Exponential glidande medelvärde cut off frekvens

Jag har studerat om exponentiellt medelvärde. Det finns tillräckligt med förklaringar om detta på Internet, men de förklarar inte om tidskonstanten. Jag har en kanal med en T sekunder tidssignal med samplingsfrekvens fs. Om jag vill göra genomsnittet för denna tidssignal, måste vi använda antingen linjär eller exponentiell metod. Linjär genomsnittlig metod är ganska enkel så det finns inga problem att tillämpa. Men om jag försöker tillämpa exponentiell genomsnittsmetod finns det några problem. Om tidsignalen varierar snabbt, föredrar vi att använda snabbtidskonstanten 125 ms. Tidsignalen varierar också långsamt, med 1000 ms långsam tidskonstant är bättre, men i denna situation vet jag inte hur jag kan tillämpa denna tidskonstant med tidssignal. Finns det någon förklaring eller något exempel för att göra exponentiellt medelvärde med tidskonstanten frågad Aug 29 13 kl 16:54 Jag har väsentligen en mängd värden så här: Ovanstående array är översimplifierad, jag samlar 1 värde per millisekund i min riktiga kod och jag behöver att bearbeta utmatningen på en algoritm skrev jag för att hitta den närmaste toppen före en tidpunkt. Min logik misslyckas eftersom i mitt exempel ovan är 0.36 den riktiga toppen, men min algoritm skulle se bakåt och se det sista numret 0,25 som toppen, eftersom det är en minskning till 0,24 före den. Målet är att ta dessa värden och tillämpa en algoritm för dem som släpper ut dem lite så att jag har mer linjära värden. (dvs: Jag tycker att mina resultat är kurva, inte jaggediga) Jag har blivit tillsagd att tillämpa ett exponentiellt glidande medelfilter till mina värden. Hur kan jag göra det här Det är verkligen svårt för mig att läsa matematiska ekvationer, jag hanterar mycket bättre med kod. Hur bearbetar jag värden i min array, tillämpar en exponentiell glidande medelberäkning för att jämföra dem ut frågade 8 feb 12 kl 20:27 för att beräkna ett exponentiellt glidande medelvärde. du behöver behålla en del tillstånd och du behöver en inställningsparameter. Detta kräver en liten klass (förutsatt att du använder Java 5 eller senare): Instantiate with decay parameteren du vill ha (det kan ta tuning ska vara mellan 0 och 1) och sedan använda genomsnittet () för att filtrera. När du läser en sida om någon matematisk återkommande, behöver allt du verkligen vet när du gör det till kod, att matematiker gillar att skriva index i arrays och sekvenser med prenumerationer. (Theyve några andra noteringar också, vilket inte hjälper.) EMA är dock ganska enkel eftersom du bara behöver komma ihåg ett gammalt värde, inga komplicerade tillståndsskivor krävs. svarat 8 feb 12 kl 20:42 TKKocheran: Ganska mycket. Det är inte bra när saker kan vara enkla (Om du börjar med en ny sekvens, få en ny medelvärde.) Observera att de första villkoren i den genomsnittliga sekvensen kommer att hoppa runt lite på grund av gränseffekter, men du får de med andra glidande medelvärden för. En bra fördel är dock att du kan förflytta den glidande genomsnittliga logiken till medelvärdena och experimentera utan att störa resten av ditt program för mycket. ndash Donal Fellows Feb 9 12 på 0:06 Jag har svårt att förstå dina frågor, men jag kommer att försöka svara ändå. 1) Om din algoritm hittat 0,25 istället för 0,36, då är det fel. Det är fel eftersom det förutsätter en monotonisk ökning eller minskning (det går alltid upp eller går alltid ner). Om du inte genomsnittar ALLA dina data, dina datapunkter --- som du presenterar dem --- är olinjära. Om du verkligen vill hitta det maximala värdet mellan två punkter i tid, skivar du din matris från tmin till tmax och hittar maximal av den subarrayen. 2) Nu är begreppet glidande medelvärden mycket enkelt: tänk att jag har följande lista: 1,4, 1,5, 1,4, 1,5, 1,5. Jag kan släta ut det genom att ta medeltalet av två nummer: 1,45, 1,45, 1,45, 1,5. Observera att det första numret är medeltalet 1,5 och 1,4 (andra och första siffror) den andra (nya listan) är genomsnittet av 1,4 och 1,5 (tredje och andra gamla listan) den tredje (nya listan) i genomsnitt 1,5 och 1,4 (fjärde och tredje), och så vidare. Jag kunde ha gjort det period tre eller fyra, eller n. Lägg märke till hur dataen är mycket mjukare. Ett bra sätt att se glidande medelvärden på jobbet är att gå till Google Finance, välj ett lager (försök Tesla Motors ganska flyktiga (TSLA)) och klicka på technicals längst ner i diagrammet. Välj Flytta genomsnittet med en given period och Exponentiell glidande medelvärde för att jämföra deras skillnader. Exponentiellt glidande medelvärde är bara en annan utarbetande av detta, men vikter äldre data mindre än de nya data så är det ett sätt att förspänna utjämningen mot baksidan. Vänligen läs Wikipedia-posten. Så det här är mer en kommentar än ett svar, men den lilla kommentarrutan var bara för liten. Lycka till. Om du har problem med matte kan du gå med ett enkelt rörligt medel istället för exponentiellt. Så den produkt du får är de sista x-termerna dividerad med x. Obestämd pseudokod: Observera att du måste hantera start - och slutdelarna av data eftersom det klart är att