ชี้แจง เคลื่อนไหว ค่าเฉลี่ย สัญญาณ การประมวลผล

ด้วยเวกเตอร์น้ำหนักฉันหมายถึงเวกเตอร์ที่มีน้ำหนักที่คุณต้องคูณจำนวนการสังเกตในหน้าต่างที่สไลด์ข้อมูลของคุณดังนั้นถ้าคุณเพิ่มผลิตภัณฑ์เหล่านั้นเข้าด้วยกันจะส่งกลับค่าของ EMA ทางด้านขวาของหน้าต่าง สำหรับค่าเฉลี่ยถ่วงน้ำหนักแบบเส้นตรงสูตรการหาเวกเตอร์น้ำหนักคือ: (1: n) sum (1: n) (ในรหัส R) ชุดของความยาว n เพิ่มขึ้นเป็น 1 สำหรับ n10 จะเป็น 0.01818182 0.03636364 0.05454545 0.07272727 0.09090909 0.10909091 0.12727273 0.14545455 0.16363636 0.18181818 ตัวเลข 1 ถึง 10 55 โดยมีผลรวม 55 จากตัวเลข 1 ถึง 10 คุณจะคำนวณเวกเตอร์น้ำหนักได้อย่างไร สำหรับค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) ของความยาว n ถ้า n คือความยาวของหน้าต่างแล้ว alphalt-2 (n1) และ ilt-1: n ดังนั้น EmaWeightVectorlt - ((alpha (1-alpha) (1-i)) ) ถูกต้องหรือไม่แม้ว่า EMA จะไม่ จำกัด เฉพาะหน้าต่างที่มีจุดเริ่มต้นและจุดสิ้นสุด แต่น้ำหนัก should not จะเพิ่มขึ้น 1 เท่าเช่นเดียวกับ LWMA ขอบคุณ Jason คำแนะนำใด ๆ ของการประมาณตัวกรอง EMA เพื่อความแม่นยำที่ต้องการ โดยประมาณกับกรอง FIR ยาวพอมีสคริปต์ Perl ใน en. wikipedia. orgwikihellip ที่ทำให้ภาพของเวกเตอร์น้ำหนัก EMA แต่ฉันไม่เข้าใจว่า: ถ้าพวกเขากำหนดจำนวนน้ำหนักถึง 15 ทำไมมี 20 สีแดง บาร์แทนที่จะเป็น 15 ndash MisterH 19 ธ. ค. 12 เวลา 22: 40 ฉันมีช่วงของวันที่และวัด ในแต่ละวันนั้น รหัสต้องการคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนาสำหรับแต่ละวัน ไม่มีใครรู้วิธีการทำเช่นนี้ Im ใหม่หลาม ไม่ปรากฏว่าค่าเฉลี่ยถูกสร้างขึ้นในไลบรารี python มาตรฐานซึ่งทำให้ฉันประหลาดใจเล็กน้อย บางทีฉันไม่ได้มองในที่ที่เหมาะสม ดังนั้นให้รหัสต่อไปนี้ฉันจะคำนวณค่าเฉลี่ยถ่วงน้ำหนักเคลื่อนที่ของจุด IQ สำหรับวันที่ปฏิทิน (theres อาจเป็นวิธีที่ดีกว่าในการจัดโครงสร้างข้อมูลคำแนะนำใด ๆ จะนิยม) ถาม 28 มกราคมที่ 18:01 หลามของฉันเป็น สนิมน้อยสนิม (ทุกคนสามารถรู้สึกฟรีเพื่อแก้ไขโค้ดนี้เพื่อทำการแก้ไขหาก Ive ทำสับสนให้เกิดปัญหาขึ้น) แต่ที่นี่ไป ฟังก์ชันนี้จะเลื่อนไปข้างหลังจากจุดสิ้นสุดของรายการไปยังจุดเริ่มต้นโดยคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสแสร้งสำหรับแต่ละค่าโดยทำงานย้อนหลังจนกว่าค่าสัมประสิทธิ์น้ำหนักขององค์ประกอบจะน้อยกว่า epsilon ที่กำหนด