Exponential Glidande-Medelvärde Dsp

Dagliga DSP för programmerare Steg Svar från Averaging. Last vecka vi kollade på olika typer av medelvärde och använde dem för att analysera historiska gaspriser. Titta på en komplex signal som gaspriser ger oss en bra jämförelse mellan beteendet hos de olika medelvärdena, Men det ger bara en uppfattning om vad medelvärdet gör för en specifik signal. Vad händer om vi vill förstå vad de olika medelvärdesmetoderna gör på ett mer generellt sätt. Ett sätt att analysera olika metoder är att använda dem på de grundläggande signalerna. Som resulterar i att man tillämpar en medelvärdesfunktion på en av de grundläggande signalerna kallas funktionens svar. Om signalen är likspänningssignalen kallas den DC-svaret. Om signalen är stegfunktionen kallas den stegresponsen och Så vidare Vi ska titta på stegsvaret i detalj, men först, låt oss kortfattat diskutera svaren på de olika medelvärdena för varje grundläggande signal. Svar till Signals. W E täckte fem olika sätt att medelvärde i det sista inlägget full, block, rörelse, exponentiell och FIR-filter och fyra olika typer av grundläggande signaler från den första posten DC, impuls, steg och sinus. Om vi ​​skulle göra en kors jämförelse av Alla dessa signaler och medelvärden kommer vi att sluta med tjugo grafer, men de flesta skulle inte vara för användbara eller intressanta, så vi kommer att begränsa dem något. Först, låt oss se hela genomsnittet Eftersom hela genomsnittet Beräknar helt enkelt medelvärdet över hela signalen, dess signalrespons är inte väldigt intressant. Det är ett värde. Blockmedlet är inte mycket mer intressant eftersom det bara splittrar upp signalen i lika stora bitar innan man tar medeltalet. Resultatet blir en decimerad version Av den ursprungliga signalen Vi kommer att ignorera dessa två typer av medelvärde för denna undersökning. Vi kan också kasta ut DC-signalen från signalsidan av matrisen eftersom ingen typ av medelvärde kommer att ändra ett likvärdigt värde. Uldn t Om det gör bör du se till att din medelvärdesfunktion är stabil och gör vad du tror det gör. DC-svaret är mer intressant när du analyserar komplexa infinite impulsrespons IIR-filter eftersom de potentiellt kan vara instabila med en likspänningssignal, men ingen av Dessa medelvärden är instabila. Det lämnar impuls-, steg - och sinussignalerna och det rörliga, exponentiella och FIR-filteret är medelvärden som potentiella kandidater för jämförelse. Sansignalens svar kommer att bero på sinusvågens frekvens och att Typ av analys görs normalt med en DFT för att hitta medel s frekvensrespons över ett frekvensområde. Vi är inte redo för den typen av analys, men vi ser det senare i ett senare inlägg. Impulsresponsen av ett genomsnitt Har faktiskt ett intressant beteende Att driva en impuls genom en medelvärdesfunktion kommer att reproducera medelvärdesfunktionen som en serie kranar för ett FIR-filter eftersom impulsfunktionen är noll överallt förutom för Ett enda prov, när du tillämpar en medelvärdesfunktion på det, är resultatet vid varje punkt det värde du behöver använda för att trycka på motsvarande filter. Impulsfunktionen som tillämpas på ett glidande medel resulterar i ett block av prov med Varje prov har ett värde av inversen av blockstorleken Om du sedan använde dessa värden som kranar i ett filter, multiplicerar varje prov av en signal med invers av blockstorleken och summerar dem tillsammans, skulle du få samma resultat som Glidande medelvärde Det är därför att följande ekvationer är ekvivalenta. 