du inte kan räkna med de senaste 5 termerna när du är på din andra datapunkt. Det finns också mer effektiva sätt att beräkna detta glidande medelvärde (summa summan - äldsta nyaste), men det här är att få konceptet av vad som händer över. svarade 8 feb 12 kl 20:41 Jag behöver designa ett glidande medelfilter som har en avstängningsfrekvens på 7,8 Hz. Jag har använt glidande medelfilter innan, men så mycket som jag vet är den enda parametern som kan matas in det antal poäng som ska genomsnittas. Hur kan detta relatera till en avstängningsfrekvens Den inversa av 7,8 Hz är 130 ms, och jag arbetar med data som samplas vid 1000 Hz. Betecknar detta att jag borde använda ett glidande medelfilterfönster av 130 prov, eller finns det något annat som jag saknar här frågade jul 18 13 kl 9:52 Det glidande medelfiltret är filtret som används i tidsdomänen för att ta bort ljudet läggs till och även för utjämningsändamål men om du använder samma glidande medelfilter i frekvensdomänen för frekvensavskiljning är prestanda värst. så använd i så fall frekvensfrekvensdomänfilter ndash user19373 Feb 3 16 vid 5:53 Det glidande medelfiltret (som ibland är känt som ett boxcarfilter) har ett rektangulärt impulsrespons: Eller, sagt annorlunda: Kom ihåg att en diskret tidssystemfrekvensrespons är lika med den diskreta tiden Fouriertransformationen av dess impulsrespons, kan vi beräkna det enligt följande: Det som var mest intresserad av för ditt fall är filtrets storleksvar H (omega). Med hjälp av ett par enkla manipuleringar kan vi få det på ett lättare sätt att förstå: Det kanske inte ser lättare ut att förstå. Men på grund av Eulers identitet. minns det: Därför kan vi skriva ovanstående som: Som jag sa tidigare är vad du verkligen oroar dig för frekvensresponsens omfattning. Så vi kan ta storleken på ovanstående för att förenkla det ytterligare: Obs! Vi kan släppa de exponentiella termerna eftersom de inte påverkar storleken på resultatet e 1 för alla värden av omega. Eftersom xy xy för några två ändliga komplexa tal x och y kan vi dra slutsatsen att närvaron av de exponentiella termerna inte påverkar det övergripande magnitudsvaret (i stället påverkar de systemfassvaret). Den resulterande funktionen inom storleksfästena är en form av en Dirichlet-kärna. Det kallas ibland en periodisk sinc-funktion, eftersom den liknar sinc-funktionen något i utseende, men är periodisk istället. Hur som helst, eftersom definitionen av cutoff-frekvensen är något underpecificeret (-3 dB punkt -6 dB punkt första sidelobe null), kan du använda ovanstående ekvation för att lösa vad du behöver. Specifikt kan du göra följande: Ställ H (omega) till det värde som motsvarar det filterrespons du vill ha vid avklippsfrekvensen. Ställ omega lika med cutoff frekvensen. För att kartlägga en kontinuerlig tidsfrekvens till diskretidsdomänen, kom ihåg att omega 2pi frac, där fs är din samplingsfrekvens. Hitta värdet av N som ger dig det bästa avtalet mellan ekvationens vänstra och högra sida. Det ska vara längden på ditt glidande medelvärde. Om N är längden på det rörliga genomsnittsvärdet är en approximativ avstängningsfrekvens F (giltig för N gt 2) i normaliserad frekvens Fffs: Den inverse av denna är Denna formel är asymptotiskt korrekt för stor N och har cirka 2 fel för N2 och mindre än 0,5 för N4. P. S. Efter två år, här äntligen, vad var tillvägagångssättet följt. Resultatet var baserat på approximering av MA-amplitudspektrumet runt f0 som en parabola (2: e ordningsserie) enligt MA (Omega) ca 1 (frac - frac) Omega2 som kan göras mer exakt nära nollkorsningen av MA (Omega) frac genom att multiplicera Omega med en koefficient som erhåller MA (Omega) ca 10.907523 (frac - frac) Omega2 Lösningen av MA (Omega) - frac 0 ger resultaten ovan, där 2pi F Omega. Allt ovanstående hänför sig till -3dB-avskurningsfrekvensen, ämnet för detta inlägg. Ibland är det emellertid intressant att få en dämpningsprofil i stoppbandet, vilket är jämförbart med det för en 1: a-ordning IIR Low Pass Filter (enpolig LPF) med en given -3dB cut-off-frekvens (en sådan LPF kallas också läckande integrator, ha en pol inte exakt vid likström men nära det). Faktum är att både MA och 1st-order IIR LPF har -20dBdecade-lutning i stoppbandet (en behöver en större N än den som används i figuren, N32, för att se detta), men medan MA har spektral nulls vid FkN och en 1f evelope, har IIR-filtret bara en 1f-profil. Om man vill få ett MA-filter med liknande brusfiltreringsfunktioner som detta IIR-filter, och matchar 3DB-avklippsfrekvenserna för att vara densamma, skulle han, när han jämförde de två spektra, inse att stoppbandets rippel av MA-filtret hamnar 3dB under det för IIR-filtret. För att få samma stoppbandslippning (dvs samma ljuddämpning) som IIR-filter kan formlerna ändras enligt följande: Jag hittade Mathematica-skriptet där jag beräknade avklippningen för flera filter, inklusive MA-en. Resultatet baserades på approximering av MA-spektret runt f0 som en parabola enligt MA (Omega) Sin (OmegaN2) Sin (Omega2) Omega 2piF MA (F) ca N16F2 (N-N3) pi2. Och härleda korsningen med 1sqrt därifrån. ndash Massimo Jan 17 16 kl 2:08