El promedio móvil como filtro El promedio móvil se utiliza a menudo para suavizar los datos en presencia de ruido. La media móvil simple no siempre se reconoce como el filtro de respuesta de impulso finito (FIR) que es, mientras que es realmente uno de los filtros más comunes en el procesamiento de señales. Tratarlo como un filtro permite compararlo con, por ejemplo, filtros de sinc de ventana (véanse los artículos sobre filtros de paso bajo, paso alto, paso de banda y rechazo de banda para ejemplos de los mismos). La principal diferencia con estos filtros es que el promedio móvil es adecuado para señales para las cuales la información útil está contenida en el dominio del tiempo. De las cuales las mediciones de suavizado por promediado son un excelente ejemplo. Sin embargo, los filtros windowed-sinc son fuertes en el dominio de la frecuencia. Con la ecualización en el procesamiento de audio como un ejemplo típico. Hay una comparación más detallada de ambos tipos de filtros en el dominio del tiempo frente al rendimiento de los dominios de frecuencia de los filtros. Si tiene datos para los que tanto el tiempo como el dominio de frecuencia son importantes, entonces puede que desee echar un vistazo a Variaciones en el promedio móvil. Que presenta una serie de versiones ponderadas de la media móvil que son mejores en eso. El promedio móvil de longitud (N) puede definirse como escrito tal como se implementa típicamente, con la muestra de salida actual como el promedio de las muestras (N) anteriores. Visto como un filtro, el promedio móvil realiza una convolución de la secuencia de entrada (xn) con un pulso rectangular de longitud (N) y altura (1 / N) (para hacer el área del pulso y, por tanto, la ganancia de El filtro, uno). En la práctica, es mejor tomar (N) impar. Aunque un promedio móvil también puede calcularse usando un número par de muestras, usar un valor impar para (N) tiene la ventaja de que el retardo del filtro será un número entero de muestras, ya que el retardo de un filtro con (N) Muestras es exactamente ((N-1) / 2). El promedio móvil puede entonces alinearse exactamente con los datos originales desplazándolo por un número entero de muestras. Dominio de tiempo Dado que el promedio móvil es una convolución con un pulso rectangular, su respuesta de frecuencia es una función sinc. Esto hace que sea algo así como el dual del filtro windowed-sinc, ya que es una convolución con un pulso sinc que da como resultado una respuesta de frecuencia rectangular. Es esta respuesta de frecuencia de sinc que hace que el promedio móvil sea un pobre intérprete en el dominio de la frecuencia. Sin embargo, funciona muy bien en el dominio del tiempo. Por lo tanto, es perfecto para suavizar los datos para eliminar el ruido, mientras que al mismo tiempo sigue manteniendo una respuesta de paso rápido (Figura 1). Para el ruido gaussiano blanco aditivo típico (AWGN) que se asume a menudo, las muestras del promedio (N) tienen el efecto de aumentar el SNR por un factor de (sqrt N). Dado que el ruido para las muestras individuales no está correlacionado, no hay razón para tratar cada muestra de manera diferente. Por lo tanto, el promedio móvil, que da a cada muestra el mismo peso, eliminará la cantidad máxima de ruido para una nitidez de respuesta dada. Implementación Debido a que es un filtro FIR, el promedio móvil puede implementarse a través de la convolución. Entonces tendrá la misma eficiencia (o falta de ella) como cualquier otro filtro FIR. Sin embargo, también se puede implementar recursivamente, de una manera muy eficiente. Se deduce directamente de la definición que esta fórmula es el resultado de las expresiones para (yn) y (yn1), es decir, donde observamos que el cambio entre (yn1) y (yn) es que un término extra (xn1 / N) Aparece al final, mientras que el término (xn-N1 / N) se elimina desde el principio. En aplicaciones prácticas, a menudo es posible omitir la división por (N) para cada término, compensando la ganancia resultante de (N) en otro lugar. Esta implementación recursiva será mucho más rápida que la convolución. Cada nuevo valor de (y) se puede calcular con sólo dos adiciones, en lugar de las (N) adiciones que serían necesarias para una implementación directa de la definición. Una cosa a tener en cuenta con una implementación recursiva es que se acumularán errores de redondeo. Esto puede o no ser un problema para su aplicación, pero también implica que esta implementación recursiva funcionará mejor con una implementación entera que con números de coma flotante. Esto es bastante inusual, ya que una implementación en coma flotante suele ser más simple. La conclusión de todo esto debe ser que usted nunca debe subestimar la utilidad del filtro de media móvil simple en aplicaciones de procesamiento de señales. Herramienta de diseño de filtros Este artículo se complementa con una herramienta de diseño de filtros. Experimente con diferentes valores para (N) y visualice los filtros resultantes. Pruébelo ahoraFIR Filter Basics 1.1 ¿Qué son los filtros quotFIR? Los filtros FIR son uno de los dos tipos principales de filtros digitales utilizados en las aplicaciones DSP (Digital Signal Processing), siendo el otro tipo IIR. 1.2 ¿Qué significa quotFIR significa quotFIR significa quotFinite Impulse Response? Si se introduce un impulso, es decir, una muestra única de 1 quot seguido de muchas muestras de quot0quot, los ceros saldrán después de que la muestra quot1quot haya hecho su camino a través de la línea de retardo del filtro. 