Matlab Gleitende Mittlere Signalverarbeitung

Ich muss einen gleitenden Durchschnitt über eine Datenreihe innerhalb einer for-Schleife berechnen. Ich muss den gleitenden Durchschnitt über N9 Tage erhalten. Das Array Im-Berechnen ist 4 Reihe von 365 Werten (M), die selbst Mittelwerte eines anderen Satzes von Daten sind. Ich möchte die Mittelwerte meiner Daten mit dem gleitenden Durchschnitt in einem Diagramm darstellen. Ich googeln ein wenig über gleitende Durchschnitte und den conv Befehl und fand etwas, das ich versuchte, in meinem Code umzusetzen: So grundsätzlich berechne ich meinen Durchschnitt und plot ihn mit einem (falschen) gleitenden Durchschnitt. Ich wählte die wts Wert direkt an der Mathworks-Website, so dass ist falsch. (Quelle: mathworks. nlhelpeconmoving-average-trend-estimation. html) Mein Problem aber ist, dass ich nicht verstehe, was dieses wts ist. Könnte jemand erklären, wenn es etwas mit den Gewichten der Werte zu tun hat: das ist in diesem Fall ungültig. Alle Werte werden gleich gewichtet. Und wenn ich das völlig falsch mache, könnte ich etwas Hilfe dabei haben Mein aufrichtigster Dank. Die Verwendung von conv ist eine hervorragende Möglichkeit, einen gleitenden Durchschnitt zu implementieren. In dem Code, den Sie verwenden, ist wts, wie viel Sie jeden Wert wiegen (wie Sie ahnen). Die Summe dieses Vektors sollte immer gleich Eins sein. Wenn Sie jeden Wert gleichmäßig gewichten und eine Größe N bewegten Filter dann tun möchten, würden Sie tun möchten Mit dem gültigen Argument in conv wird mit weniger Werten in Ms, als Sie in M ​​haben. Verwenden Sie diese, wenn Sie dont die Auswirkungen von Nullpolsterung. Wenn Sie die Signalverarbeitung Toolbox haben, können Sie cconv verwenden, wenn Sie einen kreisförmigen gleitenden Durchschnitt ausprobieren möchten. Etwas wie Sie sollten die conv und cconv Dokumentation für weitere Informationen lesen, wenn Sie havent bereits. 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 5. 2) glatt als Teil der Curve Fitting Toolbox (die in den meisten Fällen verfügbar ist) yy glatt (y) glättet die Daten in dem Spaltenvektor Y unter Verwendung eines gleitenden Durchschnittsfilters. Die Ergebnisse werden im Spaltenvektor yy zurückgegeben. Die Standardspanne für den gleitenden Durchschnitt ist 5.Was ist Glättung und wie kann ich es tun Ich habe ein Array in Matlab, die das Magnitude-Spektrum eines Sprachsignals (die Größe von 128 Punkten FFT) ist. Wie glätte ich dieses mit einem gleitenden Durchschnitt Von dem, was ich verstehe, sollte ich ein Fenster Größe einer bestimmten Anzahl von Elementen nehmen, durchschnittlich, und dies wird das neue 1. Element. Dann verschieben Sie das Fenster nach rechts um ein Element, nehmen Sie den Durchschnitt, der das 2. Element wird, und so weiter. Ist das wirklich, wie es funktioniert Ich bin mir nicht sicher, da, wenn ich das tun, in meinem Endergebnis werde ich weniger als 128 Elemente haben. Also, wie funktioniert es und wie es hilft, um die Datenpunkte zu glätten Oder gibt es eine andere Art und Weise kann ich tun, Glättung der Daten gefragt Okt 15 12 at 6:30 migriert von stackoverflow Okt 15 12 at 14:51 Diese Frage kam von unserem Website für professionelle und enthusiast Programmierer. Für ein Spektrum möchten Sie wahrscheinlich gemeinsam (in der Zeitdimension) mehrere Spektren eher als ein laufender Durchschnitt entlang der Frequenzachse