Flytting Gjennomsnitt Filter Matlab Kode Eksempel

Last ned movAv. m (se også movAv2 - en oppdatert versjon som tillater vekting) Beskrivelse Matlab inkluderer funksjoner som kalles movavg og tsmovavg (tidsserier som beveger seg i gjennomsnitt) i Financial Toolbox, movAv er utformet for å gjenskape grunnleggende funksjonaliteten til disse. Koden her gir et godt eksempel på å administrere indekser i looper, som kan være forvirrende til å begynne med. Jeg har bevisst holdt koden kort og enkel å holde denne prosessen klar. movAv utfører et enkelt glidende gjennomsnitt som kan brukes til å gjenopprette støyende data i noen situasjoner. Det fungerer ved å ta et middel av inngangen (y) over et glidende tidvindu, hvis størrelse er spesifisert av n. Jo større n er, desto større er utjevningen av effekten av n i forhold til lengden på inngangsvektoren y. og effektivt (vel slags) skaper et lavpassfrekvensfilter - se avsnittet om eksempler og overveier. Fordi mengden av utjevning som tilbys av hver verdi av n er i forhold til lengden på inngangsvektoren, er den alltid verdt å teste forskjellige verdier for å se hva som passer. Husk også at n poeng går tapt på hvert gjennomsnitt hvis n er 100, inneholder de første 99 punktene i inngangsvektoren ikke nok data for et gjennomsnitt på 100pt. Dette kan unngås noe ved å stable gjennomsnitt, for eksempel, koden og grafen nedenfor, sammenligner en rekke vinduer med gjennomsnittlig lengde. Legg merke til hvor glatt 1010pt er sammenlignet med et enkelt 20pt gjennomsnitt. I begge tilfeller går 20 poeng i tap totalt. Opprett xaxis x1: 0.01: 5 Generer støystøyReps 4 støy repmat (randn (1, ceil (numel (x) noiseReps)), noiseReps, 1) støy reshape (støy, 1, lengde (støy) noiseReps) Generer ydata støy yexp x) 10noise (1: lengde (x)) Gjennomsnittlig gjennomsnitt: y2 movAv (y, 10) 10 pt y3 movAv (y2, 10) 1010 pt y4 movAv (y, 20) 20 pt y5 movAv (y, 40) 40 pt y6 movAv (y, 100) 100 pt Plot-figurplot (x, y, y2, y3, y4, y5, y6) legenden (Rå data, 10pt glidende gjennomsnitt, 1010pt, 20pt, 40pt, 100pt) xlabel (x) ylabel y) tittel (Sammenligning av bevegelige gjennomsnittsverdier) movAv. m-kode gjennomgående funksjonsutgang movAv (y, n) Den første linjen definerer funksjonsnavn, innganger og utganger. Inngangen x skal være en vektor med data for å utføre gjennomsnittet, n skal være antall poeng som skal utføre gjennomsnittet over utgang vil inneholde gjennomsnittlig data returnert av funksjonen. Preallocate output outputNaN (1, numel (y)) Finn midtpunkt for n midPoint runde (n2) Hovedarbeidet av funksjonen er gjort i forløp, men før du starter, blir to ting forberedt. For det første er produksjonen forhåndsallokert som NaNs, dette tjente to formål. For det første er forallokering generelt god praksis, da det reduserer minnesjonglingen Matlab må gjøre, for det andre gjør det veldig enkelt å sette de gjennomsnittlige dataene i en utgang i samme størrelse som inngangsvektoren. Dette betyr at den samme xaxis kan brukes senere for begge, noe som er praktisk for plotting, alternativt kan NaNs fjernes senere i en linje med kode (utdatautgang (Den variable midpoint vil bli brukt til å justere dataene i utgangsvektoren. n 10, vil 10 poeng gå tapt fordi for de første 9 poengene til inngangsvektoren er det ikke nok data til å ta et 10-punkts gjennomsnitt. Da utgangen vil bli kortere enn inngangen, må den justeres riktig. bli brukt, slik at en lik mengde data går tapt ved start og slutt, og inngangen holdes justert med utgangen av NaN buffere opprettet ved preallokering av utgang. For en 1: lengde (y) - n Finn indeksområdet for å ta gjennomsnitt over (a: b) forbud Beregn gjennomsnittlig utgang (amidPoint) gjennomsnittlig (y (a: b)) ende I selve forløpet er et gjennomsnitt tatt over hvert påfølgende segment av inngangen. Sløyfen løper for