ในตอนท้ายของฟังก์ชันมันกลับค่าก่อนที่จะกลับรายการ (เพื่อให้พวกเขากำลังอยู่ในลำดับที่ถูกต้องสำหรับผู้โทร) (ด้านข้างหมายเหตุ: ถ้าผมใช้ภาษาอื่นที่ไม่ใช่งูหลาม, Id สร้างอาร์เรย์ที่ว่างเปล่าขนาดเต็มก่อนจากนั้นเติมคำสั่งย้อนหลังเพื่อที่ฉันจะไม่ต้องย้อนกลับเมื่อสิ้นสุด แต่ฉันไม่คิดว่าคุณสามารถประกาศ อาร์เรย์ใหญ่ในหลามและในรายการหลาม appending มีราคาแพงกว่า prepending ซึ่งเป็นเหตุผลที่ฉันสร้างรายการในลำดับย้อนกลับโปรดแก้ไขฉันหากผิดพลาด.) อาร์กิวเมนต์อาร์กิวเมนต์เป็นปัจจัยการสลายตัวในแต่ละซ้ำ ตัวอย่างเช่นถ้าคุณใช้ค่า alpha เท่ากับ 0.5 ค่าการเคลื่อนที่เฉลี่ยในปัจจุบันจะประกอบด้วยค่าน้ำหนักต่อไปนี้แน่นอนถ้าคุณได้รับค่ามากมายค่าจากสิบหรือสิบห้าวันก่อนจะไม่ค่อยมีส่วนร่วมมากนัก ปัจจุบันถัวเฉลี่ยถ่วงน้ำหนัก อาร์กิวเมนต์ epsilon ช่วยให้คุณสามารถกำหนดจุดตัดที่ด้านล่างซึ่งคุณจะไม่สนใจเกี่ยวกับค่าเดิม (เนื่องจากการมีส่วนร่วมในปัจจุบันจะไม่มีนัยสำคัญ) Youd เรียกฟังก์ชั่นบางอย่างเช่นนี้ #: 31819 I dont know Python แต่สำหรับส่วนเฉลี่ยคุณหมายถึงตัวกรองผ่านต่ำ exponenting ต่ำของรูปแบบที่ alpha dttau, dt timestep ของตัวกรอง , tau เวลาคงที่ของตัวกรอง (รูปแบบตัวแปร timestep นี้เป็นดังนี้เพียงแค่คลิป dttau ไม่เกิน 1.0) ถ้าคุณต้องการกรองสิ่งที่ต้องการวันที่ให้แน่ใจว่าคุณแปลงเป็นจำนวนจุดลอย เช่นของวินาทีนับตั้งแต่ 1 มกราคม 1970. # 28 มกราคม 18:10 ฉันพบข้อมูลโค้ดข้างต้นโดย earino ประโยชน์สวย - แต่ฉันต้องการสิ่งที่สามารถอย่างต่อเนื่องเรียบกระแสค่า - ดังนั้นฉัน refactored ไปนี้และฉันใช้ (เช่น pin. read () สร้าง ID ค่าถัดไปที่ต้องการใช้) ตอบ 12 ก. พ. 14 ที่ 20:35 Im มักจะคำนวณ EMA ด้วยหมีแพนด้า: นี่คือตัวอย่างวิธีทำ: ข้อมูลเพิ่มเติมเกี่ยวกับ Pandas EWMA: ตอบ 4 ต. ค. 15 เวลา 12:42 น. รุ่นใหม่ของ Pandas มีฟังก์ชันใหม่และดีกว่า ndash Cristian Ciupitu 11 พฤษภาคม 16 เมื่อ 14:10 โปรดทราบว่าแตกต่างในกระดาษคำนวณของพวกเขา I dont คำนวณ SMA และฉันไม่รอที่จะสร้าง EMA หลังจาก 10 ตัวอย่าง ซึ่งหมายความว่าค่าของฉันแตกต่างกันเล็กน้อย แต่ถ้าคุณทำแผนภูมิมันจะเกิดขึ้นหลังจาก 10 ตัวอย่าง ในช่วง 10 ตัวอย่างแรก EMA ฉันคำนวณได้อย่างถูกต้อง smoothed. Updated 12 มีนาคม 2013 อะไร RC กรองและชี้แจงเฉลี่ยและวิธีการที่พวกเขาแตกต่างกันคำตอบสำหรับส่วนที่สองของคำถามก็คือว่าพวกเขาเป็นกระบวนการเดียวกันถ้ามาจาก