1 n-termerna i summeringen på högra sidan är kranarna i ett filter. På grund av denna egenskap kommer FIR-filtret helt enkelt att reproducera sina kranar som svar på impulsfunktionen. Exponentiell Medelvärdet kommer att producera en exponentiell sönderfall och det slutar aldrig eftersom exponentiell sönderfall närmar sig noll men når aldrig det Därför är exponentiellt medelvärde ett exempel på ett enkelt IIR-filter. Ves stegresponsen att titta på mer detaljerat För att hitta stegsvaret i ett genomsnitt är allt vi behöver göra för att ersätta den gassprissignal som vi tittade på tidigare med en stegfunktion och köra medelfunktionen över den. Glidande medelvärdet, minns att operationen är. Var j är jth-provet och k är blockstorleken Denna operation ser ut som följande graf. Klicka på grafen för att köra glidande medelvärdet Blockstorleken utvidgades för att visa svaret bättre Notera hur Svaret är en linje som förbinder den lägre nivån vid den punkt där steget uppträder till den högre nivån vid den punkt där antalet prov som motsvarar blockstorleken har täckts. Vid varje steg i glidande medel läggs ett annat högre värderat prov till Till medelvärdet, så fortsätter den genomsnittliga signalen i en linjär väg från det gamla värdet till det nya värdet med en fördröjning lika med blockstorleken. Detta stegsvar visar hur det glidande medlet tar bort högfrekvensinnehåll från signalen. Den ursprungliga Stegfunktionen har oändligt frekvensinnehåll vid steget Svaret har fortfarande något högre frekvensinnehåll i de två hörnen men det är mindre än tidigare och den linjära regionen har mycket lågfrekvensinnehåll. Vi kan också se början av en triangelvåg i detta svar Om stegfunktionen faktiskt var en kvadratvåg med en period som är dubbelt så lång som blockstorleken för det rörliga genomsnittet, skulle det glidande medlet ge en perfekt triangelvåg. Kanske inte det mest effektiva sättet att generera en, men det är användbar inblick i Beteende för det rörliga genomsnittet. Exponential Average Steg Response. Remember, den exponentiella genomsnittsfunktionen fungerar som this. mean iwsi 1-w betyder i-1.Where w är vikten av det aktuella provet och är ett värde mellan 0 och 1 För en Viktning nära 0, så ser stegreaktionen ut. Detta graf visar tydligt varför det kallas exponentiellt medelvärde eftersom medelvärdet närmar sig det nya värdet av stegfunktionen längs en exponentiell kurva. Vi kan också se tha T exponentiella medelvärdet reagerar snabbare på nya ingångar eftersom svaret ändras mycket snabbare nära det ursprungliga steget Då närmar sig det nya värdet långsammare över tiden Det är därför det exponentiella genomsnittet behöll mer av stötar och spikar i gasprissignalen, Och det avlägsnar något mindre av högfrekvensinnehållet än det glidande medlet måste viktningar vara väldigt nära noll innan exponentiell genomsnittsvärde har tappat ett skarpt svar på nya värden, och sedan närmar sig genomsnittet nya värden extremt långsamt. Teoretiskt sett Exponentiellt medelvärde når aldrig det nya värdet och har sålunda ett oändligt svar, vilket är anledningen till att det är ett IIR-filter. Praktiskt taget har detta exponentiella medelvärdet nästan nått det nya värdet inom 5 eller 6 tidsenheter, vilket visas i diagrammet ovan. Det kommer aldrig Verkligen nå det nya värdet, men det kommer att bli godtyckligt nära. FIR-filterstegrespons. För att få ett mer konsekvent frekvenssvar än det glidande medlet eller exponentiella aver Ålder måste vi gå till FIR-filteret Kom ihåg att FIR-filtret har en uppsättning kranar som multipliceras med signalvärdena, och beräkningen representeras som. Var yj är resultatet av filtret för det j-provet, k Är antalet kranar, och hej är jag på det FIR-filtret vi såg på använde en sinc-funktion för kranarna, och det filtret har följande stegsvar. Notera hur filtret inte reagerar starkt direkt, istället vinklar tillbaka Och några gånger innan du hoppar upp till och överstiger det nya värdet när steget är