Ladda ner movAv m se också movAv2 - en uppdaterad version som tillåter viktning. Beskrivning Matlab innehåller funktioner som kallas movavg och tsmovavg-tidsserie glidande medelvärde i Financial Toolbox, movAv är utformad för att replikera grundläggande funktionalitet för dessa. Koden här ger ett bra exempel på hantering Indexer inuti slingor som kan vara förvirrande för att börja med att jag medvetet har hållit koden kort och enkel att hålla denna process klar. movAv utför ett enkelt glidande medelvärde som kan användas för att återställa bullriga data i vissa situationer. Det fungerar genom att ta en medelvärde Av ingången y över ett glidande tidfönster, vars storlek anges av n Den större n är, ju större mängden av utjämning effekten av n är i förhållande till ingångsvektorns längd y och effektivt väl, sorts skapar Ett lågpassfrekvensfilter - se avsnittet exempel och överväganden. Eftersom mängden utjämning som tillhandahålls av varje värde av n är i förhållande till längden på ingångsvektorn är den alltid värt Testa olika värden för att se vad som är lämpligt Kom ihåg också att n poäng går förlorade vid varje genomsnitt om n är 100, de första 99 punkterna i inmatningsvektorn innehåller inte tillräckligt med data för ett 100pt-medelvärde. Detta kan undvikas något genom att stapla medelvärden för Exempelvis jämför koden och grafen nedan ett antal olika längdfönstermedelvärden Observera hur jämn 10 10pt jämförs med ett enda 20pt-medelvärde I båda fallen försvinner 20 punkter i totalt. Skapa xaxis x 1 0 01 5 Generera brusbrusReps 4 buller repmat randn 1, ceil numel x noiseReps, noiseReps, 1 brusreform brus, 1, ljud brus ljudReps Generera ydata ljud y exp x 10 ljud 1 längd x Perfrom medelvärden y2 movAv y, 10 10 pt y3 movAv y2, 10 10 10 pt y4 movAv y 20 20 pt y5 movAv y 40 40 pt y6 movAv y 100 100 pt Plottfigur plot x, y, y2, y3, y4, y5, y6 legend Raw Data, 10pt glidande medelvärde, 10 10pt, 20pt, 40pt, 100pt xlabel x ylabel y-titel Jämförelse av rörliga medelvärden. movAv m-kod genomgångsfunktionsutförande movAv y, n Den första raden definierar funktionens namn, ingångar och utgångar Ingången X bör vara en vektor av data för att utföra medelvärdet, n skulle vara antalet poäng som ska utföra den genomsnittliga överutgången kommer att innehålla den genomsnittliga data som returneras av funktionen. Fördela utgångsutdata NaN 1, numel y Hitta mittpunkten i n midPoint-runda N 2 Funktionens huvuduppgift görs i loopbandet, men innan man börjar startas två saker Fir Stly utsignalen är fördelad som NaNs, detta tjänade två syften. För det första är förallokering generellt bra eftersom det minskar minnes jonglering Matlab måste göra, för det andra gör det mycket enkelt att placera den genomsnittliga data i en utmatning i samma storlek som Ingångsvektorn Det betyder att samma xaxis kan användas senare för båda, vilket är lämpligt för plottning, alternativt kan NaN: erna tas bort senare i en rad kodutgångar. Den variabla midPoint kommer att användas för att inrikta data i utgångsvektorn Om n 10, 10 poäng kommer att gå vilse eftersom för de första 9 punkterna av ingångsvektorn finns det inte tillräckligt med data för att ta ett 10-poängs genomsnitt. Eftersom utmatningen kommer att vara kortare än ingången måste den justeras korrekt midpoint Användas så att en lika stor mängd data går förlorad vid start och slut och ingången hålls inriktad med utgången av NaN-buffertarna som skapas vid preallokering av output. for en 1 längd y - n Hitta indexintervall för att ta genomsnittet över abban Beräkna Medelvärde output a MidPoint betyder yab-änden I själva loop-loopen tas ett medel över varje på varandra följande segment av ingången. Slingan körs för en som definieras som 1 upp till längden på ingången y, minus de data som kommer att gå vilse n Om Ingången är 100 poäng lång och n är 10 kommer slingan att springa från en 1 till 90. Detta betyder att det första indexet för segmentet blir genomsnittligt Det andra indexet b är helt enkelt ett n-1 Så vid den första iterationen, A 1 n 10 så b 11-1 10 Det första genomsnittet tas över yab eller x 1 10 Medelvärdet för det här segmentet, som är ett enda värde, lagras i utgången i indexet midPoint eller 1 5 6. På den andra iterationen , En 2 b 2 10-1 11 så medelvärdet tas över x 2 11 och lagras i utgång 7 På den sista iterationen av slingan för en ingång av längd 100, en 91 b 90 10-1 100 så medlet tas Över x 91 100 och lagras i utgången 95 Detta lämnar utdata med totalt n 10 NaN-värden vid index 1 5 och 96 100.Exemplar och överväganden Flyttande medelvärden är användbara i vissa situationer, men de Är inte alltid det bästa valet Här är två exempel där de inte nödvändigtvis är optimala. Mikrofonkalibrering Denna uppsättning data representerar nivåerna för varje frekvens som produceras av en högtalare och inspelad av en mikrofon med ett känt linjärt svar. Högtalarens utgång varierar med Frekvens, men vi kan korrigera för denna variation med kalibreringsdata - utgången kan justeras på nivå för att beräkna fluktuationerna i kalibreringen. Notera att rådata är bullriga - det betyder att en liten förändring i frekvens tycks kräva en Stor, ojämn, förändring i nivå för att