eines einzigen Spektrums ndash Endolith sind beide gültige Techniken. Die Mittelung im Frequenzbereich (manchmal auch als Danielle-Periodogramm bezeichnet) ist die gleiche wie das Fenstern im Zeitbereich. Die Mittelung von mehreren Periodogrammen (quotspectraquot) ist ein Versuch, die Ensemble-Mittelung des wahren Periodogramms nachzuahmen (dies wird als Welch-Periodogramm bezeichnet). Auch als eine Frage der Semantik würde ich argumentieren, dass quotsmoothingquot nicht-causual Tiefpaß-Filterung ist. Siehe Kalman Filterung vs Kalman Glättung, Wiener Filterung v Wiener Glättung, etc. Es gibt eine nichttriviale Unterscheidung und it39s Umsetzung abhängig. Ndash Bryan 12-18 um 19:18 Glättung kann in vielerlei Hinsicht getan werden, aber in sehr grundlegende und allgemeine Begriffe bedeutet es, dass Sie sogar ein Signal, indem Sie seine Elemente mit ihren Nachbarn. Sie smearblur das Signal ein wenig, um loszuwerden, Lärm. Zum Beispiel wäre eine sehr einfache Glättungsmethode, jedes Signal-Element f (t) auf 0,8 des ursprünglichen Wertes plus 0,1 jeder seiner Nachbarn neu zu berechnen: Beachten Sie, wie sich die Multiplikationsfaktoren oder - gewichte zu eins addieren. Also, wenn das Signal ist ziemlich konstant, Glättung nicht viel ändern. Aber wenn das Signal einen plötzlichen ruckartigen Wechsel enthielt, wird der Beitrag seiner Nachbarn dazu beitragen, das Rauschen ein wenig aufzuklären. Die Gewichte, die Sie in dieser Rekalkulationsfunktion verwenden, können als Kernel bezeichnet werden. Eine eindimensionale Gaußsche Funktion oder irgendein anderer Grundkern sollte in Ihrem Fall tun. Schönes Beispiel für eine besondere Art von Glättung: Oben: Ungelöstes Signal Unten: geglättetes Signal Beispiele für einige Kerne: Neben der netten Antwort von Junuxx möchte ich noch ein paar Notizen machen. Glättung bezieht sich auf die Filterung (leider ziemlich vage Wikipedia-Artikel) - Sie sollten die glatte wählen, basierend auf seinen Eigenschaften. Einer meiner Favoriten ist der Medianfilter. Dies ist ein Beispiel eines nicht-linearen Filters. Es hat einige interessante Eigenschaften, es bewahrt Kanten und ist sehr robust unter großen Lärm. Wenn Sie ein Modell haben, wie Ihr Signal verhält sich ein Kalman-Filter ist einen Blick wert. Seine Glättung ist tatsächlich eine Bayessche Maximum-Likelihood-Schätzung des Signals basierend auf Beobachtungen. Beantwortet Okt 15 12 am 11:07 1 für die Erwähnung der kalman Filter ndash Die Glättung impliziert die Verwendung von Informationen aus benachbarten Proben, um die Beziehung zwischen benachbarten Proben zu ändern. Für endliche Vektoren gibt es an den Enden keine benachbarten Informationen auf einer Seite. Ihre Entscheidungen sind: dont smoothfilter die Enden, akzeptieren Sie einen kürzeren resultierenden geglättet Vektor, machen Sie Daten und glatt mit dem (abhängig von der Genauigkeit aller Vorhersagen von den Enden), oder vielleicht mit verschiedenen asymmetrischen Glättung Kerne an den Enden (die am Ende Verkürzen den Informationsgehalt im Signal sowieso). Antwort # 2 am: Mai 15, 2010, 04:31:25 am »Andere haben erwähnt, wie Sie Glättung tun, Id wie zu erwähnen, warum Glättung funktioniert. Wenn Sie Ihr Signal richtig überspielen, variiert es relativ wenig von einer Probe zur nächsten (Beispielzeitpunkte, Pixel usw.) und es wird erwartet, dass sie ein insgesamt glattes Aussehen haben. Mit