Din inre för är iterating all array så det är därför du alltid får samma medelvärde för hela arrayen, du bör iterera från 0 till nuvarande antal av yttre för istället. Ditt rörliga medelvärde uppdateras baserat i j av Din inre för det betyder att det kommer att överdriva tidigare värden varje ny slinga, detta borde vara inuti det yttre i stället för det inre med hjälp av jag som index. Du delar upp summa j för att beräkna medelvärden, varje ny inre slinga j delas med 0 Den första summan jag tror att du menade att använda j 1 istället är indexet inte detsamma som nuvarande längd. Tips för felsökning. Om du inte använder variabler till loop-arrays, ska du använda istället. För att reproducera ditt problem kan du ge oss Isolerat problem istället för din nuvarande kod, ie. Imagine om felet är i dina ingångar, hur kan vi tro att du verkligen använde dem. Svarade 4 okt 13 kl 20 54. Du slår över alla data varje gång du borde ha för int ji medellängd i-medellängd 2 0 ji genomsnittligL Ength 2 j numDataPoints j eller något liknande för ditt innersta genomsnitt. Även movingAverage jag summerar j bör ändras för att hantera fallet när j är 0 Speciellt borde det förmodligen vara movingAverage i summaLängd och det ska tillämpas på movingAverage i Slits utanför den genomsnittliga loop. answered 4 okt 13 på 20 42.Nästa gång, ta kommentarer om uppdraget ur frågan innan du lägger upp det Men eftersom du verkar ganska ny på det här, tänk på hur du skulle gå igenom data, Och gör det gör Du bör försäkra dig om att varje slinga stannar vid rätt punkt och kom ihåg att om du skulle sluta när det inte finns fler nummer, som när du gör innerbandet och du kan bara få 3 fler siffror Istället för 4 måste programmet stoppa. Se till att din kod kollar på this. answered 4 okt 13 vid 20 56. Med några ytterligare detaljer behöver du förmodligen ett obestämt glidande medelvärde. På något ställe A i i ingångslängden A med längd N med 0 i N, det s Helt enkelt medelvärdet av tidigare K-poster i matrisen, upp till och inklusive A i Om det finns sådana värden, så genomsnittliga i 1-värdena från A 0 till A i inklusive. En liten tanke kommer att visa dig att du Behöver inte lägga till alla K-värden varje gång Bara hålla summan och när du flyttar till nästa punkt är detta ett rörligt medelvärde, subtraherar det värde som ersätts och lägger till det nya värdet som kommer att ersätta det. Under den första K - 1 poäng kommer du helt enkelt att lägga till det nya värdet till summan och öka din räknare med 1.An vilken som helst punkt i denna process är det glidande medelvärdet det aktuella summan dividerat med det aktuella räknevärdet. ansvarat 4 okt 13 kl 21 05. Ett glidande medelvärde måste du ha någon form av fönsterstorlek. Din fönsterstorlek är medellängd, så det kommer att se ut så här. För slingan börjar vid nuvarande data och går tillbaka med genomsnittlängddatapunkter och lägger till dem. Du kommer bara ha Ett glidande medelvärde när du har när du har tillräckligt med datapunkter och den genomsnittliga wi Ll vara summan dividerad med den genomsnittliga längden. Notera Inte testad bara sudokod, men det här är idén. ansvarad 4 okt 13 kl 21 05. Ditt svar.2017 Stack Exchange, Inc. Jag vet att detta är möjligt med boost per. Men jag skulle verkligen vilja undvika att använda boost jag har googled och inte hittat några lämpliga eller läsbara exempel. Basiskt vill jag spåra det rörliga genomsnittet av en pågående ström av en ström av flytande punktnummer med de senaste 1000 numren som ett dataprov . Vilket är det enklaste sättet att uppnå detta. Jag experimenterade med att använda ett cirkulärt array, exponentiellt glidande medelvärde och ett enklare glidande medelvärde och fann att resultaten från den cirkulära gruppen passade mina behov best. asked 12 juni 12 på 4 38. Om Dina behov är enkla, du kan bara försöka använda ett exponentiellt rörligt medelvärde. Du gör bara en ackumulatorvariabel, och när din kod tittar på varje prov uppdaterar koden ackumulatorn med det nya värdet. Du väljer en konstant