การย้าย ค่าเฉลี่ย กรอง เสียงรบกวน ลด

นักวิทยาศาสตร์และวิศวกรรู้สึกผิดเกี่ยวกับการใช้ตัวกรองเฉลี่ยที่เคลื่อนไหวเนื่องจากมีความเรียบง่ายและใช้งานได้ง่าย ย้ายเฉลี่ยกรองมักจะเป็นสิ่งแรกที่พยายามเมื่อต้องเผชิญกับปัญหาแม้ว่าปัญหาจะแก้ไขได้อย่างสมบูรณ์ยังคงมีความรู้สึกว่าบางสิ่งบางอย่างมากขึ้นควรจะทำสถานการณ์นี้เป็นจริงแดกดันไม่เพียง แต่เป็นตัวกรองค่าเฉลี่ยที่ดีมากสำหรับการใช้งาน เป็นวิธีที่ดีที่สุดสำหรับปัญหาทั่วไปลดเสียงรบกวนแบบสุ่มสีขาวในขณะที่ให้การตอบสนองขั้นที่คมชัดมากที่สุดรูปที่ 15-1 แสดงตัวอย่างของวิธีการทำงานนี้สัญญาณใน a คือชีพจรฝังอยู่ในเสียงสุ่มใน b และ c, ของตัวกรองค่าเฉลี่ยเคลื่อนที่ช่วยลดความกว้างของสัญญาณรบกวนแบบสุ่ม แต่ยังลดความคมชัดของขอบที่ไม่ดีของตัวกรองเชิงเส้นที่เป็นไปได้ทั้งหมดที่สามารถใช้ค่าเฉลี่ยเคลื่อนที่ เสียงต่ำสุดสำหรับความคมชัดของขอบที่กำหนดจำนวนการลดเสียงรบกวนเท่ากับรากที่สองของจำนวนจุดเฉลี่ยตัวอย่างเช่นตัวกรองอัตราการเคลื่อนที่เฉลี่ย 100 จุดช่วยลดเสียงรบกวนลงได้ถึง 10 ปัจจัยเพื่อให้เข้าใจว่าเหตุใด ค่าเฉลี่ยเคลื่อนที่ถ้าเป็นทางออกที่ดีที่สุดลองนึกภาพว่าเราต้องการออกแบบฟิลเตอร์ที่มีความคมชัดของขอบคงที่ตัวอย่างเช่นสมมติให้เราแก้ไขความคมชัดของขอบด้วยการระบุว่ามี 11 จุดในการตอบสนองขั้นตอนนี้ มีสิบเอ็ดจุดคำถามการเพิ่มประสิทธิภาพคือเราจะเลือกค่าสิบเอ็ดในเคอร์เนลกรองเพื่อลดสัญญาณรบกวนในสัญญาณเอาต์พุตเนื่องจากสัญญาณรบกวนที่เรากำลังพยายามลดเป็นแบบสุ่มไม่มีจุดอินพุทใดที่พิเศษมากพอ ๆ กับที่มีเสียงดังเช่น เพื่อนบ้านของตนดังนั้นจึงไม่มีประโยชน์ที่จะให้การรักษาพิเศษกับจุดเข้าใด ๆ โดยการกำหนดค่าสัมประสิทธิ์ใหญ่ในเคอร์เนลของตัวกรองเสียงต่ำสุดจะได้รับเมื่อทุกตัวอย่างอินพุทมีค่าเท่ากับ พันธมิตรกล่าวคือตัวกรองค่าเฉลี่ยเคลื่อนที่ในบทต่อไปนี้เราแสดงให้เห็นว่าตัวกรองอื่น ๆ มีความเป็นไปได้ดีจุดคือไม่มีตัวกรองใดที่ดีกว่าค่าเฉลี่ยเคลื่อนที่แบบง่ายๆตัวอย่างนี้แสดงวิธีการใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่และ resampling เพื่อแยกผลของ องค์ประกอบประจำเดือนของเวลาในการอ่านอุณหภูมิรายชั่วโมงตลอดจนเอาเสียงรบกวนสายที่ไม่พึงประสงค์ออกจากการวัดแรงดันไฟฟ้าแบบเปิดลูปนอกจากนี้ยังแสดงให้เห็นถึงวิธีการราบเรียบระดับสัญญาณนาฬิกาในขณะที่รักษาขอบโดยใช้ตัวกรองค่ามัธยฐาน ยังแสดงวิธีการใช้ตัวกรอง Hampel เพื่อขจัดข้อผิดพลาดที่มีนัยสำคัญการขยับเป็นวิธีที่เราค้นพบรูปแบบที่สำคัญในข้อมูลของเราในขณะที่ปล่อยให้สิ่งที่ไม่สำคัญเช่นเสียงเราใช้การกรองเพื่อให้การเรียบนี้เป้าหมายของการทำให้ราบรื่นคือการผลิตการเปลี่ยนแปลงที่ช้าในมูลค่า เพื่อให้สามารถมองเห็นแนวโน้มในข้อมูลของเราได้ง่ายขึ้นบางครั้งเมื่อคุณตรวจสอบข้อมูลการป้อนข้อมูลที่คุณอาจต้องการทำให้ข้อมูลมีความราบรื่นเพื่อดูแนวโน้มในสัญญาณในตัวอย่างของเราเรามี ชุดของการอ่านอุณหภูมิในเซลเซียสถ่ายทุกชั่วโมงที่สนามบิน Logan ตลอดทั้งเดือนมกราคม 2011 หมายเหตุว่าเราสามารถมองเห็นผลกระทบที่เวลาของวันมีการอ่านอุณหภูมิหากคุณสนใจเฉพาะในรูปแบบอุณหภูมิรายวัน ในช่วงเดือนความผันผวนรายชั่วโมงมีส่วนทำให้เกิดเสียงรบกวนเท่านั้นซึ่งอาจทำให้รูปแบบรายวันยากที่จะมองเห็นได้หากต้องการลบผลกระทบของช่วงเวลาในวันนี้ตอนนี้เราต้องการให้ข้อมูลของเราราบเรียบโดยใช้ตัวกรองเฉลี่ยเคลื่อนที่ Moving Average Filter ในรูปแบบที่ง่ายที่สุดตัวกรองค่าเฉลี่ยเคลื่อนที่ของความยาว N ใช้ค่าเฉลี่ยของทุกๆ N ตัวอย่างต่อเนื่องของรูปคลื่นเพื่อใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่กับแต่ละจุดข้อมูลเราจะสร้างค่าสัมประสิทธิ์ของตัวกรองของเราเพื่อให้แต่ละจุดมีการถ่วงน้ำหนักอย่างเท่าเทียมกันและ มีค่าเฉลี่ยประมาณ 24 ถึงค่าเฉลี่ยซึ่งทำให้เรามีค่าเฉลี่ยอุณหภูมิในแต่ละช่วงเวลา 24 ชั่วโมงความล่าช้าของตัวกรองโปรดทราบว่าผลลัพธ์ที่กรองออกจะล่าช้าไปประมาณ 12 ชั่วโมงอันเนื่องมาจากความจริงที่ว่า ย้ายตัวกรองเฉลี่ยมีความล่าช้าใด ๆ ตัวกรองสมมาตรของความยาว N จะมีความล่าช้าของ N-1 ตัวอย่าง 2 เราสามารถบัญชีสำหรับความล่าช้านี้ด้วยตนเองการดึงความแตกต่างเฉลี่ยนอกจากนี้เรายังสามารถใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่เพื่อให้ได้ค่าที่ดีขึ้น ของวิธีการช่วงเวลาของวันมีผลต่ออุณหภูมิโดยรวมเมื่อต้องการทำเช่นนี้ก่อนลบข้อมูลเรียบจากการวัดอุณหภูมิรายชั่วโมงจากนั้นให้แบ่งข้อมูล