Minun täytyy suunnitella liikkuva keskimääräinen suodatin, jonka katkaisutaajuus on 7,8 Hz. Olen käyttänyt liikkuvia keskimääräisiä suodattimia aikaisemmin, mutta Im: n tietoisena ainoa parametri, jota voidaan syöttää, on keskimääräisten pisteiden määrä. Kuinka tämä voi liittyä katkaisutaajuuteen. Käänteinen 7,8 Hz on 130 ms, ja Im työskentelee tietoja, jotka näytteenotetaan 1000 Hz: n taajuudella. Tarkoittaako tämä, että minun olisi käytettävä liikkuvan keskimääräisen suodattimen ikkunan kokoa 130 näytettä vai onko jotain muuta, että Im puuttuu täällä kysyi heinäkuu 18 13 klo 9:52 Liikkuva keskimääräinen suodatin on suodatin käyttää aikataulussa poistaa lisätään melua ja myös tasoitustarkoituksiin, mutta jos käytät samaa liikkuvan keskimääräisen suodattimen taajuusalueen taajuuserotuksessa, suorituskyky on huonoin. joten tässä tapauksessa käytä taajuusalueen suodattimia ndash user19373 3 helmikuu 16 at 5:53 Liikkuva keskimääräinen suodatin (joskus tunnetaan kollektiivisesti kuin boxcar suodatin) on suorakulmainen impulssivaste: Tai toisin toisin: Muistaa, että diskreetti-aikaiset järjestelmät taajuusvaste on yhtä suuri kuin sen impulssivasteen diskreetti-aikainen Fourier-muunnos, voimme laskea sen seuraavasti: Mitkä olivat kiinnostuneimmat tapauksessasi on suodattimen H (omega) suuruusvaste. Käyttämällä pari yksinkertaista manipulointia voimme saada sen helpommin ymmärrettävässä muodossa: Tämä ei välttämättä näytä olevan helpompaa ymmärtää. Kuitenkin johtuen Eulers-identiteetistä. muistaa, että: Siksi voimme kirjoittaa edellä: Kuten totesin aiemmin, mitä olet todella huolissasi on suuruus taajuusvaste. Joten voimme ottaa edellä mainitun suuruuden yksinkertaistaa sitä edelleen: Huom: voimme pudottaa eksponentiaaliset termit pois, koska ne eivät vaikuta tuloksen suuruuteen e 1 kaikkien omega-arvojen osalta. Koska xy xy kahdelle äärelliselle monimutkaiselle kompleksiluvulle x ja y, voidaan päätellä, että eksponentiaalisten termien läsnäolo ei vaikuta kokonaistilavuuden vasteeseen (sen sijaan ne vaikuttavat järjestelmien vaihevasteeseen). Tuloksena oleva toiminto suuruusluokkien sisällä on Dirichlet-ytimen muoto. Sitä kutsutaan joskus jaksolliseksi sinc-toiminnoksi, koska se muistuttaa sinc-funktiota jonkin verran ulkonäöltään, mutta on säännöllistä sen sijaan. Joka tapauksessa, koska rajataajuuden määritelmä on hieman epätarkkautunut (-3 dB pisteen -6 dB pisteen ensimmäinen sidelobe null), voit käyttää yllä olevaa yhtälöä ratkaisemaan mitä tarvitset. Erityisesti voit tehdä seuraavat: Aseta H (omega) arvoon, joka vastaa suodattimen vastausta, jonka haluat katkaisutaajuudella. Aseta omega yhtä suuri kuin rajoitustaajuus. Jos haluat kartoittaa jatkuvan taajuuden diskreetti-aikaiseen verkkotunnukseen, muista, että omega 2pi frac, jossa fs on näytteenottotaajuus. Etsi N: n arvo, joka antaa parhaan sopimuksen vasemman ja oikean puolen välillä. Sen pitäisi olla liikkuvan keskiarvosi pituus. Jos N on liikkuvan keskiarvon pituus, likimääräinen rajoitustaajuus F (voimassa N: o 2) normalisoidulla taajuudella Fffs on: Käänteinen tämä on Tämä kaava on asymptotisesti oikea suurelle N: lle ja sillä on noin 2 virhe N2: lle ja vähemmän kuin 0,5 N4: lle. Loppusanat Kahden vuoden kuluttua vihdoinkin tämä lähestymistapa. Tulos perustui MA: n amplitudi - spektrin lähentämiseen MA: n (Omega) n. 1 (frac-frac) Omega2: n mukaan parabolana (2.krs-sarja), joka voidaan tarkentaa MA: n (Omega) nollakerroksen lähellä. frac kertoimalla Omega kertoimella MA (Omega) noin 10,907523 (frac - frac) Omega2. MA (Omega) - frac 0: n liuos antaa edellä saadut tulokset, joissa 2piF Omega. Kaikki edellä mainitut liittyvät -3 dB: n leikkaustaajuuteen, tämän viestin aiheeseen. Joskus on kuitenkin mielenkiintoista saada vaimennusprofiili pysäytyskaistalla, joka on verrattavissa ensimmäisen järjestyksen IIR alipäästösuodattimen (yhden napaisen LPF: n) kanssa annetulla -3dB: n katkaisutaajuudella (tällaista LPF: tä kutsutaan myös vuotavaksi integraattoriksi, sillä napa ei ole täsmälleen DC: ssä vaan lähellä sitä). Itse asiassa sekä MA että 1st order IIR LPF ovat -20dB laskutaajuus pysäytyskaistalla (yksi tarvitsee suuremman N kuin kuvassa käytetty N32), mutta kun taas MA: lla on spektrinen nollaus FkN: ssä ja 1f evelope, IIR-suodattimella on vain 1f-profiili. Jos halutaan saada MA-suodatin, jolla on samankaltaiset melunsuodatusominaisuudet kuin tämä IIR-suodatin, ja vastaa 3dB-leikkaustaajuuksia ollakseen samat, verrattaessa näitä kahta spektriä hän ymmärtäisi, että MA-suodattimen pysäytyskaistaväri päättyy 3dB alle IIR-suodattimen. Jotta saataisiin sama pysäytyskaista aaltoilu (eli sama ääneneristys) kuin IIR-suodattimella, kaavoja voidaan muuttaa seuraavasti: Löysin takaisin Mathematica-käsikirjoituksen, jossa laskin leikkauksen useille suodattimille, mukaan lukien MA. Tulos perustui lähentämään MA: n spektriä f0: n ympärillä MA: n (Omega) Sin (OmegaN2) Sin (Omega2) Omega 2piF MA (F): n mukaan noin N16F2 (N-N3) pi2. Ja seuraa risteys 1sqrt sieltä. ndash Massimo 17.1. 16 klo 2: 08Pääsuodatin Nämä ovat ensisijaisesti muistiinpanoja. Se ei ole täydellinen missään mielessä. On olemassa sisältämään hyödyllisten tietojen fragmentteja. Pseudokoodi Eksponentiaalisesti punnittu liikkuvan keskiarvon (EWMA) nimi on se, mikä on todennäköisesti helpoin digitaaliaikaisen (ensimmäisen tilauksen) alipääsignaalin diskreettitietojen aika-domain-toteutus. Tämä suodatin sileilee liikkuvan paikallisen keskiarvon avulla, mikä tekee siitä tulosignaalin hidas seuraaja. Intuitiivisesti se reagoi hitaasti nopeisiin muutoksiin (suurtaajuussisältöön), mutta silti seuraa signaalin yleistä taipumusta (matalataajuussisältö). Punnitaan muuttuja (ks. X3b1), jotta se voi muuttaa sen herkkyyttä. Sovelluksissa, jotka näyttävät säännöllisin väliajoin (esim. Ääni), voit yhdistää x3b1: n taajuussisältöön. Näissä tapauksissa kannattaa usein laskea suodatettua tulosarjasarjaa tulosignaalille, loogisesti läpi listan tekemällä jotain: tai vastaavaa: Jälkimmäinen lomake voi tuntua intuitiivisemmalta: suodatetun lähdön muutos on verrannollinen muuttaa ja punnita suodattimen vahvuus x3b1. Molemmat voivat auttaa pohtimaan, miten viimeisimmän suodatetun lähdön käyttö antaa järjestelmän hitausvoiman: Pienempi x3b1 (suurempi 1-x3b1 