anderen Worten enthält Ihr Signal wenige hohe Frequenzen, d. H. Signalkomponenten, die mit einer Rate ähnlich zu Ihrer Abtastrate variieren. Messungen werden oft durch Rauschen verfälscht. In erster Näherung betrachten wir in der Regel das Rauschen einer Gaußschen Verteilung mit mittlerem Nullpunkt und einer bestimmten Standardabweichung, die einfach über dem Signal addiert wird. Um das Rauschen in unserem Signal zu reduzieren, machen wir gewöhnlich die folgenden vier Annahmen: Rauschen ist zufällig, nicht korreliert unter Samples, hat einen Mittelwert von Null, und das Signal ist ausreichend überabgetastet. Mit diesen Annahmen können wir einen gleitenden Mittelwertfilter verwenden. Man betrachte beispielsweise drei aufeinanderfolgende Proben. Da das Signal stark überabgetastet wird, kann angenommen werden, dass das darunterliegende Signal sich linear ändert, was bedeutet, dass der Mittelwert des Signals an den drei Abtastwerten dem wahren Signal am mittleren Abtastwert entspricht. Im Gegensatz dazu weist das Rauschen einen Mittelwert von Null auf und ist unkorreliert, was bedeutet, daß sein Durchschnitt zu Null neigen sollte. Somit können wir einen Gleitfilter mit drei Stichproben anwenden, wobei wir jede Probe mit dem Mittelwert zwischen sich und seinen zwei benachbarten Nachbarn ersetzen. Natürlich, je größer wir das Fenster, desto mehr das Rauschen wird auf Null, aber desto geringer unsere Annahme der Linearität des wahren Signals hält. So müssen wir einen Kompromiss machen. Eine Möglichkeit, das Beste aus beiden Welten zu erhalten, besteht darin, einen gewichteten Mittelwert zu verwenden, wobei wir kleinere Gewichte weiter weggeben, sodass wir Rauscheffekte aus größeren Bereichen mitteln, während wir das wahre Signal nicht zu groß gewichten, wo es von unserer Linearität abweicht Annahme. Wie Sie die Gewichte setzen sollte, hängt von dem Rauschen, dem Signal und der Rechenleistung ab, und natürlich von dem Kompromiss zwischen dem Beseitigen von Rauschen und dem Schneiden in das Signal. Beachten Sie, dass in den letzten Jahren eine Menge Arbeit geleistet wurde, um einige der vier Annahmen zu lösen, zum Beispiel durch Entwerfen von Glättungsschemata mit variablen Filterfenstern (anisotrope Diffusion) oder Schemata, die überhaupt keine Fenster verwenden (Nichtlokale Mittel). Answered Dec 27 12 at 15: 10Documentation Dieses Beispiel zeigt, wie man gleitende durchschnittliche Filter und Resampling verwenden, um die Wirkung von periodischen Komponenten der Tageszeit auf stündliche Temperaturablesungen zu isolieren sowie unerwünschte Leitungsgeräusche aus einer offenen Spannungsmessung zu entfernen . Das Beispiel zeigt auch, wie die Pegel eines Taktsignals zu glätten sind, während die Kanten durch Verwendung eines Medianfilters bewahrt werden. Das Beispiel zeigt auch, wie ein Hampel-Filter verwendet wird, um große Ausreißer zu entfernen. Motivation Glättung ist, wie wir wichtige Muster in unseren Daten zu entdecken, während Sie Dinge, die unwichtig sind (d. H. Rauschen). Wir verwenden Filter, um diese Glättung durchzuführen. Das Ziel der Glättung ist es, langsame Änderungen im Wert zu produzieren, so dass seine einfacher zu sehen, Trends in unseren Daten. Manchmal, wenn Sie Eingangsdaten untersuchen, können Sie die Daten glatt machen, um einen Trend im Signal zu sehen. In unserem Beispiel haben wir eine Reihe von Temperaturmessungen