Labview Exponentiell Gleitender Durchschnitt

Filter Express VI. Specifiziert die folgenden Arten von Filtern, um Tiefpass-, Hochpass-, Bandpass-, Bandstop oder Glättung zu verwenden. Der Standardwert ist Lowpass. Geben Sie die folgenden Optionen. Cutoff Frequency Hz Gibt die Cutoff-Frequenz des Filters an Diese Option ist nur verfügbar, wenn Sie auswählen Tiefpass oder Hochpass aus dem Pulldown-Menü Filtertyp Die Voreinstellung ist 100.Low Cutoff-Frequenz Hz Gibt die niedrige Cutoff-Frequenz des Filters an. Low Cutoff Frequenz Hz muss kleiner als High Cutoff Frequenz Hz sein und das Nyquist-Kriterium beachten Option ist nur verfügbar, wenn Sie Bandpass oder Bandstop aus dem Pulldown-Menü des Filtertyps auswählen. Hohle Grenzfrequenz Hz Gibt die hohe Grenzfrequenz des Filters an. Die hohe Grenzfrequenz Hz muss größer als die niedrige Grenzfrequenz Hz sein und das Nyquist-Kriterium beobachten Ist 400 Diese Option ist nur verfügbar, wenn Sie Bandpass oder Bandstop aus dem Pulldown-Menü "Filtering Type" auswählen. Finite Impulsantwort FIR Filter C Ein FIR-Filter, das nur von den aktuellen und vergangenen Eingängen abhängt Da der Filter nicht von früheren Ausgängen abhängt, zerfällt die Impulsantwort auf Null in einer begrenzten Zeitspanne Weil FIR-Filter eine lineare Phasenreaktion zurückgeben, verwenden Sie FIR-Filter für Anwendungen, die Erfordern lineare Phasenreaktionen. Taps Gibt die Gesamtzahl der FIR-Koeffizienten an, die größer als Null sein müssen. Die Voreinstellung ist 29 Diese Option ist nur verfügbar, wenn Sie die Option Finite impulse response FIR auswählen. Der Wert der Taps erhöht den Übergang zwischen dem Passband Und das Stoppband wird steiler Als der Wert der Taps zunimmt, wird die Verarbeitungsgeschwindigkeit langsamer. Infinite Impulsantwort IIR-Filter Erstellt einen IIR-Filter, der ein digitaler Filter mit Impulsantworten ist, die theoretisch unendlich in Länge oder Dauer sein können. Die Tokologie bestimmt Die Design-Typ des Filters Sie können entweder ein Butterworth, Chebyshev, Inverse Chebyshev, Elliptic oder Bessel Filter Design erstellen Diese Option ist nur verfügbar, wenn Sie die Option Infinite impulse response IIR auswählen. Die Voreinstellung ist Butterworth. Order Order des IIR Filters, die größer als Null sein muss Diese Option ist nur verfügbar, wenn Sie die Option Infinite Impulsantwort IIR auswählen Ist 3 Erhöhung des Wertes der Ordnung bewirkt, dass der Übergang zwischen dem Durchlassband und dem Stoppband steiler wird. Wenn jedoch der Wert der Ordnung zunimmt, wird die Verarbeitungsgeschwindigkeit langsamer und die Anzahl der verzerrten Punkte am Anfang des Signals erhöht sich Ergibt Vorwärts-Nur-FIR-Koeffizienten Diese Option ist nur verfügbar, wenn Sie im Pulldown-Menü "Filtertyp" die Option "Glättung" auswählen. Rectangular Gibt an, dass alle Samples im Moving-Average-Fenster gleichermaßen bei der Berechnung jedes geglätteten Ausgabe-Samples gewichtet werden. Diese Option ist nur dann verfügbar Sie wählen die Glättung aus dem Pulldown-Menü Filtertyp und die gleitende Mittelwertoption. Triangular Gibt an, dass das bewegte Gewicht Das Fenster, das auf die Samples angewendet wird, ist dreieckig mit der Spitze, die in der Mitte des Fensters zentriert ist, symmetrisch auf beiden Seiten des Mittelmusters. Diese Option ist nur verfügbar, wenn Sie die Glättung aus dem Pulldown-Menü "Filtertyp" und dem Verschiebenden Durchschnitt auswählen Option. Half-Breite des gleitenden Durchschnitts Gibt die Halbwertsbreite des gleitenden Durchschnittsfensters in Samples an. Die Voreinstellung ist 1 Für eine halbe Breite des gleitenden Mittelwerts von M ist die volle Breite des gleitenden Durchschnittsfensters N 1 2M Samples Daher ist die volle Breite N immer eine ungerade Anzahl von Samples Diese Option ist nur verfügbar, wenn Sie die Glättung aus dem Pulldown-Menü "Filtering Type" und "Moving Average" auswählen. Exponential Yields erster Ordnung IIR Koeffizienten Diese Option ist nur verfügbar, wenn Sie Wählen Sie Glättung aus dem Pulldown-Menü "Filtertyp". Zeitkonstante des exponentiellen Mittelwertes Gibt die Zeitkonstante des Exponential-Gewichtungsfilters in Sekunden an. Die Voreinstellung ist 0 001 Diese Option ist nur dann verfügbar Wählen Sie Glättung aus dem Pulldown-Menü Filtertyp und die Option Exponentielle Option. Zeigt das Eingangssignal an. Wenn Sie Daten an das Express-VI anschließen und es ausführen, zeigt das Eingangssignal echte Daten an. Wenn Sie das Express-VI schließen und wieder öffnen, zeigt das Eingangssignal das Sample an Daten, bis Sie das Express VI erneut ausführen. Displays eine Vorschau der Messung Das Ergebnis Vorschau Plot zeigt den Wert der ausgewählten Messung mit einer gepunkteten Linie Wenn Sie Daten an das Express-VI und führen Sie das VI, Ergebnis Vorschau zeigt reale Daten Wenn Sie Schließen und öffnen Sie das Express-VI, Ergebnisvorschau zeigt Beispieldaten an, bis Sie das VI erneut ausführen Wenn die Cutoff-Frequenzwerte ungültig sind, wird die Ergebnisvorschau keine gültigen Daten anzeigen. Hinweise Ändern der Optionen im View-Modus-Abschnitt nicht Beeinflussen das Verhalten des Filter Express VIs Verwenden Sie die Optionen des Ansichtsmodus, um zu visualisieren, was der Filter für das Signal LabVIEW nicht diese Optionen speichert, wenn Sie das Konfigurationsdialogfeld schließen. Signa Ls Zeigt die Filterantwort