Labview Bevegelig Gjennomsnittsfilter

Beregning av flytende gjennomsnitt Denne VI beregner og viser det bevegelige gjennomsnittet, ved hjelp av et forhåndsvalgt nummer. For det første initierer VI to skiftregister. Toppskiftregisteret initialiseres med ett element, og legger kontinuerlig den forrige verdien med den nye verdien. Dette skiftregisteret beholder summen av de siste x-målingene. Etter å ha delt resultatene av add-funksjonen med den forvalgte verdien, beregner VI VI den bevegelige gjennomsnittsverdien. Bunnskiftregisteret inneholder en matrise med dimensjonen Gjennomsnitt. Dette skiftregisteret holder alle verdier av målingen. Byttefunksjonen erstatter den nye verdien etter hver løkke. Denne VI er veldig effektiv og rask fordi den bruker erstatningselementfunksjonen i løpet av mens sløyfen, og den initialiserer oppstillingen før den går inn i sløyfen. Denne VI ble opprettet i LabVIEW 6.1. Bookmark amp ShareLabView Digital Filter Design Toolkit 8.2.1 Readme LabVIEW Digital Filter Design Toolkit 8.2.1 omhandler installasjonsproblemer med Windows Vista x64 Edition, 64-bitersversjonen, som er til stede i Digital Filter Design Toolkit 8.2. Hvis du har installert Digital Filter Design Toolkit 8.2, må du først avinstallere den versjonen før du installerer Digital Filter Design Toolkit 8.2.1. Denne filen inneholder informasjon for å introdusere deg til Digital Filter Design Toolkit. Denne filen gir deg også hjelpressurser du kan bruke mens du arbeider med verktøykassen. Filen inneholder følgende opplysninger du trenger å forstå. Digital Filter Design Toolkit gir en samling av digitale filterdesignverktøy for å komplettere LabVIEW Full eller Professional Development System. Digital Filter Design Toolkit hjelper deg med å designe digitale filtre uten at du må ha avansert kunnskap om digital signalbehandling eller digital filtreringsteknikker. Med Digital Filter Design Toolkit kan du designe, analysere og simulere flytende punkt og fikserte digitale filtre. Uten forkunnskaper om programmering i LabVIEW kan du bruke Digital Filter Design Express VI til å samhandle grafisk med filterspesifikasjoner for å designe passende digitale filtre. Digital Filter Design Toolkit gir VI som du kan bruke til å designe et filter med finitivt impulsrespons (FIR) eller uendelig impulsrespons (IIR), analysere egenskapene til det digitale filteret, endre implementeringsstrukturen til det digitale filteret og behandle data med det digitale filteret. I tillegg til den flytende punktstøtten, gir Digital Filter Design Toolkit et sett med VI som du kan bruke til å lage en fastpunkts digital filtermodell, analysere egenskapene til det fastpunkts digitale filteret, simulere ytelsen til den faste - punkts digitalt filter, og generer fast punkt C-kode, heltall LabVIEW-kode eller LabVIEW-feltprogrammerbar gate array (FPGA) - kode for et bestemt fast punktmål. Digital Filter Design Toolkit gir VI for multirate digital filter design. Du kan bruke VI til å designe og analysere et flytende punkts enkeltstrinns eller multistages multiratfilter. Du kan da bruke det designede multirate-filteret til å behandle data. Digital Filter Design Toolkit gir også et sett med VI som du kan bruke til å lage, analysere og simulere et fastpunkts multiratfilter. Du kan generere LabVIEW FPGA-kode fra det designede fastpunkts multirate-filteret for et NI Reconfigurable IO (RIO) mål. I tillegg til grafiske verktøy for digital filterdesign, tilbyr Digital Filter Design Toolkit også MathScript-funksjoner som LabVIEW MathScript støtter. Disse MathScript-funksjonene lar deg designe filtre i et tekstbasert miljø. For å bruke Digital Filter Design Toolkit må du ha National Instruments LabVIEW 8.2 eller nyere, Full eller Professional Development System, installert på vertsmaskinen. Merk: Hvis du vil bruke Digital Filter Design Toolkit til å generere LabVIEW FPGA-kode fra et fastpunktsfilter, må du ha National Instruments LabVIEW FPGA Module og NI-RIO-programvaren installert med LabVIEW. Kontroller at du installerer FPGA-modulen og NI-RIO-programvaren før du installerer Digital Filter Design Toolkit. Hvis du allerede har Digital Filter Design Toolkit installert, avinstallerer du Digital Filter Design Toolkit før du installerer FPGA-modulen og NI-RIO-programvaren. Gjør følgende for å installere Digital Filter