entisessä) (tekee myös suuremman RC: n) tarkoittaa, että lähtö säätyy hitaammin ja näyttää vähemmän kohinaa (koska rajataajuus on pienempi (tarkista)). Suurempi x3b1 (pienempi 1-x3b1) (pienempi RC) tarkoittaa, että ulostulo säätyy nopeammin (on vähemmän inertia), mutta on herkempi melulle (koska rajoitustaajuus on suurempi (tarkista) jossa haluat vain, että uusin arvo voi välttää suuren sarjan tallentamisen tekemällä seuraavia kutakin uutta näytettä varten (usein useita kertoja peräkkäin varmistaaksemme, että sovitamme tarpeeksi). Jos ei ole niin säännöllistä näytteenottoa, x3b1 liittyy enemmän sopeutumisnopeuteen kuin taajuussisältöön. Se on edelleen asiaankuuluva, mutta taajuussisällön muistiinpanoja sovelletaan vähemmän tiukasti. Haluat tavallisesti panna matkalipun kellumaan - vaikka palaisitkin sisään - välttämään pyöristysvirheiden aiheuttamia ongelmia. Suurin osa ongelmasta: kun alfafferenssi (itsessään kelluva kertolasku) on pienempi kuin 1, se muuttuu 0: ksi (truncatng) kokonaislukuun. Esimerkiksi, kun alfa on 0,01, signaalierot pienempiä kuin 100 mahdollistavat 0: n säätämisen (kokonaisluvun kautta), joten suodatin ei sovi koskaan todelliseen ADC-arvoon. EWMA: ssa on sana eksponentiaali siinä, koska jokainen uusi suodatettu teho käyttää tehokkaasti kaikkia sen edeltäviä arvoja ja tehokkaasti eksponentiaalisesti putoamattomia painoja. Katso wikipedia - linkit lisää keskustelua varten. Graafinen esimerkki: Harjoituskuva arduinoskoopista - liikkuva kuvaaja, jossa uusimmat näytteet vasemmalla. Raakasignaali päälle on muutaman sekunnin arvosta ADC-näytteenotto kelluva nastainen, sormi koskettaa sitä aina silloin tällöin. Muut ovat alhaisemmat versiot siitä, vahvistamalla vahvuuksia. Joitakin asioita, jotka on huomioitava sen suhteen: kiihdyttää eksponentiaalinen säätö askelmaisille vastauksille (kuten latauskondensaattori - nopea alkuvaiheessa, sitten hitaampi ja hitaampi) yksittäisten suurien piikkien poikkeamien tukahduttaminen. että sen on ehdottomasti mahdollista suodattaa liian kovaa (vaikka tuomio riippuu paljon näytteenottotaajuudesta ja sopeutumissisällön taajuuksista, joita sinun on tarkoitus käyttää). toisessa kuvassa täyden mittakaavan heilahtelu tulee ulos puolessa ei niin paljon suodatuksen vuoksi, vaan myös suurelta osin siksi, että useimmat raaka-näytteet ympärillä on kyllästyneet ADC-alueen molemmissa päissä. On x3b1, x3c4 ja rajataajuus Tämä articlesection on tynkä x2014 luultavasti kasa puolittain lajitella muistiinpanoja, ei ole tarkasti tarkistettu, joten voi olla vääriä bittejä. (Voit vapaasti sivuuttaa, korjata tai kertoa minulle) x3b1 on tasoituskerroin, teoreettisesti välillä 0,0 ja 1,0, käytännössä yleensä lt0.2 ja usein lt0.1 tai pienempi, koska ylittää, että olet tuskin tehdä mitään suodatusta. DSP: ssä se perustuu usein: x394 t. säännöllisesti kirjoitettu dt. (näytteenottotaajuuden vastavuoroisuus), aikavakio x3c4 (tau), eli RC (jälkimmäinen tarkoittaa viittausta vastus-plus-kondensaattoripiiriin, joka myös pienentää. Tarkemmin sanottuna RC antaa ajan mikä kondensaattori latautuu Jos valitset RC lähellä dt youll saada alphas yli 0,5, ja