พื้นหลังอิเล็กทรอนิกส์แล้วกรอง RC (หรือ RC Smoothing) เป็นนิพจน์ปกติ ในอีกทางหนึ่งวิธีการตามสถิติชุดเวลามีชื่อ Exponential Averaging หรือใช้ชื่อเต็มว่า Exponential Weighted Moving Average นี่เป็นที่รู้จักกันในชื่อ EWMA หรือ EMA ข้อได้เปรียบที่สำคัญของวิธีนี้คือความเรียบง่ายของสูตรสำหรับการคำนวณผลลัพธ์ต่อไป ใช้เวลาเศษเสี้ยวของผลลัพธ์ก่อนหน้านี้และเศษหนึ่งส่วนนี้จะหักส่วนที่เป็นข้อมูลปัจจุบัน ในเวลาต่อมาเกี่ยวกับพีชคณิต k ผลลัพธ์ที่ได้จากการเรียบ y k จะได้รับตามที่แสดงในภายหลังนี้สูตรง่ายๆเน้นเหตุการณ์ล่าสุดคลี่คลายรูปแบบความถี่สูงและแสดงให้เห็นถึงแนวโน้มในระยะยาว หมายเหตุมีสองรูปแบบของสมการการเฉลี่ยเลขยกกำลังหนึ่งข้างต้นและตัวแปรทั้งสองถูกต้อง ดูบันทึกย่อที่ท้ายบทความเพื่อดูรายละเอียดเพิ่มเติม ในการสนทนานี้เราจะใช้สมการ (1) เท่านั้น สูตรข้างต้นบางครั้งเขียนในรูปแบบที่ จำกัด มากขึ้น สูตรนี้มาจากอะไรและการตีความคืออะไรประเด็นสำคัญคือเราจะเลือกอย่างไร เพื่อดูวิธีนี้ง่ายๆคือการพิจารณาตัวกรองความถี่ต่ำผ่าน RC ตอนนี้ตัวกรองสัญญาณ RC low pass เป็นเพียงตัวต้านทานแบบ R และตัวเก็บประจุแบบคู่ขนาน C ดังภาพด้านล่าง สมการของอนุกรมเวลาสำหรับวงจรนี้คือ RC ผลิตภัณฑ์มีหน่วยของเวลาและเรียกว่าค่าคงตัวเวลา T สำหรับวงจร สมมติว่าเราแสดงสมการด้านบนในรูปแบบดิจิทัลสำหรับชุดข้อมูลเวลาซึ่งมีข้อมูลที่ถ่ายทุกๆวินาที เรามีนี้เป็นรูปแบบเดียวกับสมการก่อนหน้านี้ การเปรียบเทียบความสัมพันธ์สองแบบที่เรามีซึ่งจะลดลงไปสู่ความสัมพันธ์ที่เรียบง่ายดังนั้นการเลือก N จะได้รับคำแนะนำโดยใช้เวลาที่เราเลือกเสมอ ตอนนี้สมการ (1) อาจได้รับการยอมรับว่าเป็นตัวกรองความถี่ต่ำและค่าคงที่ของเวลาจะเป็นตัวบ่งบอกลักษณะการทำงานของตัวกรอง เมื่อต้องการดูความสำคัญของ Time Constant เราต้องดูที่ความถี่ของ filter RC ต่ำนี้ ในรูปแบบทั่วไปนี้แสดงในรูปแบบโมดูลัสและเฟสเรามีที่มุมเฟสคือ ความถี่ที่เรียกว่าความถี่ตัดระบุ ทางกายภาพอาจแสดงให้เห็นว่าที่ความถี่นี้พลังงานในสัญญาณลดลงครึ่งหนึ่งและความกว้างจะลดลงตามปัจจัย ในแง่ dB ความถี่นี้เป็นที่ที่แอมพลิจูดถูกลดลงโดย 3dB เห็นได้ชัดว่าค่าคงที่เวลา T เพิ่มขึ้นดังนั้นความถี่ในการตัดจึงลดลงและเราใช้การปรับให้เรียบมากขึ้นกับข้อมูลนั่นคือเราจะกำจัดความถี่ที่สูงขึ้นได้ เป็นสิ่งสำคัญที่จะต้องทราบว่าการตอบสนองต่อความถี่จะแสดงเป็นเวลา radians วินาที นั่นคือปัจจัยที่เกี่ยวข้อง