Pindah Rata Filter Matlab Kode Contoh

Dibuat pada hari Rabu, 08 Oktober 2008 20 04 Terakhir Diperbaharui pada Kamis, 14 Maret 2013 01 29 Ditulis oleh Batuhan Osmanoglu Hits 41574.Moving Average Di Matlab. Seringkali saya mendapati diri saya membutuhkan data rata-rata saya harus mengurangi sedikit kebisingan. Aku menulis beberapa fungsi untuk melakukan apa yang saya inginkan, tapi matlab s dibangun di fungsi filter bekerja cukup bagus juga Disini saya akan menulis tentang 1D dan 2D rata-rata data.1D filter dapat direalisasikan dengan menggunakan fungsi filter Fungsi filter memerlukan setidaknya Tiga parameter masukan koefisien pembilang untuk filter b, koefisien penyebut untuk filter a, dan data X tentu saja. Filter rata-rata yang sedang berjalan dapat didefinisikan secara sederhana oleh. Untuk data 2D kita dapat menggunakan fungsi filter2 Matlab s Untuk informasi lebih lanjut Tentang bagaimana filter bekerja, Anda dapat mengetik. Berikut adalah penerapan cepat dan kotor dari 16 dengan 16 filter rata-rata bergerak Pertama, kita perlu menentukan filter Karena yang kita inginkan adalah kontribusi yang sama dari semua tetangga kita bisa menggunakan yang menyenangkan. Kami membagi semuanya dengan 256 16 16 karena kami tidak ingin mengubah amplitudo tingkat umum dari sinyal. Untuk menerapkan filter, kita dapat mengatakan hal berikut ini. Berikut adalah hasil untuk tahap interferogram SAR. Dalam hal ini Range berada pada Sumbu Y dan Azimuth dipetakan pada sumbu X Saringannya lebar 4 piksel dengan lebar Rentang dan lebar 16 piksel di Azimuth. Download movAv m juga melihat movAv2 - versi terbaru yang memungkinkan pembobotan. Matriks Matlab mencakup fungsi yang disebut movingavg dan tsmovavg time-series moving average Di Financial Toolbox, movAv dirancang untuk mereplikasi fungsi dasar dari kode-kode ini di sini memberikan contoh bagus untuk mengelola indeks di dalam loop, yang dapat membingungkan untuk memulai dengan saya dengan sengaja membuat kode tetap pendek dan sederhana agar proses ini tetap jelas. MovAv melakukan rata-rata bergerak sederhana yang dapat digunakan untuk memulihkan data yang bising dalam beberapa situasi. Ini bekerja dengan mengambil rata-rata masukan y melalui jendela waktu geser, ukurannya ditentukan oleh n Semakin besar n, semakin besar jumlah perataan efek n relatif terhadap panjang vektor masukan y dan efektif dengan baik, semacam menciptakan filter frekuensi lowpass - lihat contoh dan bagian pertimbangan. Karena jumlah perataan yang diberikan Dengan setiap nilai n relatif terhadap panjang vektor input, maka selalu layak untuk menguji nilai yang berbeda untuk melihat apa yang sesuai. Ingat juga bahwa n poin hilang pada setiap rata-rata jika n adalah 100, 99 titik pertama dari vektor masukan Don t mengandung data yang cukup untuk rata-rata 100pt Ini dapat dihindari agak oleh rata-rata susun, misalnya, kode dan grafik di bawah ini membandingkan sejumlah rata-rata jendela panjang yang berbeda Perhatikan seberapa halus 10 10pt dibandingkan dengan rata-rata 20pt tunggal Dalam kedua kasus 20 Titik data hilang total. Buat xaxis x 1 0 01 5 Menghasilkan noise noiseReps 4 noise repmat randn 1, ceil numel x noiseReps, noiseReps, 1 noise reshape noise, 1, noise noise panjang Hitunglah ydata noise y exp x 10 noise 1 length x Perfrom averages y2 movAv y, 10 10 pt y3 movAv y2, 10 10 10 pt y4 movAv y, 20 20 pt y5 movAv y, 40 40 pt y6 movAv y, 100 100 pt Plot figure plot x, y, y2, y3, y4, y5, y6 legend Raw Data, 10pt moving average, 10 10pt, 20pt, 40pt, 100pt xlabel x ylabel y title Perbandingan moving averages. movAv m code fungsi run-through output movAv y, n Baris pertama mendefinisikan nama fungsi, input dan output Input X harus menjadi vektor data untuk melakukan rata-rata, n harus jumlah titik untuk melakukan rata-rata di atas output akan berisi data rata-rata yang dikembalikan oleh fungsi Preallocate output output NaN 1, numel y Temukan titik tengah ronde midPoint N 2 Tugas utama fungsi dilakukan di for loop, tapi sebelum memulai dua hal yang disiapkan Fir Secara kasar, outputnya sudah dialokasikan sebagai NaNs, ini melayani dua tujuan Pertama, preallokasi pada umumnya adalah praktik yang baik karena mengurangi juggling memori yang harus dilakukan Matlab, kedua, membuat