als reale Signale an. Als Spektrum anzeigen Legt fest, ob die realen Signale der Filterantwort als Frequenzspektrum angezeigt werden sollen oder um die Anzeige als zeitbasiertes Display zu verlassen. Die Frequenzanzeige ist nützlich, um zu sehen, wie sich der Filter auswirkt Verschiedene Frequenzkomponenten des Signals Die Voreinstellung ist, die Filterantwort als zeitbasierte Anzeige anzuzeigen Diese Option ist nur verfügbar, wenn Sie die Option Signals auswählen. Transfer-Funktion Zeigt die Filterantwort als Übertragungsfunktion an. Enthält folgende Optionen. Magnitude in DB Zeigt die Größenreaktion des Filters in Dezibel an. Frequenz im Protokoll Zeigt den Frequenzgang des Filters auf einer logarithmischen Skala an. Zeigt die Größenreaktion des Filters an Diese Anzeige ist nur verfügbar, wenn Sie den Modus "Ansicht" auf "Übertragen" einstellen Antwort des Filters Diese Anzeige ist nur verfügbar, wenn Sie den Modus "View Mode" auf "Transfer" einstellen. Durchschnittliches und exponentielles Glättungsmodell S. Als ein erster Schritt in der Bewegung über mittlere Modelle, zufällige Wandermodelle und lineare Trendmodelle, Nicht-Sektionsmuster und Trends können mit einem gleitenden Durchschnitt oder Glättungsmodul extrapoliert werden Die grundlegende Annahme hinter Mittelwertbildung und Glättung Modelle ist, dass die Zeitreihe ist Lokal stationär mit einem langsam variierenden Mittel Also nehmen wir einen bewegten lokalen Durchschnitt, um den aktuellen Wert des Mittelwertes zu schätzen und dann das als Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem zufälligen Spaziergang angesehen werden - without-drift-model Die gleiche Strategie kann verwendet werden, um einen lokalen Trend zu schätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als geglättete Version der Originalreihe bezeichnet, weil die kurzfristige Mittelung die Wirkung hat, die Beulen in der Originalreihe zu glätten Anpassung der Grad der Glättung der Breite des gleitenden Durchschnitt, können wir hoffen, eine Art von optimalen Gleichgewicht zwischen der Leistung der mittleren und zufälligen Walk-Modelle Die einfachste Art von av Eragierendes Modell ist das. Einfache gleichgewichtete Moving Average. Die Prognose für den Wert von Y zum Zeitpunkt t 1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Durchschnitt der letzten m Beobachtungen. Hier und anderswo verwende ich das Symbol Y-Hut, um für eine Prognose der Zeitreihe Y zu stehen, die am frühestmöglichen früheren Datum durch ein gegebenes Modell gemacht wurde. Dieser Durchschnitt ist in der Periode & lgr; m 1 2 zentriert, was bedeutet, dass die Schätzung von Das lokale Mittel neigt dazu, hinter dem wahren Wert des lokalen Mittels um etwa m 1 2 Perioden zu liegen. So sagen wir, dass das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt m 1 2 relativ zu dem Zeitraum ist, für den die Prognose berechnet wird Dies ist die Zeitspanne, mit der die Prognosen dazu neigen, hinter den Wendepunkten in den Daten zu liegen. Zum Beispiel, wenn Sie die letzten 5 Werte mittelschätzen, werden die Prognosen etwa 3 Perioden spät in Reaktion auf Wendepunkte sein. Beachten Sie, dass wenn m 1, Das einfache gleitende durchschnittliche SMA-Modell entspricht dem zufälligen Walk-Modell ohne Wachstum Wenn m sehr groß ist, vergleichbar mit der Länge der Schätzperiode ist das SMA-Modell gleichbedeutend mit dem mittleren Modell Wie bei jedem Parameter eines Prognosemodells ist es üblich Um den Wert von ki anzupassen Um die bestmögliche Anpassung an die Daten zu erhalten, dh die kleinsten Prognosefehler im Durchschnitt. Hierbei handelt es sich um ein Beispiel für eine Serie, die zufällige Schwankungen um ein langsam variierendes Mittel zeigt. Zuerst wollen wir versuchen, es mit einem zufälligen Spaziergang zu platzieren Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Term. Die zufällige Spaziergang Modell reagiert sehr schnell auf Änderungen in der Serie, aber in diesem Fall nimmt es viel von dem Rauschen in den Daten die zufälligen Schwankungen sowie das Signal der lokalen Bedeutet, wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Terminen ausprobieren, bekommen wir einen glatteren Prognosen. Der 5-fach einfache gleitende Durchschnitt liefert deutlich kleinere Fehler als das zufällige Spaziergang Modell in diesem Fall Das Durchschnittsalter der Daten in diesem Prognose ist 3 5 1 2, so dass es dazu neigt, hinter Wendepunkte um etwa drei Perioden zurückzukehren. Zum Beispiel scheint ein Abschwung in der Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich nicht um einige Perioden später. Nicht, Term Prognosen aus dem SMA Mod El sind eine horizontale gerade Linie, genauso wie im zufälligen Spaziergangmodell So geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Allerdings sind die Prognosen aus dem zufälligen Walk-Modell einfach gleich dem letzten beobachteten Wert, die Prognosen von Das SMA-Modell ist gleich einem gewichteten Durchschnitt der jüngsten Werte. Die von Statgraphics für die Langzeitprognosen des einfachen gleitenden Durchschnittes berechneten Konfidenzgrenzen werden nicht größer, wenn der Prognosehorizont zunimmt. Dies ist offensichtlich nicht korrekt. Leider gibt es keinen zugrunde liegenden Statistische Theorie, die uns sagt, wie sich die Konfidenzintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Vertrauensgrenzen für die längerfristigen