myös rajataajuus, joka on lähellä nyquist taajuus (tapahtuu 0.666 (tarkista)), joka suodattaa niin vähän, että se tekee suodattimen melko järjetöntä. Voit käytännössä valita usein RC: n, joka on ainakin muutamia dt: n kerrannaisia, mikä tarkoittaa, että x3b1 on luokkaa 0,1 tai vähemmän. Kun näytteenotto tapahtuu tarkasti säännöllisesti, kuten äänen ja monien muiden DSP-sovellusten , kun raja-arvo on 200 Hz, 2000 Hz ja 20000 Hz näytteenotto, joka tekee alfa-arvot 0,7, 0,2 ja 0,024, vastaavasti (Samalla näytteenottovälillä: alempi alfa on, th hitaampi sopeutuminen uusiin arvoihin ja pienempi tehollinen rajoitustaajuus) (tarkista) Ensimmäisen asteen alipäästö: matalilla taajuuksilla vaste on lähes täysin tasainen, tällä taajuudella vastaus on -3dB (on alkanut laskea pehmeä taivutus) korkeammilla taajuuksilla se laskee 6dboctave (20dBdecade) Korkeampi järjestys vaihtelut pudota nopeammin ja on kovempi polvi. Huomaa myös vaiheensiirtymä, joka on jäljessä tulon takana. Se riippuu sen taajuudesta, joka alkaa aikaisemmin kuin amplitudiraja, ja se on -45 astetta polven taajuudella (tarkista). Arduino-esimerkki Tämä articlesection on tynkä x2014 todennäköisesti halki puolijakoon tallennettuja muistiinpanoja, ei ole tarkkaan tarkistettu, joten sillä voi olla vääriä bittejä. (Voit vapaasti sivuuttaa, korjata tai kertoa minulle) Tämä on yksiosainen muistin versio, kun olet kiinnostunut vain (viimeisimmän) tuotoksen arvosta. Semi-lajiteltu olen opiskellut eksponentiaalisesta keskiarvosta. Internetissä on riittävästi selityksiä, mutta ne eivät selitä aikavakioista. Minulla on yksi kanava, jossa on T sekuntia aikasignaali näytteenottotaajuudella fs. Jos haluan tehdä tämän aikasignaalin keskiarvon, meidän on käytettävä joko lineaarista tai eksponentiaalista menetelmää. Lineaarinen keskimääräinen menetelmä on melko yksinkertainen, joten ongelmat eivät ole ongelmallisia. Kuitenkin, jos yritän soveltaa eksponentiaalisen keskimääräisen menetelmän, on joitain ongelmia. Jos aikasignaali vaihtelee nopeasti, mieluummin käytetään nopeaa aikavakioa 125 ms. Myös aikasignaali vaihtelee hitaasti, käyttäen 1000 ms: n hidasta aikavakioa, mutta tässä tilanteessa en tiedä miten voin käyttää tätä aikavakioa aikasignaalilla. Onko olemassa mitään selitystä tai esimerkkiä eksponentiaalisen keskiarvon tekemisestä aikavakioon, joka on pyytänyt 29.8. Klo 16: 54.Olen jatkuvasti arvoa, jolle haluan laskea eksponentiaalisen liukuvan keskiarvon. Normaalisti Id käytä vain standardikaavaa: jos S n on uusi keskiarvo, alfa on alfa, Y on näyte ja S n-1 edellinen keskiarvo. Valitettavasti monista asioista johtuen minulla ei ole johdonmukaista näyteaikaa. Voin tietää, että voin näyte enimmillään, esimerkiksi kerran millisekunnissa, mutta tekijöistä, jotka eivät kuulu minun valvontaani, en ehkä pysty ottamaan näytettä useita millisekuntia kerrallaan. Todennäköisemmin yleisempi tapaus on kuitenkin, että olen yksinkertainen näyte hieman aikaisin tai myöhässä: näytteenoton sijasta 0, 1 ja 2 ms. Näytän 0, 0,9 ja 2,1 ms. Odotan, että viivästymisistä huolimatta näytteenottotaajuus on paljon, paljon Nyquist-rajan yläpuolella, joten