Ho bisogno di progettare un filtro media mobile che ha una frequenza di taglio di 7.8 Hz. Ho usato muovendo filtri medi prima, ma per quanto Im conoscenza, l'unico parametro che può essere alimentata in è il numero di punti da media. Come può questo riferirsi a una frequenza di cut-off L'inverso di 7.8 Hz è di 130 ms, e sto lavorando con i dati che vengono campionati a 1000 Hz. Questo implica che dovrei essere usando una dimensione della finestra del filtro media mobile di 130 campioni, o c'è qualcos'altro che Im manca qui ha chiesto 18 luglio 13 a 9:52 Il filtro media mobile è il filtro utilizzato nel dominio del tempo per rimuovere il rumore aggiunto e anche per levigare scopo, ma se si utilizza lo stesso filtro media mobile nel dominio della frequenza per la separazione di frequenza allora performance sarà peggiore. quindi in questo caso la frequenza dell'uso filtri dominio ndash user19373 3 febbraio 16 a 5:53 Il filtro media mobile (a volte conosciuto colloquialmente come filtro vagone) ha una risposta impulsiva rettangolare: Oppure, indicazioni diverse: Ricordando che una risposta in frequenza di sistemi a tempo discreto è uguale al tempo discreto trasformata di Fourier della risposta all'impulso, possiamo calcolare come segue: nei erano più interessato per il caso è la risposta in ampiezza del filtro, H (omega). Utilizzando un paio di semplici manipolazioni, possiamo ottenere che in una forma più facile da comprehend: Questo potrebbe non sembrare più facile da capire. Tuttavia, a causa di Eulero identità. ricordare che: Quindi, possiamo scrivere quanto sopra come: Come ho detto prima, ciò che tu sei davvero preoccupa è l'entità della risposta in frequenza. Quindi, possiamo prendere la grandezza di quanto sopra per semplificare ulteriormente: Nota: Siamo in grado di rilasciare i termini esponenziali fuori perché essi non influenzano l'entità del risultato e 1 per tutti i valori di omega. Poiché xy xy per ogni due finite numeri complessi x ed y, possiamo concludere che la presenza dei termini esponenziali dont influenza la risposta complessiva grandezza (invece, influenzano la risposta di fase sistemi). La funzione risultante all'interno delle parentesi grandezza è una forma di kernel Dirichlet. A volte è chiamato una funzione sinc periodica, perché assomiglia alla funzione sinc un po 'in apparenza, ma è periodica, invece. In ogni caso, dal momento che la definizione di frequenza di taglio è un po 'underspecified (-3 dB -6 dB primo punto nullo lobo laterale), è possibile utilizzare l'equazione di cui sopra per risolvere per qualsiasi cosa avete bisogno. In particolare, è possibile effettuare le seguenti operazioni: Set H (omega) al valore corrispondente alla risposta del filtro che si desidera alla frequenza di taglio. Impostare omega uguale alla frequenza di taglio. Per mappare una frequenza a tempo continuo al dominio tempo discreto, si ricordi che frac omega 2pi, dove fs è la frequenza di campionamento. Trovare il valore di N che ti dà la migliore accordo tra le parti della mano sinistra e destra dell'equazione. Questo dovrebbe essere la lunghezza del vostro media mobile. Se N è la lunghezza della media mobile, quindi una frequenza di taglio approssimativa F (valido per N gt 2) in Fffs frequenza normalizzata è: L'inverso di questo è Questa formula è asintoticamente corretto per N grande, e ha circa 2 errore per N2, e meno dello 0,5 per N4. Post scriptum Dopo due anni, ecco finalmente quale fosse l'approccio seguito. Il risultato è stato basato sulla approssimare lo spettro di ampiezza MA intorno f0 come una parabola (2 ° Serie ordine) in base a MA (Omega) circa 1 (frac - frac) OMEGA2 che può essere reso più preciso vicino al passaggio per lo zero di MA (Omega) - frac moltiplicando per un coefficiente Omega ottenendo MA (Omega) circa 10,907,523 mila (frac - frac) OMEGA2 La soluzione di MA (Omega) - frac 0 dà i risultati di cui sopra, dove 2pi F Omega. Tutto quanto