Design Toolkit. Før installasjonen, kontroller at datamaskinen din oppfyller følgende forhold: En kompatibel versjon av LabVIEW er installert. Ingen tidligere versjoner av Digital Filter Design Toolkit, inkludert beta utgivelser, er installert. LabVIEW kjører ikke. Merk: Hvis du vil bruke Digital Filter Design Toolkit til å generere LabVIEW FPGA-kode fra et fastpunktsfilter, må du kontrollere at du har installert FPGA-modulen og NI-RIO-programvaren. Sett inn LabVIEW Digital Filter Design Toolkit-CDen. Kjør setup. exe-programmet. Følg instruksjonene som vises på skjermen. Digital Filter Design Toolkit 8.2.1 inneholder feilrettinger, men gir ingen nye funksjoner. Digital Filter Design Toolkit 8.2 inneholder følgende nye funksjoner: Digital Filter Design MathScript Funksjoner Bruk Digital Filter Design MathScript-funksjoner til å designe digitale filtre med LabVIEW MathScript i et tekstbasert miljø. Forbedrede verktøy med fastpunktsfilterverktøy Det digitale filterdesignverktøyet 8.2 forbedrer brukervennligheten til Fixed Point Tools VIs. Disse VI-ene kan hjelpe deg med å designe et fastpunktsfilter med bare noen få nødvendige innganger. Du kan også bruke disse VIs til å finjustere filterdesignet. Digital Filter Design Toolkit 8.2 kategoriserer filterkoeffisienter i to grupper: filterkoeffisienter a k og filterkoeffisienter b v. Disse to gruppene av filterkoeffisienter bruker forskjellige verdier. Denne endringen gjør det mulig å kvantifisere filterkoeffisientene effektivt ved å bruke et begrenset antall biter. Forbedret fast-punkt-filterkodenerasjon Den digitale filterdesignverktøyet 8.2 forbedrer fastpunktsfiltergenerering og støtter flere fastpunktsfiltermodeller, for eksempel de med 32-biters koeffisienter. Du kan spesifisere en fastpunktsfiltermodell for å utføre I32xI16- eller I32xI32-multiplikasjoner, i tillegg til I16xI16-multiplikasjoner. Du kan også generere en filterblokk som kan behandle flerkanalsignaler. Digital Filter Design Toolkit organiserer den genererte LabVIEW-koden i LabVIEW-prosjektfilen (.lvproj), slik at du kan integrere filteret i et annet prosjekt. For LabVIEW FPGA-kodegenerering forbedrer Digital Filter Design Toolkit 8.2 mekanismen for lagring av filterkoeffisienter og de interne tilstandene til digitale filtre. Den nye mekanismen lagrer de interne tilstandene til et filter i minneelementene til den genererte LabVIEW FPGA-koden. For FIR-filtre lagrer denne mekanismen FIR-filterkoeffisientene i oppslagstabeller. Ved behandling av flerkanalsignaler kan LabVIEW FPGA-koden dele filterkoeffisientene og filtreringsstyringslogiske ressurser blant de flere kanalene. Rational Resampling Multirate Filter Support Den Digital Filter Design Toolkit 8.2 gir støtte for design, analyse og implementering av rationelle resampling multirate filtre, i tillegg til dekimering og interpolering filtre. Rasjonal resampling er nyttig for grensesnitt med digitale signalbehandlingssystemer (DSP) som opererer med forskjellige hastigheter. For eksempel kan du bruke rasjonell resampling for å konvertere et 48 kHz signal fra et profesjonelt lydsystem til et 44,1 kHz signal for en lyd-CD. Multirate Filter Design Express VI Bruk Multirate FIR Design, Multistate Multirate Filter Design og Multirate CIC Design Express VI til å designe multirate FIR-filtre, flerlags multirate filtre og multirate cascaded integrator comb (CIC) filtre interaktivt. Fixed Point Multirate Filter Design Support Bruk multirate Fixed Point Tools VI til å kvantisere, modellere og simulere fast-punkt multirate filtre. Fixed Point Multirate Filter FPGA-kode Generation Support Bruk DFD FXP MRate Code Generator og DFD FXP NStage MRate Code Generator VI til å generere LabVIEW FPGA-kode fra fastpunkt multirate filtre. Du kan generere kode for både enkanals - og flerkanalsfiltreringsprogrammer. Du kan også generere kode fra både enkeltstrinn og flerlags multirate filtre. FPGA-kodegenereringsstøtte med fast punkt Gjennomfør DFD FXP Moving Average Code Generator VI for å generere LabVIEW FPGA-kode fra fastpunkts-flytende gjennomsnittlig (MA) - filtre. LabVIEW FPGA-koden generert fra et fast punkt MA filter hjelper deg med å utføre effektiv MA-filtrering på et inngangssignal ved å bruke få maskinvareressurser. Bruk verktøyene VIs til å tegne overføringsfunksjon, nullpole-forsterkning og