Matlab Signalverarbeitung Toolbox Moving Average

Das Berechnen eines laufenden Durchschnitts eines einfachen 1-D-Datenvektors scheint einfach genug. In der Tat behauptet die MATLAB-Dokumentation für FILTER etwas wie: Sie können Filter verwenden, um einen laufenden Durchschnitt zu finden, ohne eine for-Schleife zu verwenden. Dieses Beispiel findet den laufenden Durchschnitt eines 16-Element-Vektors unter Verwendung einer Fenstergröße von 3: Für meine Zwecke gibt es zwei ärgerliche Dinge über dieses Ergebnis: Ausgangspunkt n ist der Durchschnitt der Eingangspunkte n - (windowSize-1)..n (dh nicht zentriert, wie durch die horizontale Verschiebung belegt) und nach links von den verfügbaren Daten werden als Nullen behandelt. FILTFILT befasst sich mit beiden Fragen, hat aber andere Nachteile. Sein Teil des Signal Processing Toolbox, und es tut sich gut mit NaNs (die Id wie aus dem Mittelwert ausgeschlossen). Einige Leute auf FEX offensichtlich hatte die gleichen Frustrationen, aber es scheint seltsam, dass etwas, das diese einfache erfordert benutzerdefinierten Code. Anything Im fehlt hier gefragt Aug 10 10 at 21:39 Hmm. Gibt es sogar einen Weg, um die Polsterung zu tun und bekommen die durchschnittliche scheint, dass wenn sagen, 3 Bins fallen von der Kante im Vergleich zu 1, müssten Sie mit anderen Werten, um den richtigen Durchschnitt für die erste bin. Insbesondere müssen Sie mit dem Durchschnitt der gültigen Bins, die abhängig von dem Punkt unter Berücksichtigung pad. Also I39m nicht sicher, dass dies auch mit padding ndash möglich ist Matt Mizumi Aug 11 10 at 4: 06Moving Average Filter (MA filter) Loading. Der gleitende Mittelwertfilter ist ein einfaches Tiefpassfilter (Finite Impulse Response), das üblicherweise zum Glätten eines Arrays von abgetastetem Datensignal verwendet wird. Es nimmt M Abtastwerte von Eingang zu einem Zeitpunkt und nimmt den Durchschnitt dieser M-Abtastwerte und erzeugt 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. Das 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 3-Punkt-Moving-Average-Filter nicht viel getan hat, um das Rauschen herauszufiltern. 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, der gleitende Durchschnitt ist ein außergewöhnlich guter Glättungsfilter (die Aktion im Zeitbereich), aber ein außergewöhnlich schlechtes Tiefpaßfilter (die Aktion im Frequenzbereich) Externe Links: Empfohlene Bücher: Primäre Seitenleiste