Prognosen zu berechnen. Zum Beispiel könnten Sie eine Tabellenkalkulation erstellen, in der das SMA-Modell steht Würde zur Vorhersage von 2 Schritten voraus, 3 Stufen voraus, etc. innerhalb der historischen Daten Probe Sie konnten dann die Probe Standardabweichungen der Fehler bei jeder Prognose h Orizon, und konstruieren dann Konfidenzintervalle für längerfristige Prognosen durch Hinzufügen und Subtrahieren von Vielfachen der entsprechenden Standardabweichung. Wenn wir einen 9-fach einfach gleitenden Durchschnitt versuchen, bekommen wir noch glattere Prognosen und mehr von einem nacheilenden Effekt. Das Durchschnittsalter ist Jetzt 5 Perioden 9 1 2 Wenn wir einen 19-fachen gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10.Notice, dass die Prognosen in der Tat hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welche Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistiken vergleicht, auch einen 3-Term-Durchschnitt. Model C, der 5-fache gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE um eine kleine Marge über die 3-Term - und 9-Term-Mittelwerte und Ihre anderen stats sind fast identisch Also, bei Modellen mit sehr ähnlichen Fehlerstatistiken können wir wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen. Zurück zum Seitenanfang. Brown s Simple Exponential Glättung exponentiell gewichtet Gleitender Durchschnitt. Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, dass es die letzten k Beobachtungen gleichermaßen behandelt und alle vorherigen Beobachtungen vollständig ignoriert. Intuitiv sollten die vergangenen Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel die jüngste Beobachtung sollte Bekomme ein bisschen mehr Gewicht als die 2. jüngsten, und die 2. jüngsten sollte ein bisschen mehr Gewicht als die 3. letzte, und so weiter Die einfache exponentielle Glättung SES Modell erreicht dies. Let bezeichnen eine Glättung Konstante eine Zahl zwischen 0 und 1 Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die die aktuelle Ebene repräsentiert, dh der mittlere Mittelwert der Reihe, wie sie von den Daten bis zur Gegenwart geschätzt wird. Der Wert von L zum Zeitpunkt t wird rekursiv aus seinem eigenen vorherigen Wert wie dieser berechnet. Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorherigen geglätteten Wert und der aktuellen Beobachtung, wo die Nähe des interpolierten Wertes auf die meisten re Cent Beobachtung Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert. Egalentlich können wir die nächste Prognose direkt in Bezug auf vorherige Prognosen und vorherige Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation Zwischen vorheriger Prognose und vorheriger Beobachtung. In der zweiten Version wird die nächste Prognose durch Anpassung der vorherigen Prognose in Richtung des vorherigen Fehlers um einen Bruchteil erreicht. Ist der Fehler zum Zeitpunkt t In der dritten Version ist die Prognose ein Exponentiell gewichtet, dh ermäßigt gleitender Durchschnitt mit Rabattfaktor 1.Die Interpolationsversion der Prognoseformel ist die einfachste zu verwenden, wenn Sie das Modell auf einer Tabellenkalkulation implementieren, die es in eine einzelne Zelle passt und enthält Zellreferenzen, die auf die vorherige Prognose hinweisen, die vorherige Beobachtung und die Zelle, wo der Wert von gespeichert ist. Hinweis, dass, wenn 1, ist das SES-Modell gleichbedeutend mit einem zufälligen Spaziergang Modell Witz Hout-Wachstum Wenn 0, ist das SES-Modell äquivalent zum mittleren Modell, vorausgesetzt, dass der erste geglättete Wert gleich dem mittleren Return to top of page gesetzt ist. Das Durchschnittsalter der Daten in der einfach-exponentiellen Glättungsprognose ist 1 relativ Zu dem Zeitraum, für den die Prognose berechnet wird. Dies soll nicht offensichtlich sein, aber es kann leicht durch die Auswertung einer unendlichen Reihe gezeigt werden. Daher ist die einfache gleitende Durchschnittsprognose dazu neigt, hinter den Wendepunkten um etwa 1 Perioden zurückzukehren 5 die Verzögerung ist 2 Perioden, wenn 0 2 die Verzögerung 5 Perioden beträgt, wenn 0 1 die Verzögerung 10 Perioden ist, und so weiter. Für ein gegebenes Durchschnittsalter dh Betrag der Verzögerung, ist die einfache exponentielle Glättung SES Prognose etwas überlegen, die einfache Bewegung Durchschnittliche SMA-Prognose, weil sie relativ viel Gewicht auf die jüngste Beobachtung - es ist etwas mehr reagiert auf Veränderungen in der jüngsten Vergangenheit Zum Beispiel ein SMA-Modell mit 9 Begriffe und ein SES-Modell mit 0 2 haben beide ein Durchschnittsalter Von 5 für die da Ta in ihren Prognosen, aber das SES-Modell setzt mehr Gewicht auf die letzten 3 Werte als das SMA-Modell und zugleich vergisst es nicht ganz über Werte, die mehr als 9 Perioden alt sind, wie in dieser Tabelle gezeigt. Ein anderer wichtiger Vorteil von Das SES-Modell über das SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der stufenlos variabel ist, so dass er leicht mit einem Solver-Algorithmus optimiert werden kann, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert des SES-Modells für diese Serie erweist sich Um 0 2961 zu sein, wie hier gezeigt. Das Durchschnittsalter der Daten in dieser Prognose beträgt 1 0 2961 3 4 Perioden, was ähnlich ist wie bei einem 6-fach einfach gleitenden Durchschnitt. Die langfristigen Prognosen aus dem SES-Modell sind Eine horizontale Gerade wie im SMA-Modell und das