forskjellekvasjoner i bildekontroller. Filtrer lagre og last inn fra tekstfilverktøy Bruk DFD-lagre til tekstfil og DFD-lagre MRate til tekstfil VI for å lagre filtre, inkludert multirate-filtre, som tekstfiler. Du kan oppnå filterstrukturer, filterordrer og filterkoeffisienter fra tekstfiler. Du kan da kopiere filterkoeffisientene fra tekstfiler og bruke koeffisientene i andre applikasjoner. Bruk DFD-lasten fra tekstfil VI til å laste inn et filter fra en tekstfil. Du kan ikke bruke denne VI til å laste et multiratefilter. Digital Filter Design Toolkit 8.2 inneholder mer enn 100 eksempler som viser hvordan du utfører bestemte oppgaver ved hjelp av Digital Filter Design VI og funksjoner. Disse eksemplene inkluderer både igangsatte opplæringsprogrammer og grundige casestudier. Versjon 8.2.1 (438APUX0) Digital Filter Design Toolkit 8.2.1 løser et problem hvor Firminphase MathScript-funksjonen ikke klarer å beregne riktig minimumsfasespektralfaktoren for et lineært fase, finitivt impulsrespons (FIR) filter. Versjon 8.2 Digital Filter Design Toolkit 7.5 hadde ingen begrensninger på antall trinn eller differensialforsinkelsen til et CIC-filter. Digital Filter Design Toolkit 8.2 begrenser antall stadier av et CIC-filter i området 1, 8 og begrenser differensialforsinkelsesverdien til 1 eller 2. Hvis du vil bruke et filter som du har designet med Digital Filter Design Toolkit 7.5, kan Digital Filter Design Toolkit 8.2 rapportere filteret som et ugyldig filterobjekt. Hvis du opplever denne situasjonen, må du lagre filteret som en binær fil i Digital Filter Design Toolkit 7.5, og bruk deretter Digital Filter Design Toolkit 8.2 for å laste filteret fra binærfilen. Digital Filter Design Toolkit 7.5 definerte samplingsfrekvensen for et multiratefilter som den maksimale samplingsfrekvensen i multiratefilteret. Digital Filter Design Toolkit 8.2 definerer samplingsfrekvensen for et multiratefilter som inngangssamplingsfrekvensen i multiratefilteret. Derfor, hvis du vil bruke et interpoleringsfilter som du har designet med Digital Filter Design Toolkit 7.5, må du først endre samplingsfrekvensen for interpolasjonsfilteret fra den maksimale samplingsfrekvensen til innsamlingsfrekvensen. Denne endringen påvirker ikke dekimering og ikke-rate-endringsfiltre. I Digital Filter Design Toolkit 8.2 er DFD FXP Modeling for CodeGen Express VI ikke på paletten Fast-Point Tools. Bruk DFD FXP Quantize Coef VI til å kvantifisere koeffisientene til et filter og DFD FXP Modeling VI for å opprette en fastpunktsfiltermodell i stedet. I Digital Filter Design Toolkit 7.5 var størrelsesresponsen og faseresponsutgangene til DFD-plottet MRate Freq Response VI klynger. I Digital Filter Design Toolkit 8.2 er disse utgangene arrayer av klynger. Versjon 8.2.1 I tillegg til de kjente problemene i Digital Filter Design Toolkit 8.2. Digital Filter Design Toolkit 8.2.1 inneholder følgende nye kjente problem: Fordi standardfonter på Windows Vista er forskjellige fra standardfonter på tidligere versjoner av Windows, kan det hende du merker kosmetiske problemer, for eksempel overlappende eller avkortede tekststrenger, i VIs og LabVIEW dialogbokser. For å rette opp dette problemet, endre temaet til operativsystemet til Windows Classic i dialogboksen Temainnstillinger, og start deretter LabVIEW på nytt. Velg Start0187Control Panel0187Appearance and Personalization og klikk Change Theme for å vise dialogboksen Temainnstillinger. Filteranalys VI kan ta lang tid å analysere et filter med høy rekkefølge. DFD Remez Design VI kan ta lang tid å designe et FIR-filter med høy rekkefølge. DFD Least Pth Norm Design VI kan ta lang tid å fullføre design som har iterative algoritmer. Digital Filter Design Toolkit 8.2 tillater ikke nullverdierte nuller i Pole-Zero Placement Express VI. Hvis du angir en nullverdiert null, tvinger Express VI den nullverdierte null til en nullverdiert null. Når du designer et fastpunktsfilter, må du konfigurere kvantisatorene. Hver quantizer inneholder en signert boolesk som spesifiserer om å behandle inngangsnummeret som et signert nummer. Digital Filter Design Toolkit 8.2 støtter kun signerte numre. Egenskapene til et filter kan endres dersom tallfeil oppstår under konvertering mellom filterkoeffisientene i forskjellige filterstrukturer. Når du konverterer strukturen til et filter, kan