Eu sou novo no Simulink. Eu quero fazer a média dos dados recebidos (que vem após alguns intervalos) de um bloco. Por exemplo, dados contínuos emoldurados de 42 amostras estão fora de um bloco. Junto com os dados emoldurados, há outra saída (tag) que informa que essas amostras de quadros pertencem a qual categoria. As tags são números de 1-6. A saída é aleatória. Eu quero fazer a média dos mesmos dados da categoria. Como o primeiro quadro é de cat1, então, depois de 4 quadros, o quadro cat1 vem de novo. Agora, como devo fazer uma média desse novo quadro com o anterior, eu quero fazer isso para todas as categorias. Por favor, ajude-me nisso. Perguntou 26 de março às 13:35 Uma solução rápida e suja seria implementar um arraylista para cada categoria. Inicialize a lista com NaNs e mantenha um contador para a última amostra de cada categoria. Usando a função média, você pode obter a média de todas as medidas. Se você quiser apenas a média do quadro atual e do quadro anterior, você pode simplesmente fazer o meio (cat1 (n1) cat1 (n11)) onde cat1 é o arraylist para quadros da categoria 1 e n1 é o índice do quadro anterior em cat1 . Se você quer uma média móvel ponderada para uma implementação em tempo real, crie uma variável média para cada categoria (ligue para av1, av2, etc.) e computa av1 alphaav1 (1-alpha) cat1 (n11) (onde alfa é o peso atribuído Para a média anterior (alphalt1) e cat1 (n11) é a nova medida) sempre que uma moldura cat1 entra. Respondido 26 de março 14 em 17: 39Documentação Este exemplo mostra como usar filtros médios móveis e reamostragem para isolar o efeito de componentes periódicos da hora do dia em leituras horárias horárias, bem como remover o ruído indesejado da linha de uma medida de tensão de circuito aberto . O exemplo também mostra como alisar os níveis de um sinal de relógio, preservando as bordas usando um filtro mediano. O exemplo também mostra como usar um filtro Hampel para remover grandes outliers. Motivation Smoothing é como descobrimos padrões importantes em nossos dados, deixando para fora coisas que não têm importância (ou seja, o ruído). Usamos filtragem para executar esse alisamento. O objetivo do alisamento é produzir mudanças lentas de valor para que seja mais fácil ver tendências em nossos dados. Às vezes, quando você examina dados de entrada, você deseja suavizar os dados para ver uma tendência no sinal. No nosso exemplo, temos um conjunto de leituras de temperatura em Celsius tomadas a cada hora no Aeroporto de Logan durante todo o mês de janeiro de 2011. Note que podemos visualizar visualmente o efeito que a hora do dia tem nas leituras de temperatura. Se você estiver interessado apenas na variação diária da temperatura ao longo do mês, as flutuações horárias só contribuem com o ruído, o que pode tornar as variações diárias difíceis de discernir. Para remover o efeito da hora do dia, gostaríamos agora de suavizar nossos dados usando um filtro de média móvel. Um filtro de média móvel Na sua forma mais simples, um filtro médio móvel de comprimento N leva a média de cada N amostras consecutivas da forma de onda. Para aplicar um filtro de média móvel a cada ponto de dados, nós construímos nossos coeficientes do nosso filtro para que cada ponto seja igualmente ponderado e contribua com 1 24 para a média total. Isso nos dá a temperatura média em cada período de 24 horas. Retardamento do filtro Observe que a saída filtrada está atrasada em cerca de doze horas. Isto é devido ao fato de nosso filtro de média móvel ter um atraso. Qualquer filtro simétrico de comprimento N terá um atraso de (N-1) 2 amostras. Podemos explicar esse atraso manualmente. Extraindo diferenças médias Alternativamente, também podemos usar o filtro de média móvel para obter uma melhor estimativa de como a hora do dia afeta a temperatura geral. Para fazer isso, primeiro, subtrair os dados suavizados das medidas de temperatura horária. Em seguida, segmentar os dados diferenciados em dias e ter a média durante os 31 dias do mês. Extraindo o envelope máximo Às vezes, também gostaríamos de ter uma estimativa de variação suave de como os altos e baixos do nosso sinal de temperatura mudam diariamente. Para fazer isso, podemos usar a função de envelope para conectar altas e baixas extremas detectadas em um subconjunto do período de 24 horas. Neste exemplo, garantimos que haja pelo menos 16 horas entre cada extremo alto e extremo baixo. Nós também podemos ter uma sensação de como os altos e baixos estão tendendo tomando a média entre os dois extremos. Filtros médios em movimento ponderados Outros tipos de filtros médios móveis não pesam cada amostra de forma igual. Outro filtro comum segue a expansão binomial de (1 2,1 2) n Este tipo de filtro se aproxima de uma curva normal para valores grandes de n. É útil para filtrar o ruído de alta freqüência para pequenos n. Para encontrar os coeficientes para o filtro binomial, convolve 1 2 1 2 com ele próprio e, então, convoluciona a saída com 1 2 1 2 um número de vezes prescrito. Neste exemplo, use cinco iterações totais. Outro filtro um pouco semelhante ao filtro de expansão gaussiano é o filtro exponencial de média móvel. Este tipo de filtro de média móvel ponderada é fácil de construir e não requer um grande tamanho de janela. Você ajusta um filtro de média móvel ponderada exponencialmente por um parâmetro alfa entre zero e um. Um valor maior de alfa terá menos suavização. Amplie as leituras por um dia. Escolha o seu país
No comments:
Post a Comment