ตัวอย่างเช่นการเลือกค่าคงที่เป็นเวลา 5 วินาทีให้ความถี่ตัดที่มีประสิทธิภาพ การใช้งาน RC smoothing อันหนึ่งคือการจำลองการทำงานของมิเตอร์เช่นใช้ในเครื่องวัดระดับเสียง (Sound Level Meter) โดยทั่วไป typified โดยค่าคงที่ของเวลาเช่น 1 วินาทีสำหรับ S types และ 0.125 seconds สำหรับ F types สำหรับกรณีดังกล่าว 2 กรณีความถี่ตัดที่มีประสิทธิภาพคือ 0.16Hz และ 1.27Hz ตามลำดับ จริงๆแล้วมันไม่ใช่เวลาที่เรามักจะเลือกที่จะเลือก แต่ช่วงเวลาที่เราต้องการรวมไว้ สมมติว่าเรามีสัญญาณที่เราต้องการรวมคุณลักษณะที่มีระยะเวลา P ไว้ด้วย ตอนนี้ระยะเวลา P คือความถี่ จากนั้นเราสามารถเลือกค่าคงที่เวลา T ที่กำหนดโดย อย่างไรก็ตามเราทราบว่าเราได้สูญเสียผลผลิตประมาณ 30 รายการ (-3dB) ที่ ดังนั้นการเลือกค่าคงที่ตลอดเวลาที่ตรงกับช่วงเวลาที่เราต้องการเก็บไว้ไม่ใช่วิธีที่ดีที่สุด โดยปกติจะดีกว่าถ้าเลือกความถี่ตัดสูงกว่าเล็กน้อยพูด ค่าคงที่ตลอดเวลาเป็นค่าที่ใกล้เคียงกับ ซึ่งจะช่วยลดการสูญเสียไปประมาณ 15 ที่ช่วงนี้ ดังนั้นในทางปฏิบัติเพื่อรักษาเหตุการณ์ที่มีระยะเวลาหรือมากกว่านั้นเลือกค่าคงตัวของเวลา ซึ่งจะรวมถึงผลกระทบของ periodicities ลงไปประมาณ ตัวอย่างเช่นถ้าเราต้องการรวมผลกระทบของเหตุการณ์ที่เกิดขึ้นกับพูดช่วง 8 วินาที (0.125Hz) จากนั้นเลือกค่าคงตัวเวลาเป็น 0.8 วินาที ให้ตัดความถี่ประมาณ 0.2Hz เพื่อให้ระยะเวลา 8 วินาทีของเราเป็นไปอย่างดีในแถบผ่านหลักของตัวกรอง ถ้าเราสุ่มตัวอย่างข้อมูลที่เวลา 20 วินาที (h 0.05) ค่า N คือ (0.80.05) 16 และ ข้อมูลนี้จะให้ข้อมูลเชิงลึกเกี่ยวกับวิธีตั้งค่า โดยทั่วไปสำหรับอัตราตัวอย่างที่รู้จักจะ typifies ระยะเวลาเฉลี่ยและเลือกความผันผวนของความถี่สูงที่จะถูกละเว้น เมื่อมองไปที่การขยายตัวของอัลกอริทึมเราจะเห็นว่าค่านิยมนี้นิยมมากที่สุดและเป็นเหตุผลว่าทำไมจึงเรียกว่าการถ่วงน้ำหนักแบบเสวนา เรามีการแทนสำหรับ y k-1 ทำให้การทำซ้ำขั้นตอนนี้หลายครั้งนำไปสู่เนื่องจากอยู่ในช่วงจากนั้นคำศัพท์ด้านขวาจะเล็กลงและทำหน้าที่เหมือนคำอธิบายที่ทรุดโทรม นั่นคือผลผลิตปัจจุบันมีความลำเอียงต่อเหตุการณ์ที่เกิดขึ้นเมื่อเร็ว ๆ นี้ แต่ขนาดใหญ่ที่เราเลือก T แล้วอคติน้อย สรุปได้ว่าสูตรง่ายๆเน้นเหตุการณ์ล่าสุดคลี่คลายเหตุการณ์ที่เกิดขึ้นในช่วงความถี่สูง (ช่วงเวลาสั้น ๆ ) เผยให้เห็นถึงแนวโน้มในระยะยาวภาคผนวก 1 8211 รูปแบบสำรองของสมการข้อควรระวังมีสมการกำลังสองแบบเอกซ์โพเนนเชียลที่มีอยู่ในวรรณคดี