en tarvitse olla huolissaan aliaksesta. Luulen, että voin käsitellä tätä enemmän tai vähemmän järkevästi muuttamalla alfaa asianmukaisesti, joka perustuu viimeisen näytteen keston pituuteen. Osa päätelmäni siitä, että tämä toimii, on, että EMA interpoloi lineaarisesti edellisen datapisteen ja nykyisen välillä. Jos tarkastelemme EMA: n laskemista seuraavasta näytteiden luettelosta aikavälillä t: 0,1,2,3,4. Meidän pitäisi saada sama tulos, jos käytämme aikaväliä 2t, jossa syötteet ovat 0,2,4, oikealle. Jos EMA oli olettaa, että t 2: ssä arvo oli ollut 2 kun t 0. se olisi sama kuin aikavälin t laskema 0,2,2,4,4, joka ei ole tekemättä. Vai onko tämä järkevää? Voiko joku kertoa minulle, miten vaihda alfa sopivasti. Osoita työsi. Toisin sanoen näytä minulle matematiikka, joka osoittaa, että menetelmäsi todella tekee oikein. kysyi Jun 21 09 klo 13:05 Sinun ei pitäisi saada sama EMA eri panos. Ajattele EMAa suodattimena, näytteenotto 2t: ssä vastaa alaspäinäytteenottoa ja suodatin antaa erilainen lähtö. Tämä selväksi minulle, koska 0,2,4 sisältää korkeampia taajuuskomponentteja kuin 0,1,2,3,4. Ellei kysymys ole, miten vaihdan lennossa olevaa suodatinta, jotta se antaisi saman tuotoksen. Ehkä puuttuu jotain ndash freespace 21 kesäkuu 09 at 15:52 Mutta panos ei ole erilainen, se on vain näytteitä harvemmin. 0,2,4 välein 2t on kuin 0, 2, 4 välein t, missä se osoittaa, että näyte on jätetty huomiotta ndash Curt Sampson 21.6. Klo 23.45 Tämä vastaus perustuu minun hyvää ymmärrystä alipäästö suodattimet (eksponentiaalinen liukuva keskiarvo on oikeastaan vain yksinapainen alipäästösuodatin), mutta epäselvä käsitys siitä, mitä etsit. Mielestäni seuraava on mitä haluat: Ensinnäkin, voit yksinkertaistaa yhtälöä hieman (näyttää monimutkaisemmalta, mutta sen helpompi koodi). Yritän käyttää Y: n lähtöä ja X: n syöttöä varten (S: n lähtö ja Y: n syöttö, kuten olette tehneet). Toiseksi alfa-arvon arvo on tässä yhtä kuin 1-e-Deltattau, jossa Deltat on näytteiden välinen aika ja tau on alipäästösuodattimen aikavakio. Sanon samaa lainausmerkkejä, koska tämä toimii hyvin, kun Deltattau on pieni verrattuna 1: een ja alfa 1-e-Deltattau-asympi Deltattau. (Mutta ei liian pieni: youll suorittaa quantizing kysymyksiä, ja ellei käytä joitakin eksoottisia tekniikoita tarvitset yleensä ylimääräistä N bittiä päätöslauselman oman tilan muuttuja S, jossa N-log 2 (alfa).) Suuremmat arvot Deltattau suodatusvaikutus alkaa katoa, kunnes pääset pisteeseen, jossa alfa on lähellä 1 ja olet periaatteessa vain määrittänyt tulon lähtöön. Tämän pitäisi toimia kunnolla Deltatin vaihtelevilla arvoilla (Deltatin vaihtelu ei ole kovin tärkeä, kunhan alfa on pieni, muuten tulet käyttämään joitain melko outoja Nyquist-aiheiden aliaksia jne.) Ja jos työskentelet prosessorilla, jossa kertolasku on halvempaa kuin jako, tai kiinteän pisteen kysymykset ovat tärkeitä, laskea etumatkaa omega 1tau ja harkitse yrittää lähentää kaavaa alfa. Jos todella haluat tietää, miten kaavan alfa 1-e-Deltattau saadaan, harkitse sen differentiaaliyhtälön lähdettä: mikä, kun X on yksikköaskelfunktio, on ratkaisu Y 1 - e - ttau. Deltatin pienille