in Celsius genommen jede Stunde am Logan Flughafen für den gesamten Monat Januar 2011. Beachten Sie, dass wir visuell sehen können, die Wirkung, die die Tageszeit auf die Temperaturwerte hat. Wenn Sie sich nur für die tägliche Temperaturschwankung im Laufe des Monats interessieren, tragen die stündlichen Fluktuationen nur zu Lärm bei, was die täglichen Variationen schwer unterscheiden kann. Um den Effekt der Tageszeit zu entfernen, möchten wir nun unsere Daten mit einem gleitenden Mittelfilter glätten. Ein Moving Average Filter In seiner einfachsten Form nimmt ein gleitender Durchschnittsfilter der Länge N den Durchschnitt jeder N aufeinanderfolgenden Samples der Wellenform an. Um einen gleitenden Mittelwertfilter auf jeden Datenpunkt anzuwenden, konstruieren wir unsere Koeffizienten unseres Filters, so dass jeder Punkt gleich gewichtet ist und 124 zum Gesamtdurchschnitt beiträgt. Dies gibt uns die durchschnittliche Temperatur über jeden Zeitraum von 24 Stunden. Filterverzögerung Beachten Sie, dass der gefilterte Ausgang um etwa zwölf Stunden verzögert wird. Dies ist auf die Tatsache zurückzuführen, dass unser gleitender Durchschnittsfilter eine Verzögerung hat. Jedes symmetrische Filter der Länge N hat eine Verzögerung von (N-1) 2 Abtastungen. Wir können diese Verzögerung manuell berücksichtigen. Extrahieren von Durchschnittsdifferenzen Alternativ können wir auch das gleitende Mittelfilter verwenden, um eine bessere Schätzung zu erhalten, wie die Tageszeit die Gesamttemperatur beeinflusst. Dazu werden zuerst die geglätteten Daten von den stündlichen Temperaturmessungen subtrahiert. Dann segmentieren Sie die differenzierten Daten in Tage und nehmen Sie den Durchschnitt über alle 31 Tage im Monat. Extrahieren von Peak Envelope Manchmal möchten wir auch eine glatt variierende Schätzung haben, wie sich die Höhen und Tiefen unseres Temperatursignals täglich ändern. Um dies zu erreichen, können wir die Hüllkurvenfunktion verwenden, um extreme Höhen und Tiefen zu verbinden, die über eine Untermenge der 24-Stundenperiode erkannt werden. In diesem Beispiel stellen wir sicher, dass es mindestens 16 Stunden zwischen jedem extrem hohen und extrem niedrigen Niveau gibt. Wir können auch ein Gefühl dafür, wie die Höhen und Tiefen sind Trends, indem sie den Durchschnitt zwischen den beiden Extremen. Weighted Moving Average Filter Andere Arten von Moving Average Filtern gewichten nicht jede Probe gleichermaßen. Ein weiteres gemeinsames Filter folgt der Binomialexpansion von (12,12) n Dieser Filtertyp approximiert eine Normalkurve für große Werte von n. Es ist nützlich zum Herausfiltern von Hochfrequenzrauschen für kleine n. Um die Koeffizienten für das Binomialfilter zu finden, falten Sie 12 12 mit sich selbst und konvergieren dann iterativ den Ausgang mit 12 12 eine vorgeschriebene Anzahl von Malen. Verwenden Sie in diesem Beispiel fünf Gesamt-Iterationen. Ein anderer Filter, der dem Gaußschen Expansionsfilter ähnlich ist, ist der exponentiell gleitende Durchschnittsfilter. Diese Art des gewichteten gleitenden Durchschnittsfilters ist einfach zu konstruieren und erfordert keine große Fenstergröße. Sie passen einen exponentiell gewichteten gleitenden Durchschnittsfilter durch einen Alpha-Parameter zwischen null und eins an. Ein höherer Wert von alpha wird weniger Glättung haben. Untersuche die Messwerte für einen Tag. Wähle dein Land