Recientemente aprendí sobre los pasos en la respuesta a este post. Y me preguntaba cómo podría utilizarlos para calcular un promedio móvil filtro más eficientemente de lo que he propuesto en este post (utilizando filtros de convolución). Esto es lo que tengo hasta ahora. Toma una vista de la matriz original y luego la desplaza por la cantidad necesaria y suma los valores del kernel para calcular la media. Soy consciente de que los bordes no se manejan correctamente, pero puedo cuidar de eso después. ¿Existe una manera mejor y más rápida? El objetivo es filtrar grandes matrices de punto flotante de hasta 5000x5000 x 16 capas de tamaño, tarea que scipy. ndimage. filters. convolve es bastante lenta en. Tenga en cuenta que estoy buscando la conectividad de 8 vecinos, que es un filtro 3x3 toma el promedio de 9 píxeles (8 alrededor del píxel focal) y asigna ese valor al píxel en la nueva imagen. EDITAR Clarificación de cómo veo este trabajo: utilizar stridetricks para generar un array como 0,1,2,1,2,3,2,3,4. Que corresponde a la fila superior del núcleo del filtro. Rodar a lo largo del eje vertical para obtener la fila del medio del núcleo 10,11,12,11,12,13,13,14,15. Y añadirlo a la matriz que tengo en 1) Repita para obtener la fila inferior del núcleo 20,21,22,21,22,23,22,23,24. . En este punto, tomo la suma de cada fila y la divido por el número de elementos en el filtro, dándome el promedio de cada píxel (desplazado por 1 fila y 1 col, y con algunas rarezas alrededor de los bordes, pero puedo Cuidar de eso más tarde). Lo que yo esperaba es un mejor uso de stridetricks para obtener los 9 valores o la suma de los elementos del kernel directamente, para toda la matriz, o que alguien pueda convencerme de otro método más eficiente. Pidió Feb 8 11 at 18:05 Por lo que vale la pena, heres cómo youd hacerlo utilizando fantasía striding trucos. Iba a publicar esto ayer, pero se distrajo con el trabajo real. ) Paul amp comen ambos tienen buenas implementaciones usando varias otras maneras de hacer esto. Sólo para continuar con las cosas de la pregunta anterior, calculé Id publicar el equivalente en N-dimensional. Youre no va a ser capaz de golpear significativamente scipy. ndimage funciones de matrices 1D, sin embargo. (Scipy. ndimage. uniformfilter debe golpear scipy. ndimage. convolve.) Además, si estás tratando de obtener una ventana móvil multidimensional, corre el riesgo de explotar el uso de memoria cada vez que inadvertidamente hacer una copia de su matriz. Mientras que la matriz de balanceo inicial es sólo una vista en la memoria de tu matriz original, cualquier paso intermedio que copie la matriz hará una copia que es órdenes de magnitud mayor que tu matriz original (es decir, vamos a decir que estás trabajando con una matriz original de 100x100 (Para un tamaño de filtro de (3,3)) será 98x98x3x3 pero usar la misma memoria que el original. Sin embargo, cualquier copia utilizará la cantidad de memoria que una matriz 98x98x3x3 completa) Básicamente, utilizando loco Striding trucos es ideal para cuando se quiere vectorizar las operaciones de movimiento de la ventana en un solo eje de un ndarray. Hace que sea realmente fácil de calcular cosas como una desviación estándar en movimiento, etc, con muy poca sobrecarga. Cuando usted desea comenzar a hacer esto a lo largo de múltiples ejes, es posible, pero youre normalmente mejor con funciones más especializadas. (Como, por ejemplo, scipy. ndimage, etc) De todas formas, heres cómo lo haces: Así que lo que conseguimos cuando lo hacemos b rollingwindow (a, filtsize) es una matriz 8x8x3x3, thats realmente una vista en la misma memoria que el original 10x10 formación. Podríamos haber usado tan fácilmente el mismo tamaño de filtro a lo largo de diferentes ejes o operado sólo a lo largo de ejes seleccionados de una matriz N-dimensional (es decir, filtsize (0,3,0,3) en una matriz de 4 dimensiones nos daría una vista en 6 dimensiones ). Entonces podemos aplicar una función arbitraria al último eje repetidamente para calcular efectivamente las cosas en una ventana en movimiento. Sin embargo, porque estaban almacenando arreglos temporales que son mucho más grandes que nuestra matriz original en cada paso de media (o std o lo que sea), esto no es en absoluto eficiente de memoria. Su tampoco va a ser terriblemente rápido. El equivalente para ndimage es simplemente: Esto manejará una variedad de condiciones de contorno, hará la difuminación in situ sin necesidad de una copia temporal de la matriz, y será muy rápido. Trucos de paso son una buena manera de aplicar una función a una ventana en movimiento a lo largo de un eje, pero theyre no una buena manera de hacerlo a lo largo de múltiples ejes, por lo general. Sólo mi 0,02, en cualquier caso. Muy bien puesto: los trucos de paso son una buena manera de aplicar una función a una ventana en movimiento a lo largo de un eje, pero no son una buena manera de hacerlo a lo largo de múltiples ejes, por lo general. Y, por supuesto, su explicación de la memoria39 es importante. El tipo de resumen de su respuesta (al menos para mí) es: "No voy a pescar demasiado lejos, la captura cuarentaria ya está en scipy39". Gracias ndash comer Feb 9 11 at 16:37 Gracias, Joe, por esta respuesta. En la ventana de rodadura debe el if no hasattr (.): Devolver rollingwindowlastaxis (.) En lugar de rollingwindow. Ndash unutbu Feb 12 11 at 16:47 No estoy lo suficientemente familiarizado con Python para escribir el código para eso, pero las dos mejores formas de acelerar las convoluciones es separar el filtro o utilizar la transformada de Fourier. Filtro separado. La convolución es O (MN), donde M y N son el número de píxeles en la imagen y el filtro, respectivamente. Dado que el filtrado promedio con un núcleo de 3 por 3 es equivalente a filtrar primero con un kernel de 3 por 1 y luego un kernel de 1 por 3, se puede obtener (33) / (33) 30 mejoras de velocidad por convolución consecutiva Con dos núcleos 1-d (esto obviamente mejora a medida que el núcleo se hace más grande). Usted puede todavía poder utilizar trucos de la zancada aquí, por supuesto. Transformada de Fourier . Conv (A, B) es equivalente a ifft (fft (A) fft (B)). Es decir, una convolución en el espacio directo se convierte en una multiplicación en el espacio de Fourier, donde A es tu imagen y B es tu filtro. Dado que la multiplicación (de los elementos) de las transformadas de Fourier requiere que A y B tengan el mismo tamaño, B es una matriz de tamaño (A) con su kernel en el centro de la imagen y ceros en todas partes. Para colocar un núcleo de 3 por 3 en el centro de una matriz, es posible que tenga que colocar A en un tamaño impar. Dependiendo de la implementación de la transformada de Fourier, esto puede ser mucho más rápido que la convolución (y si se aplica el mismo filtro varias veces, se puede pre-calcular fft (B), ahorrando otros 30 de tiempo de cálculo). Respondió Feb 9 11 at 15:27 Por lo que vale la pena, en python, estos se implementan en scipy. ndimage. uniformfilter y scipy. signal. fftconvolve. respectivamente. Ndash Joe Kington Feb 9 11 at 15:44 Jonas: Cool El enfoque del filtro separado funciona bien, como usted dice que ahorra más tiempo a medida que aumenta el tamaño del kernel. Para una matriz 5000x5000, con un tamaño de núcleo 11x11, estoy obteniendo 7.7s para la convolución 2d usando ndimage. convolve y 2.0s para dos convoluciones 1d usando ndimage. convolve1d. Para su segunda solución lo que es B ndash Benjamin Feb 9 11 at 16:02 Una cosa que estoy seguro necesita ser fijo es su matriz de vista b. Tiene unos pocos elementos de la memoria sin asignar, por lo que obtendrá