Frequenzgang des Moving Average Filters und des FIR Filters Vergleichen Sie den Frequenzgang des Moving Average Filters mit dem des regulären FIR Filters. Stellen Sie die Koeffizienten des regulären FIR-Filters als Folge von skalierten 1s ein. Der Skalierungsfaktor ist 1 / filterLength. Erstellen Sie ein dsp. FIRFilter-Systemobjekt, und legen Sie seine Koeffizienten auf 1/40 fest. Um den gleitenden Durchschnitt zu berechnen, erstellen Sie ein dsp. MovingAverage-Systemobjekt mit einem Schiebefenster mit der Länge 40, um den gleitenden Durchschnitt zu berechnen. Beide Filter haben die gleichen Koeffizienten. Der Eingang ist Gaußsches weißes Rauschen mit einem Mittelwert von 0 und einer Standardabweichung von 1. Stellen Sie den Frequenzgang beider Filter mithilfe von fvtool dar. Die Frequenzantworten entsprechen genau, was beweist, dass das gleitende Mittelfilter ein Spezialfall des FIR-Filters ist. Zum Vergleich den Frequenzgang des Filters ohne Rauschen. Vergleichen Sie den Frequenzgang des Filters mit dem des idealen Filters. Sie können sehen, dass der Hauptlappen im Durchlassbereich nicht flach ist und die Wellen im Stopband nicht eingeschränkt sind. Der Frequenzgang des gleitenden Durchschnittsfilters stimmt nicht mit dem Frequenzgang des idealen Filters überein. Um ein ideales FIR-Filter zu realisieren, ändern Sie die Filterkoeffizienten zu einem Vektor, der keine Folge von skalierten 1s ist. Der Frequenzgang des Filters ändert sich und neigt dazu, sich näher an die ideale Filterantwort zu verschieben. Entwerfen Sie die Filterkoeffizienten anhand vordefinierter Filterspezifikationen. Beispielsweise ein FIR-Filter mit einer normierten Grenzfrequenz von 0,1, einer Durchlaßbandwelligkeit von 0,5 und einer Stoppbanddämpfung von 40 dB. Verwenden Sie fdesign. lowpass, um die Filterspezifikationen und die Designmethode zu definieren, um den Filter zu entwerfen. Die Antwort des Filters im Durchlaßbereich ist nahezu flach (ähnlich der idealen Reaktion), und das Stoppband hat Gleichstromgrenzen eingeschränkt. MATLAB und Simulink sind eingetragene Warenzeichen von The MathWorks, Inc. Bitte lesen Sie Mathworks / Warenzeichen für eine Liste anderer Marken, die Eigentum von The MathWorks sind. Weitere Produkt - oder Markennamen sind Warenzeichen oder eingetragene Warenzeichen der jeweiligen Eigentümer. Wählen Sie Ihr CountryMoving Average Filter (MA Filter) Loading. Das gleitende Mittelfilter ist ein einfaches Tiefpassfilter (Finite Impulse Response), das üblicherweise zum Glätten eines Arrays von abgetasteten Daten / Signalen verwendet wird. Es benötigt M Abtastwerte von Eingang zu einem Zeitpunkt und nimmt den Durchschnitt dieser M-Abtastungen 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. Der 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 Berechnungen / Berechnungen. 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 Filter mit 3-Punkt-Moving-Average bei der Filterung des Rauschens nicht viel getan hat. 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 Was sind die Nachteile des Bewegens Durchschnittlicher Filter bei Verwendung mit Zeitreihendaten Es gibt ein bisschen ein verwirrendes in der Terminologie in der Signalverarbeitung. Gleitende Durchschnittsfilter sind Filter, die eine Reihe von gewichteten Mitteln des Eingangssignals berechnen. Zusätzlich zu Balaacutezs Kotoszrsquo Kommentar, ist es wichtig, dass die Gewichte nicht gleich sind, d. h. Sie berechnen das laufende arithmetische Mittel des Eingangssignals. Dieser Filtertyp wird üblicherweise als laufender Mittelwert bezeichnet. Sie sollten nicht verwenden, weil sie einige Frequenzen in Ihrem Spektrum zu beseitigen und andere sind umgekehrt. Das ist schlecht, wenn man sich für ein bestimmtes Frequenzband interessiert, das entweder eliminiert (keine Antwort) oder umgekehrt (Zeichenwechsel und damit Kausalität) ist (siehe auch MATLAB Rezepte für Geowissenschaften, Springer 2010). Heres ein MATLAB Beispiel, um den Effekt der laufenden Mittel zu sehen. Beispielsweise beseitigt das Anlegen des Filters an ein Signal mit einer Periode von etwa 1 / 0,09082 vollständig dieses Signal. Da ferner die Größe des Frequenzgangs der Absolutwert des komplexen Frequenzgangs ist, ist die Betragsantwort tatsächlich zwischen 0,3633 und zwischen 0,4546 und der Nyquist-Frequenz negativ. Alle Signalanteile mit Frequenzen innerhalb dieser Intervalle werden auf der t-Achse gespiegelt. Als ein Beispiel versuchen wir eine Sinuswelle mit einer Periode von 7.0000, z. B. Eine Frequenz von ungefähr 0,1499, die innerhalb des ersten Intervalls mit einer negativen Amplitudenantwort ist: t (1: 100) × 10²sin (2pit / 7) b10 Eins (1,11) / 11m10 Länge (b10) y10 Filter (b10, (M10-1) / 2: end - (m10-1) / 2,1) y10 (end1: endm10-1,1) Nullen (m10-1,1) grafische Darstellung (t, Hierbei ist die Amplitudenantwort des Filters, die die Nullen und die Begrenzung zeigt: h, w freqz (b10,1,512) f 1w / (2pi) Größe abs (h) Diagramm (f, Größe) Die Sinuswelle Mit einer Periode von 7 eine Amplitudenreduktion von z Um 80 aber auch geändertes Zeichen, wie Sie von der Handlung sehen können. Die Beseitigung bestimmter Frequenzen und das Spiegeln des Signals haben wichtige Bedeutung bei der Interpretation der Kausalität in den Geowissenschaften. Diese Filter, obwohl sie standardmäßig in Tabellenkalkulationsprogrammen zum Glätten angeboten werden, sollten daher vollständig vermieden werden. Als Alternative sollten Filter mit einem spezifischen Frequenzgang verwendet werden, wie z. B. ein Butterworth-Tiefpassfilter. Haben Sie eine Frage, die Sie schnell beantwortet haben müssen
No comments:
Post a Comment