data rata-rata menjadi keluaran dengan ukuran yang sama dengan Vektor input Ini berarti xaxis yang sama dapat digunakan kemudian untuk keduanya, yang sesuai untuk merencanakan, sebagai alternatif NaN dapat dilepas nanti dalam satu baris output output kode. Titik tengah variabel akan digunakan untuk menyelaraskan data pada vektor keluaran Jika n 10, 10 poin akan hilang karena, untuk 9 titik pertama dari vektor masukan, tidak ada cukup data untuk mengambil nilai rata-rata 10 karena output akan lebih pendek daripada input, maka perlu diselaraskan dengan benar midPoint akan Digunakan sehingga jumlah data yang sama hilang pada awal dan akhir, dan input dijaga sejajar dengan output oleh buffer NaN yang dibuat saat preallocating output. untuk 1 panjang y - n Temukan rentang indeks untuk mengambil rata-rata di atas abban Hitung Berarti output a MidPoint mean yab end Dalam for loop itu sendiri, mean diambil alih setiap segmen berturut-turut dari input Lingkaran akan berjalan untuk yang didefinisikan sebagai 1 sampai dengan panjang input y, dikurangi data yang akan hilang n Jika Inputnya 100 titik dan n adalah 10, loop akan berjalan dari 1 sampai 90. Ini berarti indeks pertama dari segmen dirata-ratakan. Indeks kedua b hanyalah n-1 Jadi pada iterasi pertama, A 1 n 10 jadi b 11-1 10 Rata-rata pertama diambil di atas yab atau x 1 10 Rata-rata segmen ini, yang merupakan satu nilai, disimpan dalam output pada indeks titik tengah atau 1 5 6. Pada iterasi kedua , A 2 b 2 10-1 11 sehingga mean diambil alih x 2 11 dan disimpan dalam keluaran 7 Pada iterasi terakhir dari loop untuk masukan dengan panjang 100, a 91 b 90 10-1 100 maka meannya diambil. Lebih dari x 91 100 dan disimpan dalam output 95 Ini menghasilkan output dengan total n 10 nilai NaN pada indeks 1 5 dan 96 100. Contoh dan pertimbangan Moving averages berguna dalam beberapa situasi, namun keduanya Tidak selalu pilihan terbaik Berikut adalah dua contoh di mana mereka belum tentu optimal. Kalibrasi Mikrofon Kumpulan data ini mewakili tingkat setiap frekuensi yang dihasilkan oleh speaker dan dicatat oleh mikrofon dengan respons linier yang diketahui Output speaker bervariasi dengan Frekuensi, tapi kita bisa memperbaiki variasi ini dengan data kalibrasi - keluarannya dapat disesuaikan tingkatnya untuk menjelaskan fluktuasi dalam kalibrasi. Tidak seperti data mentah yang bising - ini berarti bahwa perubahan kecil pada frekuensi tampaknya memerlukan Besar, tidak menentu, perubahan tingkat untuk diperhitungkan Apakah ini realistis Atau apakah ini merupakan produk dari lingkungan rekaman? Hal ini wajar dalam hal ini untuk menerapkan rata-rata bergerak yang menghaluskan kurva frekuensi tingkat untuk memberikan kurva kalibrasi yang sedikit kurang tidak menentu. Tapi mengapa tidak optimal dalam contoh ini. Data lebih baik akan lebih baik - beberapa kalibrasi berjalan rata-rata bersama-sama akan menghancurkan kebisingan di sistem asalkan sudah habis. Dom dan memberikan kurva dengan detail yang kurang halus hilang Rata-rata bergerak hanya dapat memperkirakan hal ini, dan dapat menghilangkan beberapa penurunan frekuensi dan puncak yang lebih tinggi dari kurva yang benar-benar ada. Gelombang matahari Menggunakan rata-rata bergerak pada gelombang sinus menyoroti dua titik. Masalah memilih jumlah poin yang masuk akal untuk melakukan rata-rata di atas. Ini s sederhana, namun ada metode analisis sinyal yang lebih efektif daripada rata-rata sinyal osilasi dalam domain waktu. Pada grafik ini, gelombang sinus asli diplot dengan warna biru. Ditambahkan dan diplot sebagai kurva oranye Rata-rata bergerak dilakukan pada sejumlah titik yang berbeda untuk melihat apakah gelombang orisinal dapat dipulihkan 5 dan 10 poin memberikan hasil yang masuk akal, namun jangan menghilangkan suara sama sekali, dimana jumlah titik yang lebih banyak mulai Kehilangan detail amplitudo karena rata-rata meluas melebihi fase yang berbeda mengingat oscilat gelombang sekitar nol, dan mean -1 1 0.Sebuah pendekatan alternatif adalah dengan membangun filter lowpass daripada yang dapat dilakukan. Diterapkan pada sinyal di domain frekuensi Aku tidak akan pergi ke detail karena melampaui lingkup artikel ini, tetapi karena kebisingan adalah frekuensi yang jauh lebih tinggi daripada