sopra si riferisce alla -3dB frequenza di taglio, l'oggetto di questo post. A volte, però è interessante per ottenere un profilo di attenuazione in stop-banda che è paragonabile a quella di un 1 ° ordine IIR filtro passa basso (LPF unipolare) con un dato -3dB frequenza di taglio (ad esempio un LPF viene anche chiamato integratore leaky, avente un polo non esattamente DC ma vicino ad esso). Infatti sia il MA e il 1 ° ordine IIR LPF hanno pendenza -20dBdecade nella banda di arresto (uno ha bisogno di una N grande di quello utilizzato nella figura, N32, per vedere questo), ma che, MA ha null spettrale a FKN e un 1f evelope, il filtro IIR ha solo profilo 1f. Se si vuole ottenere un filtro MA con simili capacità di filtraggio del rumore da questo filtro IIR, e corrisponde al 3dB tagliato frequenze essere la stessa, sul confronto tra i due spettri, si renderebbe conto che il ripple banda di arresto del filtro MA finisce 3dB inferiore a quello del filtro IIR. Al fine di ottenere la stessa fermata banda ondulazione (cioè a parità di potenza attenuazione del rumore) come IIR filtrano le formule possono essere modificate come segue: ho trovato di nuovo lo script di Mathematica dove ho calcolato il limite per diversi filtri, tra cui quella MA. Il risultato è stato basato sul ravvicinamento spettro MA intorno f0 come una parabola in base a MA (Omega) Sin (OmegaN2) Sin (OMEGA2) Omega 2piF MA (F) PI2 circa N16F2 (N-N3). E derivante all'incrocio con 1sqrt da lì. ndash Massimo 17 gennaio 16 alle 2: filtro passa-08Low Questi sono principalmente note Non sarà completo in ogni senso. Esiste per contenere frammenti di informazioni utili. Pseudocodice Il modo esponenziale pesava media mobile (EWMA) è il nome di quello che è probabilmente il più facile realizzazione digitale, nel dominio del tempo del (primo ordine) passa-basso su dati discreti. Questo filtro attenua utilizzando una media locale in movimento, che lo rende un follower lenta del segnale di ingresso. Intuitivamente, risponderà lentamente ai cambiamenti rapidi (il contenuto ad alta frequenza) pur seguenti la tendenza generale del segnale (il contenuto a bassa frequenza). Si è pesato da una variabile (vedi x3b1) per essere in grado di variare la sua sensibilità. Nelle applicazioni che campione a intervalli regolari (ad esempio audio) è possibile riferirsi x3b1 al contenuto di frequenza. In questi casi è spesso desidera calcolare una serie uscita filtrata per una serie immissione, scorrendo un elenco facendo qualcosa di simile: o equivalente: Quest'ultima forma può sentirsi più intuitiveinformative: la variazione della uscita filtrato è proporzionale alla quantità di cambiare e pesato dal x3b1 forza del filtro. Entrambi possono aiutare a riflettere su come usare la recente uscita filtrata dà l'inerzia del sistema: A x3b1 più piccolo (grande 1-x3b1 nella ex) (fa anche per RC più grande) si intende l'uscita regolerà più lentamente, e dovrebbe mostrare meno rumore (dal momento che la frequenza di taglio è più bassa (verifica)). A x3b1 maggiore (minore 1-x3b1) (minore RC) significa che l'uscita regolerà veloce (hanno meno inerzia), ma essere più sensibile al rumore (poiché la frequenza di taglio è maggiore (verifica)) Poiché il calcolo è locale, casi in cui si desidera solo l'ultimo valore può evitare di memorizzare una vasta gamma effettuando le seguenti operazioni per ogni nuovo campione (spesso un po 'di volte di fila, per assicurarsi che adattiamo abbastanza). Nei casi di non-così-regolare x3b1 campionamento è più legata alla velocità di adattamento rispetto al contenuto di frequenza. La sua ancora rilevante, ma le note sul contenuto di frequenze valgono meno strettamente. In genere si desidera implementare il arraymemory come carri - anche se si torna interi - per evitare problemi causati da errori di arrotondamento. La maggior parte del problema: quando alphadifference (di per sé una moltiplicazione mobile) è inferiore a 