halvvägs genom filtret. Det vinklar sedan runt det nya värdet lite innan du löser in det. Detta beteende kan se välbekant Om vi ​​förlängde stegfunktionen i en fyrkantig våg Med rätt tid skulle filtrets svar se ut som Fourier-seriens approximation av en kvadratvåg som vi undersökte när vi täckte transformer. Filtret kommer faktiskt att generera samma vågform som Fourier-serien, men med en fördröjning som är halva numbe R av kranar i filtret. Kranar som genereras av sinc-funktionen tillåter endast vissa frekvenser i svaret, så det är därför det har detta beteende med stegfunktionen. Antalet vinklar och brantheten i övergången i filterets mitt Beror på antalet kranar och frekvensen som används i sinc-funktionen för att generera kranarna. En stor del av filterdesign styr dessa parametrar för att producera önskad avstängningsfrekvens för filtret. Med det har vi ganska mycket täckt Stegrespons av de olika medelvärdena vi har använt Analysera stegsvaret för ett nytt filter eller annan DSP-operation är en bra metod för att förstå beteendet hos den algoritm du utvecklar. Det kan ge dig ny insikt eller bekräfta att din algoritm gör vad Det är tänkt att göra Det är ett bra verktyg för att hålla i din DSP-verktygslåda Nästa vecka ska vi pakka upp DSPs statistiska tekniker genom att titta på några sätt att beräkna hur mycket en signal ändras med Signalvariation. Uppdaterad 12 mars 2013. Vad är RC-filtrering och exponentiell medelvärde och hur skiljer de sig Svaret på den andra delen av frågan är att de är samma process Om man kommer från en elektronikbakgrund är RC-filtrering eller RC-utjämning det vanliga uttrycket Å andra sidan har ett tillvägagångssätt baserat på tidsseriestatistik namnet Exponential Averaging, eller för att använda det fullständiga namnet Exponential Weighted Moving Average. Detta är också olika kallat EWMA eller EMA. En viktig fördel med metoden är enkelheten med formeln för Beräkning av nästa utmatning Det tar en bråkdel av föregående utmatning och en minus denna fraktion gånger den aktuella ingången Algebraiskt vid tidpunkten k den utjämnade utsignalen ges av. Som visat senare understryker denna enkla formel nya händelser, släpper ut högfrekvensvariationer och avslöjar Långsiktiga trender Observera att det finns två former av exponentiell medelvärdesekvation, den ovanstående och en variant. Båda är korrekta Se noterna i slutet av artikeln För mer detaljer I denna diskussion kommer vi bara att använda ekvation 1.Den ovan angivna formuläret skrivs ibland på det mer begränsade sättet. Hur är denna formel härledd och vad är dess tolkning En viktig punkt är hur vi väljer Att titta på det här enkla sättet Är att överväga ett RC-lågpassfilter. Nu är ett RC-lågpassfilter helt enkelt ett seriemotstånd R och en parallellkondensator C som illustreras nedan. Tidsserieekvationen för denna krets är. Produkt RC har tidsenheter och är känd som Tidskonstanten T för kretsen Anta att vi representerar ovanstående ekvation i sin digitala form för en tidsserie som har data som hämtas varje h sekund Vi har. Det här är exakt samma form som föregående ekvation. Jämförelse av de två relationerna för en vi har Vilket minskar till det mycket enkla förhållandet. Därför styrs valet av N genom vilken tidskonstant vi valde Nu ekvation 1 kan erkännas som ett lågpassfilter och tidskonstanten karakteriserar filterets beteende För att se betydelsen av Time Constant måste vi titta på frekvenskännetecknet för detta lågpass RC-filter I sin allmänna form är detta. Uttryck i modul och fasform vi har. Där fasvinkeln är. Frekvensen kallas den nominella avklippsfrekvensen. Kan visas att vid denna frekvens har effekten i signalen reducerats med en halv och amplituden reduceras med faktorn I dB-termer är denna frekvens