alfa som ligger mellan 0 och 1, och beräkna detta. Du j Ust måste hitta ett värde av alfa där effekten av ett visst prov endast varar för cirka 1000 prov. Hmm, jag är inte säker på att det här är lämpligt för dig nu när jag har lagt den här Problemet är att 1000 är en fin Långt fönster för ett exponentiellt rörligt medelvärde Jag är inte säker på att det finns en alfa som skulle sprida genomsnittet över de senaste 1000 siffrorna utan underflöde i flytpunktsberäkningen Men om du ville ha ett mindre medelvärde, som 30 nummer eller så är det här en Väldigt enkelt och snabbt sätt att göra det. Svarade den 12 juni 12 på 4 44. 1 på ditt inlägg Det exponentiella glidande medlet kan tillåta alfabet att vara variabelt Så här gör det att det kan användas för att beräkna tidsbasen medelvärden, t. ex. byte per sekund Om tiden Eftersom den senaste ackumulatorns uppdatering är mer än 1 sekund, låter du alpha vara 1 0 Annars kan du låta alfa vara usecs sedan senaste uppdateringen 1000000 jxh Jun 12 12 på 6 21. Basiskt vill jag spåra det rörliga genomsnittet av en pågående ström av en ström av flytande punkttal med den senaste 1000 siffror som ett dataprov. Notera att nedan uppdaterar summan som element som tillsatt ersatt, vilket undviker dyrt ON-traversal för att beräkna summan som behövs för genomsnittet - på begäran. Totalt görs en annan parameter från T för att exempelvis stödja en lång länge när det sammanhänger med 1000 långa s, ett int för char s eller en dubbel till totalt float s. Det här är lite fel i att numsamples kan gå förbi INTMAX - om du bryr dig att du kan använda en unsigned long long eller använda en extra bool data medlem som registrerar när behållaren fylls i första gången medan cykeltalsprover runt arrayen bäst omnämns något som är oskyldigt som pos. answered 12/12 12 vid 5 19.Till utgår ifrån att tomrumsoperatören T-provet är tomt operatör T-prov oPlös 8 juni 14 kl 11 52. oPless ahhh well spotted egentligen menade jag att det skulle vara tomt operatör T-prov men självklart kan du använda vilken anteckning du vill, kommer att fixa, tack Tony D Jun 8 14 på 14 27. Som andra har nämnt, bör du överväga en IIR oändligt impulsresponsfilter snarare än det FIR-ändamål som du använder nu Det finns mer till det, men vid första anblicken implementeras FIR-filter som uttryckliga omvälvningar och IIR-filter med ekvationer. Det speciella IIR-filtret som jag använder mycket i mikrokontroller är en enda polen låg passfilter Detta är den digitala motsvarigheten till ett enkelt RC-analogfilter För de flesta applikationer kommer dessa att ha bättre egenskaper än det boxfilter som du använder De flesta användningarna av ett lådfilter som jag har stött på beror på att någon inte uppmärksammar digitalt Signalbehandling klassen, inte som ett resultat av att behöva deras speciella egenskaper Om du bara vill dämpa högfrekvenser som du vet är buller, är ett enkelspårigt lågpassfilter bättre. Det bästa sättet att implementera en digitalt i en mikrokontroller är vanligtvis. FILT - - FILT FF NEW - FILT. FILT är en del av kvarstående tillstånd Detta är den enda beständiga variabeln du behöver för att beräkna det här filtret NYTT är det nya värdet som filtret är uppdaterad med denna iteration FF är filterfraktionen som justerar filterets tyngd. Se på den här algoritmen och se till att för FF 0 är filtret oändligt tungt eftersom utmatningen aldrig ändras. För FF 1 är det verkligen inget filter alls eftersom utgången följer bara ingången Användbara värden är emellan På små system väljer du FF att vara 1 2 N så att multiplikationen med FF kan uppnås som en rätt växling med N-bitar. Exempelvis kan FF vara 1 16 och multiplicera med FF därför en rätt skift på 4 bitar annars behöver det här filtret bara en subtrahera och en tillägg, även om siffrorna vanligtvis behöver vara bredare än ingångsvärdet mer på numerisk precision i ett separat avsnitt nedan. Jag brukar ta AD-avläsningar betydligt snabbare än de behövs och applicera två av dessa filter kaskad Detta är den digitala