accidentes. Teniendo en cuenta su nueva descripción de su algoritmo, lo primero que necesita arreglar es el hecho de que usted está caminando fuera de la asignación de un: Porque Im todavía no muy agarrar el método y parece que hay maneras más simples para resolver el problema, Im sólo va Para poner esto aquí: que sólo parece como el enfoque directo. La única operación extraña es que ha asignado y poblado B sólo una vez. Toda la adición, división e indexación tiene que hacerse independientemente. Si está haciendo 16 bandas, sólo necesita asignar B una vez si su intención es guardar una imagen. Incluso si esto no es de ayuda, puede aclarar por qué no entiendo el problema, o por lo menos servir como un punto de referencia para el tiempo de las aceleraciones de otros métodos. Esto se ejecuta en 2.6 segundos en mi computadora portátil en una matriz de 5k x 5k de float64s, 0.5 de los cuales es la creación de B respondió Feb 8 11 at 19:31 Su forma no tan clara de su pregunta, pero estoy asumiendo ahora que youll como mejorar Significativamente este tipo de promediado. Ahora, qué tipo de mejoras de rendimiento que realmente esperaría Actualizar: En primer lugar, una advertencia: el código en su estado actual no se adapta adecuadamente a la forma del kernel. Sin embargo eso no es mi principal preocupación ahora (de todos modos la idea ya está allready cómo adaptarse correctamente). Acabo de elegir la nueva forma de un 4D A intuitivamente, para mí realmente tiene sentido pensar en un centro del núcleo 2D para centrarse en cada posición de la cuadrícula de 2D A. original. Pero esa forma 4D no puede ser realmente el mejor. Creo que el verdadero problema aquí es el rendimiento de la suma. Uno debe ser capaz de encontrar el mejor orden (de la 4D A) inorder para utilizar plenamente su arquitectura de caché de máquinas. Sin embargo, ese orden no puede ser el mismo para los arrays pequeños que tipo de cooperación con la caché de sus máquinas y los más grandes, que no (al menos no de manera tan directa). Actualización 2: Aquí está una versión ligeramente modificada de mf. Claramente es mejor remodelar a una matriz 3D primero y luego en lugar de sumar sólo hacer producto punto (esto tiene la ventaja de todo, que el núcleo puede ser arbitrario). Sin embargo su todavía algunos 3x más lento (en mi máquina) que Pauls actualizado función. Como otros han mencionado, debe considerar un filtro IIR (respuesta de impulso infinito) en lugar del filtro FIR (respuesta de impulso finito) que está utilizando ahora. Hay más, pero a primera vista los filtros FIR se implementan como convoluciones explícitas y filtros IIR con ecuaciones. El filtro IIR particular que uso mucho en los microcontroladores es un filtro de paso simple de un solo paso. Este es el equivalente digital de un simple filtro analógico R-C. Para la mayoría de las aplicaciones, éstas tendrán mejores características que el filtro de caja que está utilizando. La mayoría de los usos de un filtro de caja que he encontrado son el resultado de alguien que no presta atención en la clase de procesamiento de señal digital, no como resultado de necesitar sus características particulares. Si sólo desea atenuar las altas frecuencias que usted sabe son el ruido, un filtro de un solo paso de paso bajo es mejor. La mejor manera de implementar uno digitalmente en un microcontrolador es generalmente: FILT lt-- FILT FF (NEW-FILT) FILT es una pieza de estado persistente. Esta es la única variable persistente que necesita para calcular este filtro. NUEVO es el nuevo valor que se está actualizando el filtro con esta iteración. FF es la fracción del filtro. Que ajusta la pesadez del filtro. Mire este algoritmo y vea que para FF 0 el filtro es infinitamente pesado ya que la salida nunca cambia. Para FF 1, su realmente ningún filtro en absoluto, ya