som fönstret rör sig för, beräknar blocket genomsnittet över data i fönstret. Exponentiell viktning Blocken multiplicerar proverna med en uppsättning viktningsfaktorer Vikten av viktningen faktorer minskar exponentiellt när dataens ålder ökar och når aldrig noll För att beräkna medelvärdet summerar algoritmen den viktade data. Specifiera fönsterlängd Flagga för att ange fönsterlängd vid standardavstängning. När du markerar den här kryssrutan, är längden på glidningen fönstret är lika med det värde du anger i Fönsterlängd När du avmarkerar den här kryssrutan är längden på glidfönstret oändligt. I detta läge är blockcomp Utes medelvärdet av det aktuella provet och alla tidigare prover i kanalen. Vindlängden Längden på glidfönstret 4 standard positivt skalärt heltal. Vindulängd anger längden på glidfönstret Denna parameter visas när du markerar kryssrutan Specifiera fönsterlängd. Glömma faktor Exponentiell viktningsfaktor 0 9 standard positiv verklig skalär i intervallet 0,1. Denna parameter gäller när du ställer in Metod till Exponentiell viktning En glömande faktor på 0 9 ger större vikt än den äldre data än en glömande faktor på 0 1 A Glömma faktor på 1 0 indikerar oändligt minne. Alla tidigare prover ges samma vikt. Denna parameter kan avstämas. Du kan ändra dess värde även under simuleringen. Simulera med typ av simulering för att köra Code generation standard Tolkad execution. Simulate model using generated C code Första gången du kör en simulering, genererar Simulink C-kod för blocket. C-koden återanvänds för efterföljande simuleringar, så länge modet el ändras inte Detta alternativ kräver ytterligare starttid men ger snabbare simuleringshastighet än tolkad execution. Simulate model using MATLAB interpreter Detta alternativ förkortar starttiden men har långsammare simuleringshastighet än kodgenerering. Glidande fönstermetod. utgången för varje ingångsprov är medelvärdet av det aktuella provet och Len-1 föregående prover Len är fönstrets längd För att beräkna de första Len-1-utgångarna, när fönstret inte har tillräckligt med data fyller algoritmen fönstret Med nollor Som exempel, för att beräkna medelvärdet när det andra ingångsprovet kommer in fyller algoritmen fönstret med Len-2 nollor Datav vektorn, x är då de två dataproverna följt av Len-2 nollor. När du inte gör det ange fönstrets längd, algoritmen väljer en oändlig fönstrets längd. I detta läge är utmatningen det glidande medlet för det aktuella provet och alla föregående prover i kanalen. Exponentialvägning Metod. I exponentiell viktningsmetod beräknas det rörliga genomsnittsvärdet rekursivt med hjälp av dessa formler. Nw N 1 1 x N 1 1 N N N N N N N N Flyttande medelvärde vid det aktuella samplet. x N Aktuella data ingångsexample. x N 1 Flyttande medelvärde vid föregående prov. Förskjutningsfaktor. w N Viktningsfaktor applicerad på det aktuella dataprovet. 1 1 w N x N 1 Effekt av tidigare data i medelvärdet. För det första provet, där N 1 väljer algoritmen w N 1 För nästa prov uppdateras viktningsfaktorn och används för att beräkna medelvärdet, enligt den rekursiva ekvationen När åldern för data ökar, sjunker vikten av viktningsfaktorn exponentiellt och når aldrig noll. Med andra ord har de senaste uppgifterna större inverkan på det nuvarande genomsnittet än de äldre data. Värdet av den glömma faktorn bestämmer Ändringshastighet av viktningsfaktorerna En glömande faktor på 0 9 ger större vikt än den äldre data än en glömande faktor på 0 1 En glömande faktor på 1 0 indikerar oändligt minne. Alla tidigare prover ges samma vikt. Välj ditt land. Moving Average. Method Medelvärdesmetod Glidningsfönster standard Exponentiell viktning. Glidande