1, diventa 0 in un (truncatng) Cast in un numero intero. Per esempio, quando alfa è 0,01, allora il segnale differenze inferiori a 100 farà un adeguamento di 0 (via integer troncamento), quindi il filtro sarebbe mai regolare al valore ADC reale. EWMA ha la parola esponenziale perché ogni nuova uscita filtrato utilizzare efficacemente tutti i valori prima, ed efficacemente con pesi in modo esponenziale. Vedere i collegamenti Wikipedia per ulteriori discussioni. Un esempio grafico: Uno screenshot da arduinoscope - un grafico in movimento, con i campioni più recenti sulla sinistra. Il segnale grezzo sulla parte superiore è alcuni vale SECONDSs di campionamento ADC da un perno flottante, con un dito toccarlo ogni tanto. Gli altri sono lowpassed versioni di esso, in aumento di forza. Alcune cose da notare a questo proposito: la regolazione esponenziale slowish fare un passo simile risposte (molto simile a un condensatore di carica - veloce all'inizio avevamo deciso, poi più lentamente) la soppressione di singoli grandi spikesdeviations. che la sua certamente possibile filtrare troppo duro (anche se tale sentenza dipende molto dalla velocità di campionamento e il contenuto di adattamento frequenze proprie esigenze purpose). nella seconda immagine, la full range di oscillazione esce metà non tanto per filtrazione, ma anche soprattutto perché la maggior parte dei campioni grezzi intorno ci sono saturi alle estremità degli ADC gamma. Su x3b1, x3c4, e la frequenza di taglio Questa articlesection è un x2014 stub probabilmente una pila di banconote metà ordinato, non è ben controllato, in modo da può avere bit errati. (Sentitevi liberi di ignorare, correggere, o mi dicono) x3b1 è il fattore di livellamento, in teoria tra 0.0 e 1.0, in pratica, di solito lt0.2 e spesso lt0.1 o più piccolo, perché sopra che tu sei a malapena fare alcun filtraggio. In DSP è spesso basata su: x394 t. scritta regolarmente dt. l'intervallo di tempo tra i campioni (reciproco della frequenza di campionamento) una scelta di tempo x3c4 costante (tau), alias RC (quest'ultimo sembra un riferimento ad un circuito resistore-plus-condensatore, che fa anche passa-basso. In particolare, RC dà il tempo in che il condensatore si carica a Se si sceglie un RC vicino a DT youll ottenere alfa superiori a 0,5, e anche una frequenza di taglio che si trova vicino alla frequenza di Nyquist (succede a 0.666 (verifica)), che filtra in modo poco che rende il filtro abbastanza inutile. In pratica youll spesso scegliere una RC che è almeno alcuni multipli di dt, il che significa che x3b1 è dell'ordine di 0,1 o meno. Quando il campionamento avviene rigorosamente regolarmente, come per molte altre applicazioni DSP suono e .., la frequenza di taglio alias frequenza ginocchio è ben definito, essendo: ad esempio, quando RC0.002sec, il taglio è a 200Hz a, 2000Hz, e campionamento 20000Hz, che rende per alfa di 0,7, 0,2, e 0,024, rispettivamente, . (alla stessa velocità di campionamento: alfa inferiore è, più lenta l'adattamento a nuovi valori e minore è la frequenza di taglio effettiva) (verifica) per un passa-basso del primo ordine: a basse frequenze, la risposta è quasi completamente piatta, a questa frequenza la risposta è 3dB (ha iniziato in calo in un bendknee morbida) a frequenze più elevate che si scende a 6dboctave (20dBdecade) variazioni di ordine superiore cadere più velocemente e hanno un ginocchio più difficile. Nota ci sarà anche uno spostamento di fase, che è in ritardo rispetto all'ingresso. Essa dipende dalla frequenza inizia prima del decadimento di ampiezza, e sarà -45 gradi alla frequenza ginocchio (verifica). esempio Arduino Questo articlesection è un x2014 stub probabilmente una pila di banconote metà ordinato, non è ben controllato, in modo da può avere bit errati. (Sentitevi liberi di ignorare, correggere, o mi dicono) Questa è una versione un unico pezzo di memoria insufficiente, per quando sei interessato solo