que la salida sólo sigue la entrada. Los valores útiles están intermedios. En los sistemas pequeños, se selecciona FF para que sea 1/2 N de modo que la multiplicación por FF se pueda realizar como un desplazamiento a la derecha por N bits. Por ejemplo, FF puede ser 1/16 y multiplicar por FF por lo tanto un desplazamiento a la derecha de 4 bits. De lo contrario este filtro sólo necesita un substracto y un agregado, aunque los números generalmente necesitan ser más anchos que el valor de entrada (más en precisión numérica en una sección separada a continuación). Normalmente tomo lecturas de A / D mucho más rápido de lo que se necesitan y aplico dos de estos filtros en cascada. Este es el equivalente digital de dos filtros R-C en serie, y se atenúa por 12 dB / octava por encima de la frecuencia de rolloff. Sin embargo, para las lecturas de A / D su generalmente más relevante mirar el filtro en el dominio del tiempo considerando su respuesta del paso. Esto le indica cuán rápido su sistema verá un cambio cuando cambie la cosa que está midiendo. Para facilitar el diseño de estos filtros (que sólo significa escoger FF y decidir cuantos de ellos a la cascada), uso mi programa FILTBITS. Se especifica el número de bits de cambio para cada FF en la serie de filtros en cascada y se calcula la respuesta de paso y otros valores. En realidad, por lo general, ejecutar esto a través de mi script wrapper PLOTFILT. Esto ejecuta FILTBITS, que hace un archivo CSV, luego traza el archivo CSV. Por ejemplo, aquí está el resultado de PLOTFILT 4 4: Los dos parámetros de PLOTFILT significan que habrá dos filtros en cascada del tipo descrito anteriormente. Los valores de 4 indican el número de bits de cambio para realizar la multiplicación por FF. Los dos valores FF son por lo tanto 1/16 en este caso. El rastro rojo es la respuesta de la etapa de la unidad, y es la cosa principal a mirar. Por ejemplo, esto le dice que si la entrada cambia instantáneamente, la salida del filtro combinado se establecerá en 90 del nuevo valor en 60 iteraciones. Si te importa el tiempo de solución de 95, entonces usted tiene que esperar alrededor de 73 iteraciones, y por 50 tiempo de solución sólo 26 iteraciones. El rastro verde le muestra la salida de una sola espiga de amplitud completa. Esto le da una idea de la supresión de ruido aleatorio. Parece que ninguna muestra causará más de un cambio de 2.5 en la salida. El rastro azul es dar una sensación subjetiva de lo que hace este filtro con el ruido blanco. Esto no es una prueba rigurosa, ya que no hay garantía de que exactamente el contenido de los números aleatorios elegidos como el ruido blanco de entrada para esta ejecución de PLOTFILT. Es sólo para darle una sensación áspera de cuánto será aplastado y lo suave que es. PLOTFILT, tal vez FILTBITS, y muchas otras cosas útiles, especialmente para el desarrollo de firmware PIC está disponible en la versión de software PIC Development Tools en mi página de descargas de software. Agregado acerca de la precisión numérica veo de los comentarios y ahora una nueva respuesta que hay interés en discutir el número de bits necesarios para implementar este filtro. Tenga en cuenta que la multiplicación por FF creará Log 2 (FF) nuevos bits por debajo del punto binario. En sistemas pequeños, FF se elige generalmente para ser 1/2 N de modo que esta multiplicación se realice realmente por un desplazamiento a la derecha de N bits. FILT es por lo tanto un entero de punto fijo. Tenga en cuenta que esto no cambia ninguna de las matemáticas desde el punto de vista de los procesadores. Por ejemplo, si está filtrando lecturas A / D de 10 bits y N 4 (FF 1/16), entonces necesita 4 bits de fracción por debajo de las lecturas A / D de enteros de 10 bits. Uno de los procesadores más, youd estar haciendo operaciones enteras