Przenoszenie średniej w filtrze matlab

Utworzono w środę, 08 października 2008 20:04 Ostatnia aktualizacja w czwartek, 14 marca 2017 01:29 Napisane przez Batuhan Osmanoglu Wyświetleń: 41421 Średnia ruchoma w programie Matlab Często znajduję się w potrzebie uśrednienia danych Mam do zmniejszenia hałasu trochę kawałek. Napisałem kilka funkcji, aby zrobić dokładnie to, co chcę, ale matlabs wbudowany w funkcję filtru działa również całkiem dobrze. Tutaj piszę o uśrednianiu danych 1D i 2D. Filtr 1D może być realizowany za pomocą funkcji filtra. Funkcja filtra wymaga co najmniej trzech parametrów wejściowych: współczynnika licznika dla filtra (b), współczynnika mianownika dla filtra (a) i danych (X) oczywiście. Filtr średniej bieżącej można zdefiniować po prostu przez: Dla danych 2D możemy użyć funkcji filtra Matlabs2. Aby uzyskać więcej informacji na temat działania filtru, możesz wpisać: Oto szybka i brudna implementacja filtra 16 x 16 zmiennych ruchomych. Najpierw musimy zdefiniować filtr. Ponieważ wszystko, czego chcemy, to równy wkład wszystkich sąsiadów, możemy po prostu użyć tej funkcji. Dzielimy wszystko za pomocą 256 (1616), ponieważ nie chcemy zmieniać ogólnego poziomu (amplitudy) sygnału. Aby zastosować filtr, możemy po prostu powiedzieć: Poniżej znajdują się wyniki dla fazy interferogramu SAR. W tym przypadku zakres jest w osi Y, a azymut jest odwzorowany na osi X. Filtr miał 4 piksele szerokości w zakresie i 16 pikseli szerokości w azymucie. Filtr średniej prędkości (filtr MA) Ładowanie. Filtr średniej ruchomej to prosty filtr dolnoprzepustowy FIR (Finite Impulse Response), powszechnie stosowany do wygładzania tablicy próbkowanych sygnałów danych. Przyjmuje M próbek danych wejściowych na raz i pobiera średnią z tych M-próbek i generuje pojedynczy punkt wyjściowy. Jest to bardzo prosta struktura LPF (filtr dolnoprzepustowy), która jest przydatna naukowcom i inżynierom do filtrowania niechcianego hałaśliwego komponentu z zamierzonych danych. Wraz ze wzrostem długości filtra (parametr M) zwiększa się gładkość wyjścia, podczas gdy ostre przejścia w danych stają się coraz bardziej tępe. Oznacza to, że ten filtr ma doskonałą odpowiedź w dziedzinie czasu, ale słabą odpowiedź częstotliwościową. Filtr MA wykonuje trzy ważne funkcje: 1) Pobiera M punktów wejściowych, oblicza średnią z tych M-punktów i generuje pojedynczy punkt wyjściowy 2) Z powodu obliczeń związanych z obliczaniem. filtr wprowadza określoną ilość opóźnienia 3) Filtr działa jako filtr dolnoprzepustowy (z niską odpowiedzią częstotliwościową i dobrą odpowiedzią w dziedzinie czasu). Kod Matlaba: następujący kod Matlaba symuluje odpowiedź w czasie w odniesieniu do punktu ruchomej średniej klasy M-point, a także kreśli odpowiedź częstotliwościową dla różnych długości filtrów. Odpowiedź w dziedzinie czasu: Na pierwszym wykresie mamy dane wejściowe, które trafiają do filtra średniej ruchomej. Wejście jest głośne, a naszym celem jest zmniejszenie hałasu. Następna figura jest odpowiedzią wyjściową 3-punktowego filtra średniej ruchomej. Z rysunku można wywnioskować, że trzypunktowy filtr średniej ruchomej nie przyczynił się do odfiltrowania hałasu. Zwiększamy odczepy filtrów do 51-punktów i widzimy, że hałas na wyjściu znacznie się zmniejszył, co przedstawiono na następnym rysunku. Zwiększamy pobory o kolejne 101 i 501 i możemy zauważyć, że nawet pomimo tego, że hałas jest prawie zerowy, przejścia są drastycznie stępione (obserwuj nachylenie po obu stronach sygnału i porównaj je z idealną zmianą ściany ceglanej w nasz wkład). Pasmo przenoszenia: na podstawie odpowiedzi częstotliwościowej można stwierdzić, że zwinięcie jest bardzo wolne, a tłumienie pasma zatrzymania nie jest dobre. Biorąc pod uwagę to tłumienie pasma zatrzymania, filtr o średniej ruchomej nie może oddzielić jednego pasma częstotliwości od drugiego. Jak wiemy, dobra wydajność w dziedzinie czasu skutkuje słabą wydajnością w dziedzinie częstotliwości i na odwrót. Krótko mówiąc, średnia krocząca jest wyjątkowo dobrym filtrem wygładzającym (działanie w dziedzinie czasu), ale wyjątkowo złym filtrem dolnoprzepustowym (działanie w dziedzinie częstotliwości). Linki zewnętrzne: Zalecane książki: Główny pasek boczny 29 września 2017 r. Średnia ruchoma przez splot Co to jest średnia ruchoma i co jest dobre dla Jak poruszające się uśrednianie odbywa się za pomocą splotu Średnia ruchoma jest prostą operacją zwykle używaną do tłumienia szumu sygnału: ustawiamy wartość każdego punktu na średnią wartości w jego sąsiedztwo. Przez formułę: tutaj x jest wejściem, a y jest sygnałem wyjściowym, natomiast rozmiar okna to w, ma być nieparzysty. Powyższy wzór opisuje operację symetryczną: próbki są pobierane z obu stron rzeczywistego punktu. Poniżej znajduje się przykład życia. Punkt, w którym układane jest okno, jest czerwony. Wartości spoza x mają być zerami: Aby obejść i zobaczyć efekty średniej ruchomej, spójrz na tę interaktywną demonstrację. Jak to zrobić przez splot Jak można zauważyć, obliczenie prostej średniej ruchomej jest podobne do splotu: w obu przypadkach okno przesuwa się wzdłuż sygnału, a elementy w oknie są podsumowywane. Spróbuj więc zrobić to samo, używając splotu. Użyj następujących parametrów: Żądane wyjście: Jako pierwsze podejście, spróbujmy tego, co otrzymamy, zawiązując sygnał x przez następujące k jądro: Wynik jest dokładnie trzy razy większy niż oczekiwany. Można również zauważyć, że wartości wyjściowe są podsumowaniem trzech elementów w oknie. Dzieje się tak, ponieważ podczas splotu okno przesuwa się wzdłuż, wszystkie elementy w nim są mnożone przez jeden, a następnie podsumowywane: yk 1 cdot x 1 cdot x 1 cdot x Aby uzyskać pożądane wartości y. wynik powinien być podzielony przez 3: Przez formułę zawierającą podział: Ale czy nie byłoby optymalnie zrobić podział podczas splotu Oto przychodzi pomysł poprzez zmianę równania: Więc użyjemy następującego k jądra: W ten sposób będziemy uzyskać pożądany wynik: Ogólnie: jeśli chcemy zrobić średnią ruchomą przez splot o wielkości okna w. użyjemy następującego k-kernela: Prostą funkcją wykonującą średnią ruchomą jest: Przykład użycia: