เฉลี่ยเคลื่อนที่ Snr

ค่าเฉลี่ยเคลื่อนที่เป็นค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่มักใช้สำหรับการให้ราบเรียบข้อมูลในที่ที่มีเสียงรบกวนค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายไม่ได้รับการยอมรับว่าเป็นตัวกรอง FIR Impulse Response FIR เท่าใดจึงเป็นตัวกรองที่พบมากที่สุดแห่งหนึ่ง ในการประมวลผลสัญญาณการประมวลผลสัญญาณเป็นตัวกรองช่วยในการเปรียบเทียบตัวกรองตัวอย่างเช่นตัวกรอง windowed-sinc ดูบทความเกี่ยวกับตัวกรองความถี่สูงและผ่านแบนด์วิดท์และแบนด์วิดท์ต่ำสำหรับตัวอย่างของข้อแตกต่างที่สำคัญกับตัวกรองเหล่านี้คือ ว่าค่าเฉลี่ยเคลื่อนที่เหมาะสำหรับสัญญาณที่ข้อมูลที่เป็นประโยชน์มีอยู่ในโดเมนเวลาที่ทำให้การวัดความเรียบโดยการเฉลี่ยเป็นตัวอย่างที่สำคัญตัวกรอง Windowed-sinc ในทางกลับกันเป็นตัวแสดงที่มีประสิทธิภาพในโดเมนความถี่ที่มีการทำให้เท่าเทียมกันในเสียง การประมวลผลเป็นตัวอย่างทั่วไปมีการเปรียบเทียบประเภทของตัวกรองทั้งสองแบบในโดเมนเวลากับประสิทธิภาพของตัวกรองความถี่ของตัวกรองหากคุณมีข้อมูลซึ่งทั้งเวลาและ โดเมนความถี่มีความสำคัญแล้วคุณอาจต้องการดูรูปแบบต่างๆใน Moving Average ซึ่งแสดงจำนวนรุ่นที่ถ่วงน้ำหนักของค่าเฉลี่ยเคลื่อนที่ที่ดีกว่าที่ค่าเฉลี่ยเคลื่อนที่ของความยาว N สามารถกำหนด as. written เป็น มักใช้กับตัวอย่างการส่งออกในปัจจุบันเป็นค่าเฉลี่ยของตัวอย่าง N ก่อนหน้าทำหน้าที่เป็นตัวกรองค่าเฉลี่ยเคลื่อนที่จะมีการสลับของลำดับการป้อนข้อมูล xn กับชีพจรรูปสี่เหลี่ยมผืนผ้าที่มีความยาว N และความสูง 1 N เพื่อทำให้พื้นที่ของ ชีพจรและดังนั้นกำไรของตัวกรองอย่างใดอย่างหนึ่งในทางปฏิบัติที่ดีที่สุดคือการใช้ N คี่แม้ว่าค่าเฉลี่ยเคลื่อนที่ยังสามารถคำนวณโดยใช้จำนวนคู่แม้โดยใช้ค่าคี่สำหรับ N มีข้อได้เปรียบที่ ความล่าช้าของตัวกรองจะเป็นจำนวนเต็มของตัวอย่างเนื่องจากความล่าช้าของตัวกรองกับ N ตัวอย่างคือ N-1 2 ค่าเฉลี่ยเคลื่อนที่สามารถจัดตำแหน่งให้สอดคล้องกับข้อมูลต้นฉบับโดยการขยับโดยจำนวนเต็มจำนวนตัวอย่าง โดเมนเนื่องจาก movi ng คือค่าเฉลี่ยของการหมุนด้วยชีพจรรูปสี่เหลี่ยมผืนผ้าการตอบสนองต่อความถี่ของมันคือฟังก์ชัน sinc ซึ่งทำให้มีบางอย่างที่เหมือนตัวกรองแบบ windowed-sinc