de 16 bits debido a las lecturas de 10 bits A / D. En este caso, todavía puede hacer exactamente las mismas operaciones enteras de 16 bits, pero comience con las lecturas A / D a la izquierda desplazadas por 4 bits. El procesador no sabe la diferencia y no necesita. Hacer la matemática en todo enteros de 16 bits funciona si usted los considera 12,4 puntos fijos o enteros verdaderos de 16 bits (16,0 puntos fijos). En general, es necesario agregar N bits cada polo de filtro si no desea añadir ruido debido a la representación numérica. En el ejemplo anterior, el segundo filtro de dos tendría que tener 1044 18 bits para no perder información. En la práctica en una máquina de 8 bits que significa youd utilizar valores de 24 bits. Técnicamente sólo el segundo polo de dos necesitaría el valor más amplio, pero para la simplicidad del firmware usualmente utilizo la misma representación, y por lo tanto el mismo código, para todos los polos de un filtro. Normalmente escribo una subrutina o macro para realizar una operación de polo de filtro, y luego aplicarla a cada polo. Si una subrutina o macro depende de si los ciclos o la memoria del programa son más importantes en ese proyecto en particular. De cualquier manera, utilizo un cierto estado del rasguño para pasar NUEVO en la subrutina / la macro, que pone al día FILT, pero también las cargas que en el mismo estado del rasguño NUEVO estaba pulg. Esto hace fácil aplicar múltiples polos puesto que el FILT actualizado de un poste es El NUEVO de la siguiente. Cuando una subrutina, es útil tener un puntero apuntan a FILT en el camino, que se actualiza justo después de FILT a la salida. De esta manera la subrutina opera automáticamente en filtros consecutivos en memoria si se llama varias veces. Con una macro usted no necesita un puntero puesto que usted pasa en la dirección para funcionar en cada iteración. Ejemplos de código Aquí hay un ejemplo de una macro como se describe anteriormente para un PIC 18: Y aquí hay una macro similar para un PIC 24 o dsPIC 30 o 33: Ambos ejemplos se implementan como macros utilizando mi preprocesador de ensamblador PIC. Que es más capaz que cualquiera de las instalaciones macro incorporadas. Clabacchio: Otro problema que debería haber mencionado es la implementación de firmware. Puede escribir una subrutina de filtro de paso bajo de un solo polo una vez, luego aplicarla varias veces. De hecho, por lo general escribo una subrutina de este tipo para tomar un puntero en la memoria al estado del filtro, a continuación, hacer avanzar el puntero para que pueda ser llamado en sucesión fácilmente para realizar filtros multipolar. Ndash Olin Lathrop Apr 20 12 at 15:03 1. Muchas gracias por sus respuestas - todas ellas. Decidí usar este filtro IIR, pero este filtro no se utiliza como un filtro LowPass estándar, ya que necesito valorar los valores promedio de los contadores y compararlos para detectar cambios en un determinado rango. Ya que estos Valores van de dimensiones muy diferentes dependiendo de Hardware que quería tomar un promedio para poder reaccionar a estos cambios específicos de hardware automáticamente. Ndash sensslen May 21 12 at 12:06 Si se puede vivir con la restricción de un poder de dos números de elementos a la media (es decir, 2,4,8,16,32 etc), entonces la división se puede hacer fácil y eficientemente en un De bajo rendimiento micro sin división dedicada, ya que se puede hacer como un cambio de bits. Cada turno a la derecha es una potencia de dos por ejemplo: El OP pensó que tenía dos problemas, dividiendo en un PIC16 y la memoria para su amortiguador de anillo. Esta respuesta muestra que la división no es difícil. Es cierto que no aborda el problema de la memoria, pero el sistema SE permite respuestas parciales, y los usuarios pueden tomar algo de cada respuesta por sí