arvoille johdannaista voidaan arvioida DeltaYDeltatilla, jolloin saadaan Y tau DeltaYDeltat X DeltaY (XY) (Deltattau) alfa (XY) ja alfa 1-e-Deltattaun ekstrapolointi tulee yrittämällä sovittaa käyttäytyminen yksivaiheinen vaihekotelo. Ymmärrättekö jatkuvatoimisen ratkaisun Y 1 - exp (-t47) ja sen yleistäminen skaalattuun askelfunktioon, jonka suuruus on x ja alkutila y (0). mutta en ymmärrä miten laittaa nämä ideat yhteen tuloksen saavuttamiseksi. ndash Rhys Ulerich May 4 13 at 22:34 Tämä ei ole täydellinen vastaus, mutta voi olla alku. Sen sikäli kuin sain tämän tunnin aikana tai soittaakseni Im lähettämällä sen esimerkkinä siitä, mitä Im etsii ja ehkä inspiraationa muille ongelman ratkaisemiseksi. Aloitan S 0: lla. joka on keskiarvon, joka saadaan edellisestä keskiarvosta S -1 ja näytteestä Y 0 otettuna t 0: ssä. (t 1 - t 0) on minun näyteväli ja alfa on asetettu siihen, mikä on sopiva kyseiselle näytteen intervallille ja ajanjaksolle, jonka haluan keskimäärin. Pohdin, mitä tapahtuu, jos minulla on näyte t1: ssä ja sen sijaan täytyy tehdä näytteen Y 2, joka on otettu t 2: ssä. No, voimme aloittaa laajentamalla yhtälöä nähdäksemme, mitä olisi tapahtunut, jos olisimme olleet Y 1: huomaan, että sarja näyttää ulottuvan äärettömän tällä tavalla, koska voimme korvata S n oikealla puolella loputtomiin: Ok , joten se ei oikeastaan ole polynomi (typerä minulle), mutta jos kerromme alkuperäisen termin yhdellä, näemme sitten kuvion: Hm: sen eksponentiaalinen sarja. Quelle-yllätys Kuvittele, että yhtälöstä tulee eksponentiaalinen liukuva keskiarvo Joten, minulla on tämä x 0 x 1 x 2 x 3. juttu menee, ja olen varma, että olen tuoksuva e tai luonnollinen logaritmi potkaisi täällä, mutta en voi muistaa, missä olin menossa seuraavaksi ennen kuin loppui ajoissa. Jokainen vastaus tähän kysymykseen tai jokin todistus tällaisen vastauksen oikeellisuudesta riippuu suuresti siitä, mitä tietoja olet mittaamassa. Jos näytteet otettiin t 0 0ms. t 1 0,9 ms ja t 2,1 ms. mutta valintasi alpha perustuu 1 ms: n välein, ja siksi haluat paikallisesti säädetyn alfa n: n. valinnan oikeellisuuden osoittaminen tarkoittaisi näytteen arvojen tuntemista t1ms: ssä ja t2ms: ssä. Tämä johtaa kysymykseen: Voitteko interpoloida tietosi resonably, jotta järkevä arvaus siitä, mitä väliset arvot olisivat olleet tai voitko jopa interpoloida keskimääräinen itse Jos kukaan näistä ei ole mahdollista, niin pitkälle kuin näen, looginen väliarvon valinta Y (t) on viimeisin laskettu keskiarvo. eli Y (t) asympn S n, jossa n on suurin niin, että t n ltt. Tämä valinta on yksinkertainen seuraus: Jätä alfa yksin riippumatta siitä, mikä aikaero oli. Jos toisaalta on mahdollista interpoloida arvot, niin tämä antaa sinulle keskimäärin jatkuvan välein näytteet. Lopuksi, jos se olisi jopa mahdollista interpoloimaan keskimääräinen itse, niin kysymys olisi merkityksetön. vastattu 21 kesäkuu 09 kello 15:08 balpha 9830 27.1k 9679 10 9679 87 9679 117 Luulen, että voin interpoloida tietoni: kun otetaan huomioon, että olen näytteenottanut sen diskreettiin aikaväleihin, olen jo tehnyt niin standardin EMA: n kanssa, oletan, että tarvitsen