fönster Ett fönster med längd Fönsterlängd rör sig över ingångsdata längs varje kanal. För varje prov rör sig fönstret genom, beräknar blocket ett Verta över data i fönstret. Exponentiell viktning Blocken multiplicerar proverna med en uppsättning viktningsfaktorer Vikten av viktningsfaktorerna minskar exponentiellt när åldern för data ökar, når aldrig noll För att beräkna medelvärdet summerar algoritmen den vägda data. Specifiera fönsterlängd Flagga för att ange fönsterlängd vid standardavstängning. När du markerar den här kryssrutan är längden på glidfönstret lika med det värde du anger i Fönsterlängd När du avmarkerar den här kryssrutan, är längden på glidfönstret är oändligt I det här läget beräknar blocket medelvärdet av det aktuella provet och alla tidigare prover i kanalen. Vindulängd Längd på glidfönstret 4 standard positivt skalärt heltal. Vindulängd anger längden på glidfönstret Denna parameter visas när du Markera kryssrutan Ange kryssrutan Ange befintlig faktor Exponentiell viktningsfaktor 0 9 standard positiv real skalär i intervallet 0,1. Denna parameter gäller när du du ställer in metod för exponentiell viktning En glömande faktor på 0 9 ger större vikt än de äldre data än en glömande faktor på 0 1 En glömande faktor på 1 0 indikerar oändligt minne. Alla tidigare prover ges samma vikt. Denna parameter kan avstämas Kan ändra dess värde även under simuleringen. Simulera med typ av simulering för att köra Code generation standard Tolkad execution. Simulate modell med genererad C-kod Första gången du kör en simulering, genererar Simulink C-kod för blocket. C-koden återanvänds för efterföljande simuleringar, så länge som modellen inte förändras. Detta alternativ kräver ytterligare starttid men ger snabbare simuleringshastighet än tolkad execution. Simulate model using MATLAB interpreter Detta alternativ förkortar starttiden men har långsammare simuleringshastighet än kodgenerering. det glidande fönstermetoden, utsignalen för varje ingångsprov är medelvärdet av det aktuella provet och de Len-1 föregående proverna L en är längden på fönstret För att beräkna de första Len-1-utgångarna, när fönstret inte har tillräckligt med data, fyller algoritmen fönstret med nollor. Till exempel, för att beräkna medelvärdet när det andra ingångsprovet kommer in, algoritmen fyller fönstret med Len-2-nollor Datav vektorn, x är då de två dataproverna följt av Len-2-nollor. När du inte anger fönstrets längd väljer algoritmen en oändlig fönsterlängd. I detta läge är utmatningen Det glidande medelvärdet av det aktuella provet och alla tidigare prover i kanalen. Exponentiell viktningsmetod. Vid exponentiell viktningsmetod beräknas det glidande medlet rekursivt med hjälp av dessa formler. w N w N 1 1 x N 1 1 w N x N 1 1 w N x Nx N Flyttande medelvärde vid det aktuella provet. x N Aktuellt dataingångsexempel. x N 1 Rörligt medelvärde vid föregående prov. Förskjutningsfaktor. w N Viktningsfaktor applicerad på det aktuella dataprovet. 1 1 w N x N 1 Effekt av tidigare data i medelvärdet. För det första provet, där N 1 väljer algoritmen w N 1 För nästa prov uppdateras viktningsfaktorn och används för att beräkna medelvärdet, enligt den rekursiva ekvationen När åldern för data ökar, sjunker vikten av viktningsfaktorn exponentiellt och når aldrig noll. Med andra ord har de senaste uppgifterna större inverkan på det nuvarande genomsnittet än de äldre data. Värdet av den glömma faktorn bestämmer Ändringshastighet för viktningsfaktorerna En glömande faktor på 0 9 ger större vikt än de äldre dataen än en glömande faktor på 0 1 En glömande faktor på 1 0 indikerar oändligt minne. Alla tidigare prover ges samma vikt. Välj ditt land .