a. definert som 1 opp til lengden på inngangen (y), minus dataene som vil gå tapt (n). Hvis inngangen er 100 poeng lo ng og n er 10, vil løkken løpe fra (a) 1 til 90. Dette betyr at den første indeksen til segmentet blir gjennomsnittlig. Den andre indeksen (b) er ganske enkelt an-1. Så på den første iterasjonen, a1. n10. så b 11-1 10. Det første gjennomsnittet er tatt over y (a: b). eller x (1:10). Gjennomsnittet for dette segmentet, som er en enkelt verdi, lagres i produksjonen på indeksen amidPoint. eller 156. På den andre iterasjonen, a2. b 210-1 11. så er gjennomsnittet tatt over x (2:11) og lagret i utgang (7). På den siste iterasjonen av løkken for en inngang på lengde 100, a91. b 9010-1 100, slik at gjennomsnittet blir tatt over x (91: 100) og lagret i utgang (95). Dette etterlater produksjonen med totalt n (10) NaN-verdier ved indeks (1: 5) og (96: 100). Eksempler og overveier Flytte gjennomsnitt er nyttige i noen situasjoner, men de er ikke alltid det beste valget. Her er to eksempler hvor de ikke nødvendigvis er optimale. Mikrofonkalibrering Dette datasettet representerer nivåene av hver frekvens produsert av en høyttaler og registrert av en mikrofon med en kjent lineær respons. Høyttalerenes utgang varierer med frekvens, men vi kan korrigere for denne variasjonen med kalibreringsdataene. Utgangen kan justeres på nivå for å ta hensyn til svingningene i kalibreringen. Legg merke til at rådataene er støyende - det betyr at en liten endring i frekvens ser ut til å kreve en stor, uregelmessig, endring i nivå for å ta hensyn til. Er dette realistisk eller er dette et produkt av opptaksmiljøet. Det er i dette tilfellet rimelig å bruke et glidende gjennomsnitt som jevner ut nivåfrekvenskurven for å gi en kalibreringskurve som er litt mindre uregelmessig. Men hvorfor er dette ikke det beste i dette eksemplet Flere data ville være bedre - flere kalibreringer går i gjennomsnitt sammen vil ødelegge støyen i systemet (så lenge det er tilfeldig) og gi en kurve med mindre subtile detaljer tapt. Det bevegelige gjennomsnittet kan kun omtrentliggjøre dette, og kan fjerne noen høyere frekvensdips og topper fra kurven som virkelig eksisterer. Sinbølger Ved å bruke et glidende gjennomsnitt på sinusbølger fremheves to poeng: Det generelle spørsmålet om å velge et rimelig antall poeng for å utføre gjennomsnittet over. Det er enkelt, men det er mer effektive metoder for signalanalyse enn gjennomsnittlig oscillerende signaler i tidsdomene. I denne grafen er den opprinnelige sinusbølgen plottet i blått. Støy er lagt til og tegnet som oransje kurven. Et glidende gjennomsnitt utføres på forskjellige antall punkter for å se om den opprinnelige bølgen kan gjenvinnes. 5 og 10 poeng gir rimelige resultater, men fjerner ikke støyen helt, hvor like større antall poeng begynner å miste amplitudedetalj som gjennomsnittet strekker seg over forskjellige faser (husk at bølgen oscillerer rundt null og mener (-1 1) 0) . En alternativ tilnærming ville være å konstruere et lavpassfilter enn det som kan påføres signalet i frekvensdomenet. Jeg kommer ikke til å gå i detalj som det går ut over omfanget av denne artikkelen, men da støyen er betydelig høyere frekvens enn bølgenees grunnfrekvens, ville det være ganske enkelt i dette tilfellet å konstruere et lavpassfilter enn å fjerne høyfrekvensen noise. Averaging Filter Dette eksemplet viser den anbefalte arbeidsflyten for å generere C-kode fra en MATLAB-funksjon ved hjelp av codegen-kommandoen. Dette er trinnene: 1. Legg kodedirektivet til MATLAB-funksjonen for å indikere at den er beregnet for kodegenerering. Dette direktivet gjør det også mulig for MATLAB-kodeanalysatoren å identifisere advarsler og feil spesifikke for MATLAB for kodegenerering. 