zufällige Spaziergang Modell ohne Wachstum Allerdings ist zu beachten, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftig aussehenden Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für den Rand Om walk model Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbarer ist als das zufällige Walk-Modell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells, so dass die statistische Theorie der ARIMA-Modelle eine fundierte Grundlage für die Berechnung von Konfidenzintervallen für die SES-Modell Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht-seasonalen Differenz, einem MA 1-Term und keinem konstanten Term, der sonst als ARIMA-0,1,1-Modell ohne Konstante bekannt ist. Der MA 1 - Koeffizient im ARIMA-Modell entspricht dem Menge 1 im SES-Modell Wenn Sie beispielsweise ein ARIMA-0,1,1-Modell ohne Konstante an die hier analysierte Baureihe anpassen, erweist sich der geschätzte MA 1 - Koeffizient auf 0 7029, was fast genau ein minus 0 2961 ist. Es ist möglich, die Annahme eines nicht-null konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Dazu geben Sie einfach ein ARIMA-Modell mit einer nicht-seasonalen Differenz und einem MA 1-Term mit einer Konstante, dh einem ARIMA 0,1,1-Modell an Mit konstanten Die langfristigen prognosen werden Dann haben Sie einen Trend, der gleich der durchschnittlichen Tendenz ist, die über die gesamte Schätzperiode beobachtet wird. Sie können dies nicht in Verbindung mit saisonaler Anpassung tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA eingestellt ist. Allerdings können Sie eine konstante Länge hinzufügen - Exponentieller Trend zu einem einfachen exponentiellen Glättungsmodell mit oder ohne saisonale Anpassung durch Verwendung der Inflationsanpassungsoption im Prognoseverfahren Die entsprechende Inflationsrate pro Wachstumsrate pro Periode kann als der Steigungskoeffizient in einem linearen Trendmodell, das an die Daten angepasst ist, geschätzt werden Konjunktion mit einer natürlichen Logarithmus-Transformation, oder sie kann auf anderen, unabhängigen Informationen über langfristige Wachstumsaussichten basieren. Zurück zum Seitenanfang. Brown s Linear ie doppelte exponentielle Glättung. Die SMA-Modelle und SES-Modelle gehen davon aus, dass es keinen Trend gibt Jede Art in den Daten, die in der Regel ok oder zumindest nicht zu schlecht für 1-Schritt-voraus Prognosen, wenn die Daten relativ noi ist Sy, und sie können modifiziert werden, um einen konstanten linearen Trend wie oben gezeigt zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen den Lärm auszeichnet und wenn es nötig ist Prognose mehr als 1 Periode voraus, dann könnte die Schätzung eines lokalen Trends auch ein Problem sein Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungs-LES-Modell zu erhalten, das lokale Schätzungen von Level und Trend berechnet. Der einfachste zeitveränderliche Trend Modell ist Brown s lineares exponentielles Glättungsmodell, das zwei verschiedene geglättete Serien verwendet, die zu verschiedenen Zeitpunkten zentriert sind Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren Eine ausgefeiltere Version dieses Modells, Holt s, ist Unten diskutiert. Die algebraische Form von Brown s linearen exponentiellen Glättungsmodell, wie das des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von verschiedenen, aber e ausgedrückt werden Quivalentformen Die Standardform dieses Modells wird gewöhnlich wie folgt ausgedrückt: S bezeichnet die einfach geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung auf die Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch. Erinnern Sie sich, dass unter einfacher exponentieller Glättung dies die Prognose für Y in der Periode t 1 sein würde. Dann sei S die doppelt geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung unter Verwendung derselben zu der Reihe S erhalten wird. Zunächst ist die Prognose für Y tk für irgendwelche K & sub1 ;, ist gegeben durch. Dies ergibt e 1 0, dh ein wenig zu betrügen, und die erste Prognose gleich der tatsächlichen ersten Beobachtung und e 2 Y 2 Y 1, wonach Prognosen unter Verwendung der obigen Gleichung erzeugt werden, ergibt die gleichen angepassten Werte Als die auf S und S basierende Formel, wenn diese mit S 1 S 1 Y 1 gestartet wurden Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination von exponentieller Glättung mit saisonaler Anpassung veranschaulicht. Holt s Linear Exponential Smoothing. Brown S LES-Modell berechnet lokale Schätzungen von Level und Trend durch Glättung der jüngsten Daten, aber die Tatsache, dass es tut dies mit einem einzigen Glättungsparameter stellt eine Einschränkung auf die Datenmuster, dass es in der Lage ist, die Ebene und Trend sind nicht erlaubt, variieren beim Unabhängige Raten Holt s LES Modell adressiert dieses Problem durch die Einbeziehung von zwei Glättungskonstanten, eine für die Ebene und eine für den Trend Zu jeder Zeit t, wie in Browns Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T T des lokalen Tendenzes Hier werden sie rekursiv aus dem Wert von Y, der zum Zeitpunkt t beobachtet wurde, und den vorherigen Schätzungen des Niveaus und des Tendenzes durch zwei Gleichungen berechnet, die eine exponentielle Glättung für sie separat anwenden. Wenn das geschätzte Niveau und der Trend zum Zeitpunkt t-1 Sind L t 1 bzw. T t-1, so ist die Prognose für Y t, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der