joka osoittaa, että se toimii, sekä standardi EMA, joka myös tuottaa virheellisen tuloksen, jos arvot eivät muutu melko tasaisesti näytejaksojen välillä. ndash Curt Sampson 21 kesäkuu 2009 at 15:21 Mutta tämä on mitä sanon: jos pidät EMA: n arvojen interpolointia, olet tehnyt, jos jätät alfan, koska se on (koska viimeisen keskiarvon lisääminen koska Y ei muuta keskiarvoa) . Jos sanot, että tarvitset jotain, joka toimii sekä standardissa EMAquot - mikä on väärä alkuperäisen kanssa. Ellei sinulla ole enemmän tietoa mittaamistasi tiedoista, kaikki alfan paikalliset säädöt ovat parhaimmillaan mielivaltaisia. ndash balpha 9830 21 kesäkuu 2011 klo 15:31 Haluan jättää alfa-arvon yksin ja täyttää puuttuvat tiedot. Koska et tiedä, mitä tapahtuu silloin, kun sinä näet näyte, voit täyttää nämä näytteet 0: llä tai pitää edellisen arvon vakaina ja käyttää näitä arvoja EMA: lle. Tai jotain taaksepäin interpolointia, kun sinulla on uusi näyte, täytä puuttuvat arvot ja kierrä EMA uudelleen. Mitä yritän saada, on sinulla syöttö xn, jolla on reikiä. Ei ole mahdollista päästä käsiksi siihen, että tietoja puuttuu. Joten voit käyttää nollajärjestyspistettä tai asettaa sen nollaan tai jonkinlaisen interpoloinnin xn: n ja xnM: n välillä. jossa M on puuttuvien näytteiden määrä ja n aukon alku. Mahdollisesti edes käyttää arvoja ennen n. Vastaus 21 kesäkuu 09 kello 13:35 Lähtemällä tunti tai niin mucking noin vähän matematiikka tähän, mielestäni yksinkertaisesti vaihtamalla alfa todella antaa minulle oikea interpolointi välillä kahden pisteen, josta puhut, mutta paljon yksinkertaisempaa tapaa. Lisäksi olen sitä mieltä, että alfan vaihtelu vastaa myös tavanomaisten näytteenottovälien välillä otettaviin näytteisiin. Toisin sanoen etsin mitä sanoit, mutta yrität käyttää matematiikkaa selvittääksesi yksinkertaisen tavan tehdä se. ndash Curt Sampson kesäkuu 21 09 at 14:07 Mielestäni ei ole sellaista pedon kuin oikea interpolointiquot. Et yksinkertaisesti tiedä, mitä tapahtui sillä hetkellä, kun et ota näytteitä. Hyvä ja huono interpolaatio tarkoittaa jonkinlaista tietoa siitä, mitä olet jättänyt, koska sinun on mitattava sen arvioimiseksi, onko interpolointi hyvä vai huono. Vaikka sanoitkin, voit asettaa rajoituksia, eli suurinta kiihdytystä, nopeutta jne. Uskon, että jos tiedät, kuinka mallinnetaan puuttuvat tiedot, muokoit vain puuttuvia tietoja ja käytät sitten EMA-algoritmia ilman muutosta. kuin muuttaa alfaa. Vain minun 2c :) ndash freespace Kesäkuu 21 09 at 14:17 Tämä on juuri se mitä saavuin editani kysymykseen 15 minuuttia sitten: "Et yksinkertaisesti tiedä, mitä tapahtui silloin, kun et näytä, mutta se on totta vaikka otatkin näytteitä jokaisella määrätyllä aikavälillä. Niinpä Nyquistin miettiminen: niin kauan kuin tiedät, että aaltomuoto ei muuta ohjeita enemmän kuin pari muuta näytettä, todellinen näytteenväli ei saisi olla, ja sen pitäisi pystyä vaihtelemaan. EMA-yhtälö näyttää minulta täsmälleen laskevan, ikään kuin aaltomuoto muuttuisi lineaarisesti viimeisestä näytteen arvosta nykyiseen. ndash Curt Sampson kesäkuu 21 09 at 14:26 En usko, että on täysin totta. Nyquistin lause vaatii