il (recente) valore di uscita. Semi-sortedI hanno studiato nella media esponenziale. Ci sono abbastanza spiegazioni su questo a Internet, ma non spiegano circa la costante di tempo. Ho un canale con un segnale T secondi tempo con frequenza di campionamento fs. Se voglio fare la media di questo segnale tempo, abbiamo bisogno di usare il metodo lineare o esponenziale. metodo della media lineare è abbastanza semplice quindi non c'è alcun problema per l'applicazione. Tuttavia, se cerco di applicare il metodo media esponenziale, ci sono alcuni problemi. Se il segnale tempo varia rapidamente, noi preferiamo usare costante di tempo FAST 125 ms. Inoltre, il segnale orario varia lentamente, con 1000 ms di tempo lento costante è meglio, ma in questa situazione, non so come posso applicare questa costante di tempo con il segnale orario. C'è qualche spiegazione o qualsiasi esempio per fare la media esponenziale con costante di tempo chiesto 29 ago 13 ad 16: 54I hanno un valore continuo per il quale Id come per calcolare una media mobile esponenziale. Normalmente Id basta usare la formula standard per questo: dove S n è il nuovo media, alfa è l'alfa, Y è il campione e S n-1 è la media precedente. Purtroppo, a causa di vari problemi non ho un tempo di campionamento coerente. Posso so di poter assaggiare al massimo, per esempio, una volta per millisecondo, ma a causa di fattori fuori dal mio controllo, non posso essere in grado di prendere un campione per diversi millisecondi alla volta. Un caso probabilmente più comune, tuttavia, è che semplice esempio ho un po 'presto o tardi: invece di campionamento a 0, 1 e 2 ms. Ho campione a 0, 0.9 e 2.1 ms. Io prevedo che, a prescindere ritardi, la mia frequenza di campionamento sarà molto, molto al di sopra del limite di Nyquist, e, quindi, non devono preoccuparsi di aliasing. Mi sa che posso affrontare questo in maniera più o meno ragionevole variando alfa opportunamente, in base alla lunghezza di tempo dall'ultima campione. Parte del mio ragionamento che questo lavoro è che l'EMA interpola linearmente tra il punto di dati precedente e quello attuale. Se consideriamo il calcolo di una EMA della seguente elenco di campioni a intervalli t: 0,1,2,3,4. Dovremmo ottenere lo stesso risultato se usiamo intervallo 2t, dove gli ingressi diventano 0,2,4, a destra Se l'EMA aveva assunto che, in t 2 il valore era stato 2 da 0 t. che sarebbe la stessa come l'intervallo t calcolo calcolo sul 0,2,2,4,4, che la sua non fare. Oppure che un senso a tutti Qualcuno può dirmi come variare l'alfa in modo appropriato Si prega di mostrare il proprio lavoro. Cioè mostrami la matematica che dimostra che il metodo realmente sta facendo la cosa giusta. chiesto 21 giugno 09 alle 13:05 Si shouldn39t ottiene lo stesso EMA per l'ingresso diverso. Pensate di EMA come filtro, il campionamento a 2t è equivalente al campionamento verso il basso, e il filtro sta per dare un output diverso. Questa chiara per me dato 0,2,4 contiene componenti di frequenza più elevati rispetto 0,1,2,3,4. A meno che la domanda è: come faccio a cambiare il filtro al volo per renderlo dare la stessa uscita. Forse mi manca qualcosa ndash FreeSpace 21 giugno 09 al 15:52 ma l'ingresso non è diverso, it39s solo campionata meno spesso. 0,2,4 a intervalli 2t è come 0,, 2,, 4 a intervalli t, dove il indica che il campione viene ignorata ndash Curt Sampson 21 giugno 09 alle 23:45 Questa risposta basata sulla mia buona comprensione del passa-basso filtri (media mobile esponenziale è in realtà solo un filtro passa-basso unipolare), ma la mia comprensione confusa di quello che stai cercando. Credo che ciò che segue è ciò che si vuole: In primo luogo, è possibile semplificare l'equazione un po '(sembra più complicato, ma è più facile in codice). Im intenzione di utilizzare Y per l'uscita e X per l'ingresso (invece di S per l'uscita e Y per l'input, come avete fatto). In secondo luogo, il valore di alfa qui è