filteret med den nye strukturen være helt forskjellig fra det opprinnelige filteret. Hvis du støter på denne situasjonen, kan du prøve å bruke en annen struktur. Det kan hende du må kompilere det digitale filterdesigneksempel VI som viser hvordan du bruker generert LabVIEW FPGA-kode i LabVIEW-prosjekter. Se i LabVIEW Hjelp. tilgjengelig ved å velge Help0187Søk LabVIEW Hjelp fra rullegardinmenyen i LabVIEW, for informasjon om bruk av Digital Filter Design Toolkit. Du kan få tilgang til eksemplene for Digital Filter Design Toolkit ved å velge Help0187Find Eksempler for å vise NI Eksempel Finder og deretter navigere til Toolkits and Modules0187Digital Filter Design-mappen. Du kan også klikke koblingen Finn eksempler i delen Eksempler i Komme i gang-vinduet for å vise NI Eksempel Finder. Du kan endre et eksempel VI for å passe et program, eller du kan kopiere og lime inn fra et eller flere eksempler til en VI du lager. Du kan også finne eksemplene for Digital Filter Design Toolkit i katalogen LabviewexamplesDigital Filter Design. 0169 200682112007 National Instruments Corporation. Alle rettigheter reservert. I henhold til lovene om opphavsrett kan denne publikasjonen ikke kopieres eller overføres i noen form, elektronisk eller mekanisk, inkludert kopiering, opptak, lagring i et rettssystem, eller oversette, helt eller delvis, uten forhånds skriftlig samtykke fra National Instruments Selskap. Nasjonale instrumenter, NI, ni. og LabVIEW er varemerker for National Instruments Corporation. Se avsnittet om bruk av bruk på nilegal for mer informasjon om varemerker for National Instruments. Andre produkt - og firmanavn som er nevnt her, er varemerker eller handelsnavn til deres respektive selskaper. For patenter som dekker National Instruments-produktene, se til riktig sted: Help0187Patents i programvaren din, patents. txt-filen på CDen eller nipatents. Eksponensielt filter Denne siden beskriver eksponensiell filtrering, det enkleste og mest populære filteret. Dette er en del av avsnittet Filtrering som er en del av En veiledning til feilsøking og diagnose. Oversikt, tidskonstant og analoge ekvivalenter Det enkleste filteret er eksponensielt filter. Den har bare en innstillingsparameter (annet enn prøveintervallet). Det krever lagring av bare én variabel - den forrige utgangen. Det er et IIR (autoregressivt) filter - virkningene av en inngangsendring forfall eksponentielt inntil grensene for skjermer eller dataregning skjuler det. I ulike discipliner benyttes også dette filteret som 8220exponential smoothing8221. I noen disipliner som investeringsanalyse kalles eksponentielt filter en 8220Exponentielt vektet bevegelig gjennomsnittlig8221 (EWMA), eller bare 8220Exponential Moving Average8221 (EMA). Dette misbruker den tradisjonelle ARMA 8220moving average8221 terminologien av tidsserieanalyse, siden det ikke er noen innloggingshistorikk som brukes - bare gjeldende inngang. Det er den diskrete tidsekvivalenten til 8220 første orden lag8221 som vanligvis brukes i analog modellering av kontinuerlig kontrollsystemer. I elektriske kretser er et RC-filter (filter med en motstand og en kondensator) en førsteordringsforsinkelse. Når man understreker analogien til analoge kretser, er single tuning parameteren 8220time constant8221, vanligvis skrevet som små bokstaver gresk bokstav Tau (). Faktisk stemmer verdiene på de diskrete prøvetidene nøyaktig overens med ekvivalent kontinuerlig tidsforsinkelse med samme tidskonstant. Forholdet mellom digital implementering og tidskonstanten er vist i ligningene under. Eksponentielle filterligninger og initialisering Det eksponensielle filteret er en vektet kombinasjon av det forrige estimatet (utgang) med de nyeste inntastingsdataene, med summen av vektene lik 1 slik at utgangen stemmer overens med inngangen ved steady state. Følgende filternotasjon er allerede innført: y (k) ay (k-1) (1-a) x (k) hvor x (k) er den råinngangen på tidspunktet trinn ky (k) er den filtrerte utgangen på tidspunktet trinn ka er en konstant mellom 0 og 1, vanligvis mellom 0,8 og 0,99. (a-1) eller a kalles noen ganger 8220smoothing constant8221. For systemer med et fast tidssteg T mellom prøver blir konstanten 8220a8221 beregnet og lagret for enkelhets skyld bare når applikasjonsutvikleren spesifiserer en ny verdi av ønsket tidskonstant. For