Durchschnittlicher Filtercode Verschieben

Mittelungsfilter Dieses Beispiel zeigt den empfohlenen Arbeitsablauf zum Generieren von C-Code aus einer MATLAB-Funktion mit dem Befehl codegen. Dies sind die folgenden Schritte: 1. Fügen Sie die Codegen-Direktive zur MATLAB-Funktion hinzu, um anzuzeigen, dass sie für die Codegenerierung vorgesehen ist. Mit dieser Richtlinie kann der MATLAB-Codeanalysator auch Warnungen und Fehler identifizieren, die für MATLAB zur Codegenerierung spezifisch sind. 2. Generieren Sie eine MEX-Funktion, um zu überprüfen, ob der MATLAB-Code für die Codegenerierung geeignet ist. Wenn Fehler auftreten, sollten Sie sie vor dem Generieren von C-Code zu beheben. 3. Testen Sie die MEX-Funktion in MATLAB, um sicherzustellen, dass es funktional dem ursprünglichen MATLAB-Code entspricht und dass keine Laufzeitfehler auftreten. 4. Generieren Sie C-Code. 5. Überprüfen Sie den C-Code. Voraussetzungen Es gibt keine Voraussetzungen für dieses Beispiel. Erstellen eines neuen Ordners und Kopieren von relevanten Dateien Der folgende Code erstellt einen Ordner in Ihrem aktuellen Arbeitsordner (pwd). Der neue Ordner enthält nur die Dateien, die für dieses Beispiel relevant sind. Wenn Sie den aktuellen Ordner nicht beeinflussen möchten (oder wenn Sie keine Dateien in diesem Ordner erzeugen können), sollten Sie den Arbeitsordner ändern. Ausführen des Befehls: Erstellen eines neuen Ordners und Kopieren von relevanten Dateien Über die averagingfilter-Funktion Die averagingfilter. m-Funktion fungiert als Mittelungsfilter für das Eingangssignal, das einen Eingabevektor von Werten benötigt und einen Durchschnitt für jeden Wert im Vektor berechnet. Der Ausgangsvektor ist die gleiche Größe und Form wie der Eingangsvektor. Die Codegen-Kompilierungsrichtlinie zeigt an, dass der MATLAB-Code für die Codegenerierung vorgesehen ist. Erstellen Sie einige Beispieldaten Erstellen Sie eine verrauschte Sinuswelle und zeichnen Sie das Ergebnis. Generieren einer MEX-Funktion zum Testen Generieren Sie eine MEX-Funktion mit dem Befehl codegen. Der Codegen-Befehl überprüft, ob die MATLAB-Funktion für die Codegenerierung geeignet ist, und erzeugt eine MEX-Funktion, die Sie vor dem Generieren des C-Codes in MATLAB testen können. Da C eine statische Typisierung verwendet, muss codegen die Eigenschaften aller Variablen in den MATLAB-Dateien zur Kompilierzeit bestimmen. Hier liefert die Befehlszeilenoption - args eine Beispiel-Eingabe, so dass Codegen neue Typen auf der Grundlage der Eingabetypen ableiten kann. Das Beispielsignal, das oben als Beispiel-Eingang erstellt wurde, stellt sicher, dass die MEX-Funktion denselben Eingang verwenden kann. Standardmäßig generiert codegen eine MEX-Funktion namens averagingfiltermex im aktuellen Ordner. Auf diese Weise können Sie den MATLAB-Code und die MEX-Funktion testen und die Ergebnisse vergleichen. Testen der MEX-Funktion in MATLAB Ausführen der MEX-Funktion in MATLAB Generieren von C-Code Überprüfen des generierten Codes Der Codegen-Befehl mit der Option - config coder. config (lib) erzeugt C-Code, der als eigenständige C-Bibliothek verpackt ist. Der generierte C-Code befindet sich im Ordner codegenlibaveragingfilter. Die Dateien sind: Überprüfen Sie die C-Code für die averagingfilter. c Funktion Select Your CountryIs es möglich, einen gleitenden