differenced เป็นวันและใช้ค่าเฉลี่ยตลอด 31 วันในเดือน Extracting Peak Envelope. Sometimes เราต้องการให้มีการเปลี่ยนแปลงที่แตกต่างกันอย่างราบรื่นว่าเสียงสูงและต่ำของสัญญาณอุณหภูมิของเราเปลี่ยนแปลงทุกวันการทำเช่นนี้เราสามารถใช้ฟังก์ชั่นซองจดหมายเพื่อเชื่อมต่อเสียงสูงและต่ำสุดที่ตรวจพบในเซตย่อยของช่วงเวลา 24 ชั่วโมงในตัวอย่างนี้ เรามั่นใจว่าจะมีอย่างน้อย 16 ชั่วโมงระหว่างแต่ละจุดที่สูงและต่ำมากเรายังสามารถรับรู้ได้ว่าเสียงสูงและต่ำมีแนวโน้มอย่างไรโดยการใช้ค่าเฉลี่ยระหว่างสองจุดสุดท้ย ตัวกรองชนิดอื่น ๆ ของตัวกรองเฉลี่ยที่เคลื่อนที่ไม่ได้มีน้ำหนักตัวอย่างแต่ละตัวเท่ากันตัวกรองทั่วไปอื่น ๆ ดังต่อไปนี้การขยายตัวแบบสองส่วนของตัวกรองชนิดนี้จะประมาณเส้นโค้งปกติสำหรับค่าที่มีขนาดใหญ่ n เป็นประโยชน์สำหรับการกรองเสียงรบกวนความถี่สูงสำหรับ n เล็ก หาค่าสัมประสิทธิ์สำหรับตัวกรองสองตัวเชื่อมโยงกับตัวเองและวนซ้ำแล้วซ้ำอีกด้วยจำนวนครั้งที่กำหนดในตัวอย่างนี้ให้ใช้การวนซ้ำทั้งหมดห้าครั้งตัวกรองอื่นคล้ายกับตัวขยายตัวแบบเกาส์ส์คือตัวกรองค่าเฉลี่ยเลขยกกำลังแบบนี้ ตัวกรองอัตราการเคลื่อนที่ที่ถ่วงน้ำหนักเป็นเรื่องง่ายในการสร้างและไม่ต้องใช้ขนาดหน้าต่างที่ใหญ่คุณสามารถปรับตัวกรองค่าเฉลี่ยถ่วงน้ำหนักที่ชี้แจงโดยใช้พารามิเตอร์อัลฟาระหว่างศูนย์กับหนึ่งค่าที่สูงขึ้นของอัลฟาจะทำให้การแสดงผลของหน้าจอไม่ดีขึ้น วันเลือกตัวกรอง MA เฉลี่ยของ Country. Moving Filter ตัวนับตัวกรองค่าเฉลี่ยเคลื่อนที่เป็นแบบตอบรับแรงดันต่ำของ FIR แบบ low pass FIR โดยปกติจะใช้เวลาในการเก็บตัวอย่างข้อมูล M ตัวอย่างและใช้ค่าเฉลี่ยของ M-samples และสร้างจุดเอาท์พุทแบบจุดเดียวมันเป็นโครงสร้าง LPF Low Pass Filter ที่ง่ายมากสำหรับนักวิทยาศาสตร์ และวิศวกรในการกรององค์ประกอบที่มีเสียงดังที่ไม่พึงประสงค์จากข้อมูลที่ต้องการเมื่อความยาวของตัวกรองเพิ่มพารามิเตอร์ M ความนุ่มนวลของเอาท์พุทเพิ่มขึ้นในขณะที่การเปลี่ยนภาพที่คมชัดในข้อมูลจะทวีความรุนแรงมากขึ้นซึ่งหมายความว่าตัวกรองนี้มีการตอบสนองโดเมนที่ดีเยี่ยม การตอบสนองความถี่ต่ำตัวกรอง MA ทำงานได้ 3 ฟังก์ชั่นที่สำคัญ 