frekuensi dasar gelombang, akan cukup mudah dalam hal ini untuk membangun Filter lowpass daripada akan menghilangkan noise frekuensi tinggi. Contoh ini menunjukkan bagaimana menggunakan filter rata-rata bergerak dan resampling untuk mengisolasi efek komponen periodik pada siang hari pada pembacaan suhu per jam, serta menghilangkan noise saluran yang tidak diinginkan dari open - Pengukuran tegangan loop Contoh ini juga menunjukkan bagaimana cara memperlancar tingkat sinyal jam sambil melestarikan tepi dengan menggunakan median filter Contoh ini juga menunjukkan bagaimana menggunakan filter Hampel untuk menghilangkan outlier yang besar. Pergeseran adalah bagaimana kita menemukan pola penting dalam data kita. Sementara meninggalkan hal-hal yang tidak penting yaitu kebisingan Kami menggunakan penyaringan untuk melakukan perataan ini. Tujuan perataan adalah untuk menghasilkan perubahan nilai yang lambat sehingga lebih mudah dilihat. Berakhir pada data kami. Kadang ketika Anda memeriksa data masukan Anda mungkin ingin memperlancar data untuk melihat kecenderungan sinyal. Dalam contoh kita, kita memiliki seperangkat pembacaan suhu di Celsius yang diambil setiap jam di Bandara Logan selama sebulan penuh. Januari 2011. Perhatikan bahwa secara visual dapat kita lihat efeknya bahwa waktu telah ada pada pembacaan suhu Jika Anda hanya tertarik pada variasi suhu harian selama sebulan, fluktuasi per jam hanya menyumbang suara bising, yang dapat membuat variasi harian menjadi sulit. Untuk membedakan Untuk menghilangkan efek waktu, kita sekarang ingin menghaluskan data kita dengan menggunakan filter rata-rata bergerak. Filter Bergerak Rata-Rata. Dalam bentuknya yang paling sederhana, filter rata-rata bergerak dengan panjang N rata-rata setiap N Sampel berturut-turut dari bentuk gelombang. Untuk menerapkan filter rata-rata bergerak ke setiap titik data, kami membangun koefisien filter kami sehingga masing-masing titik memiliki bobot dan memberikan kontribusi 1 24 terhadap rata-rata total. Ini memberi kami rata-rata Suhu di atas setiap periode 24 jam. Filter Delay. Note bahwa hasil filtered ditunda sekitar dua belas jam Hal ini disebabkan oleh fakta bahwa filter rata-rata bergerak kita memiliki delay. Setiap filter simetris dengan panjang N akan mengalami penundaan N-1 2 sampel Kami dapat menjelaskan keterlambatan ini secara manual. Mengurangi Perbedaan Rata-rata. Secara alternatif, kita juga dapat menggunakan filter rata-rata bergerak untuk mendapatkan perkiraan yang lebih baik tentang bagaimana waktu mempengaruhi keseluruhan suhu. Lakukan ini, pertama, kurangi data yang merapikan dari Pengukuran suhu per jam Kemudian, ratakan data yang berbeda ke hari dan rata-rata selama 31 hari di bulan itu. Ekstrak Amplop Puncak. Kadang kita juga ingin memperkirakan dengan lancar bagaimana arus pasang dan rendahnya perubahan sinyal suhu kita. Setiap hari Untuk melakukan ini, kita dapat menggunakan fungsi amplop untuk menghubungkan titik tertinggi dan titik terendah yang terdeteksi pada subset periode 24 jam. Dalam contoh ini, kita memastikan setidaknya ada 16 jam antara masing-masing tinggi yang ekstrim. Dan sangat rendah Kita juga bisa merasakan bagaimana arus pasang dan rendahnya tren dengan mengambil rata-rata antara dua ekstrem. Kami memotret rata-rata Bergerak. Jenis filter rata-rata bergerak lainnya tidak memberi bobot pada masing-masing sampel secara sama. Filter umum lainnya mengikuti binomial. Perluasan jenis filter ini mendekati kurva normal untuk nilai n yang besar. Hal ini berguna untuk menyaring frekuensi suara tinggi untuk n kecil Untuk menemukan koefisien untuk filter binomial, berkonsentrasikan dengan dirinya sendiri dan kemudian secara iteratif menguraikan output dengan jumlah yang ditentukan Kali Dalam contoh ini, gunakan lima iterasi total. Filter lain yang agak mirip dengan filter ekspansi Gaussian adalah filter rata-rata bergerak eksponensial Tipe filter rata-rata bergerak tertimbang ini mudah dibangun dan tidak memerlukan ukuran jendela yang besar. Anda menyesuaikan baki tertimbang secara eksponensial. Filter rata-rata bergerak dengan parameter alfa antara nol dan satu Nilai alpha yang lebih tinggi akan memiliki sedikit smoothing. Zoom pada pembacaan untuk Satu hari. Pilih negara anda