2. Generer en MEX-funksjon for å kontrollere at MATLAB-koden er egnet for kodegenerering. Hvis det oppstår feil, bør du fikse dem før du genererer C-kode. 3. Test MEX-funksjonen i MATLAB for å sikre at den er funksjonelt ekvivalent med den originale MATLAB-koden, og at det ikke oppstår run-time-feil. 4. Generer C-kode. 5. Kontroller C-koden. Forutsetninger Det er ingen forutsetninger for dette eksemplet. Opprett en ny mappe og kopier relevante filer Følgende kode vil opprette en mappe i din nåværende arbeidsmappe (pwd). Den nye mappen inneholder bare de filene som er relevante for dette eksemplet. Hvis du ikke vil påvirke gjeldende mappe (eller hvis du ikke kan generere filer i denne mappen), bør du endre arbeidsmappen din. Kjør kommando: Opprett en ny mappe og kopier Relevante filer Om gjennomsnittsfiltreringsfunksjon Funksjonen averagingfilter. m fungerer som et gjennomsnittsfilter på inngangssignalet som tar en inngangsvektor av verdier og beregner et gjennomsnitt for hver verdi i vektoren. Utgangsvektoren har samme størrelse og form som inngangsvektoren. Direktivet for kodegruppe indikerer at MATLAB-koden er beregnet for kodegenerering. Lag noen eksempler Data Generer en støyende sinusbølge og plott resultatet. Generer en MEX-funksjon for testing Generer en MEX-funksjon ved hjelp av codegen-kommandoen. Codegen-kommandoen kontrollerer at MATLAB-funksjonen er egnet for kodegenerering og genererer en MEX-funksjon som du kan teste i MATLAB før du genererer C-kode. Fordi C bruker statisk typing, må kodegen bestemme egenskapene til alle variabler i MATLAB-filene på kompileringstiden. Her leverer kommandolinjevalg-kommandoen et eksempelinngang, slik at kodegen kan utlede nye typer basert på inngangstyper. Ved å bruke prøvesignalet som er opprettet ovenfor som eksempelinngangen, sikrer at MEX-funksjonen kan bruke samme inngang. Som standard genererer kodegen en MEX-funksjon som heter averagingfiltermex i den nåværende mappen. Dette lar deg teste MATLAB-koden og MEX-funksjonen og sammenligne resultatene. Test MEX-funksjonen i MATLAB Kjør MEX-funksjonen i MATLAB Generer C-kode Kontroller generert kode Kommandoen codegen med - konfig coder. config (lib) - alternativet genererer C-kode pakket som et frittstående C-bibliotek. Den genererte C-koden finnes i mappen codegenlibaveragingfilter. Filene er: Kontroller C-koden for gjennomsnittsfilen. c Funksjon Velg ditt landsdokumentasjon Dette eksemplet viser den anbefalte arbeidsflyten for å generere C-kode fra en MATLAB-funksjon ved hjelp av codegen-kommandoen. Dette er trinnene: 1. Legg kodedirektivet til MATLAB-funksjonen for å indikere at den er beregnet for kodegenerering. Dette direktivet gjør det også mulig for MATLAB-kodeanalysatoren å identifisere advarsler og feil spesifikke for MATLAB for kodegenerering. 2. Generer en MEX-funksjon for å kontrollere at MATLAB-koden er egnet for kodegenerering. Hvis det oppstår feil, bør du fikse dem før du genererer C-kode. 3. Test MEX-funksjonen i MATLAB for å sikre at den er funksjonelt ekvivalent med den originale MATLAB-koden, og at det ikke oppstår run-time-feil. 4. Generer C-kode. 5. Kontroller C-koden. Forutsetninger Det er ingen forutsetninger for dette eksemplet. Opprett en ny mappe og kopier relevante filer Følgende kode vil opprette en mappe i din nåværende arbeidsmappe (pwd). Den nye mappen inneholder bare de filene som er relevante for dette eksemplet. Hvis du ikke vil påvirke gjeldende mappe (eller hvis du ikke kan generere filer i denne mappen), bør du endre arbeidsmappen din. Kjør kommando: Opprett en ny mappe og kopier Relevante filer Om gjennomsnittsfiltreringsfunksjon Funksjonen averagingfilter. m fungerer som et gjennomsnittsfilter på inngangssignalet som tar en inngangsvektor av verdier og beregner et gjennomsnitt for hver verdi i vektoren. Utgangsvektoren har samme størrelse og form som inngangsvektoren. Velg ditt land