ekvivalenten av två RC-filter i serie och dämpas med 12 dB oktav ovanför rullningsfrekvensen. För AD-avläsningar är det vanligtvis mer relevant för att titta på filtret i tidsdomänen genom att överväga sitt stegsvar Detta berättar hur snabbt ditt system kommer att se en förändring när den sak du mäter förändringar. För att underlätta utformningen av dessa filter, vilket bara betyder att du väljer FF och bestämmer hur många av dem som ska kaskad använder jag min program FILTBITS Du anger antalet skiftbitar för varje FF i den kaskadade serien av filter, och det beräknar stegsvaret och andra värden. I själva verket kör jag vanligtvis detta via mitt omslagskript PLOTFILT Detta kör FILTBITS, vilket gör en CSV-fil, då tomter CSV-filen Till exempel här är resultatet av PLOTFILT 4 4. De två parametrarna till PLOTFILT betyder att det kommer att finnas två filter som är kaskadade av den ovan beskrivna typen. Värdena 4 anger antalet växlingsbitar för att inse multipliceringen med FF De båda FF-värdena är därför 1 16 i det här fallet. Det röda spåret är enhetens stegsvar och är det viktigaste att titta på. Exempelvis berättar detta om att om ingången ändras omedelbart, kommer utmatningen från det kombinerade filtret Kommer att lösa sig till 90 av det nya värdet i 60 iterationer Om du bryr dig om 95 avvecklingstid måste du vänta på 73 iterationer och för 50 avvecklingstid bara 26 iterationer. Det gröna spåret visar utmatningen från en enda fullamplitudspik Detta ger dig en uppfattning om slumpmässigt brusundertryck Det verkar som om inget enda prov kommer att orsaka mer än en 2 5 förändring i utmatningen. Det blå spåret är att ge en subjektiv känsla av vad detta filter gör med vitt brus Detta är inte ett strikt test Eftersom det inte finns någon garanti vad exakt var innehållet i slumpmässiga siffror plockade som det vita bruset som ingick för denna körning av PLOTFILT Det är bara för att ge dig en grov känsla av hur mycket det kommer att bli squashed och hur smidigt det är. PLOTFILT, kanske FILTBITS, och många andra användbara saker, speciellt för PIC-programvaruutveckling finns i programvarulicens för PIC Development Tools på min nedladdningar av programvaran. Lägg till om numerisk precision. Jag ser från kommentarerna och nu ett nytt svar som ther e är intresserad av att diskutera antalet bitar som behövs för att implementera detta filter Observera att multiplikationen med FF kommer att skapa logg 2 FF nya bitar under binärpunkten På små system är FF vanligtvis valt att vara 1 2 N så att denna multiplicera faktiskt är realiseras av en rätt växling av N bitar. FILT är därför vanligtvis ett fastpunkts heltal Observera att detta inte ändrar någon av matematiken från processorns synvinkel. Om du t. ex. filtrerar 10 bitars AD-avläsningar och N 4 FF 1 16 behöver du 4 fraktion bitar under 10 bitars heltal AD-läsningar En av de flesta processorer gör att du gör 16 bitars heltalstransaktioner på grund av 10-bitars AD-avläsningar. I det här fallet kan du fortfarande göra exakt samma 16-bitars heltalsoperationer, men börja med AD-läsningarna vänster förskjutna med 4 bitar Processorn känner inte till skillnaden och behöver inte. Att göra matte på hela 16 bitars heltal fungerar om du anser att de är 12 4 fasta eller äkta 16 bitars heltal 16 0 fixade punkt. I allmänhet måste du lägga till N bitar varje filterpole om du inte vill lägga till ljud på grund av den numeriska representationen I exemplet ovan måste det andra filtret av två ha 10 4 4 18 bitar för att inte förlora information I praktiken på en 8-bitars maskin betyder det att du d använder 24 bitars värden Tekniskt sett behöver bara den andra polen av två ha det bredare värdet, men för enkelhetsprogrammet för fastware använder jag vanligtvis samma representation, och därigenom samma kod, för alla poler i ett filter. Normalt skriver jag en subrutin eller ett makro till utföra en filterpoleoperation och applicera sedan den på varje pol Om en subrutin eller ett makro beror på huruvida cykler eller programminne är viktigare