เนื่องจากเป็น convolution ด้วยชีพจร sinc ที่ส่งผลให้มีการตอบสนองความถี่เป็นรูปสี่เหลี่ยมผืนผ้า การตอบสนองความถี่ sinc นี้ทำให้ค่าเฉลี่ยเคลื่อนที่ต่ำลงในโดเมนความถี่อย่างไรก็ตามจะมีประสิทธิภาพดีในโดเมนเวลาดังนั้นจึงเหมาะที่จะทำให้ข้อมูลราบรื่นเพื่อขจัดเสียงรบกวนในขณะเดียวกันก็ยังทำให้การตอบสนองต่อขั้นตอนอย่างรวดเร็วรูปที่ 1 รูปที่ 1 ให้เรียบขึ้นโดยใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่สำหรับ AWGN แบบ Gaussian AheadN แบบ Additive White โดยทั่วไปค่าเฉลี่ยของตัวอย่าง N มีผลทำให้ SNR เพิ่มขึ้นตามขนาดของ N เนื่องจากเสียงสำหรับแต่ละตัวอย่างไม่มีความสัมพันธ์กัน เป็นเหตุผลที่จะรักษาตัวอย่างที่แตกต่างกันไม่ดังนั้นค่าเฉลี่ยเคลื่อนที่ซึ่งจะช่วยให้แต่ละตัวอย่างมีน้ำหนักเดียวกันจะได้รับการกำจัดจำนวนเงินสูงสุดของเสียงสำหรับความคมชัดของการตอบสนองขั้นตอนที่กำหนด ทำให้มันเป็นตัวกรอง FIR, ค่าเฉลี่ยเคลื่อนที่สามารถนำมาใช้ผ่าน convolution มันจะมีประสิทธิภาพเหมือนกันหรือขาดมันเป็นตัวกรอง FIR อื่น ๆ แต่ก็ยังสามารถดำเนินการ recursively ในทางที่มีประสิทธิภาพมากตามมาโดยตรงจาก นิยามที่ว่าสูตรนี้เป็นผลมาจากการแสดงออกของ yn และ yn 1 i e. where เราสังเกตเห็นว่าการเปลี่ยนแปลงระหว่าง yn 1 กับ yn คือคำพิเศษ xn 1 N ปรากฏขึ้นที่ท้ายสุดในขณะที่คำว่า x nN 1 N จะถูกเอาออกจากจุดเริ่มต้นในการใช้งานจริงมักจะเป็นไปได้ที่จะออกจากการหารโดย N สำหรับแต่ละระยะโดยการชดเชยผลกำไรที่ได้รับจาก N ในสถานที่อื่นการดำเนินการแบบทัดเทียมนี้จะเร็วกว่าการหมุนเวียนแต่ละค่าใหม่ของ y สามารถ จะคำนวณด้วยเพียงสองเพิ่มเติมแทนการเพิ่ม N ที่จะจำเป็นสำหรับการใช้งานที่ตรงไปตรงมาของคำจำกัดความสิ่งหนึ่งที่มองออกไปด้วยการใช้งาน recursive คือว่าข้อผิดพลาดในการปัดเศษจะสะสมนี้ ma y หรือไม่อาจเป็นปัญหาสำหรับแอ็พพลิเคชันของคุณ แต่ก็อนุมานได้ว่าการใช้งานแบบนวนซ้ำนี้จะทำงานได้ดีกว่าด้วยการใช้จำนวนเต็มมากกว่าที่มีเลขทศนิยมจุดนี้ค่อนข้างผิดปกติเนื่องจากการใช้งาน floating point มักจะง่ายขึ้นสรุปได้ว่า ทั้งหมดนี้ต้องเป็นที่คุณไม่ควรประมาทประโยชน์ของตัวกรองเฉลี่ยที่เรียบง่ายในการประมวลผลการใช้งานเครื่องมือการออกแบบตัวกรองบทความนี้ครบครันด้วยเครื่องมือการออกแบบตัวกรองการทดสอบด้วยค่าที่แตกต่างกันสำหรับ N และจินตนาการตัวกรองที่เป็นผลลัพธ์ลองใช้เลย เรามีคำถามที่ได้รับการถามผ่านทางแบบฟอร์ม Blog ของเราและคำถามคือเราสามารถคำนวณค่าเฉลี่ยสำหรับข้อมูลขนาดใหญ่ได้เช่นข้อมูลบันทึกข้อมูล 24 ชั่วโมงต่อวินาทีหลังจากดาวน์โหลดไฟล์หลายไฟล์จากเครื่องวัดโดยเฉลี่ยแล้วจะสามารถผลิตได้ ตัวอย่างเช่น 45, 46, 48, 43, 78, 79, 71, 33, 55 ระดับค่าเฉลี่ยทางคณิตศาสตร์ที่เรียบง่ายจะเป็น 55 3. แต่ ระดับเสียงของเสียงสำหรับ 78, 79 และ 71 สูงเมื่อเทียบกับค่าอื่น ๆ ดังนั้นเราจึงสามารถคำนวณหาค่าเฉลี่ยได้ในปัจจุบันนี้เป็นคำถามที่น่าสนใจเกี่ยวกับค่าเฉลี่ยเสียงรบกวนและหนึ่งที่เราได้รับคำถามบ่อยๆมีบางแอพพลิเคชันที่คุณ จะใช้ค่าเฉลี่ยเชิงเส้นอย่างง่ายในการคำนวณค่าจากการวัดความดังของเสียง แต่นี่เป็นเพียงบางส่วนและมักจะเจาะจงมากในกรณีนี้สิ่งที่คุณต้องทำคือการทำค่าเฉลี่ยลอการิทึมของค่าซึ่งสามารถทำได้โดยง่ายหากคุณใช้ สเปรดชีตในกรณีนี้เราจะสมมติว่าเรามีชุดตัวอย่างซึ่งแต่ละอันมีค่า Leq 1 วินาทีและระยะเวลารวม 24 ชั่วโมงซึ่งจะทำให้เรามีตัวอย่างทั้งหมด 86400 ตัวอย่างและเราจะใช้ตัวเลขนี้ในภายหลัง การคำนวณสิ่งที่เรากำลังมองหาเพื่อให้บรรลุเป็น 24 ชั่วโมง Leq ใช้ข้อมูลเสียงที่เราได้ดาวน์โหลดจากเครื่องวัดระดับเสียงของเรานี่เป็นคู่มือขั้นที่ 6 สำหรับการคำนวณระดับเสียงโดยเฉลี่ยวิธีที่ง่ายที่สุดในการทำเช่นนี้ก็คือการใส่ ตัวเลขลงในเอกสาร Excel nt มีค่าในคอลัมน์เดียวเราจะมีค่า 84,600 สำหรับระยะเวลา 24 ชั่วโมงที่สมบูรณ์ถ้าคุณใช้ Excel รุ่นล่าสุด 2010 คุณจะสามารถใช้เซลล์จำนวนมากนี้และคำนวณข้อมูลใน pass เดียวได้ถ้าคุณเป็น โดยใช้ Excel 2003 หรือเวอร์ชันก่อนหน้านี้คุณจะถูก จำกัด ให้ใช้ 65,536 แถวและคุณจะต้องแบ่งข้อมูลออกเป็น 12 ชั่งโมงและทำการคำนวณที่สองโดยใช้สองส่วนของข้อมูลขั้นตอนด้านล่างถือว่าคุณสามารถทำงานได้ 86400 ตัวอย่างในหนึ่ง pass. Put แต่ละตัวอย่าง 1 วินาทีในคอลัมน์ A เริ่มต้นที่ 5 แถวเราจะต้องมีพื้นที่ที่จะนำการคำนวณขั้นสุดท้ายในภายหลังนี้จะให้เราค่าในเซลล์จาก A5 ถึง A86405 ในคอลัมน์ที่สอง, แบ่งแต่ละค่าเป็น 10 ในเซลล์ B5 ใส่ A5 10. คัดลอกข้อมูลนี้ลงในเซลล์ทั้งหมดจาก B6 ลงไปเป็น B 86405 ขณะนี้ป้องกันการบันทึกค่าจากขั้นตอนที่ 2 ในเซลล์ C5 ใส่ 10 B5 คัดลอกข้อมูลนี้ลงในเซลล์ทั้งหมดจาก C6 ลงไปที่ C86405 เพิ่มค่าทั้งหมดในคอลัมน์ C ในเซลล์ B1 ป้อน SUM C5 C86405 ซึ่งจะให้พลังงานเสียงทั้งหมดในช่วง 24 ชั่วโมงทั้งหมดตอนนี้เราจำเป็นต้องแบ่งจำนวนทั้งหมดนี้ตามจำนวนตัวอย่างในเซลล์ C1 ป้อน B1 86400 ขณะนี้เราต้องการฐาน 10 log เลขนี้และคูณ โดย 10. ในเซลล์ D1 ใส่ 10 log C1 ซึ่งทำให้เรามีพลังงานเสียงเฉลี่ยตลอด 24 ชั่วโมงได้ตลอดเวลาการพัฒนาผลิตภัณฑ์คุณภาพที่ บริษัท Cirrus Research plc ซึ่งเป็นผู้ผลิตเครื่องมือวัดความดังชั้นนำตัวอย่างเช่นแสดงวิธีใช้ตัวกรองเฉลี่ยเคลื่อนที่ และ resampling เพื่อแยกผลกระทบของส่วนประกอบเป็นระยะ ๆ ของช่วงเวลาในการอ่านอุณหภูมิรายชั่วโมงตลอดจนลบเสียงสัญญาณรบกวนที่ไม่พึงประสงค์จากการวัดแรงดันไฟฟ้าแบบ open-loop ตัวอย่างเช่นแสดงให้เห็นถึงวิธีทำให้ระดับสัญญาณนาฬิกาลดลงในขณะที่รักษาขอบไว้ โดยใช้ตัวกรองค่ามัธยฐานตัวอย่างยังแสดงวิธีการใช้ตัวกรอง Hampel เพื่อลบค่าดีเอ็นเอที่มีขนาดใหญ่การขยับเป็นวิธีที่เราค้นพบรูปแบบที่สำคัญในข้อมูลของเราในขณะที่ปล่อยให้สิ่งที่ไม่สำคัญเช่นเสียงเราใช้การกรอง เพื่อให้การปรับภาพเรียบขึ้นเป้าหมายของการปรับให้เรียบคือทำให้เกิดการเปลี่ยนแปลงในค่าที่ช้าเพื่อให้เห็นแนวโน้มในข้อมูลของเราได้ง่ายขึ้นบางครั้งเมื่อคุณตรวจสอบข้อมูลอินพุตคุณอาจต้องการทำให้ข้อมูลมีความราบรื่นขึ้นเพื่อดูแนวโน้มของสัญญาณใน ตัวอย่างของเราเรามีชุดของการอ่านอุณหภูมิในเซลเซียสถ่ายทุกชั่วโมงที่สนามบิน Logan ตลอดทั้งเดือนมกราคม 2011 หมายเหตุว่าเราสามารถมองเห็นผลกระทบที่เวลาของวันมีการอ่านอุณหภูมิหากคุณสนใจเฉพาะ การเปลี่ยนแปลงอุณหภูมิรายวันในช่วงเดือนความผันผวนรายชั่วโมงมีส่วนทำให้เกิดสัญญาณรบกวนเท่านั้นซึ่งสามารถทำให้รูปแบบรายวันยากที่จะมองเห็นได้หากต้องการลบผลกระทบของช่วงเวลาของวันนี้เราต้องการให้ข้อมูลของเราราบรื่นโดยใช้ตัวกรองเฉลี่ยเคลื่อนที่ A Moving Average Filter ในรูปแบบที่ง่ายที่สุดตัวกรองค่าเฉลี่ยเคลื่อนที่ของความยาว N ใช้ค่าเฉลี่ยของทุกๆ N ตัวอย่างต่อเนื่องของรูปคลื่นเพื่อใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่กับแต่ละจุดข้อมูลเราจะสร้างสัมประสิทธิ์ของเรา