systemer med datasampling i uregelmessige intervaller, må den eksponensielle funksjonen ovenfor brukes med hvert trinn, hvor T er tiden siden forrige prøve. Filterutgangen blir vanligvis initialisert for å matche den første inngangen. Når tidskonstanten nærmer seg 0, går a til null, så det er ingen filtrering 8211 utgangen er lik den nye inngangen. Som tidskonsentrasjonen blir veldig stor, en tilnærming 1, slik at ny inngang nesten ignoreres 8211 veldig tung filtrering. Filter-ligningen ovenfor kan omarrangeres til følgende prediktor-korrigerende ekvivalent: Dette skjemaet gjør det mer tydelig at variabelestimatet (utgang av filteret) er forutsatt som uendret fra forrige estimat y (k-1) pluss en korreksjonsperiode basert på den uventede 8220innovation8221 - forskjellen mellom den nye inngangen x (k) og prediksjonen y (k-1). Dette skjemaet er også et resultat av å avlede det eksponensielle filteret som et enkelt spesielt tilfelle av et Kalman-filter. som er den optimale løsningen på et estimeringsproblem med et bestemt sett av antagelser. Trinnrespons En måte å visualisere driften av eksponensielt filter på er å plotte sitt svar over tid til en trinninngang. Det vil si, med utgangspunkt i filterinngang og - utgang ved 0, endres inngangsverdien plutselig til 1. De resulterende verdiene er plottet under: I det ovennevnte tegnet deles tiden med filtertidskonstanten tau, slik at du lettere kan forutsi Resultatene for en hvilken som helst tidsperiode, for en hvilken som helst verdi av filtertidskonstanten. Etter en tid som er lik tidskonstanten, øker filterutgangen til 63,21 av den endelige verdien. Etter en tid lik 2 tidskonstanter, øker verdien til 86,47 av sin endelige verdi. Utgangene etter tidene lik 3,4 og 5 tidskonstanter er henholdsvis 95,02, 98,17 og 99,33 av sluttverdien. Siden filteret er lineært betyr dette at disse prosentene kan brukes til hvilken som helst størrelsesorden av trinnendringen, ikke bare for verdien av 1 som brukes her. Selv om trinnresponsen i teorien tar en uendelig tid, tenker det fra det praktiske synspunkt på det eksponensielle filteret som 98 til 99 8220done8221 som svarer etter en tid lik 4 til 5 filtertidskonstanter. Variasjoner på det eksponensielle filteret Det er en variasjon av det eksponensielle filteret som kalles et 8220 ikke-lineært eksponensielt filter8221 Weber, 1980. ment å sterkt filtrere støy innenfor en bestemt 8220typical8221 amplitude, men deretter reagere raskere på større endringer. Copyright 2010 - 2013, Greg Stanley Del denne siden: Oppdatert 12. mars 2013 Hva er RC-filtrering og eksponentiell gjennomsnittlig og hvordan de er forskjellig Svaret på den andre delen av spørsmålet er at de er samme prosess Hvis man kommer fra en elektronikkbakgrunn så er RC-filtrering (eller RC-utjevning) det vanlige uttrykket. På den annen side har en tilnærming basert på tidsseriestatistikk navnet Exponential Averaging, eller for å bruke fullt navn Eksponentielt vektet Moving Average. Dette er også kjent som EWMA eller EMA. En viktig fordel ved metoden er enkelheten i formelen for beregning av neste utgang. Det tar en brøkdel av forrige utgang, og en minus denne brøkdel ganger gjeldende inngang. Algebraisk ved tid k er det utjevnet utgang y k gitt av Som vist senere understreker denne enkle formelen nylige hendelser, jevner ut høyfrekvensvarianter og avslører langsiktige trender. Merk at det er to former for eksponentiell gjennomsnittlig ligning, den ene over og en variant begge er riktige. Se notatene i slutten av artikkelen for mer informasjon. I denne diskusjonen vil vi bare bruke ligning (1). Ovennevnte formel er noen ganger skrevet på mer begrenset måte. Hvordan er denne formelen avledet og hva er dens tolkning Et sentralt punkt er hvordan vi velger. For å se på denne enkle måten, er å vurdere et RC-lavpasfilter. Nå er et RC lavpasfilter bare en seriemotstand R og en parallell kondensator C som illustrert nedenfor. Tidsserier ligningen for denne kretsen er Produktet RC har tidsenheter og er kjent som tidskonstanten, T. for kretsen. Anta at vi representerer ovenstående ligning i sin digitale form for en tidsserie som har data tatt hvert sekund. Vi har Dette er nøyaktig det samme som forrige ligning. Sammenligning av de to relasjonene for en vi har som reduserer til det svært enkle forholdet Derfor er valget av N