för det aktuella projektet. I vilket fall som helst använder jag en del repetillstånd för att överföra NEW till subrutinen makro, som uppdaterar FILT , men laddar också in i samma repetillstånd NYHET var i Det här gör det enkelt att tillämpa flera poler eftersom den uppdaterade FILT av en pol är NYHET av nästa. När en subrutin är det användbart att få en pekare till FILT påVägen in som uppdateras till strax efter FILT på vägen ut På så sätt fungerar subrutinen automatiskt på efterföljande filter i minnet om det kallas flera gånger Med ett makro behöver du inte en pekare eftersom du skickar in adressen för att fungera vid varje iteration. Code-exempel. Här är ett exempel på ett makro som beskrivits ovan för en PIC 18. Och här är ett liknande makro för en PIC 24 eller dsPIC 30 eller 33.But dessa exempel implementeras som makron med användning av min PIC assembler preprocessor vilket är mer kapabel än någon av de inbyggda makroanläggningarna. clabacchio Ett annat problem som jag borde ha nämnt är implementering av fast programvara. Du kan skriva en enkelpolig lågpassfilter subrutin en gång och sedan applicera den flera gånger. Faktum är att jag vanligtvis skriver en sådan subrutin för att peka i minnet till filtertillståndet, sedan ha det förskott Pekaren så att den kan kallas i följd lätt för att realisera flera poliga filter Olin Lathrop Apr 20 12 på 15 03.1 Tack så mycket för dina svar - alla bestämde jag för att använda det här IIR-filtret, men det här filtret används inte som ett Standard LowPass-filter eftersom jag behöver genomsnittliga räknevärden och jämför dem för att upptäcka ändringar i en viss räckvidd eftersom de här värdena har mycket olika dimensioner beroende på maskinvara jag ville ta ett genomsnitt för att kunna reagera på dessa hårdvaror specifika ändringar automatiskt senselen 21 maj 12 på 12 06. Om du kan leva med begränsningen av en kraft av två antal objekt i genomsnitt dvs 2,4,8,16,32 etc så kan delningen enkelt och effektivt ske på en Lågpresterande mikro med ingen dedikerad delning eftersom det kan ske som en bitskift. Varje växlingsrätt är en kraft av två. OP-enheten trodde att han hade två problem, delade i en PIC16 och minne för hans ringbuffert. Detta svar visar att delningen Det är inte svårt Visserligen behandlar det inte minnesproblemet, men SE-systemet tillåter partiella svar, och användarna kan ta något från varje svar för sig själva, eller till och med redigera och kombinera andra svar. Eftersom några av de andra svaren kräver en delning, är likaledes ofullständiga eftersom de inte visar hur man effektivt kan uppnå detta på en PIC16 Martin 20 april 12 på 13 01. Det finns ett svar på ett riktigt glidande medelfilter aka boxcar filter med mindre minne krav, om du inte har något att tänka på. Kallas ett kaskadintegrator-comb filter CIC Tanken är att du har en integrator som du tar skillnader över en tidsperiod, och den viktigaste minnesbesparande enheten är att genom downsampling behöver du inte lagra eve Ry-värdet på integratorn Det kan implementeras med följande pseudokod. Din effektiva glidande medellängd är decimationFactor stateize men du behöver bara behålla statusprover självklart. Du kan självklart få bättre prestanda om din stateize och decimationFactor är krafter på 2, så att divisions - och återstående operatörer ersättas av skift och mask-ands. Postscript Jag håller med Olin om att du alltid bör överväga enkla IIR-filter före ett glidande medelfilter Om du inte behöver frekvens-nollarna hos ett boxcarfilter, en 1-polig Eller 2-poligt lågpassfilter kommer antagligen att fungera bra. Om du filtrerar i syfte att decimera med en högprovsränta inmatning och med medelvärdet för användning med en lågprocess, då ett CIC-filter Kan vara precis vad du letar efter speciellt om du kan använda stateize 1 och undvika ringbufferten helt och hållet med bara ett enda tidigare integratorvärde. Det finns en djupgående analys av matematiken bakom användandet av de första orden er IIR-filter som Olin Lathrop redan har beskrivit på