ทั้งสองถูกต้องและเท่ากัน แบบฟอร์มแรกดังที่แสดงไว้ข้างต้นคือ (A1) รูปแบบอื่นคือ 8230 (A2) หมายเหตุการใช้สมการที่หนึ่งและในสมการที่สอง ในทั้งสองสมการและเป็นค่าระหว่างศูนย์กับเอกภาพ ก่อนหน้านี้ถูกกำหนดให้เป็นตอนนี้เลือกที่จะกำหนดดังนั้นรูปแบบอื่นของสมการเฉลี่ยสมการคือในแง่ทางกายภาพก็หมายความว่าการเลือกรูปแบบหนึ่งใช้ขึ้นอยู่กับว่าใครอยากจะคิดว่าการรับเป็นสมการเศษอาหารกลับ (A1) หรือ เป็นส่วนของสมการป้อนข้อมูล (A2) แบบฟอร์มแรกจะไม่ค่อยยุ่งยากในการแสดงความสัมพันธ์ของตัวกรองแบบ RC และนำไปสู่ความเข้าใจในแง่ของการกรองได้ง่ายขึ้น หัวหน้านักวิเคราะห์ด้านการประมวลผลสัญญาณของ Prosig ดร. โคลินเมอร์เซอร์เคยดำรงตำแหน่งสถาบันค้นคว้าเสียงและการสั่นสะเทือน (ISVR) มหาวิทยาลัยเซาแทมป์ตันซึ่งเป็นผู้ก่อตั้งศูนย์วิเคราะห์ข้อมูล จากนั้นเขาก็ไปหา Prosig ในปีพ. ศ. 2520 โคลินเกษียณในฐานะหัวหน้านักวิเคราะห์การประมวลผลสัญญาณที่ Prosig ในเดือนธันวาคมปี พ. ศ. 2559 เขาเป็นวิศวกรที่มีอำนาจและเป็นเพื่อนของสมาคมคอมพิวเตอร์แห่งประเทศอังกฤษ ฉันคิดว่าคุณต้องการเปลี่ยน 8216p8217 เป็นสัญลักษณ์สำหรับ pi มาร์โคขอขอบคุณที่ชี้ให้เห็นว่า ฉันคิดว่านี่เป็นหนึ่งในบทความเก่าของเราที่ได้รับการถ่ายโอนจากเอกสารประมวลผลคำเก่า เห็นได้ชัดว่าบรรณาธิการ (ฉัน) ไม่สามารถระบุได้ว่า pi ไม่ได้รับการถ่ายโอนอย่างถูกต้อง จะมีการแก้ไขในไม่ช้า it8217s คำอธิบายบทความที่ดีมากเกี่ยวกับค่าเฉลี่ยเลขชี้กำลังผมเชื่อว่ามีข้อผิดพลาดในสูตรสำหรับ T. ควรเป็น T h (N-1) ไม่ใช่ T (N-1) h ไมค์ขอบคุณที่จำได้ว่า ฉันเพิ่งตรวจสอบกลับไปยัง Dr Mercer8217s ฉบับเดิมทางเทคนิคในคลังข้อมูลของเราและดูเหมือนว่าเกิดข้อผิดพลาดขณะถ่ายโอนสมการไปยังบล็อก เราจะแก้ไขโพสต์ ขอบคุณที่แจ้งให้เราทราบขอบคุณขอขอบคุณที่ขอบคุณ คุณสามารถอ่าน 100 ข้อความ DSP โดยไม่ต้องค้นหาอะไรเลยที่ระบุว่าตัวกรองเฉลี่ยที่เป็นตัวชี้วัดเท่ากับตัวกรอง R-C hmm, คุณมีสมการสำหรับตัวกรอง EMA ที่ถูกต้องไม่ใช่ไม่ใช่ Yk aXk (1-a) Yk-1 ไม่ใช่ Yk aYk-1 (1-a) Xk Alan ทั้งสองรูปแบบของสมการจะปรากฏในวรรณคดีและ ทั้งสองแบบถูกต้องตามที่ฉันจะแสดงด้านล่าง จุดที่คุณทำนั้นสำคัญมากเพราะการใช้รูปแบบอื่นหมายความว่าความสัมพันธ์ทางกายภาพกับตัวกรอง RC จะไม่ปรากฏชัดยิ่งไปกว่านั้นการตีความความหมายของสิ่งที่ปรากฏในบทความไม่เหมาะสมสำหรับรูปแบบอื่น