där amplituden har reducerats med 3dB. Klar då tiden Konstant T ökar så då Avkänningsfrekvensen minskar och vi tillämpar mer utjämning på data, det vill säga vi eliminerar de högre frekvenserna. Det är viktigt att notera att frekvenssvaret uttrycks i radianer sekund. Det är en faktor som är inblandad. Till exempel väljer man en tidskonstant Av 5 sekunder ger en effektiv avbrottsfrekvens av En populär användning av RC-utjämning är att simulera en mätares funktion som används i en ljudnivåmätare. Dessa är typiskt typiska av sin tidskonstant framgång H som 1 sekund för S-typer och 0 125 sekunder för F-typer För dessa 2 fall är de effektiva avskurningsfrekvenserna 0 16 Hz respektive 1 27 Hz. Det är inte den tidskonstant vi vanligtvis vill välja, men de perioder vi vill inkludera Antag att vi har en signal där vi vill inkludera funktioner med en P-period. Nu en period P är en frekvens. Vi kan då välja en tidskonstant T givet av. Men vi vet att vi har förlorat cirka 30 av utgången -3dB vid sålunda att välja En tidskonstant som exakt motsvarar de periodiciteter vi vill behålla är inte det bästa schemat. Det är vanligtvis bättre att välja en något högre avbruten frekvens, säg. Tidskonstanten är då vilken i praktiken liknar detta. Minskar förlusten till omkring 15 vid denna periodicitet Därför i praktiken att behålla händelser med en periodicitet eller större, välj sedan en tidskonstant av detta. Detta kommer att inkludera effekterna av periodiciteter ner till omkring Till exempel om vi vill inkludera effekterna av händelsen S händer med en 8 sekunders tidsperiod 0 125Hz och välj sedan en tidskonstant på 0 8 sekunder Detta ger en avstängningsfrekvens på cirka 0 2 Hz så att vår 8 sekunders period går bra i filterets huvudpassband Om vi ​​samplar Data vid 20 gånger andra h 0 05 då är värdet på N 0 8 0 05 16 och. Detta ger viss inblick i hur man ställer I grund och botten för en känd samplingsfrekvens anger den medelvärdesperioden och väljer vilka högfrekventa fluktuationer som ska ignoreras. Genom att titta på algoritmens expansion kan vi se att den gynnar de senaste värdena, och också varför det kallas exponentiell viktning. Vi har. Utbyte av y k-1 ger. Återkallande av denna process leder flera gånger till. I intervallet blir det klart att termen till höger blir mindre och beter sig som en förfallande exponentiell. Det är den aktuella utgången är förspänd mot de senaste händelserna, men ju större vi väljer T desto mindre bias. Sammanfattningsvis ser vi den enkla formeln. Betonar rece Nt events. smoothes out högfrekventa korta händelser. Reveals långsiktiga trender. Bilaga 1 Alternativa former av ekvationen. Försiktighet Det finns två former av exponentiell medelvärdesekvation som förekommer i litteraturen. Båda är korrekta och likvärdiga. Den första formen som visas Ovan är A1. Den alternativa formen är A2. Notera användningen av i den första ekvationen och i den andra ekvationen I båda ekvationerna och är värden mellan noll och enhet. Tidigare definierades som. Nu väljer att definiera. Därför alternativa formen av Exponentiell medelvärdesekvation är. I fysiska termer betyder det att valet av form en användning beror på hur man vill tänka på antingen att ta som återmatningsfraktion ekvation A1 eller som fraktionen av ingående ekvation A2. Den första formen är något mindre Besvärlig för att visa RC-filterförhållandet, och leder till en enklare förståelse i filtervillkor. Chief Signal Processing Analyst hos Prosig. Dr Colin Mercer var tidigare vid Institute of Sound and Vibration Research ISVR University of Southampton där han grundade Data Analysis Center Han började sedan hitta Prosig 1977 Colin gick i pension som Chief Signal Processing Analyst hos Prosig i december 2016. Han är en Chartered