Durchschnitt in C ohne die Notwendigkeit für ein Fenster von Proben Ive gefunden, dass ich ein bisschen optimieren können, indem Sie eine Fenstergröße, die a Macht von zwei, um Bit-Verschiebung statt der Teilung zu ermöglichen, aber nicht brauchen einen Puffer wäre schön. Gibt es eine Möglichkeit, ein neues gleitendes Durchschnittsergebnis nur als Funktion des alten Ergebnisses und des neuen Beispiels auszudrücken, definieren Sie einen beispielhaften gleitenden Durchschnitt in einem Fenster von 4 Proben: Add new sample e: Ein gleitender Durchschnitt kann rekursiv implementiert werden , Aber für eine exakte Berechnung des gleitenden Durchschnitts müssen Sie sich an die älteste Eingangsabfrage in der Summe (dh die a in Ihrem Beispiel) erinnern. Für einen N-gleitenden Durchschnitt berechnen Sie: wobei yn das Ausgangssignal und xn das Eingangssignal ist. Gl. (1) können rekursiv geschrieben werden, also müssen Sie sich stets an die Stichprobe xn-N erinnern, um (2) zu berechnen. Wie von Conrad Turner angemerkt, können Sie stattdessen ein (unendlich langes) exponentielles Fenster verwenden, mit dem Sie die Ausgabe nur aus dem vergangenen Ausgang und dem aktuellen Eingang berechnen können. Dies ist jedoch kein normaler (ungewichteter) gleitender Durchschnitt, sondern ein exponentieller Wert Gewogenen gleitenden Durchschnitt, wo die Proben in der Vergangenheit ein geringeres Gewicht erhalten, aber (zumindest in der Theorie) man nie etwas vergessen (die Gewichte nur kleiner und kleiner für Proben weit in der Vergangenheit). Ich habe einen gleitenden Durchschnitt ohne einzelnen Element-Speicher für ein GPS-Tracking-Programm, das ich geschrieben habe. Ich beginne mit 1 Probe und dividiere durch 1, um die aktuelle Durchschn. Ich füge dann anothe Probe und dividiere durch 2 zu den aktuellen Durchschn. Das geht so lange weiter, bis ich auf die Länge des Durchschnitts komme. Jedes Mal danach, füge ich in der neuen Probe, erhalten Sie den Durchschnitt und entfernen Sie diesen Durchschnitt aus der Gesamtmenge. Ich bin kein Mathematiker, aber das schien ein guter Weg, es zu tun. Ich dachte, es würde den Magen eines echten Mathematik-Kerl, aber es stellt sich heraus, es ist eine der akzeptierten Möglichkeiten, es zu tun. Und es funktioniert gut. Denken Sie daran, dass je höher Ihre Länge, desto langsamer folgt es, was Sie folgen wollen. Das kann nicht die meiste Zeit, aber wenn folgende Satelliten, wenn Sie langsam sind, könnte die Spur weit von der tatsächlichen Position und es wird schlecht aussehen. Sie könnten eine Lücke zwischen dem Sat und den nachfolgenden Punkten haben. Ich wählte eine Länge von 15 aktualisiert 6 mal pro Minute, um eine ausreichende Glättung und nicht zu weit von der tatsächlichen Sat-Position mit den geglätteten Spur Punkte erhalten. Antwort # 2 am: November 16, 2010, um 23:03 Uhr Initialisierung insgesamt 0, count0 (jedes Mal, wenn ein neuer Wert dann ein Eingang (scanf), ein add totalnewValue, ein Inkrement (count), ein dividieren Durchschnitt (totalcount) Dies wäre ein gleitender Durchschnitt über Alle Eingänge Um den Durchschnitt über nur die letzten 4 Eingänge zu berechnen, benötigen Sie 4 Inputvariablen, vielleicht kopieren Sie jeden Eingang zu einem älteren inputvariable und berechnen dann den neuen gleitenden Durchschnitt als Summe der 4 Inputvariablen, geteilt durch 4 (Rechtsverschiebung 2 wäre Gut, wenn alle Eingänge waren positiv, um die durchschnittliche Berechnung beantwortet werden 3. Februar um 4:06 Das wird tatsächlich berechnen den Gesamtdurchschnitt und nicht den gleitenden Durchschnitt. Wenn Zähler größer wird der Einfluss eines neuen Eingangsprobe wird verschwindend kleiner ndash Hilmar Feb Antwort # 2 am: Mai 01, 2010, 07:10:25 am »Ihre Antwort 2017 Stack Exchange, IncMoving Durchschnittliche Filter (MA Filter) Loading Die gleitende durchschnittliche Filter ist ein einfaches Low Pass FIR (Finite Impulse Response) Filter häufig für die Glättung einer Reihe von abgetasteten Datensignal verwendet Proben der Eingabe zu einem Zeitpunkt und nehmen den Durchschnitt dieser M-Abtastungen und erzeugen einen einzigen Ausgangspunkt. Es ist eine sehr einfache LPF (Low Pass Filter) Struktur, die praktisch für Wissenschaftler und Ingenieure, um unerwünschte laute Komponente aus den beabsichtigten Daten zu filtern kommt. Mit zunehmender Filterlänge (Parameter M) nimmt die Glätte des Ausgangs zu, während die scharfen Übergänge in den Daten zunehmend stumpf werden. Dies impliziert, dass dieses Filter eine ausgezeichnete Zeitbereichsantwort, aber einen schlechten Frequenzgang aufweist. Der MA-Filter erfüllt drei wichtige Funktionen: 1) Es benötigt M Eingangspunkte, berechnet den Mittelwert dieser M-Punkte und erzeugt einen einzelnen Ausgangspunkt 2) Aufgrund der Berechnungsberechnungen. Führt das Filter eine bestimmte Verzögerung ein 3) Das Filter wirkt als ein Tiefpaßfilter (mit einer schlechten Frequenzbereichsantwort und einer guten Zeitbereichsantwort). Matlab-Code: Der folgende Matlab-Code simuliert die Zeitbereichsantwort eines M-Point Moving Average Filters und zeigt auch den Frequenzgang für verschiedene Filterlängen. Time Domain Response: Auf dem ersten Plot haben wir die Eingabe, die in den gleitenden Durchschnitt Filter geht. Der Eingang ist laut und unser Ziel ist es, den Lärm zu reduzieren. Die nächste Abbildung ist die Ausgangsantwort eines 3-Punkt Moving Average Filters. Es kann aus der Figur abgeleitet werden, dass der Filter mit 3-Punkt-Moving-Average bei der Filterung des Rauschens nicht viel getan hat. Wir erhöhen die Filterabgriffe auf 51 Punkte und wir können sehen, dass sich das Rauschen im Ausgang stark reduziert hat, was in der nächsten Abbildung dargestellt ist. Wir erhöhen die Anzapfungen weiter auf 101 und 501, und wir können beobachten, dass auch wenn das Rauschen fast Null ist, die Übergänge drastisch abgebaut werden (beobachten Sie die Steilheit auf beiden Seiten des Signals und vergleichen Sie sie mit dem idealen Ziegelwandübergang Unser Eingang). Frequenzgang: Aus dem Frequenzgang kann behauptet werden, dass der Roll-off sehr langsam ist und die Stopbanddämpfung nicht gut ist. Bei dieser Stoppbanddämpfung kann klar sein, dass der gleitende Durchschnittsfilter kein Frequenzband von einem anderen trennen kann. Wie wir wissen, führt eine gute Leistung im Zeitbereich zu einer schlechten Leistung im Frequenzbereich und umgekehrt. Kurz gesagt, ist der gleitende Durchschnitt ein außergewöhnlich guter Glättungsfilter (die Aktion im Zeitbereich), aber ein außergewöhnlich schlechtes Tiefpaßfilter (die Aktion im Frequenzbereich) Externe Links: Empfohlene Bücher: Primäre Seitenleiste