อันดับแรกให้เราแสดงทั้งสองรูปแบบถูกต้อง รูปแบบของสมการที่ฉันได้ใช้คือและรูปแบบอื่นที่ปรากฏในข้อความจำนวนมากเป็นหมายเหตุในข้างต้นฉันใช้ latex 1latex ในสมการแรกและ latex 2latex ในสมการที่สอง ความเท่าเทียมกันของทั้งสองรูปแบบของสมการแสดงให้เห็นทางคณิตศาสตร์ด้านล่างโดยทำตามขั้นตอนง่ายๆในแต่ละครั้ง สิ่งที่ไม่เหมือนกันคือค่าที่ใช้สำหรับน้ำยางข้นในแต่ละสมการ ในทั้งสองแบบนี้น้ำยางข้นคือค่าระหว่างศูนย์กับความสามัคคี จงเขียนสมการ (1) แทน latex 1latex โดย latex latex นี่เป็น latexyk y (1 - beta) xklatex 8230 (1A) ตอนนี้กำหนด latexbeta (1 - 2) latex และเรามี latex 2 (1 - beta) latex ด้วย (1A) ให้ latexyk (1 - 2) y 2xklatex 8230 (1B) และในที่สุดการจัดเรียงใหม่ให้สมการนี้เป็นเหมือนรูปแบบอื่นที่กำหนดในสมการ (2) ใส่น้ำยางข้น 2 (1 - 1) ในแง่ทางกายภาพหมายความว่าการเลือกรูปแบบหนึ่งขึ้นอยู่กับว่าใครอยากจะคิดว่าการใช้น้ำยางเป็นสูตรสมการเศษอาหาร (1) หรือเป็นส่วนของสมการป้อนข้อมูล (2) ดังที่กล่าวมาข้างต้นฉันได้ใช้แบบฟอร์มแรกเนื่องจากไม่ยุ่งยากน้อยกว่าในการแสดงความสัมพันธ์ของตัวกรองแบบ RC และนำไปสู่ความเข้าใจในแง่ของการกรองได้ง่ายขึ้น อย่างไรก็ตามการละเว้นการข้างต้นเป็นในมุมมองของฉันการขาดบทความเป็นคนอื่นอาจทำให้การอนุมานที่ไม่ถูกต้องดังนั้นเวอร์ชันที่ได้รับการแก้ไขจะปรากฏในเร็ว ๆ นี้ I8217ve เคยสงสัยเกี่ยวกับเรื่องนี้ขอบคุณสำหรับการอธิบายอย่างชัดเจน ฉันคิดว่าเหตุผลที่สูตรแรกเป็นสิ่งที่ดีคือแผนที่อัลฟาถึง 8216smoothness8217: ทางเลือกที่สูงขึ้นของอัลฟาหมายถึงผลผลิต 8216more smooth8217 ไมเคิลขอบคุณสำหรับการสังเกต 8211 ฉันจะเพิ่มบทความบางอย่างในบรรทัดเหล่านั้นเนื่องจากเป็นเสมอดีกว่าในมุมมองของฉันที่เกี่ยวข้องกับด้านกายภาพ Dr Mercer บทความยอดเยี่ยมขอบคุณ ฉันมีคำถามเกี่ยวกับเวลาคงที่เมื่อใช้กับเครื่องตรวจจับ rms เช่นเดียวกับเครื่องวัดระดับเสียงที่คุณอ้างถึงในบทความ ถ้าฉันใช้สมการของคุณในการสร้างแบบจำลองตัวกรองแบบ exponential ด้วย Time Constant 125ms และใช้สัญญาณขั้นตอนการป้อนข้อมูลฉันจะได้รับผลลัพธ์ที่หลังจาก 125ms เป็น 63.2 ของค่าสุดท้าย แต่ถ้าฉันสแควร์ใส่สัญญาณและใส่นี้ผ่านตัวกรองแล้วฉันเห็นว่าฉันต้องสองเวลาคงที่เพื่อให้สัญญาณไปถึง 63.2 ของมูลค่าสุดท้ายใน 125ms. คุณสามารถแจ้งให้เราทราบหากเป็นที่คาด ขอบคุณมาก. Ian Ian