Movendo Média Dsp

Um filtro digital introdutório. Nós vamos abrir MicroModeler DSP e selecionar um filtro digital da barra de ferramentas na parte superior e arrastá-lo para o nosso aplicativo Vamos escolher um filtro de média móvel porque é um dos tipos mais simples de filtros Depois de soltar o filtro, Os displays serão atualizados automaticamente Clique para iniciar o MicroModeler DSP em uma nova janela. Todos sabemos o que é uma média - adicione os números juntos e divida por quantos há Um filtro de média móvel faz apenas que Ele armazena um histórico do último N Números e saídas sua média Toda vez que um novo número vem, a média é efetivamente recalculado a partir das amostras armazenadas e um novo número é output. The resposta de freqüência de um filtro. No canto superior direito, vemos o gráfico de Magnitude vs Frequência , Ou quantas freqüências diferentes serão amplificadas ou reduzidas pelo filtro da média móvel Como você poderia esperar, a média das últimas N amostras irá aplicar algum tipo de suavização ao sinal, mantendo as baixas freqüências e rem Podemos controlar o número de entradas anteriores, ou amostras que ele médio, ajustando o comprimento do filtro, N Ajustando isso, podemos ver que temos algum controle básico sobre o qual as freqüências podem passar e quais são descartados. Dentro de um filtro. Se olharmos para a visão de estrutura, podemos ver o que o interior de um filtro de média móvel pode parecer. O diagrama foi anotado para mostrar o que significam os diferentes símbolos Z -1 significam atraso de uma vez Amostra e os símbolos significam adicionar ou combinar os sinais As setas significam multiplicar acho amplificar, reduzir ou escalar o sinal pela quantidade mostrada à direita da seta. Para uma média de 5 amostras, tomamos um quinto 0 2 dos mais Amostra recente, um quinto da segunda amostra mais recente e assim por diante. A cadeia de atrasos é chamado de uma linha de atraso com o sinal de entrada sendo adiada por um passo de tempo adicional como você prossegue ao longo da linha de atraso. As setas também são chamados de torneiras, Assim você poderia quase imaginá-los Como sendo torneiras como a que está na sua pia de cozinha que são todos um quinto aberto Você poderia imaginar o sinal fluindo a partir da esquerda e sendo progressivamente atrasado como ele se move ao longo da linha de atraso, em seguida, recombinados em diferentes forças através das torneiras para formar a saída. Também deve ser fácil ver que a saída do filtro será. Qual é o equivalente à média das últimas 5 amostras Entrada tN significa a entrada atrasada a partir do tempo tN. Na prática, o código gerado pelo MicroModeler DSP usará truques Para fazer isso de forma mais eficiente, de modo que apenas as amostras primeira e última precisam ser envolvidos, mas o diagrama é bom para fins ilustrativos. Se você pode entender isso, então você pode ter uma idéia do que é um filtro FIR Um filtro FIR é idêntico ao Filtro de média móvel, mas em vez de todas as resistências de torneira sendo o mesmo, eles podem ser diferentes. Aqui temos um filtro de média móvel e um filtro FIR Você pode ver que eles são estruturalmente os mesmos, a única diferença é a força Das torneiras. A próxima seção irá apresentá-lo a Finite Impulse Response FIR filtros Ao variar as potências de torneira, podemos criar perto de qualquer resposta de freqüência que queremos. Moving Average. Method Método de média deslizante janela padrão ponderação exponencial. De comprimento O comprimento da janela se move sobre os dados de entrada ao longo de cada canal Para cada amostra que a janela se move, o bloco calcula a média sobre os dados na janela. Ponderação exponencial O bloco multiplica as amostras por um conjunto de fatores de ponderação A magnitude da ponderação Os fatores diminuem exponencialmente à medida que a idade dos dados aumenta, nunca atingindo zero Para calcular a média, o algoritmo somar os dados ponderados. Especifique o comprimento da janela Indicador para especificar o comprimento da janela no desligamento padrão. Quando você seleciona esta caixa de seleção, Janela é igual ao valor que você especificar no comprimento da janela Quando você desmarcar essa caixa de seleção, o comprimento da janela deslizante é infinito Neste modo, o bloco comp Utes a média da amostra atual e todas as amostras anteriores no canal. Comprimento da janela Comprimento da janela deslizante 4 padrão padrão escalar positivo. Comprimento da janela especifica o comprimento da janela deslizante Esse parâmetro aparece quando você seleciona a caixa de seleção Especificar comprimento da janela. Fator de omissão Fator de ponderação exponencial 0 9 padrão real escalar real na faixa de 0,1.Este parâmetro se aplica quando você define Método para ponderação exponencial Um fator de esquecimento de 0 9 dá mais peso aos dados mais antigos do que um fator de esquecimento de 0 1 A O fator de esquecimento de 1 0 indica a memória infinita Todas as amostras anteriores são dadas um peso igual. Este parâmetro é ajustável Você pode alterar seu valor mesmo durante a simulação. Simulate usando Tipo de simulação para executar Padrão de geração de código Execução interpretada. Simular modelo usando código C gerado A primeira vez que você executa uma simulação, o Simulink gera código C para o bloco O código C é reutilizado para simulações subseqüentes, desde que o mod El não muda Esta opção requer tempo de inicialização adicional, mas fornece uma velocidade de simulação mais rápida do que Interpreted execution. Simulate modelo usando o interpretador MATLAB Esta opção encurta o tempo de inicialização, mas tem velocidade de simulação mais lenta do que Code generation. Sliding Window Method. In o método de janela deslizante, Saída para cada amostra de entrada é a média da amostra atual e Len - 1 