1.3 ¿Por qué la respuesta de impulso es quotfinita? En el caso común, la respuesta de impulso es finita porque no hay retroalimentación en la FIR. La falta de retroalimentación garantiza que la respuesta al impulso será finita. Por lo tanto, el término respuesta de impulso quotfinito es casi sinónimo de "retroalimentación". Sin embargo, si se emplea retroalimentación pero la respuesta de impulso es finita, el filtro sigue siendo un FIR. Un ejemplo es el filtro de media móvil, en el que la N-ésima muestra anterior es sustraída (retroalimentada) cada vez que entra una nueva muestra. Este filtro tiene una respuesta de impulso finito aunque usa retroalimentación: después de N muestras de un impulso, la salida Siempre será cero. 1.4 Cómo se pronuncia quotFIRquot Algunas personas dicen que las letras F-I-R otras personas se pronuncian como si fuera un tipo de árbol. Nosotros preferimos el árbol. (La diferencia es si hablas de un filtro F-I-R o de un filtro FIR). 1.5 ¿Cuál es la alternativa a los filtros FIR? Los filtros DSP también pueden ser QuotResponse de Impulso Inferior (IIR). (Vea las preguntas frecuentes de dspGurus IIR.) Los filtros IIR utilizan retroalimentación, por lo que al introducir un impulso la salida teóricamente suena indefinidamente. 1.6 ¿Cómo comparan los filtros FIR con los filtros IIR Cada uno tiene sus ventajas y desventajas. En general, sin embargo, las ventajas de los filtros FIR superan las desventajas, por lo que se utilizan mucho más que IIRs. 1.6.1 ¿Cuáles son las ventajas de los filtros FIR (en comparación con los filtros IIR) En comparación con los filtros IIR, los filtros FIR ofrecen las siguientes ventajas: Pueden diseñarse fácilmente para ser fase quotlinear (y normalmente son). En pocas palabras, los filtros de fase lineal demoran la señal de entrada pero no alteran su fase. Son fáciles de implementar. En la mayoría de los microprocesadores DSP, el cálculo FIR puede realizarse mediante un bucle de una sola instrucción. Son adecuados para aplicaciones de múltiples velocidades. Por multi-tasa, queremos decir quotdecimationquot (reducir la tasa de muestreo), quotinterpolationquot (aumentar la tasa de muestreo), o ambos. Ya sea diezmando o interpolando, el uso de filtros FIR permite que algunos de los cálculos sean omitidos, proporcionando así una importante eficiencia computacional. Por el contrario, si se utilizan filtros IIR, cada salida se debe calcular individualmente, incluso si se descarta la salida (por lo que la retroalimentación se incorporará al filtro). Tienen propiedades numéricas deseables. En la práctica, todos los filtros DSP deben ser implementados usando aritmética de precisión finita, es decir, un número limitado de bits. El uso de aritmética de precisión finita en filtros IIR puede causar problemas significativos debido al uso de retroalimentación, pero los filtros FIR sin retroalimentación pueden ser implementados usando menos bits, y el diseñador tiene menos problemas prácticos que resolver relacionados con la aritmética no ideal. Pueden implementarse utilizando aritmética fraccional. A diferencia de los filtros IIR, siempre es posible implementar un filtro FIR usando coeficientes con magnitud inferior a 1,0. (La ganancia total del filtro FIR puede ajustarse en su salida, si se desea). Esta es una consideración importante al usar DSP de punto fijo, ya que hace la implementación mucho más simple. 1.6.2 ¿Cuáles son los inconvenientes de los filtros FIR (comparados con los filtros IIR) En comparación con los filtros IIR, los filtros FIR a veces tienen la desventaja de que requieren más memoria y / o cálculo para obtener una característica de respuesta de filtro dada. Además, ciertas respuestas no son prácticas para implementar con filtros FIR. 1.7 ¿Qué términos se usan para describir los filtros FIR? Respuesta de Impulso - La respuesta de respuesta de un filtro FIR es en realidad sólo el conjunto de coeficientes FIR. (Si se pone un quotimplusequot en un filtro FIR que consta de una quot1quot muestra seguida de muchas quot0quot muestras, la salida del filtro será el conjunto de coeficientes, ya que la muestra 1 pasa de cada coeficiente a su vez para formar la salida). Tap - Una FIR quottapquot es simplemente un par de coeficientes / delay. El número de taps FIR (a menudo designado como quotNquot) es una indicación de 1) la cantidad de memoria requerida para implementar el filtro, 2) el número de cálculos requeridos, y 3) la cantidad de quotfilteringquot el filtro puede hacer en efecto, Multiplicar-Acumular (MAC) - En un contexto de FIR, una quotMACquot es la operación de multiplicar un coeficiente por la correspondiente muestra de datos retardada y acumular el resultado. Las FIRs usualmente requieren un MAC por toque. La mayoría de los microprocesadores DSP