ถ้าคุณสแควร์สัญญาณเช่นคลื่นไซน์แล้วโดยทั่วไปคุณเป็นสองเท่าความถี่ของพื้นฐานรวมทั้งการแนะนำจำนวนมากความถี่อื่น ๆ เนื่องจากความถี่มีผลเป็นสองเท่าจึงทำให้มีการใช้ตัวกรองความถี่ต่ำผ่านค่าที่มากขึ้น 8216reduced8217 ผลก็คือต้องใช้เวลานานกว่าในการเข้าถึงแอมพลิจูดเดียวกัน การดำเนินการ squaring ไม่ใช่การดำเนินการเชิงเส้นดังนั้นฉันไม่คิดว่าจะมีการเพิ่มขึ้นเป็นสองเท่าในทุกกรณี แต่จะมีแนวโน้มที่จะเพิ่มขึ้นเป็นสองเท่าหากเรามีความถี่ต่ำที่เด่น นอกจากนี้ทราบว่าความแตกต่างของสัญญาณสี่เหลี่ยมเป็นสองเท่าของสัญญาณ 8220un-squared8221 ฉันสงสัยว่าคุณอาจพยายามทำให้รูปทรงสี่เหลี่ยมจัตุรัสเฉลี่ยซึ่งสมบูรณ์และถูกต้อง อาจจะดีกว่าที่จะใช้ตัวกรองแล้วค่อยๆเหลี่ยมเท่าที่คุณรู้ว่ามีประสิทธิภาพ แต่ถ้าทั้งหมดที่คุณมีคือสัญญาณสี่เหลี่ยมแล้วใช้ปัจจัย 2 เพื่อปรับเปลี่ยนค่า alpha ของตัวกรองของคุณจะทำให้คุณกลับไปที่ความถี่ตัดเดิมหรือทำให้บิตง่ายขึ้นกำหนดความถี่ตัดที่สองเท่าของต้นฉบับ ขอขอบคุณสำหรับคำตอบของคุณ Dr Mercer คำถามของฉันจริงๆพยายามที่จะได้รับสิ่งที่เป็นจริงทำในเครื่องตรวจจับ rms ของเครื่องวัดระดับเสียง ถ้าเวลาคงที่กำหนดไว้สำหรับ 8216fast8217 (125ms) ฉันจะคิดว่าอย่างสังหรณ์ใจที่คุณคาดหวังสัญญาณอินพุต sinusoidal เพื่อผลิตออก 63.2 ของมูลค่าสุดท้ายหลังจาก 125ms แต่เนื่องจากสัญญาณจะถูกกำลังสองก่อนที่จะได้รับ 8216mean8217 ตรวจสอบจริงจะใช้เวลาสองครั้งตราบเท่าที่คุณอธิบาย วัตถุประสงค์หลักของบทความนี้คือเพื่อแสดงความเท่าเทียมกันของ RC filtering และ exponential averaging ถ้าเรากำลังพูดถึงเวลาในการรวมเข้าด้วยกันกับตัวผสานรูปสี่เหลี่ยมผืนผ้าที่แท้จริงแล้วคุณจะถูกต้องว่ามีปัจจัยสองอย่างที่เกี่ยวข้อง โดยทั่วไปถ้าเรามี integrator สี่เหลี่ยมที่แท้จริงที่รวมสำหรับวินาที Ti เวลา integator RC เทียบเท่าเพื่อให้บรรลุผลเดียวกันคือ 2RC วินาที Ti แตกต่างจาก RC 8216time constant8217 T ซึ่งเป็น RC ดังนั้นถ้าเรามีเวลาคงที่ 8216Fast8217 เท่ากับ 125 msec นั่นคือ RC 125 msec ซึ่งเท่ากับเวลาในการรวมจริง 250 มิลลิวินาทีขอขอบคุณสำหรับบทความนี้มีประโยชน์มาก มีเอกสารล่าสุดเกี่ยวกับระบบประสาทที่ใช้ตัวกรอง EMA (EMA แบบยาวที่มีหน้าต่างยาวซึ่งเป็นหน้าต่างสั้น ๆ ) เป็นตัวกรองสัญญาณแบนสำหรับการวิเคราะห์สัญญาณแบบเรียลไทม์ ฉันต้องการจะใช้พวกเขา แต่ฉันดิ้นรนกับขนาดหน้าต่างที่กลุ่มวิจัยที่แตกต่างกันได้ใช้และการติดต่อกับความถี่ตัด Let8217s