Istwert beobachtet wird, wird die aktualisierte Schätzung der Level wird rekursiv durch Interpolation zwischen Y t und seiner Prognose L t-1 T t-1 berechnet, wobei Gewichte von und 1 verwendet werden. Die Änderung des geschätzten Pegels, nämlich L t L t 1, kann als eine verrauschte Messung der Trend zur Zeit t Die aktualisierte Schätzung des Trends wird dann rekursiv durch Interpolation zwischen L berechnet T L t 1 und die vorherige Schätzung des Trends T t-1 unter Verwendung von Gewichten von und 1.Die Interpretation der Trend-Glättungskonstante ist analog zu der der Pegel-Glättungs-Konstante. Modelle mit kleinen Werten gehen davon aus, dass sich der Trend ändert Nur sehr langsam im Laufe der Zeit, während Modelle mit größeren davon ausgehen, dass es sich schneller ändert Ein Modell mit einem großen glaubt, dass die ferne Zukunft sehr unsicher ist, denn Fehler in der Trendschätzung werden bei der Prognose von mehr als einer Periode voraus Der Seite. Die Glättungskonstanten und können in der üblichen Weise durch Minimierung des mittleren quadratischen Fehlers der 1-Schritt-voraus-Prognosen geschätzt werden. Wenn dies in Statgraphics geschieht, ergeben sich die Schätzungen als 0 3048 und 0 008 Der sehr kleine Wert von Bedeutet, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zur nächsten einnimmt, so dass dieses Modell grundsätzlich versucht, einen langfristigen Trend abzuschätzen. Analog zu dem Begriff des Durchschnittsalters der Daten, die bei der Schätzung von t verwendet werden Die lokale Ebene der Serie, das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet wird, ist proportional zu 1, wenn auch nicht genau gleich. In diesem Fall ergibt sich das 1 0 006 125 Dies ist eine sehr genaue Nummer Insofern als die Genauigkeit der Schätzung von isn t wirklich 3 Dezimalstellen, aber es ist von der gleichen allgemeinen Größenordnung wie die Stichprobengröße von 100, so dass dieses Modell durchschnittlich über ziemlich viel Geschichte bei der Schätzung der Trend Die Prognose Handlung ist Unten zeigt, dass das LES-Modell einen eher größeren lokalen Trend am Ende der Serie schätzt als der im SES-Trendmodell geschätzte konstante Trend. Auch der Schätzwert ist nahezu identisch mit dem, der durch die Anpassung des SES-Modells mit oder ohne Trend erhalten wird , So ist dies fast das gleiche model. Now, sehen diese aussehen wie vernünftige Prognosen für ein Modell, das soll einen lokalen Trend schätzen Wenn Sie Augapfel dieser Handlung, sieht es aus, als ob die lokale Tendenz hat sich nach unten am Ende der Serie Wh At ist passiert Die Parameter dieses Modells wurden durch die Minimierung der quadratischen Fehler von 1-Schritt-voraus Prognosen, nicht längerfristige Prognosen geschätzt, in welchem ​​Fall der Trend macht nicht viel Unterschied Wenn alles, was Sie suchen, sind 1 - step-ahead-Fehler, sehen Sie nicht das größere Bild der Trends über 10 oder 20 Perioden Um dieses Modell mehr im Einklang mit unserer Augapfel-Extrapolation der Daten zu bekommen, können wir manuell die Trend-Glättung konstant so einstellen, dass es Verwendet eine kürzere Grundlinie für Trendschätzung Wenn wir z. B. wählen, um 0 1 zu setzen, dann ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so vermitteln Hier ist das, was die Prognose-Plot aussieht, wenn wir 0 1 setzen, während wir 0 3 halten. Das sieht intuitiv vernünftig für diese Serie aus, obwohl es wahrscheinlich gefährlich ist, diesen Trend mehr als 10 Perioden in der Zukunft zu extrapolieren. Was geht es um die Fehlerstatistik Hier ist Ein Modellvergleich f Oder die beiden oben gezeigten Modelle sowie drei SES-Modelle Der optimale Wert des SES-Modells beträgt etwa 0 3, aber mit 0 oder 0 2 ergeben sich ähnliche Ergebnisse mit etwas mehr oder weniger Ansprechverhalten. Eine Holt s lineare Exp-Glättung Mit alpha 0 3048 und beta 0 008. B Holt s lineare exp Glättung mit alpha 0 3 und beta 0 1. C Einfache exponentielle Glättung mit alpha 0 5. D Einfache exponentielle Glättung mit alpha 0 3. E Einfache exponentielle Glättung mit alpha 0 2.Die Statistiken sind fast identisch, so dass wir wirklich die Wahl auf der Basis von 1-Schritt-voraus Prognose Fehler innerhalb der Daten Probe Wir müssen auf andere Überlegungen zurückfallen Wenn wir stark glauben, dass es sinnvoll ist, die aktuelle Basis zu stützen Trend-Schätzung, was in den letzten 20 Perioden passiert ist, so können wir einen Fall für das LES-Modell mit 0 3 und 0 1 machen. Wenn wir agnostisch sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle Sei leichter zu erklären und würde auch mehr middl geben E-of-the-road Prognosen für die nächsten 5 oder 10 Perioden Zurück zum Seitenanfang. Welche Art der Trend-Extrapolation ist am besten horizontal oder linear Empirische Hinweise deuten darauf hin, dass, wenn die Daten bereits angepasst wurden, wenn nötig für die Inflation, dann Es kann unklug sein, kurzfristige lineare Trends sehr weit in die Zukunft zu extrapolieren Trends, die heute deutlich sichtbar sind, können aufgrund unterschiedlicher Ursachen wie Produktveralterung, verstärkte Konkurrenz und zyklische Abschwünge oder Aufschwünge in einer Branche aus diesem Grund einfacher exponentieller Fall sein Glättung führt oft zu einem besseren Out-of-Sample, als es sonst zu erwarten wäre, trotz seiner naiven horizontalen Trend-Extrapolation Dämpfte Trendmodifikationen des linearen exponentiellen