implementan la operación MAC en un solo ciclo de instrucción. Banda de transición - La banda de frecuencias entre los bordes de banda de paso y de banda de parada. Cuanto más estrecha es la banda de transición, más taps son necesarios para implementar el filtro. (Una banda de transición quotsmallquot da como resultado un filtro quotsharpquot.) Línea de retardo - Conjunto de elementos de memoria que implementan los elementos de retardo de quotZ-1quot del cálculo FIR. Buffer circular - Un buffer especial que es quotcircular porque incrementar en el extremo hace que se envuelva al principio, o porque decrementar desde el principio hace que se envuelva hasta el final. Los microprocesadores DSP proporcionan frecuentemente amortiguadores circulares para implementar el quotmotimaje de las muestras a través de la línea de retardo FIR sin tener que mover literalmente los datos en la memoria. Cuando se agrega una nueva muestra a la memoria intermedia, reemplaza automáticamente la más antigua. Documentación Este ejemplo muestra cómo utilizar filtros de media móvil y remuestreo para aislar el efecto de componentes periódicos de la hora del día en lecturas de temperatura por hora, Ruido de línea no deseado de una medición de tensión de bucle abierto. El ejemplo también muestra cómo suavizar los niveles de una señal de reloj mientras se conservan los bordes usando un filtro mediano. El ejemplo también muestra cómo usar un filtro Hampel para eliminar grandes valores atípicos. Motivación El suavizado es cómo descubrimos patrones importantes en nuestros datos sin dejar de lado cosas que no son importantes (es decir, ruido). Utilizamos filtrado para realizar este suavizado. El objetivo de suavizar es producir cambios lentos en el valor de modo que sea más fácil ver tendencias en nuestros datos. A veces, cuando se examinan datos de entrada, es posible que desee suavizar los datos para ver una tendencia en la señal. En nuestro ejemplo tenemos un conjunto de lecturas de temperatura en Celsius tomadas cada hora en el Aeropuerto de Logan durante todo el mes de enero de 2011. Tenga en cuenta que podemos ver visualmente el efecto que tiene la hora del día sobre las lecturas de temperatura. Si sólo está interesado en la variación diaria de la temperatura durante el mes, las fluctuaciones horarias sólo contribuyen al ruido, lo que puede hacer que las variaciones diarias sean difíciles de discernir. Para eliminar el efecto de la hora del día, ahora queremos suavizar nuestros datos utilizando un filtro de media móvil. Un filtro de media móvil En su forma más simple, un filtro de media móvil de longitud N toma el promedio de cada N muestras consecutivas de la forma de onda. Para aplicar un filtro de media móvil a cada punto de datos, construimos nuestros coeficientes de nuestro filtro para que cada punto sea igualmente ponderado y aporte 1/24 a la media total. Esto nos da la temperatura promedio en cada período de 24 horas. Filter Delay Observe que la salida filtrada se retrasa aproximadamente doce horas. Esto se debe al hecho de que nuestro filtro de media móvil tiene un retraso. Cualquier filtro simétrico de longitud N tendrá un retardo de (N-1) / 2 muestras. Podemos dar cuenta de este retraso manualmente. Extracción de las diferencias promedio Alternativamente, también podemos usar el filtro del promedio móvil para obtener una mejor estimación de cómo el tiempo del día afecta la temperatura total. Para ello, primero, restar los datos suavizados de las mediciones de temperatura por hora. A continuación, segmentar los datos diferenciados en días y tomar el promedio durante los 31 días del mes. Extracción de la envolvente de pico A veces también nos gustaría tener una estimación que varía suavemente de cómo los altos y bajos de nuestra señal de temperatura cambian diariamente. Para ello, podemos usar la función de envolvente para conectar los máximos y mínimos extremos detectados en un subconjunto del período de 24 horas. En este ejemplo, aseguramos que haya al menos 16 horas entre cada extremo alto y extremo bajo. También podemos tener una idea de cómo los máximos y bajos son tendencia tomando el promedio entre los dos extremos. Filtros de Promedio Móvil Ponderado Otros tipos de filtros de media móvil no ponderan igualmente cada muestra. Otro filtro común sigue la expansión binomial de (1 / 2,1 / 2) n Este tipo de filtro se aproxima a una curva normal para valores grandes de n. Es útil para filtrar el ruido de alta frecuencia para n pequeños. Para encontrar los coeficientes para el filtro binomial, convolucione 1/2 1/2 con sí mismo y convierta iterativamente la salida con 1/2 1/2 un número prescrito de veces. En este ejemplo, utilice cinco iteraciones totales. Otro filtro algo similar al filtro de expansión gaussiano es el filtro de media móvil exponencial. Este tipo de filtro de promedio móvil ponderado es fácil de construir y no requiere un tamaño de ventana grande. Ajusta un filtro de media móvil ponderado exponencialmente por un parámetro alfa entre cero y uno. Un valor más alto de alfa tendrá menos suavizado. Amplíe las lecturas durante un día. Selecciona tu pais
No comments:
Post a Comment