Engineer och en kollega från British Computer Society. Jag tror att du vill Att ändra p till symbolen för pi. Marco, tack för att du pekar på att jag tycker att det här är en av våra äldre artiklar som har överförts från ett gammalt ordbehandlingsdokument. Tydligen har redaktören jag inte märkt att pi inte hade Har transkriberats korrekt. Det kommer att korrigeras inom kort. Det är en mycket bra artikelförklaring om exponentiell medelvärde. Jag tror att det finns ett fel i formeln för T. Det borde vara T h N-1, inte T N-1 h. Tack, tack För att upptäcka att jag just har kontrollerat tillbaka till Dr Mercer s ursprungliga tekniska anteckning i vårt arkiv och det verkar som om det fanns fel vid överföringen av ekvationerna till bloggen. Vi kommer att korrigera posten Tack för att du meddelade oss. Tack tack tack tackDu Du kan läsa 100 DSP-texter utan att hitta något som säger att ett exponentiellt medelvärde är motsvarande ett RC-filter. Hmm, har du ekvationen för ett EMA-filter korrekt är det inte Yk aXk 1-en Yk-1 i stället för Yk AYk-1 1-a Xk. Alan. Båda formerna av ekvationen visas i litteraturen och båda blanketterna är korrekta, vilket jag kommer att visa nedan. Den punkt du gör är viktig, för att använda den alternativa formen betyder att det fysiska förhållandet med en RC Filtret är mindre uppenbart, för övrigt är tolkningen av betydelsen av en som visas i artikeln inte lämplig för den alternativa formen. Först låt oss visa att båda formerna är korrekta Formen av ekvationen som jag har använt är. och den alternativa formen som gör Visas i många texter är. Notera i ovanstående har jag använt latex 1 latex i den första ekvationen och latex 2 latex i den andra ekvationen Likformigheten av båda formerna av ekvationen visas matematiskt nedan med enkla steg i taget Vad är inte Samma är det använda värdet För latex latex i varje ekvation. I båda formerna är latex latex ett värde mellan noll och enhet. Första omskrivningsjämförelse 1 ersätter latex 1 latex med latex latex. Detta ger. Latex yk y 1 - beta xk latex 1A. Nu definierar latex beta 1 - 2 latex och så har vi också latex 2 1 - beta latex Att ersätta dessa i ekvation 1A ger. Latex yk 1 - 2 y 2xk latex 1B och slutligen omorganiserar ger. Denna ekvationen är identisk med den alternativa formen som ges i ekvation 2.Put mer enkelt latex 2 1 - 1 latex. I fysiska termer betyder det att valet av form En användning beror på hur man vill tänka på att antingen ta latex-alfa latex som matningsfraktionsekvation 1 eller som fraktionen av ingående ekvation 2. Som nämnts ovan har jag använt den första formen eftersom det är något mindre besvärligt att visa RC filter förhållande, och leder till enklare förståelse i filter termer. Men att utelämna ovanstående är enligt min mening en brist i artikeln som andra människor kan göra en felaktig inferens så en reviderad version kommer snart att visas. Jag har alltid undrat om detta Tack för att du beskriver det så tydligt. Jag tror att en annan anledning är den första formuleringen är bra är alfa-kartor för att släta ett högre val av alfa betyder en mer jämn utdata. Michael Tack för observation Jag lägger till artikeln något på de här linjerna som det är alw Ays bättre enligt min mening att relatera till fysiska aspekter. Mercer, Utmärkt artikel, tack Jag har en fråga om tidskonstanten när den används med en rms detektor som i en ljudnivåmätare som du refererar till i artikeln Om jag använder din Ekvationer för att modellera ett exponentiellt filter med Time Constant 125ms och använda en ingångsstegssignal får jag faktiskt en utgång som efter 125ms är 63 2 av det slutliga värdet. Men om jag kvadrerar insignalen och sätter den genom filtret Då ser jag att jag måste dubbla tidskonstanten för att signalen