Moving Average Glättung Matlab

Was ist Glättung und wie kann ich es tun Ich habe ein Array in Matlab, die das Magnitude-Spektrum eines Sprachsignals (die Größe von 128 Punkten FFT) ist. Wie glätte ich dieses mit einem gleitenden Durchschnitt Von dem, was ich verstehe, sollte ich ein Fenster Größe einer bestimmten Anzahl von Elementen nehmen, durchschnittlich, und dies wird das neue 1. Element. Dann verschieben Sie das Fenster nach rechts um ein Element, nehmen Sie den Durchschnitt, der das 2. Element wird, und so weiter. Ist das wirklich, wie es funktioniert Ich bin mir nicht sicher, da, wenn ich das tun, in meinem Endergebnis werde ich weniger als 128 Elemente haben. Also, wie funktioniert es und wie es hilft, um die Datenpunkte zu glätten Oder gibt es eine andere Art und Weise kann ich tun, Glättung der Daten gefragt Okt 15 12 at 6:30 migriert von stackoverflow Okt 15 12 at 14:51 Diese Frage kam von unserem Website für professionelle und enthusiast Programmierer. Für ein Spektrum möchten Sie wahrscheinlich gemeinsam (in der Zeitdimension) mehrere Spektren eher als ein laufender Durchschnitt entlang der Frequenzachse eines einzigen Spektrums ndash Endolith sind beide gültige Techniken. Die Mittelung im Frequenzbereich (manchmal auch als Danielle-Periodogramm bezeichnet) ist die gleiche wie das Fenstern im Zeitbereich. Die Mittelung von mehreren Periodogrammen (quotspectraquot) ist ein Versuch, die Ensemble-Mittelung des wahren Periodogramms nachzuahmen (dies wird als Welch-Periodogramm bezeichnet). Auch als eine Frage der Semantik würde ich argumentieren, dass quotsmoothingquot nicht-causual Tiefpaß-Filterung ist. Siehe Kalman Filterung vs Kalman Glättung, Wiener Filterung v Wiener Glättung, etc. Es gibt eine nichttriviale Unterscheidung und it39s Umsetzung abhängig. Ndash Bryan 12-18 um 19:18 Glättung kann in vielerlei Hinsicht getan werden, aber in sehr grundlegende und allgemeine Begriffe bedeutet es, dass Sie sogar ein Signal, indem sie ihre Elemente mit ihren Nachbarn. Sie smearblur das Signal ein wenig, um loszuwerden, Lärm. Zum Beispiel wäre eine sehr einfache Glättungsmethode, jedes Signal-Element f (t) auf 0,8 des ursprünglichen Wertes plus 0,1 jeder seiner Nachbarn neu zu berechnen: Beachten Sie, wie sich die Multiplikationsfaktoren oder - gewichte zu eins addieren. Also, wenn das Signal ist ziemlich konstant, Glättung nicht viel ändern. Aber wenn das Signal einen plötzlichen ruckartigen Wechsel enthielt, wird der Beitrag seiner Nachbarn dazu beitragen, das Rauschen ein wenig aufzuklären. Die Gewichte, die Sie in dieser Rekalkulationsfunktion verwenden, können als Kernel bezeichnet werden. Eine eindimensionale Gaußsche Funktion oder irgendein anderer Grundkern sollte in Ihrem Fall tun. Schönes Beispiel für eine besondere Art von Glättung: Oben: Ungelöstes Signal Unten: geglättetes Signal Beispiele für einige Kerne: Neben der netten Antwort von Junuxx möchte ich noch ein paar Notizen machen. Glättung bezieht sich auf die Filterung (leider ziemlich vage Wikipedia-Artikel) - Sie sollten die glatte wählen, basierend auf seinen Eigenschaften. Einer meiner Favoriten ist der Medianfilter. Dies ist ein Beispiel eines nicht-linearen Filters. Es hat einige interessante Eigenschaften, es bewahrt Kanten und ist sehr robust unter großen Lärm. Wenn Sie ein Modell haben, wie Ihr Signal verhält sich ein Kalman-Filter ist einen Blick wert. Seine Glättung ist tatsächlich eine Bayessche Maximum-Likelihood-Schätzung des Signals basierend auf Beobachtungen. Beantwortet Okt 15 12 am 11:07 1 für die Erwähnung der kalman Filter ndash Die Glättung impliziert die Verwendung von Informationen aus benachbarten Proben, um die Beziehung zwischen benachbarten Proben zu ändern. Für endliche