vähintään 2 näytettä yhtäjaksoa kohti, jotta signaali voidaan yksilöidä yksilöllisesti. Jos et tee niin, saat aliaksenne. Se olisi sama kuin näytteenotto fs1: llä jonkin aikaa, sitten fs2, sitten takaisin fs1, ja saat aliasingin datan näytteestä fs2: llä, jos fs2 on Nyquist-rajan alapuolella. Minun on myös tunnustettava, etten ymmärrä, mitä tarkoitat quotwaveform - muutoksilla lineaarisesti viimeisestä näytteestä nykyiseen osaan. Voisitteko selittää Cheers, Steve. ndash freespace Jun 21 09 at 14:36 Tämä on samanlainen kuin avoin ongelma minun todo listan. Minulla on yksi järjestelmä suunniteltu jossain määrin, mutta ei ole matemaattista työtä tämän ehdotuksen tukemiseksi vielä. Päivitä amp-yhteenveto: Haluat pitää tasoituskerroksen (alfa) riippumatta kompensointitekijästä (jota viittaan beta-täällä). Jasonsin erinomainen vastaus, joka on jo hyväksytty, toimii minulle hyvin. Jos voit myös mitata aikaa, kun viimeinen näyte on otettu (jatkuvan näytteenoton pyöristetyt kertoimet, eli 7,8 ms, koska viimeinen näyte olisi 8 yksikköä), jota voitaisiin käyttää tasoittamiseen useamman kerran. Käytä kaavaa 8 kertaa tässä tapauksessa. Olet tehnyt tehokkaasti tasauksen paremmaksi nykyiseen arvoon verrattuna. Jotta saataisiin parempi tasoitus, meidän on parannettava alfaa soveltamalla kaavaa 8 kertaa edellisessä tapauksessa. Mitä tämä tasoituslähestyminen missaa Se on jo menettänyt 7 esimerkkiä edellä olevassa esimerkissä Tämä arvioitiin vaiheessa 1 nykyisen arvon litistetulla uudelleenkäytöllä vielä 7 kertaa Jos määritämme approksimaatiokerroksen beta, jota sovelletaan yhdessä alfa (aakkosten sijaan vain alfa), oletamme, että 7 ohitettua näytettä muuttuivat tasaisesti edellisten ja nykyisten näytemäärien välillä. Vastaus 21.06.09 klo 13:35 Ajattelin tätä, mutta vähän pilkkaamista matematiikan kanssa sai minut kohtaan, jossa uskon, että sen sijaan, että käytän kaavaa kahdeksan kertaa näytteen arvolla, voin tehdä laskelman uuden alfan, jonka avulla voin soveltaa kaavaa kerran ja antaa minulle saman tuloksen. Lisäksi tämä käsitteli automaattisesti näytteiden ottamista näytteistä, jotka oli korvattu tarkkoina näytteenä. ndash Curt Sampson kesäkuu 21 09 kello 13:47 Yhden hakemuksen on hieno. En ole vielä varma siitä, kuinka hyvä on 7 puuttuvien arvojen lähentäminen. Jos jatkuva liike tekee arvoa jitteristä paljon yli 8 millisekunnin, approksimaatiot voivat olla varsin todellisia. Mutta sitten, jos otat näytteen 1 ms: n tarkkuudella (korkein tarkkuus ilman viivästyneitä näytteitä) olet jo kuvittanut, että jitterin sisällä 1 ms ei ole merkitystä. Aikooko tämä päättely sinulle (yritän edelleen vakuuttaa itseni). ndash nik Jun 21 09 at 14:08 Oikein. Tämä on beta-tekijä minun kuvauksestani. Beetakerroin lasketaan erotusvälin ja nykyisen ja edellisen näytteen perusteella. Uusi alfa on (alfabeta), mutta sitä käytetään vain kyseiseen näytteeseen. Vaikka näytät olevan 39moving39 kaavan alfaa, olen taipuvainen kohti jatkuvaa alfa-tasoa (tasoituskerrointa) ja itsenäisesti laskettua beetaa (virityskerrointa), joka kompensoi nyt näytettäviä näytteitä. ndash nik Jun 21 09 at 15:23
Comments
Post a Comment