ska kunna nå 63 2 av sitt slutvärde på 125 ms. Kan du låta mig veta om detta förväntas Tack så mycket Ian. Ian, Om du kvadrerar en signal som en Sinusvåg då förstärker du i grunden frekvensen av dess grundläggande samt introducerar massor av andra frekvenser. Eftersom frekvensen faktiskt har fördubblats reduceras den med en större mängd av lågpassfiltret. Följaktligen tar det längre tid att nå Samma amplitude. The squarin G operation är en icke-linjär operation så jag tror inte att det alltid kommer att fördubblas exakt i alla fall men det kommer att tendera att fördubblas om vi har en dominerande låg frekvens. Notera också att skillnaden i en kvadrerad signal är dubbelt så stor som differensen av un - Kvadrerad signal. Jag misstänker att du kanske försöker få en form av genomsnittlig kvadratisk utjämning, vilket är helt bra och giltigt. Det kan vara bättre att använda filtret och sedan kvadratiskt som du vet den effektiva cutoffen. Men om allt du har är den kvadrerade signalen Då använder du en faktor 2 för att ändra ditt filter alfa-värdet kommer ungefär att du kommer tillbaka till den ursprungliga avskurningsfrekvensen, eller om det blir lite enklare definierar du cutoff-frekvensen vid dubbelt så mycket som originalet. Tack för ditt svar Dr Mercer Min fråga var verkligen försökt Att komma till vad som faktiskt görs i en rms detektor av en ljudnivåmätare Om tidskonstanten är inställd för snabb 125 ms skulle jag ha trott att intuitivt du förväntar dig en sinusformad ingångssignal för att producera en utgång på 63 2 av Det slutliga värdet efter 125ms, men eftersom signalen är kvadrerad innan den kommer till medeldetektering, kommer det faktiskt att ta dubbelt så lång tid som du förklarat. Principens syfte med artikeln är att visa ekvivalensen av RC-filtrering och exponentiell medelvärde Om Vi diskuterar integrationstiden som motsvarar en sann rektangulär integrator, då är du korrekt att det finns en faktor av två involverade. I grund och botten om vi har en sann rektangulär integrator som integreras i Ti sekunder är motsvarande RC-integatortid för att uppnå samma resultat 2RC Sekunder Ti skiljer sig från RC-tidskonstanten T vilket är RC Således om vi har en snabbtidskonstant på 125 msek, det är RC 125 msek då motsvarar en sann integrationstid på 250 msek. Tack för artikeln, det Var väldigt hjälpsam Det finns några nyligen publicerade papper i neurovetenskap som använder en kombination av EMA-filter kortfönster EMA long-windowed EMA som ett bandpassfilter för realtidssignalanalys Jag skulle vilja ap Ply dem, men jag kämpar med de fönsterstorlekar olika forskargrupper har använt och dess korrespondens med cutoff frekvensen. Säg att jag vill behålla alla frekvenser under 0 5Hz aprox och att jag förvärvar 10 prover andra Det betyder att fp 0 5Hz P 2s TP 10 0 2 h 1 fs 0 1.Detta fönstervärde jag ska använda ska vara N 3 Är det här resonemanget korrekt. Innan du svarar på din fråga måste jag kommentera användningen av två högpassfilter för att bilda ett band Passfilter Förmodligen fungerar de som två separata strömmar, så ett resultat är innehållet från att säga latex f latex till halva samplingsfrekvens och den andra är innehållet från säger latex f latex till halva samplingsfrekvens Om allt som görs är skillnaden i Genomsnittliga kvadratnivåer som indikerar kraften i bandet från latex f latex till latex f latex då kan det vara rimligt om de två avskurna frekvenserna är tillräckligt långt ifrån varandra men jag förväntar mig att de personer som använder denna teknik försöker simulera ett smalare bandfilter I min vi Ew som skulle vara opålitligt för allvarligt arbete och skulle vara en källa till oro. Bara för referens ett bandpassfilter är en kombination av ett lågfrekvent högpassfilter