Glättungsmodells werden auch in der Praxis häufig verwendet, um eine Note des Konservatismus in seine Trendprojektionen einzuführen. Der gedämpfte Trend LES-Modell kann als Spezialfall eines ARIMA-Modells implementiert werden, insbesondere ein ARIMA 1,1,2-Modell. Es ist möglich, Konfidenzintervalle zu berechnen Langfristige Prognosen, die durch exponentielle Glättungsmodelle erzeugt werden, indem sie sie als Sonderfälle von ARIMA-Modellen betrachten. Vorsicht nicht, dass alle Software die Konfidenzintervalle für diese Modelle korrekt berechnet. Die Breite der Konfidenzintervalle hängt von dem RMS-Fehler des Modells ab Von Glättung einfach oder linear iii der Wert s der Glättungskonstante s und iv die Anzahl der vorangegangenen Perioden, die Sie prognostizieren Im Allgemeinen breiten sich die Intervalle schneller aus, wenn sie im SES-Modell größer werden und sie breiten sich viel schneller aus, wenn linear und nicht einfach Glättung wird verwendet Dieses Thema wird weiter in der ARIMA-Modelle Abschnitt der Notizen diskutiert Zurück zum Seitenanfang. exponentia l gleitende durchschnittliche Schritt Antwort fpga. Ich habe ein Problem mit meinem Filter, die exponentiell gewichteten gleitenden Durchschnitt Filter IIR Reihenfolge aus dem Buch Verstehen Digitale Signalverarbeitung Lyons Richard Ich habe die folgende Formel Berechnung der 3dB Frequenz fc aus Alpha Alpha ist der Parameter, um den Filter zu kontrollieren. Di Finenzale Gleichung des Filters ynxn alpha 1 - alpha y n-1.Relation zwischen fc und alpha alpha cos 2fc fs - 1 sqrt cos 2fc fs - 4 cos 2fc fs 3.Wenn ich nun eine 3dB Frequenz von 0,0794Hz Zeitkonstante TC wähle 2s alpha 0,00169621 fs 94Hz. Für ein IIR Filter 1. Ordnung, die Anstiegszeit ta der Stepresponse von 10 bis 90 ist ta 2,2 TC, was zu ta 4,4s. But, wenn ich die Schrittantwort simulieren, meine Aufstieg Zeit ist etwa 3 Mal von diesem Wert bei 14s. Ich kann nicht erklären, warum die Sprungantwort meines Filters unterscheidet sich so viel Für meine Moving Average Filter ist die berechnete und simulierte Anstiegszeit gleich. Ich habe die vi, die auf der FPGA angelegt wird Vielleicht Jemand kann einen Fehler finden. Siehe auch Alpha-Filter oder RC-Filter. Ist Ihre Sampling-Frequenz fs korrekt Wenn die Loop-Timing doesn t Match, das würde es erklären. Ihre Datentypen sehen gut aus, um Alpha innerhalb 1 Aber ich würde vorschlagen, eine kleine Änderung in der Umsetzung Wie es steht , Ist es ein bisschen anfällig für das Abrunden, weil 1-alpha wiederholt mit dem y n-1 multipliziert wird. Eine etwas zuverlässigere Methode ist zu sagen, yny n-1 alpha xn-y n-1 Der Unterschied ist subtil, Aber gibt mir bessere Ergebnisse viele Male Und es eliminiert ein Multiplikation. By der Weg, neu interpretieren Zahl tut die gleiche Sache wie Ihre konvertieren von FXP zu bool dann zurück Es ist ein wenig weniger verwirrend, though. I ma wenig verwirrt durch die zeitgesteuerte Schleife, die nie Loops Tut es das Timing auf die Art und Weise, wie ich es vermutete, es würde nicht, so dass ich es nie benutzt habe, ich benutze den Loop Timer stattdessen. CLD User seit rev 8 6.Message 2 von 13 1.087 Views. Re exponentia l gleitende durchschnittliche Schrittantwort fpga. 10-01-2015 02 05 AM - bearbeitet 10-01-2015 02 17 AM. thanks für deine Antwort.1, ich versichere meine Sampling-Frequenz mit dem Loop-Timer Meine Eingabe ist 425 532 Ticks, was gleich.94 Hz ist Diese Tickrate Wird durch Zecken bestätigt EWMA .-- Vielleicht kann jemand den Code testen und mir sagen.2, fand ich deinen Ansatz in den Tricks und Tipps Abschnitt von Lyons Buch Ich werde einen Versuch haben, aber könnten Sie erklären, die Runde ab treiben ein wenig Ich bin ganz neu in diesem Bereich. Es gibt einen weiteren Vorteil von der Beseitigung eines Multiplikators mit Ausnahme von Ressourcen sind die Frequenzantwort, Impulsantwort und Schritt Antwort das gleiche.3 Wenn ich nur bitshift, bin ich freundlich ein verwendet, um diese Methode Nicht sicher, wenn Die reinterprate Funktion nutzt weniger ressources Aber danke für das Erkennen it.4, Die zeitgesteuerte Schleife iteriert alle 425 532 ticks einmal So mit einer Frequenz von 94Hz wird ein Wert durch den Code berechnet, da der Code innerhalb der zeitgesteuerten Schleife nur eine Iteration benötigt Ich vermisse deine Frage. Ich bin mir nicht sicher, welche weiteren Informationen du brauchst Um die Sprungantwort eines gleitenden Durchschnitts mit einem exponentiellen gleitenden Durchschnitt zu vergleichen EWMA Eigentlich möchte ich nur die Theorie bestätigen Wie ich bereits erwähnt habe, um eine Zeitkonstante von 2s bei einer Abtastrate von 94Hz zu erhalten, muss alpha 0.00169 sein. Der Aufstieg Zeit der Sprungantwort von 10 bis 90 des Endwertes unterscheidet sich von der Theorie Anstieg Zeit sollte 4,4s mit Zeitkonstante 2s sein, aber ich bekomme fast 14s, wenn ich meinen Code auf der FPGA. I bestätigte, dass mit Alpha 0,00169 , Mein Code dauert 1297Samples, um von 0,1 bis 0,9 Endwert zu erhalten ist 1, Startwert 0.Sie können in meinem Code sehen Ich überprüfe die Schleife Zeit mit dem Indikator tickt ewma, um die Abtastrate der SCTL zu bestätigen. Kann jemand anderes die 1297Samples bestätigen, die bei alpha gekauft werden 0,00169 Ursache Ich denke, dass ich zu viele Samples benötige, um den 0,9 Wert zu erreichen. Ich habe bereits die vorgeschlagene EWMA Version von der ersten Antwort implementiert. Das gleiche Problem hier. Message 5 Von 13 1.037 Views. Re exponentia l gleitende durchschnittliche Schritt Antwort fpga. 10-01-2015 08 13 AM - bearbeitet 10-01-2015 08 15 AM.1, ich belebe meine Sampling-Frequenz mit dem Loop-Timer Meine Eingabe ist 425 532 Ticks, was gleich ist.94 Hz Diese Tickrate wird durch Zecken EWMA bestätigt .