styrt av hvilken tidskonstant vi valgte. Nå kan ligning (1) bli gjenkjent som et lavpassfilter, og tidskonstanten karakteriserer filterets oppførsel. For å se betydningen av Time Constant må vi se på frekvensegenskapene til dette lavpas-RC-filteret. I sin generelle form er dette Expressing i modul og fasform vi har hvor fasevinkelen er. Frekvensen kalles den nominelle kuttfrekvensen. Fysisk kan det bli vist at ved denne frekvensen er effekten i signalet redusert med en halv og amplituden reduseres av faktoren. I dB-termer er denne frekvensen hvor amplituden er redusert med 3dB. Klart som tidskonsentrasjonen T øker, så reduserer kuttfrekvensen, og vi bruker mer utjevning til dataene, det er at vi eliminerer høyere frekvenser. Det er viktig å merke seg at frekvensresponsen uttrykkes i radiansekunden. Det er at det er en faktor involvert. For eksempel å velge en tidskonstant på 5 sekunder gir en effektiv kuttfrekvens på. En populær bruk av RC-utjevning er å simulere virkningen av en måler som brukes i et lydnivåmåler. Disse er vanligvis typifisert av deres tidskonstant som 1 sekund for S-typer og 0,125 sekunder for F-typer. For disse 2 tilfellene er de effektive kuttfrekvensene henholdsvis 0,16Hz og 1,27Hz. Egentlig er det ikke den tidskonstanten vi vanligvis ønsker å velge, men de perioder vi ønsker å inkludere. Anta at vi har et signal der vi ønsker å inkludere funksjoner med en P-periode. Nå er en periode P en frekvens. Vi kunne da velge en tidskonstant T gitt av. Vi vet imidlertid at vi har mistet omtrent 30 av produksjonen (-3dB) på. Derfor er det ikke den beste ordningen å velge en tidskonstant som nøyaktig tilsvarer periodicitetene vi ønsker å beholde. Det er vanligvis bedre å velge en litt høyere kuttfrekvens, si. Tidskonstanten er da som praktisk sett ligner på. Dette reduserer tapet til rundt 15 på denne periodiciteten. Derfor i praksis å beholde hendelser med en periodighet eller større, velg deretter en tidskonstant av. Dette vil inkludere effektene av periodiciteter av ned til ca. For eksempel hvis vi ønsker å inkludere virkningen av hendelser som skjer med si en 8 sekunders periode (0.125Hz), velg en tidskonstant på 0,8 sekunder. Dette gir en kuttfrekvens på ca. 0,2 Hz, slik at vår 8 sekunders periode er godt i filterets hovedpassbånd. Hvis vi prøvde dataene ved 20 timessecond (h 0,05), er verdien av N (0,80,05) 16 og. Dette gir litt innsikt i hvordan du setter inn. I utgangspunktet for en kjent samplingsfrekvens, karakteriserer den gjennomsnittsperioden og velger hvilke høyfrekvente svingninger som vil bli ignorert. Ved å se på utvidelsen av algoritmen kan vi se at den favoriserer de nyeste verdiene, og også hvorfor det blir referert til som eksponentiell vekting. Vi har erstattet y k-1 gir Gjenta denne prosessen flere ganger fører til Fordi er i intervallet, blir det klart at vilkårene til høyre blir mindre og oppfører seg som en nedbrytende eksponensiell. Det er den nåværende produksjonen er partisk mot de nyere hendelsene, men jo større velger vi T, desto mindre forspenning. I sammendraget ser vi at den enkle formelen understreker nylige hendelser, jevner ut høyfrekvens (kort periode) hendelser avslører langsiktige trender Tillegg 1 8211 Alternative former for ligningen Forsiktig Det er to former for eksponensiell gjennomsnittlig ligning som vises i litteraturen. Begge er korrekte og likeverdige. Den første form som vist ovenfor er (A1) Den alternative form er 8230 (A2) Merk bruken av i den første ligningen og i den andre ligningen. I begge ligninger og er verdier mellom null og enhet. Tidligere ble definert som Nå å velge å definere Dermed er den alternative form for eksponentiell gjennomsnittlig ligning Fysisk sett betyr det at valget av form en bruker avhenger av hvordan man vil tenke på enten å ta som tilbakebetegnelsesfraksjonen (A1) eller som brøkdel av inngangsligningen (A2). Det første skjemaet er litt mindre besværlig når det gjelder å vise RC-filterforholdet, og fører til en enklere forståelse i filterbetingelser. Chief Signal Processing Analyst hos Prosig Dr Colin Mercer var tidligere ved Institute of Sound and Vibration Research (ISVR), University of Southampton hvor han grunnla Data Analysis Center. Han fortsatte med å finne Prosig i 1977. Colin pensjonerte som Chief Signal Processing Analyst hos Prosig i desember 