Vektoren gibt es an den Enden keine benachbarten Informationen auf einer Seite. Ihre Entscheidungen sind: dont smoothfilter die Enden, akzeptieren Sie einen kürzeren resultierenden geglättet Vektor, machen Sie Daten und glatt mit dem (abhängig von der Genauigkeit aller Vorhersagen von den Enden), oder vielleicht mit verschiedenen asymmetrischen Glättung Kerne an den Enden (die am Ende Verkürzen den Informationsgehalt im Signal sowieso). Antwort # 2 am: Mai 15, 2010, 04:31:25 am »Andere haben erwähnt, wie Sie Glättung tun, Id wie zu erwähnen, warum Glättung funktioniert. Wenn Sie Ihr Signal richtig überspielen, variiert es relativ wenig von einer Probe zur nächsten (Beispielzeitpunkte, Pixel usw.) und es wird erwartet, dass sie ein insgesamt glattes Aussehen haben. Mit anderen Worten enthält Ihr Signal wenige hohe Frequenzen, d. H. Signalkomponenten, die mit einer Rate ähnlich zu Ihrer Abtastrate variieren. Messungen werden oft durch Rauschen verfälscht. In erster Näherung betrachten wir in der Regel das Rauschen einer Gaußschen Verteilung mit mittlerem Nullpunkt und einer bestimmten Standardabweichung, die einfach über dem Signal addiert wird. Um das Rauschen in unserem Signal zu reduzieren, machen wir gewöhnlich die folgenden vier Annahmen: Rauschen ist zufällig, nicht korreliert unter Samples, hat einen Mittelwert von Null, und das Signal ist ausreichend überabgetastet. Mit diesen Annahmen können wir einen gleitenden Mittelwertfilter verwenden. Man betrachte beispielsweise drei aufeinanderfolgende Proben. Da das Signal stark überabgetastet wird, kann angenommen werden, dass das darunterliegende Signal sich linear ändert, was bedeutet, dass der Mittelwert des Signals an den drei Abtastwerten dem wahren Signal am mittleren Abtastwert entspricht. Im Gegensatz dazu weist das Rauschen einen Mittelwert von Null auf und ist unkorreliert, was bedeutet, daß sein Durchschnitt zu Null neigen sollte. Somit können wir einen Gleitfilter mit drei Stichproben anwenden, wobei wir jede Probe mit dem Mittelwert zwischen sich und seinen zwei benachbarten Nachbarn ersetzen. Natürlich, je größer wir das Fenster, desto mehr wird das Rauschen auf Null, aber desto geringer unsere Annahme der Linearität des wahren Signals hält. So müssen wir einen Kompromiss machen. Eine Möglichkeit, das Beste aus beiden Welten zu erhalten, besteht darin, einen gewichteten Mittelwert zu verwenden, wobei wir kleinere Gewichte weiter weg geben, sodass wir die Rauscheffekte von größeren Bereichen mitteln, während wir das wahre Signal nicht zu groß gewichten, wo es von unserer Linearität abweicht Annahme. Wie Sie die Gewichte setzen sollte, hängt von dem Rauschen, dem Signal und der Rechenleistung ab, und natürlich von dem Kompromiss zwischen dem Beseitigen von Rauschen und dem Schneiden in das Signal. Beachten Sie, dass in den letzten Jahren eine Menge Arbeit geleistet wurde, um einige der vier Annahmen zu lösen, zum Beispiel durch Entwerfen von Glättungsschemata mit variablen Filterfenstern (anisotrope Diffusion) oder Schemata, die überhaupt keine Fenster verwenden (Nichtlokale Mittel). Beantwortet Dec 27 12 at 15: 10Die Informationen, Code und Daten auf dieser Seite ist es, einen Artikel "The Black Art of Smoothing" in Electrical Amp Automation Technology veröffentlicht zu unterstützen. Von David I. Wilson. Der Code, der auf dieser Seite vorgestellt wird, enthält Algorithmen für: Moving durchschnittliche Filterverstärkung Savitzky-Golay Filter Loess (lokale gewichtete Regression) Filterung Whittaker kernel smoothers Hodrick-Prescott Filter in den Entwicklungsumgebungen Matlab und Scicos. In beiden Fällen sind keine speziellen Werkzeugkästen erforderlich. Matlab ist ein kommerzielles Produkt, aber Scilab