amostras anteriores Len é o comprimento da janela Para calcular as primeiras saídas Len - 1, quando a janela ainda não tem dados suficientes, o algoritmo preenche a janela Com zeros Como um exemplo, para calcular a média quando a segunda amostra de entrada entra, o algoritmo preenche a janela com Len - 2 zeros O vetor de dados, x é então as duas amostras de dados seguidas por Len - 2 zeros. When você não Especificar o comprimento da janela, o algoritmo escolhe um comprimento de janela infinito Neste modo, a saída é a média móvel da amostra atual e todas as amostras anteriores no canal. Ponderação exponencial Método. No método de ponderação exponencial, a média móvel é calculada recursivamente usando estas fórmulas. w N w N 1 1 x N 1 1 N N N N 1 N N N N N N N N Média móvel na amostra atual N Dados atuais Input sample. x N 1 Média móvel na amostra anterior. Factor de eliminação. w N Factor de ponderação aplicado à amostra de dados actual. 1 1 w N x N 1 Efeito dos dados anteriores sobre a média. Para a primeira amostra, onde N 1, o algoritmo escolhe w N 1 Para a próxima amostra, o fator de ponderação é atualizado e usado para calcular a média, como por A equação recursiva À medida que a idade dos dados aumenta, a magnitude do fator de ponderação diminui exponencialmente e nunca atinge zero. Em outras palavras, os dados recentes têm mais influência sobre a média atual do que os dados mais antigos. Taxa de variação dos fatores de ponderação Um fator de esquecimento de 0 9 dá mais peso aos dados mais antigos do que um fator de esquecimento de 0 1 Um fator de esquecimento de 1 0 indica memória infinita Todas as amostras anteriores recebem um peso igual. Selecione seu país. Movimento Média Métodos Métodos de medição Escorregando janela padrão Ponderação exponencial. Janela deslizante Uma janela de comprimento O comprimento da janela se move sobre os dados de entrada ao longo de cada canal Para cada amostra a janela se move, o bloco calcula a Ponderação exponencial O bloco multiplica as amostras por um conjunto de fatores de ponderação A magnitude dos fatores de ponderação diminui exponencialmente à medida que a idade dos dados aumenta, nunca atingindo zero Para calcular a média, o algoritmo somar a ponderação Data. Specify comprimento da janela Indicador para especificar o comprimento da janela no padrão off. When você selecionar esta caixa de seleção, o comprimento da janela deslizante é igual ao valor que você especificar no comprimento da janela Quando você desmarcar essa caixa de seleção, o comprimento da janela deslizante É infinito Neste modo, o bloco calcula a média da amostra atual e todas as amostras anteriores no canal. Comprimento da janela Comprimento da janela deslizante 4 padrão padrão escalar positivo. O comprimento da janela especifica o comprimento da janela deslizante Esse parâmetro aparece quando você Selecione a caixa de seleção Especificar comprimento da janela. Fator de omissão Fator de ponderação exponencial 0 9 padrão real real escalar na faixa 0,1.Este parâmetro aplica-se quando yo U set Método para ponderação exponencial Um fator de esquecimento de 0 9 dá mais peso aos dados mais antigos do que um fator de esquecimento de 0 1 Um fator de esquecimento de 1 0 indica memória infinita Todas as amostras anteriores recebem um peso igual. Este parâmetro é ajustável Você Pode mudar seu valor mesmo durante a simulação. Simulação usando Tipo de simulação para executar Padrão de geração de código Interpreted execution. Simulate modelo usando código C gerado A primeira vez que você executar uma simulação, Simulink gera código C para o bloco O código C é reutilizado para subseqüentes Simulações, desde que o modelo não mude Esta opção requer tempo de inicialização adicional, mas fornece velocidade de simulação mais rápida do que Interpreted execution. Simulate modelo usando o interpretador MATLAB Esta opção encurta o tempo de inicialização, mas tem velocidade de simulação mais lenta do que Code generation. Sliding Window Method. In O método de janela deslizante, a saída para cada amostra de entrada é a média da amostra atual e as amostras anteriores Len - 1 L En é o comprimento da janela Para calcular as primeiras saídas Len - 1, quando a janela ainda não tem dados suficientes, o algoritmo preenche a janela com zeros. Como exemplo, para calcular a média quando a segunda amostra de entrada entra, a O algoritmo preenche a janela com Len - 2 zeros O vetor de dados, x é então as duas amostras de dados seguidas de zero Len - 2. Quando você não especifica o comprimento da janela, o algoritmo escolhe um comprimento de janela infinito Neste modo, a saída é A média móvel da amostra atual e todas as amostras anteriores no canal. Método de ponderação exponencial. No método de ponderação exponencial, a média móvel é calculada recursivamente usando estas fórmulas. w N w N 1 1 x N 1 1 w N x N 1 1 w N x Nx N Média móvel na amostra atual. x N Entrada de dados atual sample. x N 1 Média móvel na amostra anterior. Fator de esquecimento. w N Fator de ponderação aplicado à amostra de dados atual. 1 1 w N x N 1 Efeito dos dados anteriores sobre a média. Para a primeira amostra, onde N 1, o algoritmo escolhe w N 1 Para a próxima amostra, o fator de ponderação é atualizado e usado para calcular a média, como por A equação recursiva À medida que a idade dos dados aumenta, a magnitude do fator de ponderação diminui exponencialmente e nunca atinge zero. Em outras palavras, os dados recentes têm mais influência sobre a média atual do que os dados mais antigos. Taxa de variação dos fatores de ponderação Um fator de esquecimento de 0 9 dá mais peso aos dados mais antigos do que um fator de esquecimento de 0 1 Um fator de esquecimento de 1 0 indica memória infinita Todas as amostras anteriores recebem um peso igual. Selecione seu país .