Digital Signal Processing-stackutbytet innehåller massor av vackra bilder Ekvationen för detta IIR-filter är. Detta kan implementeras med hjälp av heltalserier och ingen delning med följande kod kan behöva lite felsökning som jag Skrivte från minnet. Detta filter approximerar ett glidande medelvärde av de sista K-proven genom att ställa in värdet av alfa till 1 K Gör det här i föregående kod genom att definiera BITS till LOG2 K, dvs för K 16 set BITS till 4, för K 4 sätta BITS till 2 osv. Jag ska verifiera koden som anges här så snart jag får en ändring och rediger detta svar om det behövs. Svarade 23 juni 12 kl 04 04. Här är ett poligt lågpassfilter glidande medelvärde med Cutoff frekvens CutoffFrequency Mycket enkel, mycket snabb, fungerar bra och nästan inget minne överhead. Notera Alla variabler har räckvidd bortom filterfunktionen, utom det som passerade i newInput. Note Detta är ett enda stegsfilter Flera steg kan kaskadas tillsammans för att öka Skärpa av Filtret Om du använder mer än ett steg måste du justera DecayFactor som relaterar till Cutoff-Frequency för att kompensera. Och självklart allt du behöver är de två linjerna placerade någonstans, de behöver inte egen funktion. Detta filter har en uppstartstid innan det rörliga genomsnittet representerar det för ingångssignalen Om du behöver kringgå den här uppstartstiden kan du bara initiera MovingAverage till det första värdet av newInput istället för 0, och hoppas att den första newInput inte är en outlier. CutoffFrequency SampleRate har ett intervall mellan 0 och 0 5 DecayFactor är ett värde mellan 0 och 1, vanligen nära 1.Single-precision floats är tillräckligt bra för de flesta saker, jag föredrar bara dubbelar. Om du behöver hålla fast med heltal kan du konvertera DecayFactor och Amplitude Factor till fraktionella heltal, där täljaren lagras som heltalet och nämnaren är ett heltalseffekt på 2 så att du kan bitskiftas till höger som nämnaren i stället för att dela upp under filterslingan För Exempel om DecayFactor 0 99, och du vill använda heltal, kan du ställa DecayFactor 0 99 65536 64881 och sedan när du multiplicerar med DecayFactor i din filterslinga, skiftar du bara resultatet 16. För mer information om detta, en utmärkt bok som S online, kapitel 19 om rekursiva filter. PS För det Moving Average-paradigmet, kan ett annat sätt att ställa in DecayFactor och AmplitudeFactor som kan vara mer relevant för dina behov, låt oss säga att du vill ha föregående, ca 6 poster i genomsnitt tog Eter, gör det diskret, du lägger till 6 föremål och delas med 6, så du kan ställa in AmplitudeFactor till 1 6 och DecayFactor till 1 0 - AmplitudeFactor. answered 14 maj 12 på 22 55. Alla andra har kommenterat noggrant på verktyget Av IIR vs FIR, och på power-of-two-division Jag vill bara ge några detaljer om genomförandet Nedan fungerar det bra på små mikrokontroller utan FPU Det finns ingen multiplicering, och om du håller N en kraft av två delar hela divisionen Är encyklisk bitskiftning. Baskisk FIR-ringspuffbuffert håller en löpbuffert med de sista N-värdena och ett löpande SUM av alla värden i bufferten Varje gång ett nytt prov kommer in, subtrahera det äldsta värdet i bufferten från SUM , Ersätt det med det nya provet, lägg till det nya provet till SUM och mata ut SUM N. Modified IIR-ringbufferten, fortsätt SUM av de sista N-värdena Varje gång ett nytt prov kommer in, lägg till SUM-SUM N, lägg till det nya Prov och output SUM N. answered 28 aug 13 på 13 45. Om jag läser dig rätt beskriver du en första order IIR filtrera det värde du subtraherar är det t äldsta värdet som faller ut, men istället är det genomsnittet av tidigare värden Första ordningens IIR-filter kan säkert vara användbart men jag är inte säker på vad du menar när du föreslår att utgången är samma för alla periodiska signaler Vid en provkvot på 10 kHz matas en 100 Hz kvadratvåg i ett 20-stegs filter med en signal som stiger jämnt för 20 prover, sitter högt för 30, sjunker jämnt för 20 prover och sitter lågt för 30 En första ordning IIR