กล่าวว่าฉันต้องการให้ทุกความถี่ต่ำกว่า 0.5Hz (aprox) และที่ฉันได้รับ 10 ตัวอย่างสอง. ซึ่งหมายความว่า fp 0.5Hz P 2s T P100.2 h 1fs0.1 ดังนั้นควรใช้ขนาดหน้าต่าง I ควรเป็น N3 เหตุผลนี้ถูกต้องก่อนที่จะตอบคำถามของคุณฉันต้องแสดงความคิดเห็นเกี่ยวกับการใช้ตัวกรองความถี่สูงสองตัวเพื่อสร้างตัวกรองแบนด์วิดท์ สมมุติว่าพวกเขาทำงานเป็นสองลำธารแยกกันดังนั้นหนึ่งผลคือเนื้อหาจาก latexf Latex ถึงอัตราการสุ่มตัวอย่างครึ่งหนึ่งและอื่น ๆ คือเนื้อหาจาก Latexf Latexf ให้กับอัตราตัวอย่างครึ่งหนึ่ง ถ้าทั้งหมดที่กำลังทำอยู่คือความแตกต่างในระดับสแควร์เฉลี่ยที่บ่งบอกว่าพลังงานในแถบจากน้ำยาง latexf ไป latexf latex แล้วมันอาจจะสมเหตุสมผลถ้าทั้งสองตัดความถี่อยู่ไกลพอสมควร แต่ฉันคาดหวังว่าคนที่ใช้เทคนิคนี้ กำลังพยายามจำลองตัวกรองแถบที่แคบกว่า ในมุมมองของฉันที่จะไม่น่าเชื่อถือสำหรับการทำงานอย่างจริงจังและจะเป็นแหล่งที่มาของความกังวล สำหรับการอ้างอิงตัวกรองแบบแบนด์คือตัวกรอง High Pass ความถี่ต่ำเพื่อลดความถี่ต่ำและความถี่ต่ำเพื่อกรองความถี่สูงออก มีแน่นอนรูปแบบการผ่านต่ำของตัวกรอง RC และด้วยเหตุนี้ EMA ที่สอดคล้องกัน บางทีแม้ว่าคำตัดสินของฉันจะโหดร้ายโดยไม่ทราบข้อเท็จจริงทั้งหมดดังนั้นคุณอาจจะกรุณาส่งการอ้างอิงบางส่วนไปยังการศึกษาที่คุณกล่าวถึงดังนั้นฉันอาจวิจารณ์ได้ตามความเหมาะสม บางทีพวกเขากำลังใช้ผ่านต่ำเช่นเดียวกับตัวกรองความถี่สูง ตอนนี้หันไปหาคำถามที่แท้จริงของคุณเกี่ยวกับวิธีการหา N สำหรับความถี่ตัดเป้าหมายที่กำหนดฉันคิดว่าดีที่สุดคือใช้สมการพื้นฐาน T (N-1) h การอภิปรายเกี่ยวกับช่วงเวลามีวัตถุประสงค์เพื่อให้คนรู้สึกว่าเกิดอะไรขึ้น โปรดดูแหล่งที่มาด้านล่าง เรามีความสัมพันธ์ latexT (N-1) hlatex และน้ำยาง latexT12 ที่ latexfclatex เป็นค่า cut off off และ h คือเวลาระหว่างกลุ่มตัวอย่าง Latexh 1 latex ที่ latexfslatex เป็นอัตราตัวอย่างใน samplessec การจัดเรียง T (N-1) h เป็นรูปแบบที่เหมาะสมเพื่อรวมถึงความถี่ของการตัด, latexfclatex และอัตราตัวอย่าง sample latexfslatex ดังแสดงด้านล่าง ดังนั้นการใช้ latexfc 0.5Hzlatex และ latexfs 10latex samplessec เพื่อให้ latex (fcfs) 0.05latex ให้ดังนั้นค่าจำนวนเต็มที่ใกล้เคียงที่สุดคือ 4. Re-arranging ข้างต้นเรามีดังนั้นด้วย N4 เรามี latexfc 0.5307 Hzlatex การใช้ N3 ให้ latexfclatex 0.318 Hz หมายเหตุด้วย N1 เรามีสำเนาที่สมบูรณ์โดยไม่มีการกรอง