pari a 1-e - Deltattau dove DeltaT è il tempo tra i campioni, e tau è la costante di tempo del filtro passa-basso. Io dico uguali tra virgolette perché questo funziona bene quando Deltattau è piccolo rispetto a 1, e alfa 1-e - Deltattau asymp Deltattau. (Ma non troppo piccola: youll esegue in problemi di quantizzazione, e se non si ricorre ad alcune tecniche esotiche di solito è necessario un supplemento di N bit di risoluzione nel vostro stato S variabile, dove N - log 2 (alfa).) Per i valori più grandi di Deltattau l'effetto di filtraggio inizia a scomparire, fino ad arrivare al punto in cui alpha è vicino a 1 e tu sei fondamentalmente solo assegnando l'ingresso all'uscita. Questo dovrebbe funzionare correttamente con valori di DeltaT variabile (la variazione del DeltaT non è molto importante, purché alfa è piccolo, altrimenti si verrà eseguito in alcuni problemi di Nyquist piuttosto strani aliasing, ecc), e se si sta lavorando su un processore in cui moltiplicazione è più economico di divisione, o in virgola fissa questioni sono importanti, precalculate 1tau omega, e prendere in considerazione cercando di approssimare la formula per alpha. Se si vuole veramente sapere come derivare la formula di alfa 1-e - Deltattau quindi prendere in considerazione il suo differenziale fonte equazione: che, quando X è una funzione gradino unitario, ha la soluzione Y 1 - e - ttau. Per piccoli valori di DeltaT, il derivato può essere approssimata da DeltaYDeltat, cedendo Y tau DeltaYDeltat X DeltaY (XY) (Deltattau) alfa (XY) e l'estrapolazione di alfa 1-e - Deltattau deriva dal tentativo di abbinare il comportamento con il gradino unitario caso la funzione. La prego quindi di elaborare il quottrying per abbinare la parte behaviorquot Capisco la vostra soluzione a tempo continuo Y 1 - exp (-t47) e la sua generalizzazione di una funzione a gradino in scala con magnitudo x e condizione iniziale y (0). ma I39m non vedere come mettere insieme queste idee per ottenere il risultato. ndash Rhys Ulerich 4 May 13 in corrispondenza 22:34 Questa non è una risposta completa, ma può essere l'inizio di uno. La sua, per quanto ho ottenuto con questo in un'ora o poco più di giocare Im distacco come un esempio di quello che sto cercando, e forse una fonte d'ispirazione per gli altri che lavorano sul problema. Comincio con S 0. che è la media risultante dalla media precedente S -1 ed il campione Y 0 scattata al t 0. (T 1 - t 0) è il mio intervallo di campionamento e alfa è impostato su tutto ciò che è appropriato per tale intervallo di campionamento e il periodo durante il quale desidero media. Ho considerato ciò che succede se mi manca il campione a t 1 e invece devono accontentarsi con il campione Y 2 prese a t 2. Bene, possiamo cominciare espandendo l'equazione per vedere cosa sarebbe successo se avessimo avuto Y 1: Ho notato che la serie sembra estendersi all'infinito in questo modo, perché siamo in grado di sostituire l'S n sul lato destro a tempo indeterminato: Ok , quindi non è davvero un polinomio (stupido me), ma se moltiplichiamo il termine iniziale per uno, abbiamo poi vedere un modello: Hm: la sua una serie esponenziale. Quelle sorpresa Immaginate di venire fuori dall'equazione per una media mobile esponenziale Quindi, comunque, ho questo x 0 x 1 x 2 x 3. cosa che va, e sono sicuro Im odore e o un logaritmo naturale calci da queste parti, ma non mi ricordo dove stavo andando successiva prima mi sono imbattuto fuori dal tempo. Qualsiasi risposta a questa domanda, o qualsiasi prova della correttezza di tale risposta, molto dipende dal sei dei dati di misura. Se i campioni sono stati prelevati a t 0 0 ms. t 1 0.9ms e t 2 2.1ms. ma la scelta di alpha è basato su 1-MS-intervalli, e quindi si desidera un alfa regolata a livello locale n. la prova della correttezza della scelta significherebbe conoscere i valori dei campioni in t1ms e T2M. Questo porta alla domanda: Si può interpolare i dati resonably