filter supercat aug 28 13 vid 15 31. kommer att ge en våg som kraftigt börjar stiga och gradvis nivåer nära men inte vid ingångens maximala nivå, börjar sedan kraftigt falla och gradvis nivåer av nära men inte vid ingången minimum Mycket annorlunda beteende supercat Aug 28 13 på 15 32. Ett problem är att ett enkelt glidande medel kan eller inte kan vara användbart Med ett IIR-filter kan du få ett fint filter med relativt få beräkningar. Den FIR du beskriver kan bara ge dig en rektangel i tid - en sync i Freq - och du kan inte hantera sidloberna Det kan vara väl värt att kasta in ett fåtal heltal multipliceras för att göra det till en fin symmetrisk avstämningsbar FIR om du kan spara klockan ticks Scott Seidman Aug 29 13 på 13 50. ScottSeidman Nej behöver multipliceras om man helt enkelt har varje steg i FIR-enheten antingen mata in medelvärdet av inmatningen till det aktuella läget och dess tidigare lagrade värde och lagra sedan inmatningen om man har numeriskt område, man kan använda summan snarare än genomsnittet Oavsett om det S bättre än ett lådfilter beror på applikationen stegresponsen hos ett lådfilter med en total fördröjning på 1ms, till exempel, kommer att ha en otäck d2 dt spik när ingången ändras och igen 1ms senare men kommer att ha det minsta möjliga d dt för ett filter med totalt 1ms fördröjning supercat aug 29 13 på 15 25.As mikeselektronik sagt, om du verkligen behöver minska dina minnesbehov, och du tänker inte på att ditt impulsrespons är en exponentiell istället för en rektangulär puls, jag skulle gå för en exponentiell rörlig ave raser filter Jag använder dem i stor utsträckning Med den typen av filter behöver du inte någon buffert. Du behöver inte lagra N tidigare prover. Bara en Så, dina minneskrav skärs med en faktor N. Även du behöver inte någon division för det Endast multiplikationer Om du har tillgång till flytande punkträkning, använd flytande punktmultiplikationer Annars gör vi multipelantal och ändringar till höger Vi är dock 2012 och jag rekommenderar dig att använda kompilatorer och MCU som tillåter dig För att arbeta med flytande punkter. Förutom att vara mer minneseffektivt och snabbare behöver du inte uppdatera objekt i någon cirkulär buffert. Jag skulle säga att det också är mer naturligt eftersom ett exponentiellt impulsrespons matchar bättre hur naturen beter sig, i de flesta fall. ansvarad 20 april 12 på 9 59. Ett problem med IIR-filtret som nästan berört av olin och supercat men tydligen ignoreras av andra är att avrundningen introducerar en viss oriktighet och eventuellt bias trunkering förutsatt att N i en kraft av två och enbart heltalsräkningar används, växlingen höger eliminerar systematiskt LSB: erna i det nya provet. Det betyder att hur lång serien någonsin kan vara, kommer genomsnittsvärdet aldrig att ta hänsyn till dem. För exempel, anta en långsammare minskande serie 8,8,8 8,7,7,7 7,6,6 och antar att medelvärdet verkligen är 8 i början Fist 7-provet kommer att ge genomsnittet till 7, oavsett filterstyrkan Bara för ett prov Samma berättar för 6 osv. Tänk på motsatsen går serien upp. Medelvärdet kommer att förbli på 7 för alltid tills provet är stort nog för att få det att ändras. Naturligtvis kan du korrigera för bias genom att lägga till 1 2 N 2, men som vann t verkligen lösa precisionsproblemet i så fall kommer den minskande serien att stanna för alltid vid 8 tills provet är 8-1 2 N 2 För N 4 till exempel kommer något prov över noll att hålla medeltalet oförändrat. Jag tror en lösning för Det skulle innebära att man höll en ackumulator av de förlorade LSB: erna men jag gjorde inte det tillräckligt långt för att få kod redo, Och jag är inte säker på att det inte skulle skada IIR-strömmen i några andra fall av serier, till exempel om 7,9,7,9 skulle vara genomsnittliga till 8 då. Olin, din tvåstegskaskad skulle också behöva någon förklaring. Menar du att du håller två genomsnittsvärden med resultatet av den första matas in i den andra i varje iteration Vad är fördelen med detta.
No comments:
Post a Comment