이동 평균 필터 지연

필터로 이동 평균. 이동 평균은 종종 노이즈가있는 상태에서 데이터를 부드럽게하는 데 사용됩니다. 단순 이동 평균은 실제로는 가장 일반적인 필터 중 하나 인 반면 유한 임펄스 응답 FIR 필터로 인식되는 것은 아닙니다 in signal processing 필터로 취급하면 windowed-sinc 필터와 비교할 수 있습니다. 예를 들어 저역 고역 통과 필터 및 대역 통과 필터 및 대역 거부 필터에 대한 기사를 참조하십시오. 필터와의 주요 차이점은 다음과 같습니다. 이동 평균은 유용한 정보가 평균화에 의한 평활화 측정이 주요한 예일 때 시간 영역에서 유용한 정보에 포함되는 신호에 적합하다는 것을 의미합니다. 반면에 Windowed-sinc 필터는 오디오에서 등화가있는 주파수 영역에서 강력한 성능을 발휘합니다 처리의 일반적인 예 시간 영역과 필터의 주파수 영역 성능에서 두 가지 유형의 필터를 더 자세히 비교할 수 있습니다. 주파수 영역이 중요하다면, 이동 평균의 변형을 살펴 보는 것이 좋습니다. 이동 평균의 가중 버전을 더 많이 표시합니다. 길이 N의 이동 평균은 다음과 같이 정의 할 수 있습니다. 그것은 전형적으로 현재의 출력 샘플을 필터로 본 이전의 N 개의 샘플들의 평균으로 나타내며, 이동 평균은 길이 N과 높이 1N의 직사각형 펄스로 입력 시퀀스 xn의 컨볼 루션을 수행하여 펄스, 그리고 따라서 필터의 이득, 하나 실제로 N odd를 취하는 것이 가장 좋습니다. 이동 평균은 또한 짝수 개의 샘플을 사용하여 계산할 수도 있지만 N에 홀수 값을 사용하면 필터의 지연은 N 개의 샘플을 갖는 필터의 지연이 정확하게 N-1 2이기 때문에 정수 샘플의 수일 것이다. 이동 평균은 샘플 수만큼 정수로 시프트함으로써 원래의 데이터와 정확하게 정렬 될 수있다. 시간 도메인. movi 이후 ng 평균은 직사각형 펄스를 갖는 회선이며, 주파수 응답은 sinc 함수입니다. 이것은 직사각형 주파수 응답을 발생시키는 sinc 펄스를 갖는 회선이기 때문에 windowed-sinc 필터의 이중화와 같습니다. 주파수 도메인에서 이동 평균을 좋지 않은 연기자로 만드는 이러한 싱크 주파수 응답 그러나 시간 영역에서 매우 잘 수행됩니다. 따라서 빠른 단계 응답을 유지하는 동시에 노이즈를 제거하기 위해 데이터를 원활하게하는 것이 좋습니다. 그림 1 그림 1 이동 평균 필터를 사용한 스무딩. 종종 가정되는 전형적인 Additive White Gaussian Noise AWGN의 경우, N 샘플을 평균하면 SNR을 sqrt N만큼 증가시키는 효과가 있습니다. 개별 샘플의 노이즈는 상관 관계가 없으므로 각 샘플을 다르게 처리 할 이유가 없습니다. 따라서 각 샘플에 동일한 가중치를 부여하는 이동 평균은 주어진 단계 응답 선명도에 대한 최대 노이즈 양을 제거합니다. 그것은 FIR 필터이기 때문에, 이동 평균은 컨볼 루션을 통해 구현 될 수 있습니다. 그러면 다른 FIR 필터와 동일한 효율성 또는 부족함을 갖게됩니다. 그러나 매우 효율적인 방법으로 재귀 적으로 구현 될 수도 있습니다. 이 공식은 yn 및 yn 1에 대한 표현의 결과이다. 여기서, yn 1과 yn 사이의 변화는 추가 용어 xn 1 N이 끝에 나타나고, xnN 1 N은 처음부터 제거됩니다. 실제 응용에서는 다른 곳에서 N의 결과로 얻는 이득을 보상하여 각 용어에 대해 N으로 나눗셈을 생략 할 수 있습니다. 