ist ein Freeware-Equivalent. Hinweis: Der Code hier ist Quotes isquot ohne Garantie oder konkludent dargestellt. Wenn Sie daran interessiert sind, diese Glättungsoperationen auf eigenen Daten auszuprobieren, gehen Sie wie folgt vor: Wenn Sie Matlab (ein kommerzielles Produkt) haben, laden Sie die Matlab-Glättungsdateien herunter und entpacken Sie sie. Führen Sie die Skriptdatei smootherdemo. m aus. Sie sollten Plots etwas wie dieses sehen, das den Abbildungen im veröffentlichten Artikel ähnlich ist. Wenn Sie Ihre eigenen Daten verwenden möchten, dann platzieren Sie die (Zeit-, Daten-) Paare in einer Excel-Tabelle und bearbeiten Sie die Smootherdemo-Datei, um Ihr eigenes Excel-Tabellenblatt zu lesen. Sie müssen die Skriptdatei bearbeiten und eventuell die verschiedenen Glättungsparameter anpassen. Alternativ, wenn Sie lieber die Freeware Scilab, dann: Downloaden und installieren Scilab (ca. 13Mb). Sie haben die Wahl von Windows, Linux oder Mac. Laden Sie die Scilab-glatteren Dateien herunter und entpacken Sie sie in einem geeigneten Verzeichnis. Führen Sie die Datei smootherdemo. sci aus. Matlab ist eine kommerzielle wissenschaftliche Software und Prototyping-Umgebung mit vielen Ingenieuren beliebt. Matlab wird in Neuseeland von Hoare Research Software verkauft. Downloaden und entpacken Sie die Matlab-Dateien in Ihrem Arbeitsverzeichnis glätten und die smootherdemo. m Matlab-Script-Datei ausführen. Scilab ist ein kostenloses wissenschaftliches Softwarepaket ähnlich wie, aber nicht genau kompatibel mit, Matlab. Scilab steht für Linux, Windows und Mac zur Verfügung und steht hier zum Download zur Verfügung. (Ungefähr 13 MB). Es wird derzeit von den Forschern von INRIA und ENPC in Frankreich entwickelt und wie Matlab, enthält zahlreiche Werkzeugkästen und eine grafische Blockdiagramm Simulator ähnlich wie Simulink genannt Scicos. Die folgenden Datendateien wurden in dem Artikel verwendet. Sie werden im Excel-Format und gerade ASCII-Text mit einer Reihe header. Remove Lärm und periodischen Komponenten aus Datensätzen gegeben, während zugrunde liegenden Muster zu erhalten Glättungsalgorithmen häufig periodische Komponenten aus einem Datensatz zu entfernen, werden verwendet, während die langfristigen Trends zu erhalten. Beispielsweise zeigen Zeitreihen-Daten, die einmal im Monat abgetastet werden, oft saisonale Schwankungen. Ein zwölfmonatiger gleitender Durchschnittsfilter wird die saisonale Komponente unter Beibehaltung des langfristigen Trends entfernen. Alternativ können Glättungsalgorithmen verwendet werden, um ein beschreibendes Modell für die explorative Datenanalyse zu erzeugen. Diese Technik wird häufig verwendet, wenn es unpraktisch ist, ein Parametermodell festzulegen, das die Beziehung zwischen einem Satz von Variablen beschreibt. Signal oder Zeittechniken Serie Glättung sind in einer Reihe von Disziplinen einschließlich Signalverarbeitung, Systemidentifikation, Statistiken und Ökonometrie verwendet. Gemeinsame Glättungsalgorithmen umfassen: LOWESS und Löss: Nichtparametrische Glättungsverfahren unter Verwendung von lokalen Regressionsmodelle Glättung Kernel: Nichtparametrische Ansatz eine glatte Verteilungsfunktion Glättung Splines zur Modellierung: Nichtparametrische Ansatz zur Kurvenanpassung Autoregressiven Moving Average (ARMA) Filter: Filter verwendet, wenn Daten zeigt serielle Autokorrelation Hodrick-Prescott-Filter: Filter verwendet, um ökonometrische Zeitreihe glätten durch die saisonalen Komponenten zu extrahieren SavitzkyGolay Glättungsfilter: Filter verwendet, wenn ein Signal Hochfrequenzinformationen hat, die Butterworth-Filter zurückgehalten werden sollten: Filter in der Signalverarbeitung verwendet, um Hochfrequenzrauschen Ihr Land entfernen Wählen