-- Vielleicht kann jemand den Code testen und mir sagen.2, fand ich deinen Ansatz in den Tricks und Tipps Abschnitt von Lyons Buch Ich werde einen Versuch haben, aber könnten Sie erklären, die Runde ab treiben ein bisschen Ich bin ganz neu in Dieser Bereich. Ist dort ein weiterer Vorteil von der Beseitigung eines Multiplikators außer ressources Sind die Frequenzantwort, Impulsantwort und Schrittantwort das gleiche.3, Wenn ich nur Bitshift, bin ich freundlich zu dieser Methode nicht sicher, wenn die reinterprate Funktion weniger verwendet Ressources Aber danke für die Anmerkung.4, Die zeitgesteuerte Schleife iteriert alle 425 532 Zecken einmal So mit einer Frequenz von 94Hz wird ein Wert durch den Code berechnet, da der Code innerhalb der zeitgesteuerten Schleife nur eine Iteration benötigt oder bin ich vermisse deine Frage. Ich habe eine Kalkulationstabelle zu simulieren, und bekomme fast genau die gleiche Antwort 12 99 Zyklen gehen von 0 1 bis 0 9 Spreadsheets machen ein praktisches Werkzeug zum Testen von Berechnungen.1 Okay, ich habe noch nie die Single-Cycle-Timed-Loop SCTL mit dem T geschrieben an den Stopp Es würde zwingen, die Mathematik-Funktionen einzeln zu sein - cycle, aber ich bin mir nicht sicher, ob das ein Vorteil ist, wollte ich nur sicherstellen, dass die Zeit bestätigt wurde, und es ist.2 Das Round-off Drifting vermutlich t t auftauchen, wenn deine Eingabe kleiner ist kleiner als 0 1 Ich sehe Jetzt da hast du 40 bits 39 rechts von der dezimal für die rückmeldung Das dauert einiges an FPGA zu multiplizieren, aber gewinnt t haben abrundungsprobleme Andere Teile hatten nur 18 Bits 17 rechts von der Dezimalzahl, also alpha 0 00169 - 000007 Mal ein Eingang von 0 1 wäre 0 000169 - 0 000007 oder 7 Fehler gewesen Aber das multipliziert ist auch 40 Bit, also solltest du keine Probleme sehen. Typisch hat der Ausgang yn weniger Bits und wird abends abrunden Bit Aber weil es in einer Loop-Multiplikation mit 1-Alpha jedes Mal ist, wird die Abrundung manchmal jede Schleife akkumuliert, bis es groß ist enou Gh, um die add s Ergebnisse zu beeinflussen Es ist schwer zu erklären, aber meine allgemeine Faustregel ist, dass ich einen Fehler gleich dem kleinsten Bit, das durch Alpha geteilt wird, mit der ursprünglichen Methode oder etwa die Hälfte, die uns die Ein-Multiplikations-Methode, Die Antworten werden fast identisch sein, außer für einen kleinen Unterschied Der größte Vorteil ist das Speichern von FPGA-Platz und kompilieren Zeit Und Sie können Ihre Anzahl von Bits etwas zu reduzieren, um noch mehr zu sparen.3 Sie sind grundsätzlich identisch und beide Methoden sind frei in FPGA Die Bits sind nicht verändert, also ist keine Logik nötig, sie sind einfach neu beschriftet.4 Ich glaube, du hast es gut geantwortet. Generisch, an diesem Punkt würde ich Alpha anpassen, bis meine Ergebnisse mit dem übereinstimmen, was ich wollte, und ziehe weiter Ich hasse es nicht zu verstehen Missverständnis, aber don t haben normalerweise Zeit, in sie hinein zu tauchen. Aber um der Wissenschaft willen, lassen Sie s betrachten, dass Ihre Formel kann fehlerhaft sein Ich denke, Sie können eine Formel für einen kontinuierlichen exponentiellen Zerfall e-t tau verwenden, nicht für Ein diskreter exponentieller Zerfall 1-alpha i Es ist einfacher zu sehen Bei dieser als Schrittfunktion von 1 bis 0 In diesem Fall ist yn für n 0 yn 1-alpha n Wir können n für yn 0 9 als n log 1-alpha 0 9 62 und n für yn 0 1, Als 1361, für einen Unterschied von 1299. CLD User seit rev 8 6.thank Sie für Ihre ausführliche answer. Concerning das Problem mit der Aufstiegszeit, ich glaube, ich fand den Fehler Sie könnten Recht haben, dass die Formel nicht korrekt ist oder was Wird vermutlich von mir falsch verstanden und in den falschen Kontext gestellt. Als ich von der Arbeit nach Hause fuhr, erinnerte ich mich an eine praktische Funktion des Labview-Glättungsfilters Hier musst du nur Tau TC und fs setzen und es bestimmt Nominator und Nenner für exponentiell gleitenden Durchschnitt und Gleitender Durchschnitt Da der Nominator alpha ist, könnte ich das Ergebnis mit der Formel vergleichen, die ich verwendet habe, und es war ein ganz normaler Unterschied Labview verwendet die folgende Formel alpha 1-exp -1 fs TC Mit dieser Formel ist TC 2s gleich alpha 0,0053.And Mit diesem Alpha meine Simulation funktioniert Risetime 4,4sQuoting Sie Im Allgemeinen würde ich an dieser Stelle alpha bis mein r anpassen Eskants passte, was ich wollte, und ziehe weiter Ich würde gerne das gleiche tun, aber da dies meine Masterarbeit ist, muss ich solche Dinge lösen. Jetzt zurück zu den Rundungsproblemen, die ich verstehe, dass kleine Werte ein größeres Problem sind Wird in einem Lock In verwendet, die Werte werden WIRKLICH klein sein Aber ich habe es schon auf unserem Messgerät getestet und es funktioniert, deshalb werde ich auch deine Version testen, aber wenn ich keine Probleme bekomme, dann schätze ich Es bei 40bits Simulation der folgenden Setup verursacht einen Fehler von 