2016. Han er en Chartered Engineer og en stipendiat fra British Computer Society. Jeg tror du vil endre 8216p8217 til symbolet for pi. Marco, takk for at du peker på det. Jeg tror dette er en av våre eldre artikler som er overført fra et gammelt tekstbehandlingsdokument. Åpenbart har redaktøren (meg) ikke funnet ut at pi ikke hadde blitt transkribert riktig. Det vil bli korrigert snart. it8217s en veldig god artikkelforklaring om eksponentiell gjennomsnittsverdi Jeg tror det er en feil i formelen for T. Det skal være T h (N-1), ikke T (N-1) h. Mike, takk for at du skjønner det. Jeg har nettopp sjekket tilbake til Dr Mercer8217s originale tekniske notat i vårt arkiv, og det virker som om det var feil ved overføring av ligningene til bloggen. Vi vil rette opp innlegget. Takk for at du har fortalt oss takk takk takk. Du kan lese 100 DSP tekster uten å finne noe som sier at et eksponentielt gjennomsnittlig filter er ekvivalent med et R-C filter. hmm, har du ligningen for et EMA-filter, er det ikke Yk aXk (1-a) Yk-1 i stedet for Yk aYk-1 (1-a) Xk Alan, begge formene av ligningen vises i litteraturen, og begge skjemaene er riktige som jeg vil vise nedenfor. Poenget du gjør er viktig, fordi det å bruke alternativt skjema betyr at det fysiske forholdet med et RC-filter er mindre tydelig, og det er heller ikke hensiktsmessig å tolke betydningen av en som er vist i artikkelen. La oss først vise at begge skjemaene er riktige. Formen av ligningen som jeg har brukt er, og den alternative form som vises i mange tekster, er Note i det ovennevnte jeg har brukt latex 1latex i den første ligningen og latex 2latex i den andre ligningen. Likningen av begge former av ligningen er vist matematisk under det å ta enkle trinn om gangen. Hva som ikke er det samme er verdien som brukes til latex latex i hver ligning. I begge former er latex latex en verdi mellom null og enhet. Første omskrivningsligning (1) erstatter latex 1latex med latex latex. Dette gir latexyk y (1 - beta) xklatex 8230 (1A) Definer nå latexbeta (1 - 2) latex og så har vi også latex 2 (1 - beta) latex. Ved å erstatte disse i ligning (1A) gir latexyk (1-2) y 2xklatex 8230 (1B) og til slutt re-arrangere gir. Denne ligningen er identisk med den alternative form som er gitt i ligning (2). Sett enklere latex 2 (1 - 1) latex. Fysisk sett betyr det at valg av form en bruker avhenger av hvordan man ønsker å tenke på enten å ta latexalalateks som tilbakebetegnelsesligningen (1) eller som brøkdel av inngangsligningen (2). Som nevnt ovenfor har jeg brukt det første skjemaet, da det er litt mindre besværlig å vise RC-filterforholdet, og fører til enklere forståelse i filterbetingelser. Men å unnlate det ovenstående er, etter min mening, en mangel i artikkelen som andre mennesker kan gjøre feil feil, så en revidert versjon vises snart. I8217ve lurte alltid på dette, takk for å beskrive det så klart. Jeg tror en annen grunn den første formuleringen er fin er alfa kart til 8216smoothness8217: et høyere valg av alpha betyr en 8216more smooth8217 utgang. Michael Takk for observasjon 8211 Jeg vil legge til artikkelen noe på disse linjene som det alltid er bedre i min mening å forholde seg til fysiske aspekter. Dr Mercer, Utmerket artikkel, takk. Jeg har et spørsmål angående tidskonstanten når den brukes med en rms detektor som i et lydnivåmålere som du refererer til i artikkelen. Hvis jeg bruker likningene dine til å modellere et eksponensielt filter med Time Constant 125ms og bruke et input-trinns signal, får jeg faktisk en utgang som etter 125ms er 63,2 av sluttverdien. Men hvis jeg kvitterer inngangssignalet og legger dette gjennom filteret, ser jeg at jeg må doble tidskonstanten for at signalet skal nå 63,2 av sin endelige verdi i 125ms. Kan du fortelle meg om dette er forventet. Mange takk. Ian Ian, Hvis du kvitterer et signal som en sinusbølge, så dobler du i utgangspunktet frekvensen av dens grunnleggende, så vel som introduserer mange andre frekvenser. Fordi frekvensen har blitt doblet, blir den 8216reduced8217 av en større mengde av lavpasfilteret. Følgelig tar det lengre tid å nå samme amplitude. Kvadratoperasjonen er en ikke-lineær drift, så jeg tror ikke det vil alltid doble nøyaktig i alle tilfeller, men det vil pleie å doble hvis vi har en dominerende lavfrekvens. Vær også oppmerksom på at differansen av et