avere congetture sane di ciò che in-tra i valori avrebbe potuto essere o si può anche interpolare la media in sé Se nessuna di queste è possibile, quindi, per quanto vedo io, la logica scelta di un in-tra valore Y (t) è la media più recentemente calcolato. cioè Y (t) asymp S n dove n è maxmial tale che t n LTT. Questa scelta ha una semplice conseguenza: Lascia alfa da solo, non importa quale sia la differenza di tempo è stato. Se, d'altro canto, è possibile interpolare i valori, allora questo darà averagable campioni costanti-interval. Infine, se la sua anche possibile interpolare il media stesso, che renderebbe la domanda senza senso. risposto 21 giugno 09 alle 15.08 balpha 9830 27.1k 9679 10 9679 87 9679 117 penserei che posso interpolare miei dati: dato che I39m di campionamento ad intervalli discreti, I39m già farlo con uno standard EMA In ogni caso, presumo che ho bisogno un quotproofquot che mostra funziona così come una serie EMA, che inoltre è produrrà un risultato non corretto se i valori non cambiano abbastanza agevolmente tra periodi di campionamento. ndash Curt Sampson 21 giugno 09 alle 15:21 Ma that39s cosa dicendo I39m: Se si considera l'EMA un'interpolazione dei vostri valori, you39re fatto se si lascia alfa come è (perché inserendo il media più recente come Y doesn39t cambiare la media) . Se dici che bisogno di qualcosa che quotworks così come una serie EMAquot - what39s sbagliato con l'originale meno che non si hanno più informazioni circa la misurazione dei dati you39re, eventuali regolazioni locali a alpha sarà nella migliore delle ipotesi arbitrarie. ndash balpha 9830 21 Giugno 09 a 15:31 vorrei lasciare il valore alfa da solo, e compilare i dati mancanti. Dal momento che non si sa cosa succede durante il tempo in cui non puoi campione, si può riempire quei campioni con 0s, o tenere il valore precedente stabile e utilizzare tali valori per la EMA. O qualche interpolazione indietro una volta che hai un nuovo campione, riempire i valori mancanti, e ricalcolare la EMA. Quello che sto cercando di arrivare è di avere un xn ingresso che ha buchi. Non vi è alcun modo per aggirare il fatto che si sta dati mancanti. Quindi, è possibile utilizzare una presa di ordine zero, oppure impostare a zero, o qualche tipo di interpolazione tra xn e xnM. dove M è il numero di campioni mancanti e n l'inizio del gap. Forse anche utilizzando i valori prima di n. risposto 21 giugno 09 alle 13:35 da trascorrere un'ora o così pasticciare in giro un po 'con la matematica per questo, penso che semplicemente variando l'alfa sarà effettivamente mi danno la corretta interpolazione tra i due punti che parlare, ma in un modo molto più semplice. Inoltre, penso che variando l'alfa si occuperà anche properply con campioni prelevati tra gli intervalli di campionamento standard. In altre parole, I39m alla ricerca di quello che hai descritto, ma cercando di utilizzare la matematica per capire il modo più semplice per farlo. ndash Curt Sampson 21 giu 09 alle 14:07 ho don39t che ci sia una bestia come quotproper interpolationquot. È sufficiente don39t so cosa sia successo nel tempo non si è campionamento. Bene e male interpolazione implica una certa conoscenza di ciò che vi siete persi, in quanto è necessario per misurare contro che per giudicare se una interpolazione è buono o cattivo. Anche se Detto questo, è possibile inserire vincoli, cioè con la massima accelerazione, velocità, ecc penso che se lo fai sapere come modellare i dati mancanti, quindi si sarebbe solo modellare i dati mancanti, quindi applicare l'algoritmo EMA senza alcun cambiamento, piuttosto che cambiare alfa. Solo il mio 2c :) freespace ndash 21 Giugno 09 a 14:17 Questo è esattamente quello che mi è stato sempre al mio modifica alla domanda 15 minuti fa: quotYou semplicemente don39t sapere cosa è successo nel tempo non si è il campionamento, ma quot that39s vero anche se campione ad ogni intervallo designato. Così