1 ต้องใช้ M Input Point, คำนวณค่าเฉลี่ยของ M-points เหล่านี้และสร้างจุดเอาท์พุท 2 อันเนื่องจากการคำนวณการคำนวณที่เกี่ยวข้องกับตัวกรองจะแนะนำให้มีการหน่วงเวลาที่แน่นอน 3 กรองทำหน้าที่เป็นตัวกรองความถี่ต่ำที่มีการตอบสนองโดเมนความถี่ที่ไม่ดีและการตอบสนองที่ดีเวลาโดเมนรหัส Matlab รหัสต่อไปนี้จำลองการ respo โดเมนเวลา nse ของตัวกรอง M-point Moving Average และยังมีการวางแผนการตอบสนองความถี่สำหรับความยาวของตัวกรองต่างๆการตอบสนองโดเมนแบบชั่วคราวไปยัง MA filter.3-point MA filter output. Input to Moving filter เฉลี่ยการตอบสนองของตัวกรองเฉลี่ย 3 จุด เอาต์พุตฟิลเตอร์ MA 51 จุดเอาต์พุตฟิลเตอร์ MA1.11 จุดการตอบสนองของตัวกรองค่าเฉลี่ยเคลื่อนที่ 51 จุดการตอบสนองของตัวกรอง MA ที่ระดับ 101 จุดการกรอง 501 จุดตัวกรอง MA ในช่วงแรก พล็อตเรามีอินพุทที่จะเข้าสู่ตัวกรองค่าเฉลี่ยที่เคลื่อนที่ค่าอินพุทมีเสียงดังและเป้าหมายของเราก็คือการลดเสียงดังรูปถัดไปคือการตอบสนองเอาท์พุทของตัวกรอง 3 จุด Moving Average สามารถอนุมานได้จากรูปที่ ตัวกรองการเคลื่อนที่แบบ 3 จุดไม่ได้ทำอะไรมากนักในการกรองเสียงเราเพิ่มก๊อกกรองลงไปที่ 51 จุดและเราจะเห็นว่าเสียงในเอาต์พุตลดลงมากซึ่งแสดงในรูปถัดไปการตอบสนองตามความถี่ของ Moving ตัวกรองเฉลี่ยของความยาวต่างๆเพิ่มขึ้น ก๊อกต่อไป 101 และ 501 และเราสามารถสังเกตเห็นว่าแม้แม้เสียงเกือบเป็นศูนย์การเปลี่ยนเป็น blunted ออกอย่างมากสังเกตความลาดชันที่ด้านข้างของสัญญาณและเปรียบเทียบกับการเปลี่ยนแปลงอิฐผนังที่เหมาะในการป้อนข้อมูลของเรา การตอบสนองความถี่จากการตอบสนองต่อความถี่สามารถยืนยันได้ว่าการม้วนออกช้ามากและการลดทอนของแถบหยุดไม่ดีให้การลดทอนของแถบหยุดนี้อย่างเห็นได้ชัดตัวกรองค่าเฉลี่ยเคลื่อนที่ไม่สามารถแยกย่านความถี่หนึ่งจากที่อื่นได้ตามที่เราทราบ ว่าประสิทธิภาพที่ดีในโดเมนเวลาส่งผลให้ประสิทธิภาพการทำงานที่ไม่ดีในโดเมนความถี่และในทางกลับกันในระยะสั้นค่าเฉลี่ยเคลื่อนที่เป็นตัวกรองที่ราบเรียบดีเด่นในการดำเนินการในโดเมนเวลา แต่เป็นข้อผิดพลาดในการประมวลผลแบบ low-pass ที่ไม่ดีนัก โดเมนความถี่โดเมนภายนอกข้อเสนอแนะ Books. Primary Sidebar