mismos, o incluso editar y combinar las respuestas de otros. Dado que algunas de las otras respuestas requieren una operación de división, son igualmente incompletas, ya que no muestran cómo lograr esto de manera eficiente en un PIC16. Ndash Martin Apr 20 12 at 13:01 Hay una respuesta para un verdadero filtro de media móvil (también conocido como filtro de caja) con menos requisitos de memoria, si no te importa el downsampling. Su llamado un filtro integrador-peine en cascada (CIC). La idea es que usted tiene un integrador que tomar las diferencias de más de un período de tiempo, y la clave de ahorro de memoria dispositivo es que mediante el muestreo, no tienes que almacenar todos los valores del integrador. Se puede implementar utilizando el pseudocódigo siguiente: Su longitud media móvil efectiva es decimationFactorstatesize, pero sólo necesita mantener alrededor de las muestras de estado. Obviamente, puede obtener un mejor rendimiento si su stateize y decimationFactor son potencias de 2, de modo que la división y los operadores de resto se sustituye por cambios y máscara-ands. Postscript: Estoy de acuerdo con Olin que siempre debe considerar simples filtros IIR antes de un filtro de media móvil. Si no necesita la frecuencia-nulos de un filtro de vagón, un filtro de paso bajo de 1 o 2 polos probablemente funcione bien. Por otro lado, si está filtrando para fines de decimación (tomando una entrada de alta tasa de muestreo y promediándola para su uso por un proceso de baja velocidad), entonces un filtro de CIC puede ser justo lo que está buscando. (Especialmente si se puede usar statesize1 y evitar el ringbuffer en conjunto con sólo un único valor de integrador anterior) Theres algunos análisis en profundidad de la matemática detrás de la utilización de la primera orden IIR filtro que Olin Lathrop ya ha descrito en el Digital Signal Processing stack exchange (Incluye muchas imágenes bonitas). La ecuación para este filtro IIR es: Esto se puede implementar usando sólo números enteros y sin división usando el siguiente código (podría necesitar un poco de depuración como estaba escribiendo desde la memoria.) Este filtro se aproxima a una media móvil de Los últimos K muestras estableciendo el valor de alfa a 1 / K. Hacer esto en el código precedente definiendo BITS a LOG2 (K), es decir para K 16 fijado BITS a 4, para K 4 fijado BITS a 2, etc. (Mal verificar el código enumerado aquí tan pronto como consiga un cambio y Edite esta respuesta si es necesario.) Respondió Jun 23 12 at 4:04 Heres un filtro de paso bajo de un solo polo (promedio móvil, con frecuencia de corte CutoffFrequency). Muy simple, muy rápido, funciona muy bien, y casi no hay sobrecarga de memoria. Nota: Todas las variables tienen un alcance más allá de la función de filtro, excepto la pasada en newInput Nota: Este es un filtro de una sola etapa. Múltiples etapas se pueden conectar en cascada para aumentar la nitidez del filtro. Si utiliza más de una etapa, tendrá que ajustar DecayFactor (en relación con la frecuencia de corte) para compensar. Y, obviamente, todo lo que necesita son las dos líneas colocadas en cualquier lugar, no necesitan su propia función. Este filtro tiene un tiempo de aceleración antes de que el promedio móvil represente el de la señal de entrada. Si necesita omitir ese tiempo de aceleración, sólo puede inicializar MovingAverage al primer valor de newInput en lugar de 0 y esperar que el primer newInput no sea un outlier. (CutoffFrequency / SampleRate) tiene un intervalo entre 0 y 0,5. DecayFactor es un valor entre 0 y 1, por lo general cerca de 1. Flotadores de precisión simple son lo suficientemente buenos para la mayoría de las cosas, sólo prefiero dobles. Si necesitas pegarte con números enteros, puedes convertir DecayFactor y Factor de Amplitud en enteros fraccionarios, en