이 재귀 구현은 회선보다 훨씬 빠릅니다. y의 새로운 값은 정의의 직접 구현에 필요한 N 개의 추가 사항 대신 단 두 번의 추가로 계산됩니다. 재귀 구현에서주의해야 할 한 가지는 반올림 오류가 누적된다는 것입니다. 이 ma y 또는 귀하의 응용 프로그램에 문제가되지 않을 수도 있습니다 또한이 재귀 구현은 부동 소수점 숫자보다 정수 구현과 함께 실제로 더 잘 작동한다는 것을 의미합니다 이것은 부동 소수점 구현이 일반적으로 더 간단하기 때문에 이것은 매우 드문 것입니다. 이 모든 사항은 신호 처리 응용 프로그램에서 단순 이동 평균 필터의 유용성을 결코 과소 평가해서는 안됩니다. 필터 설계 도구. 이 기사는 필터 설계 도구로 보완됩니다. N에 대해 다른 값으로 실험하고 결과 필터를 시각화하십시오. 지금 사용해보십시오. 이동 평균 필터 MA 필터. 로딩 이동 평균 필터는 샘플링 된 데이터 신호의 배열을 평활화하는 데 일반적으로 사용되는 간단한 저역 통과 FIR 유한 임펄스 응답 필터입니다. 한 번에 M 개의 샘플을 취하여 그 M - 샘플의 평균을 취하고 단일 출력 포인트를 생성합니다. 매우 간단한 LPF 저역 통과 필터 구조로 과학자 및 엔지니어가 원치 않는 필터를 쉽게 필터링 할 수 있습니다 필터 길이가 매개 변수 M을 증가 시킴에 따라 출력의 매끄러움이 증가하는 반면 데이터의 예리한 전이가 점차 둔화됩니다. 이는이 필터가 우수한 시간 영역 응답을하지만 주파수 응답이 좋지 않음을 의미합니다. MA 필터는 세 가지 중요한 기능을 수행합니다 .1 M 입력 포인트를 사용하여 M 포인트의 평균을 계산하고 단일 출력 포인트를 생성합니다. 2 계산 계산으로 인해 일정한 지연이 발생합니다. 3 필터는 로우 통과 필터 가난한 주파수 도메인 응답 및 좋은 시간 도메인 응답. Matlab Code. Following matlab 코드는 M - 포인트 이동 평균 필터의 시간 도메인 응답을 시뮬레이트하고 다양한 필터 길이에 대한 주파수 응답도 플롯합니다. 시간 도메인 응답. 입력 MA 필터 3 점 MA 필터 출력. 이동 평균 필터 입력. 3 점 이동 평균 필터 .1 포인트 MA 필터 출력 .10 포인트 MA 필터 출력 t. Response 51- 포인트 이동 평균 필터 .101 포인트 이동 평균 필터. 501 포인트 MA 필터 출력. 501 포인트 이동 평균 필터의 응답. 첫 번째 플롯에서, 우리는 입력 평균 필터 입력이 시끄럽고 우리의 목표는 소음을 줄이는 것입니다 다음 그림은 3 점 이동 평균 필터의 출력 응답입니다. 3 점 이동 평균 필터가 필터링에서 많이 수행하지 않은 그림에서 추론 할 수 있습니다 노이즈 제거 필터 탭을 51 포인트로 늘리면 다음 그림과 같이 출력의 노이즈가 많이 줄어들 었음을 알 수 있습니다. 다양한 길이의 이동 평균 필터의 주파수 응답. 101 및 501에서 볼 수 있듯이 노이즈가 거의 0 임에도 불구하고 신호의 양쪽에서 기울기를 철저히 관찰하고 이상적인 벽돌 벽 전환과 비교합니다. 주파수 반응. Fromquency Response. From 빈도 롤오프가 매우 느리고 정지 대역 감쇠가 좋지 않다고 응답 할 수 있습니다. 이 정지 대역 감쇠가 주어지면 이동 평균 필터는 주파수 대역을 분리 할 수 ​​없습니다. 시간 영역은 주파수 영역에서 성능이 떨어지며 그 반대도 마찬가지입니다. 즉, 이동 평균은 예외적으로 양호한 평활화 필터로서 시간 영역에서의 동작이지만 예외적으로 나쁜 저역 통과 필터는 주파수 영역에서의 동작입니다. 외부 링크 . 