för att avlägsna lågfrekvenserna och ett högfrekvent lågpassfilter för att avlägsna det höga Frekvenser. Det finns givetvis en lågpassform av ett RC-filter och därmed en motsvarande EMA. Kanske, men min bedömning är överkritisk utan att veta alla fakta. Kan du så skicka några referenser till de studier du nämnde så jag kan kritisera som Lämplig Kanske använder de ett lågpass och ett högpassfilter. Nu vänder du till din faktiska fråga om hur du bestämmer N för en given målavstängningsfrekvens. Jag tycker att det är bäst att använda grundekvationen T N-1 h Diskussionen om perioder syftar till att ge människor en känsla av vad som händer. Se så här nedan. Vi har förhållandena latex T N-1 h latex och latex T 1 2 latex där latex fc latex är den fackliga cut-offen Frekvens och h är Tiden mellan proverna, tydligt latex h 1 latex där latex fs latex är provhastigheten i prover sek. Rearranging T N-1 h till en lämplig form för att inkludera cut-off-frekvensen, latex-fc-latexen och provhastigheten, latex-fs Latex, visas nedan. Så använder latex fc 0 5Hz latex och latex fs 10 latexprover sek så att latex fc fs 0 05 latex ger. Så närmaste heltal är 4 Re-arrangera ovanstående har vi. Så med N 4 vi Har latex fc 0 5307 Hz latex Användning av N 3 ger en latex fc latex på 0 318 Hz Obs med N 1 vi har en komplett kopia utan filtrering. Flytta Average. Method Medelvärdesmetod Glidande fönster standard Exponentiell viktning. Glidande fönster Ett fönster med längd Fönsterlängden flyttas över ingångsdata längs varje kanal. För varje prov som fönstret rör sig för, beräknar blocket medelvärdet över data i fönstret. Exponentiell viktning Blocken multiplicerar proverna med en uppsättning viktningsfaktorer. Vikten av viktningsfaktorerna minskar Exponentiellt som åldern av Data ökar, 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 glidfönstret lika med det värde du anger I Fönsterlängd När du avmarkerar den här kryssrutan är längden på glidfönstret oändligt. I det här läget beräknar blocket medelvärdet av det aktuella provet och alla tidigare prover i kanalen. Vindlängden Längden på glidfönstret 4 standard positiv skalär Heltal. Window längd anger längden på glidfönstret Denna parameter visas när du markerar kryssrutan Ange längdlängd. Forgettfaktor Exponentiell viktningsfaktor 0 9 standard positiv real 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 En glömande faktor på 1 0 indikerar oändligt minne All previ Ous prover ges lika vikt. Denna parameter kan avstämas. Du kan ändra dess värde även under simuleringen. Simulera med typ av simulering för att köra Kodgenerering standard Tolkad execution. Simulate model using generated C code Första gången du kör en simulering, simulerar Simulink Genererar C-kod för blocket C-koden återanvänds för efterföljande simuleringar, så länge som modellen inte ändras. 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. Skjutfönstermetod. I glidfönstermetoden är utmatningen för varje ingångsprov det genomsnittliga av det aktuella provet och Len-1 föregående prover Len är längden på fönstret För att beräkna den första Len - 1 utgångar, när fönstret inte har tillräckligt med data, fyller algoritmen fönstret med nollor. Exempelvis beräknar man genomsnittet 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 fönsterdiamet väljer algoritmen ett oändligt fönster Längd I detta läge är utmatningen det rörliga genomsnittet för det aktuella provet och alla tidigare prover i kanalen. Exponentiell viktningsmetod. Vid exponentiell viktningsmetod beräknas det rörliga genomsnittet rekursivt med hjälp av dessa formler. w N w N 1 1 X N 1 1 N N N N N N N N 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 strömmen Dataprov. 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 .