los que el numerador se almacena como el entero, y el denominador es una potencia entera de 2 (así puedes cambiar a la derecha como el número Denominador en vez de tener que dividir durante el bucle del filtro). Por ejemplo, si DecayFactor 0.99 y desea utilizar números enteros, puede establecer DecayFactor 0.99 65536 64881. Y luego, cada vez que multiplique por DecayFactor en su bucle de filtro, simplemente cambie el resultado 16. Para más información sobre esto, En línea, capítulo 19 sobre filtros recursivos: dspguide / ch19.htm PS Para el paradigma de la media móvil, un enfoque diferente para establecer DecayFactor y AmplitudeFactor que puede ser más relevante para sus necesidades, digamos que desea que el anterior, alrededor de 6 elementos promediados juntos, hacerlo discretamente, youd añadir 6 elementos y dividir por 6, por lo que Puede establecer el AmplitudeFactor a 1/6, y DecayFactor a (1.0 - AmplitudeFactor). Respondió May 14 12 at 22:55 Todo el mundo ha comentado a fondo sobre la utilidad de IIR vs FIR, y en la división de poder de dos. La identificación apenas tiene gusto de dar algunos detalles de la puesta en práctica. Lo siguiente funciona bien en pequeños microcontroladores sin FPU. No hay multiplicación, y si mantienes N una potencia de dos, toda la división es de un solo ciclo de desplazamiento de bits. Búfer de anillo FIR básico: guarda un buffer de ejecución de los últimos N valores, y una SUM corriente de todos los valores en el búfer. Cada vez que entra una nueva muestra, resta el valor más antiguo del buffer de SUM, reemplázalo por el nuevo, añada la nueva muestra a SUM y SUM / N. Búfer de anillo IIR modificado: mantener una SUM corriente de los últimos N valores. Cada vez que llega una nueva muestra, SUM - SUM / N, agregue la nueva muestra y la salida SUM / N. Si le estoy leyendo bien, usted está describiendo un filtro IIR de primer orden, el valor que está restar es el valor más antiguo que está cayendo, pero es el promedio de los valores anteriores. Los filtros IIR de primer orden pueden sin duda ser útiles, pero no estoy seguro de lo que quiere decir cuando sugiere que la salida es la misma para todas las señales periódicas. A una frecuencia de muestreo de 10KHz, alimentar una onda cuadrada de 100Hz en un filtro de caja de 20 etapas producirá una señal que se eleva uniformemente para 20 muestras, se sienta alto para 30, cae uniformemente para 20 muestras y se sienta bajo para 30. Un primer orden Filtro IIR. Ndash supercat Aug 28 13 a las 15:31 producirá una onda que comienza a subir bruscamente y gradualmente se nivela cerca (pero no en) el máximo de entrada, luego empieza a caer bruscamente y gradualmente se nivela cerca (pero no) del mínimo de entrada. Comportamiento muy diferente. Ndash supercat August 28 13 at 15:32 Un problema es que un simple promedio móvil puede o no ser útil. Con un filtro IIR, puede obtener un filtro agradable con relativamente pocos calcs. La FIR que usted describe sólo puede darle un rectángulo en el tiempo - un sinc en freq - y no puede administrar los lóbulos laterales. Puede ser bien vale la pena para lanzar en un número entero multiplica para que sea una buena sintonía sintonizable FIR si se puede ahorrar las garrapatas del reloj. Ndash Scott Seidman: No hay necesidad de multiplicar si uno simplemente tiene cada etapa de la FIR o la salida de la media de la entrada a esa etapa y su valor almacenado anterior, y luego almacenar la entrada (si se tiene El rango numérico, se podría usar la suma en lugar de la media). Si ese filtro es mejor que un filtro de caja depende de la aplicación (la respuesta de paso de un filtro de caja con un retardo total de 1ms, por ejemplo, tendrá un pico d2 / dt desagradable cuando el cambio de entrada, y 1ms más tarde, pero tendrá El mínimo posible d / dt para un