2 3 Mit 57 Bits reduziert den Fehler auf unter 1 Ich denke, 40bits sollte genug sein. Und in Bezug auf die Ressourcen habe ich keine Sorgen Obwohl mit einem Myrio am Ende habe ich noch eine Menge von DSP Slices für die Multiplikation und 10 kostenlose FlipFlops. So Ich denke, dieses Thema ist gelöst Danke für Ihre tolle Hilfe und interessante Gedanken. Cool Ich bin froh, dass es funktioniert, jetzt. Ich wuchs in der Ära ohne DSP-Scheiben in FPGAs, und Kleinere Zelle zählt, so immer noch dazu neigen, in diesen Ausdrücken zu denken, die ich immer noch gerne spenne D 25 Minuten Programmierung, um meine Compile-Zeiten zu bekommen, obwohl ich habe Fälle, wo ich schneiden Kompilieren Zeit von 90 Minuten auf 45 Minuten durch die Optimierung ziemlich viel Mit einem leistungsfähigen Server für die Kompilierung, das ist weniger wichtig. Eines dieser Optimierungen ist zu Reduzieren Sie Bitzählungen, wo ich kann, besonders für Multiplikatoren. Zum Beispiel ist Alpha 16 0 und für 0 0053 können Sie auch 12 -4 negative Integerzählung verwenden. Sie können auch in der Lage sein, viele obere Bits von Ihrem Eingang zu entfernen 5 Minuten Um die kleinste Bit-Count zu wählen, kann einfach 2-10 Minuten für jede kompilieren. Meine zweite Optimierung ist, um Multiplikationen zu reduzieren, aber mit einem DSP-Slice, das ist nicht so wichtig ich kann nicht finden, gute Dokumentation über die DSP-Scheiben, wenn Sie haben Einige, bitte Post Links, aber wie ich es verstehe, wenn Sie größere Zahlen Bit zählt, es braucht mehrere Scheiben, und vielleicht Zeit, um die Ergebnisse zu kombinieren. Und ein weiterer Trick wählen Sie ein Alpha mit einem einfachen binären Wert, wie 1 256 Sie Wählte um 1 189 und wechsle fs bis du ge T die Glättung Sie wollen Dann verwenden Sie eine Konstante für Alpha Multiply durch eine Konstante 1 256 ist frei in der FPGA es nur verschiebt die Bits. Für diese Angelegenheit, die Alpha-Konstante kann die Multiplikatoren ein bisschen optimieren Je nach den smarts des Optimierers, Es kann es zu einem Satz von Addierern ändern statt Frontpanel Eingänge sind ideal für immer Dinge zu arbeiten, aber Konstanten optimieren viel besser. CLD User seit dem 8. Januar 6.Wenn du durchschnittlich 16 mal so viele Samples fs 16x was du warst, solltest du 4 weitere Bits in deinem Feedback einbeziehen. Du hast doch schon pleanty, also das ist vielleicht nicht wichtig, wenn du nicht viel schneller gehst. Ansonsten steigert man fs Ist wahrscheinlich gut. Wenn der Eingang hat Niederfrequenz-Rauschen, über Sampling doesn t helfen, beseitigen, dass überhaupt Hochfrequenz-Rauschen, aber, reduziert mit Über-Sampling Wenn zum Beispiel das Rauschen über 10Hz ist -5dB, dass 10 ist - 5 mal die Amplitude des Signals, das du magst, und du probierst bei 20S s ab, du wirst wahrscheinlich -5dB in deiner anfänglichen Lesung abholen Wenn dein -3dB fc auch 10Hz ist, dann wirst du mit rund -8dB Lärm am Ende Ihr Signal Wenn Sie stattdessen 200S s nehmen, durchschnittliche Gruppen von 10, dann übergeben diese Mittelwerte an den Filter, Sie gewann t helfen Rauschen bei 10Hz Sie wurden 10Hz Rauschen ohne Sampling-Effekte, aber wird Rauschen über 100Hz um etwa einen Faktor zu reduzieren In der Nähe, aber nicht wirklich 10. Es gibt ganze Semester-lange Klassen, die diskutieren, warum, wie , Etc Die kurze Version ist diese jede Probe ist die Summe aus dem Signal, das Sie wollen und Rauschen Wenn Sie 10 Samples hinzufügen, erhalten Sie 10x das Signal, das Sie wollen, und die Summe von 10 Rauschen Die Art des Lärms bestimmt, was Sie bekommen, wenn Sie Füge die 10 Samples von Rauschen hinzu Gaussian Rauschen fügt eine Art und Weise etwas wie wenn 83 von Samples unter X sind, die Summe hat 83 Summen unter 1 1X, oder so etwas wie das Lineare Rauschen fügt einen anderen Weg hinzu Und wiederholende Muster fügen einen anderen Weg hinzu So, ohne genau zu wissen Was der Lärm ist, niemand kann dir mit Sicherheit antworten, außer dass die durchschnittliche Mehrzahl von Proben wahrscheinlich hilft und fast niemals weh tut. Es gibt auch die Frage des Aliasing Wenn du eine Sinus-Interferenz von 60Hz bei -3dB hast und du probierst 10 001S s immer annehmen, dass die Uhren nicht genau anpassen, bekommt man so etwas wie 0 006Hz bei -3dB zu deinem Signal hinzugefügt, und dein Filter gewinnt t es zu entfernen Aber die Samplerate auf 100 001S s zu stoßen, wird die Interferenz auf etwa 40Hz setzen , Also sollte dein Filter es beseitigen. Averagi Ng 10 Samples zu einem Zeitpunkt ist eine Art von Filter-Box Wenn Sie es in einem Frequenzbereich betrachten, können Sie sehen, dass einige höhere Frequenzen verschoben werden, um die Frequenzen in einer seltsamen Weise zu senken, und nicht alle sind reduziert Wenn Sie durchschnittlich 4000 S s , 100 zu einer Zeit, bekommst du durchschnittlich 40 mal pro Sekunde Mit 60Hz Interferenz, bekommst du etwa 1 3 so viel Lärm, verschoben auf 20Hz, die t Filter sowie 60Hz haben würde. So wäre es besser Um den EWMA-Filter mit der höheren Abtastrate zu verwenden, als zu durchschnittlichen Blöcken von Eingängen, dann filtern, dass und Mittelwert ist wahrscheinlich besser als nur mit einer langsameren Samplerate. Wenn Sie einen Eingangsadapter mit eingebauten elektronischen Filtern haben, ist das noch besser , Und es besteht keine Notwendigkeit, mehr als 2X die Filterfrequenz zu probieren. CLD User seit 12 Jahre 6.