la mia contemplazione Nyquist: fino a quando si conoscono le direzioni del cambiamento forma d'onda doesn39t più di ogni paio di campioni, la questione shouldn39t attuale intervallo di campionamento, e dovrebbe essere in grado di variare. L'equazione EMA mi sembra esattamente calcolare come se la forma d'onda cambia linearmente dall'ultimo valore del campione a quella attuale. ndash Curt Sampson 21 giugno 09 alle 14:26 ho don39t che sia tutto vero. Nyquist39s teorema richiede richiede almeno 2 campioni per periodo per essere in grado di identificare univocamente il segnale. Se don39t fare questo, si ottiene aliasing. Sarebbe lo stesso di campionamento fs1 per un tempo, poi FS2, poi di nuovo a fs1, e si ottiene aliasing nei dati quando si campione con FS2 FS2 se è inferiore al limite di Nyquist. Ho anche Confesso che non capisco cosa si intende per modifiche quotwaveform linearmente da ultimo campione a onequot corrente. Potrebbe spiegare Cheers, Steve. ndash freespace 21 Giugno 09 a 14:36 Questo è simile a un problema aperto sulla mia lista di cose. Ho uno schema elaborato in una certa misura, ma non hanno lavoro matematico per sostenere questo suggerimento ancora. Riepilogo aggiornamento amp: vorremmo mantenere la lisciatura fattore (alfa) indipendente dal fattore di compensazione (cui mi riferisco come beta qui). Jasons eccellente risposta già accettato qui funziona alla grande per me. Se si può anche misurare il tempo trascorso dall'ultima campione è stato prelevato (in multipli arrotondate del vostro tempo di campionamento costante - così 7,8 ms dall'ultimo campione sarebbe 8 unità), che potrebbero essere utilizzati per applicare le lisciatura più volte. Applicare la formula 8 volte in questo caso. Hai effettivamente fatto una lisciatura sbilanciata più verso il valore corrente. Per ottenere una lisciatura meglio, abbiamo bisogno di modificare l'alfa durante l'applicazione della formula 8 volte nel caso precedente. Che sarà mai questo livellamento approssimazione perdere ha già perso 7 campioni nell'esempio precedente Questa è stata approssimata nel passaggio 1 con una schiacciata riapplicazione del valore corrente di ulteriori 7 volte Se definiamo un fattore beta approssimazione che sarà applicata con alfa (come alphabeta invece di alfa), si presuppone che il 7 perse campioni stavano cambiando senza problemi tra i valori dei campioni precedenti e attuali. risposto 21 giugno 09 alle 13:35 ho pensato a questo, ma un po 'di pasticciare in giro con la matematica mi ha fatto al punto in cui io credo che, invece di applicare la formula di otto volte il valore del campione, posso fare un calcolo di una nuova alpha che mi permetterà di applicare la formula una volta, e mi danno lo stesso risultato. Inoltre, questo sarebbe occupata automaticamente con l'emissione di campioni di offset da tempi esatti del campione. ndash Curt Sampson 21 Giugno 09 a 13:47 La domanda unica è bene. Quello che non sono sicuro di ancora è quanto è buono il ravvicinamento delle 7 valori mancanti. Se il movimento continuo rende il valore jitter molto tutti gli 8 millisecondi, le approssimazioni possono essere abbastanza largo della realtà. Ma, poi se effettuate il campionamento a 1ms (massima risoluzione esclusi i campioni ritardati) si è già capito il jitter entro 1ms non è rilevante. Fa questo lavoro ragionamento per voi (sto ancora cercando di convincermi). ndash nik 21 giugno 09 alle 14:08 destro. Questo è il fattore beta dalla mia descrizione. Un fattore beta sarà calcolata in base all'intervallo differenza e campioni attuali e precedenti. La nuova alpha sarà (alphabeta) ma sarà utilizzato solo per quel campione. Mentre ti sembra di essere 39moving39 l'alfa nella formula, tendo verso alpha costante (fattore di smoothing) e un beta calcolato in modo indipendente (un fattore di sintonia) che compensa per i campioni mancati solo ora. ndash nik 21 giugno 09 alle 15:23
No comments:
Post a Comment