กรองเพื่อให้แต่ละจุดมีการถ่วงน้ำหนักอย่างเท่าเทียมกันและก่อให้เกิด 24 24 ถึงค่าเฉลี่ยทั้งหมดซึ่งจะทำให้เรามีอุณหภูมิเฉลี่ยตลอดช่วงเวลา 24 ชั่วโมงความล่าช้าของตัวกรองโปรดทราบว่าผลลัพธ์ที่กรองออกจะล่าช้าไปประมาณ 12 ชั่วโมงอันเนื่องมาจากความจริงที่ว่า ย้ายตัวกรองเฉลี่ยมีความล่าช้าใด ๆ ตัวกรองสมมาตรของความยาว N จะมีความล่าช้าของ N-1 ตัวอย่าง 2 เราสามารถบัญชีสำหรับความล่าช้านี้ด้วยตนเองการดึงความแตกต่างเฉลี่ยนอกจากนี้เรายังสามารถใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่เพื่อให้ได้ค่าที่ดีขึ้น ของวิธีการช่วงเวลาของวันมีผลต่ออุณหภูมิโดยรวมเมื่อต้องการทำเช่นนี้ก่อนลบข้อมูลเรียบจากการวัดอุณหภูมิรายชั่วโมงจากนั้นให้แบ่งข้อมูล differenced เป็นวันและใช้ค่าเฉลี่ยตลอด 31 วันในเดือน Extracting Peak Envelope. Sometimes นอกจากนี้เรายังต้องการที่จะมีการประมาณการที่แตกต่างกันอย่างราบรื่นว่าเสียงสูงและต่ำของสัญญาณอุณหภูมิของเราเปลี่ยนแปลงทุกวันการทำเช่นนี้เราสามารถใช้ฟังก์ชันซองจดหมายเพื่อเชื่อมต่อเสียงสูงและต่ำสุดที่ตรวจพบได้ เซตย่อยของช่วงเวลา 24 ชั่วโมงในตัวอย่างนี้เรามั่นใจว่าจะมีอย่างน้อย 16 ชั่วโมงระหว่างแต่ละค่าที่สูงมากและต่ำสุดเรายังสามารถรับรู้ได้ว่าเสียงสูงและต่ำมีแนวโน้มอย่างไรโดยการใช้ค่าเฉลี่ยระหว่างสองสุดขั้ว ตัวกรองแบบอื่น ๆ ที่มีค่าเฉลี่ยถ่วงน้ำหนักไม่ได้มีน้ำหนักตัวเท่ากันตัวอย่าง: ตัวกรองทั่วไปอื่น ๆ ตามการขยายตัวแบบสองทางของตัวกรองชนิดนี้จะประมาณเส้นโค้งปกติสำหรับค่าที่มีขนาดใหญ่ n จะเป็นประโยชน์สำหรับการกรองเสียงรบกวนความถี่สูงสำหรับขนาดเล็ก n เมื่อต้องการหาค่าสัมประสิทธิ์สำหรับตัวกรองแบบทวินามให้ใช้ร่วมกับตัวเองและค่อยๆหมุนวนเอาท์พุทตามจำนวนครั้งที่กำหนดในตัวอย่างนี้ให้ใช้การวนซ้ำทั้งหมดห้าครั้งตัวกรองอื่นที่คล้ายกับตัวกรองการขยายตัวของ Gaussian คือตัวกรองค่าเฉลี่ยเลขยกกำลัง ชนิดของตัวกรองค่าเฉลี่ยถ่วงน้ำหนักที่เคลื่อนที่ได้ง่ายและไม่จำเป็นต้องมีขนาดหน้าต่างใหญ่คุณสามารถปรับตัวกรองค่าเฉลี่ยถ่วงน้ำหนักที่ชี้แจงโดย อัลฟ่าระหว่างศูนย์และหนึ่งค่าที่สูงขึ้นของอัลฟาจะมีการทำให้เรียบขึ้นน้อยลง Zoom เข้าสู่การอ่านเป็นเวลาหนึ่งวันเลือกประเทศของคุณ