kvadratisk signal er to ganger differensialet av 8220un-squared8221-signalet. Jeg mistenker at du kanskje prøver å få en form for middels kvadratutjevning, som er helt greit og gyldig. Det kan være bedre å bruke filteret og deretter firkant som du vet den effektive cutoff. Men hvis alt du har er det kvadratiske signalet, så bruker du en faktor på 2 for å endre filteret ditt, vil alfa-verdien omtrentlig få deg tilbake til den opprinnelige kuttefrekvensen, eller sette den litt enklere, definer cutofffrekvensen ved to ganger originalen. Takk for ditt svar Dr Mercer. Spørsmålet mitt var virkelig å prøve å få det som faktisk gjøres i en rms detektor på en lydnivåmåler. Hvis tidskonstanten er satt til 8216fast8217 (125ms), ville jeg ha trodd at intuitivt du ville forvente et sinusformet inngangssignal for å produsere en utgang på 63,2 av den endelige verdien etter 125ms, men siden signalet blir kvadret før det kommer til 8216mean8217 deteksjon, det vil faktisk ta dobbelt så lenge du forklarte. Hovedprinsippet med artikkelen er å vise ekvivalensen til RC-filtrering og eksponentiell gjennomsnittsverdi. Hvis vi diskuterer integrasjonstiden som er ekvivalent med en ekte rektangulær integrator, er du korrekt at det er to faktorer involvert. I utgangspunktet hvis vi har en ekte rektangulær integrator som integreres i ti sekunder, er den tilsvarende RC integatortiden for å oppnå det samme resultatet 2RC sekunder. Ti er forskjellig fra RC 8216time constant8217 T som er RC. Dermed hvis vi har en 8216Fast8217 tidskonstant på 125 msek, det er RC 125 msek da det tilsvarer en sann integrasjonstid på 250 msek. Takk for artikkelen, det var veldig nyttig. Det er noen nyere papirer i nevrovitenskap som bruker en kombinasjon av EMA-filtre (short-windowed EMA 8211 long-windowed EMA) som et bandpassfilter for sanntidsanalyse. Jeg vil gjerne søke dem, men jeg sliter med vindustørrelsene som ulike forskergrupper har brukt og korrespondansen med cutofffrekvensen. Let8217s sier at jeg vil beholde alle frekvensene under 0,5Hz (aprox), og at jeg får 10 prøver på andre. Dette betyr at fp 0.5Hz P 2s T P100.2 h 1fs0.1 Derfor bør vindustørrelsen jeg bruker skal være N3. Er denne begrunnelsen riktig Før du svarer på spørsmålet ditt, må jeg kommentere bruken av to høypasningsfiltre for å danne et bandpassfilter. Formentlig fungerer de som to separate strømmer, så et resultat er innholdet fra si latexf latex til halv prøvefrekvens og den andre er innholdet fra si latexf latex til halv prøvefrekvens. Hvis alt som blir gjort, er forskjellen i gjennomsnittlige firkantnivåer som indikerer kraften i bandet fra latexf latex til latexf latex så kan det være rimelig hvis de to kuttfrekvensene er tilstrekkelig langt fra hverandre, men jeg forventer at folkene som bruker denne teknikken prøver å simulere et smalere bandfilter. Etter min mening ville det være upålitelig for seriøst arbeid, og det ville være en kilde til bekymring. Bare for referanse er et båndpasfilter en kombinasjon av et lavfrekvent høypassfilter for å fjerne de lave frekvensene og et høyfrekvent lavpassfilter for å fjerne de høye frekvensene. Det er selvsagt en lavpasningsform av et RC-filter, og dermed en tilsvarende EMA. Kanskje selv om dommen min er overkritisk uten å kjenne alle fakta. Så kan du sende meg noen referanser til studiene du nevnte, så jeg kan kritisere etter behov. Kanskje bruker de lavpas og høypassfilter. Nå snu til ditt faktiske spørsmål om hvordan du bestemmer N for en gitt målkuttfrekvens. Jeg synes det er best å bruke grunnverdien T (N-1) h. Diskusjonen om perioder var rettet mot å gi folk en følelse av hva som foregikk. Så vennligst se avledningen nedenfor. Vi har forholdet latexT (N-1) hlatex og latexT12 latex hvor latexfclatex er den notional cut-off frekvensen og h er tiden mellom prøver, klart latexh 1 latex hvor latexfslatex er samplingsfrekvensen i samplessec. Omarrangering av T (N-1) h til en egnet form for å inkludere avskjæringsfrekvensen, latexfclatex og prøvefrekvensen, latexfslatex, er vist nedenfor. Så bruker latexfc 0.5Hz latex og latexfs 10latex samplessec slik at latex (fcfs) 0.05latex gir så det nærmeste heltall er 4. Re-arrangere det ovenfor vi har Så med N4 har vi latexfc 0.5307 Hzlatex. Bruk av N3 gir en latexfclatex på 0,318 Hz. Merk med N1 vi har en komplett kopi uten filtrering.