filtro con un retraso total de 1ms). Ndash supercat Como dijo mikeselectricstuff, si realmente necesita reducir sus necesidades de memoria, y no te importa su respuesta al impulso que es un exponencial (en lugar de un pulso rectangular), me gustaría ir para un filtro de media móvil exponencial . Los uso ampliamente. Con ese tipo de filtro, usted no necesita ningún búfer. Usted no tiene que almacenar N muestras pasadas. Solo uno. Por lo tanto, sus requisitos de memoria se redujo por un factor de N. También, no necesita ninguna división para eso. Sólo multiplicaciones. Si tiene acceso a aritmética de punto flotante, use multiplicaciones de coma flotante. De lo contrario, haga multiplicaciones enteras y desplaza hacia la derecha. Sin embargo, estamos en 2012, y te recomiendo que utilices compiladores (y MCUs) que te permitan trabajar con números de coma flotante. Además de ser más eficiente de la memoria y más rápido (usted no tiene que actualizar los elementos en cualquier búfer circular), yo diría que es también más natural. Porque una respuesta de impulso exponencial coincide mejor con la forma en que se comporta la naturaleza, en la mayoría de los casos. Un problema con el filtro IIR como casi tocado por olin y supercat pero aparentemente ignorado por otros es que el redondeo abajo introduce cierta imprecisión (y potencialmente sesgo / truncamiento). Suponiendo que N es una potencia de dos, y sólo se utiliza la aritmética entera, el desplazamiento a la derecha elimina sistemáticamente los LSB de la nueva muestra. Eso significa que la duración de la serie nunca podría ser, el promedio nunca tendrá en cuenta. Por ejemplo, supongamos una serie que disminuye lentamente (8, 8, 8, 7, 7, 7, 7, 6, 6) y asuma que el promedio es realmente 8 al principio. La muestra del puño 7 llevará la media a 7, independientemente de la resistencia del filtro. Sólo para una muestra. La misma historia para 6, etc. Ahora piensa en lo opuesto. La serie sube. El promedio se mantendrá en 7 para siempre, hasta que la muestra es lo suficientemente grande como para que cambie. Por supuesto, puede corregir el sesgo añadiendo 1 / 2N / 2, pero eso no resolverá realmente el problema de precisión. En ese caso la serie decreciente permanecerá para siempre en 8 hasta que la muestra sea 8-1 / 2 (N / 2). Para N4 por ejemplo, cualquier muestra por encima de cero mantendrá el promedio sin cambios. Creo que una solución para eso implicaría mantener un acumulador de los LSB perdidos. Pero no lo hice lo suficientemente lejos para tener el código listo, y no estoy seguro de que no perjudicaría la potencia IIR en algunos otros casos de series (por ejemplo, si 7,9,7,9 promedio a 8 entonces). Olin, su cascada de dos etapas también necesitaría alguna explicación. ¿Se refiere a la celebración de dos valores medios con el resultado de la primera alimentado en el segundo en cada iteración. Cuál es el beneficio de esta Comunidad Creado el: 14 de agosto de 2013 12:56 por SamHorst - Última Modificación: 14 de agosto de 2013 12:58 PM por SamHorst Implementación de un filtro Efficient, Moving Average en LabVIEW FPGA Track / Summit: Embedded Systems Abstract : Muchos sistemas integrados de control y monitoreo sufren de datos ruidosos de los sensores, poniendo en riesgo la funcionalidad y la precisión del sistema. Los datos de los sensores ruidosos pueden ser suavizados usando filtros de media móvil, pero implementar tales filtros en un sistema CompactRIO con FPGA y restricciones de recursos puede ser un reto. Explore los desafíos y los pasos para lograr un eficiente algoritmo de filtro de media móvil basado en FPGA. Examine el código LabVIEW FPGA detalladamente y discuta las técnicas para ayudar en la conservación de recursos. Orador (es): Neville Dholoo, Advanced Measurements Inc.
No comments:
Post a Comment