권장 서적. 기본 사이드 바. 이 예제는 이동 평균 필터와 리샘플링을 사용하여 시간별 온도 판독에 대한 시간의주기적인 구성 요소의 영향을 분리하고 개방 루프 전압 측정에서 원하지 않는 라인 잡음을 제거하는 방법을 보여줍니다. 예제는 또한 중앙값 필터를 사용하여 에지를 보존하면서 클록 신호의 레벨을 부드럽게하는 방법을 보여줍니다. 이 예제는 또한 Hampel 필터를 사용하여 큰 출력을 제거하는 방법을 보여줍니다 중요하지 않은 것들 즉 소음을 제거하면서 데이터에서 중요한 패턴을 발견하는 방법입니다. 우리는 필터링을 사용하여이 스무딩을 수행합니다. 스무딩의 목표는 값의 느린 변화를 생성하여 데이터의 경향을 더 쉽게 볼 수있게하는 것입니다 때로는 입력 데이터를 검토 할 때 신호 추세를보기 위해 데이터를 부드럽게 할 수 있습니다. 이 예에서는 2011 년 1 월 한 달 동안 Logan 공항에서 매시간 섭취하는 온도 판독 값 세트를 사용합니다. 한 달 동안의 시간대가 온도 판독 값에 미치는 영향을 시각적으로 볼 수 있습니다. 한 달 동안의 일별 온도 변화에만 관심이 있다면, 시간별 변동은 노이즈를 유발하여 일별 변동을 식별하기 어렵게 할 수 있습니다. 시간의 효과에 따라 이동 평균 필터를 사용하여 데이터를 원활하게하고 싶습니다. 이동 평균 필터. 가장 간단한 형식에서 길이 N의 이동 평균 필터는 평균 각각의 데이터 포인트에 대해 이동 평균 필터를 적용하기 위해 필터의 계수를 구성하여 각 포인트에 균등하게 가중치를 부여하고 총 평균에 1 24를 기여합니다. 이로 인해 평균 온도는 24 시간마다. 필터 지연. 필터링 된 출력은 약 12 ​​시간 지연됩니다. 이는 이동 평균 필터에 지연이 있다는 사실 때문입니다. 길이 N의 모든 대칭 필터에는 N-1 2 샘플의 지연이 있습니다 우리는이 지연을 수동으로 계산할 수 있습니다. 평균 차이를 제거 할 수 있습니다. 또한 이동 평균 필터를 사용하여 시간이 전반적인 온도에 미치는 영향을 더 정확하게 예측할 수 있습니다. 이렇게하려면 먼저 매시간에서 매끄러운 데이터를 뺍니다 온도 측정 그런 다음 분화 된 데이터를 일 단위로 분할하고 달의 31 일 동안 평균을 취합니다. 피크 엔벨로프를 추출합니다. 가끔은 우리가 최고치 그리고 우리 온도 신호의 최저치는 매일 바뀝니다. 이렇게하기 위해 봉투 기능을 사용하여 24 시간의 하위 집합에서 감지 된 최고치와 최저치를 연결할 수 있습니다. 이 예에서 우리는 극한 및 극한 사이에 최소 16 시간 낮은 두 개의 극단 사이의 평균을 취하여 최고점과 최저점이 어떻게 추세인지 알 수 있습니다. 이동 평균 필터를 보았습니다. 다른 종류의 이동 평균 필터는 각 샘플을 동일하게 가중치 않습니다. 다른 공통 필터는 다음과 같은 이항 확장을 따릅니다. 이 유형의 필터는 큰 값 n에 대한 정규 곡선을 근사합니다. 작은 주파수에 대해 고주파 노이즈를 필터링하는 데 유용합니다. n 이항 필터의 계수를 찾으려면 자체와 컨볼 루션 한 다음 지정된 횟수만큼 출력을 반복 컨벌루션합니다. 이 예제에서는 총 다섯 번의 반복을 사용합니다. Gaussian 확장 필터와 다소 유사한 필터는 지수 이동 평균 필터입니다. 이 유형의 가중 이동 평균 분노 필터는 구성하기 쉽고 큰 창 크기가 필요하지 않습니다 .0과 1 사이의 알파 매개 변수로 지수 가중 이동 평균 필터를 조정합니다. 알파 값이 높을수록 평활화가 덜됩니다. 하루 동안 판독 값이 확대됩니다. 당신의 나라를 선택하세요.