redogöra för Är detta realistiskt eller är det här en produkt av inspelningsmiljön Det är rimligt att i detta fall tillämpa ett glidande medelvärde som släpper ut nivåfrekvenskurvan för att ge en kalibreringskurva som är något mindre ojämn Men varför är det inte optimalt i detta exempel. Mer data skulle vara bättre - flera kalibreringar körs i genomsnitt tillsammans skulle förstöra bruset i systemet så länge det sprang Dom och ge en kurva med mindre subtila detaljer förlorade. Det rörliga genomsnittet kan bara approximera detta och kan ta bort några högre frekvensdips och toppar från kurvan som verkligen existerar. Sina vågor Med ett rörligt medelvärde på sinusvågor framhävs två punkter. Den allmänna Fråga om att välja ett rimligt antal poäng för att utföra medelvärdet. Det är enkelt, men det finns mer effektiva metoder för signalanalys än genomsnittliga oscillerande signaler i tidsdomänen. I det här diagrammet är den ursprungliga sinusvågen ritad i blått Buller är Läggs till och ritas som den orangefärgade kurvan Ett rörligt medelvärde utförs på olika punkter för att se om den ursprungliga vågen kan återvinnas. 5 och 10 poäng ger rimliga resultat, men ta inte bort bullret helt, där så större antal poäng börjar Förlora amplituddetalj som genomsnittet sträcker sig över olika faser, kom ihåg vågoscillatorn runt noll och medelvärdet -1 1 0. Ett alternativt tillvägagångssätt skulle vara att konstruera ett lågpassfilter än vad som kan vara Tillämpas på signalen i frekvensdomänen jag kommer inte att gå in i detalj eftersom den går utöver omfattningen av denna artikel, men eftersom ljudet är betydligt högre frekvens än vågens grundläggande frekvens, skulle det vara ganska lätt att i detta fall konstruera Ett lågpassfilter än att avlägsna högfrekventa brus. Jag behöver beräkna ett glidande medelvärde över en dataserie, inom en för-slinga måste jag få det glidande medeltalet över N 9 dagar. Den matris jag använder i är 4 serier av 365 värden M som i sig är medelvärden för en annan uppsättning data Jag vill räkna ut medelvärdena för mina data med det glidande medlet i en plot. Jag googlade lite om att flytta medelvärden och conv-kommandot och hittade något som jag försökte implementera i min Kod. Så i grund och botten beräknar jag mina medelvärden och plottar det med ett felaktigt rörligt medelvärde. Jag valde wts-värdet direkt utanför mathworks-webbplatsen, så det är felaktig källa. Mitt problem är dock att jag inte förstår vad det här är. Kan någon förklara Om det har något Ng att göra med vikterna av de värden som är ogiltiga i det här fallet. Alla värden är viktade samma. Och om jag gör det här helt fel, kan jag få lite hjälp med det. Min uppriktiga thanks. asked 23 sep 14 kl 19 05 Använda conv är ett utmärkt sätt att genomföra ett rörligt medelvärde. I koden du använder är wts hur mycket du väger varje värde som du gissade summan av den vektorn ska alltid vara lika med en om du vill vikta varje värde jämnt Och gör ett N-rörligt filter då du skulle vilja göra. Användning av det giltiga argumentet i samtal kommer att resultera i att ha färre värden i Ms än du har i M Använd samma om du inte tänker på effekterna av nollpolning Om du har signalen Bearbetning verktygslåda kan du använda cconv om du vill prova ett cirkulärt glidande medelvärde. Något liknande. Du borde läsa conv and cconv dokumentationen för mer information om du redan har t. You kan använda filter för att hitta ett löpande medelvärde utan att använda en för loop Detta Exempel finner det löpande medelvärdet av en 16-element ve Ctor, med en fönsterstorlek på 5,2 slät som en del av kurvanpassningsverktygslådan som är tillgänglig i de flesta fall. yy släpper y och släpper upp data i kolumnvektorn y med hjälp av ett glidande medelfilter. Resultat returneras i kolumnvektorn. För det glidande medlet är 5.Created onsdagen den 08 oktober 2008 20 04 Senast uppdaterad torsdag 14 mars 2013 01 29 Skrivet av Batuhan Osmanoglu Hits 41589.Moving Average I Matlab. Ofta tycker jag att jag behöver göra medelvärdet av de data jag har För att minska bullret lite skrev jag några funktioner för att göra exakt vad jag vill, men matlabs inbyggda filterfunktion fungerar också bra Här skriver jag om 1D och 2D-medelvärdena.1D-filtret kan realiseras med hjälp av filtret Funktion Filtreringsfunktionen kräver minst tre ingångsparametrar täljarkoefficienten för filtret b, nämnarkoefficienten för filtret a och data X givetvis. Ett löpande medelfilter kan enkelt definieras. För 2D-data kan vi användaMatlab s filter2-funktion För mer information om hur filtret fungerar kan du skriva. Här är en snabb och smutsig implementering av ett 16 med 16 glidande medelfilter Först måste vi definiera filtret Eftersom allt vi vill ha är lika stort bidrag från alla grannar vi Kan bara använda de funktionerna Vi delar upp allt med 256 16 16 eftersom vi inte vill ändra signalets generella nivå amplitude. För att applicera filtret kan vi helt enkelt säga följande. När är resultaten för fas av ett SAR-interferogram I Det här fallet Området är i Y-axeln och Azimuth är mappad på X-axeln. Filtret var 4 pixlar bredt i Räckvidd och 16 pixlar vid Azimuth.
No comments:
Post a Comment