Exponential Moving Average Filter

Exponentialfilter Diese Seite beschreibt die exponentielle Filterung, den einfachsten und beliebtesten Filter. Dies ist Teil des Abschnitts Filterung, der Teil des Leitfadens zur Fehlerdetektion und - diagnose ist. Überblick, Zeitkonstante und Analogäquivalent Der einfachste Filter ist der Exponentialfilter. Es hat nur einen Abstimmungsparameter (außer dem Probenintervall). Es erfordert die Speicherung nur einer Variablen - der vorherigen Ausgabe. Es ist ein IIR (autoregressive) Filter - die Auswirkungen einer Eingangsveränderung Zerfall exponentiell, bis die Grenzen der Displays oder Computer Arithmetik verstecken. In verschiedenen Disziplinen wird die Verwendung dieses Filters auch als 8220exponentielle Glättung8221 bezeichnet. In einigen Disziplinen wie der Investitionsanalyse wird der exponentielle Filter als 8220Exponential Weighted Moving Average8221 (EWMA) oder nur 8220Exponential Moving Average8221 (EMA) bezeichnet. Dies missbräuchlich die traditionelle ARMA 8220moving average8221 Terminologie der Zeitreihenanalyse, da es keinen Eingabehistorie gibt, der verwendet wird - nur die aktuelle Eingabe. Es ist das diskrete Zeit-Äquivalent der 8220 erster Ordnung lag8221, die üblicherweise in der analogen Modellierung von kontinuierlichen Zeitsteuerungssystemen verwendet wird. In elektrischen Schaltkreisen ist ein RC-Filter (Filter mit einem Widerstand und einem Kondensator) eine Verzögerung erster Ordnung. Bei der Betonung der Analogie zu analogen Schaltungen, ist der einzige Tuning-Parameter die 8220time constant8221, in der Regel als klein geschriebenen griechischen Buchstaben Tau () geschrieben. Tatsächlich entsprechen die Werte bei den diskreten Abtastzeiten genau der äquivalenten kontinuierlichen Zeitverzögerung mit der gleichen Zeitkonstante. Die Beziehung zwischen der digitalen Implementierung und der Zeitkonstante wird in den folgenden Gleichungen gezeigt. Exponentielle Filtergleichungen und Initialisierung Das Exponentialfilter ist eine gewichtete Kombination der vorherigen Schätzung (Ausgabe) mit den neuesten Eingangsdaten, wobei die Summe der Gewichtungen gleich 1 ist, so dass die Ausgabe mit dem Eingang im stationären Zustand übereinstimmt. Nach der bereits eingeführten Filternotation ist y (k) ay (k - 1) (1 - a) x (k) wobei x (k) die Roheingabe zum Zeitschritt ky (k) die gefilterte Ausgabe zum Zeitschritt ka ist Ist eine Konstante zwischen 0 und 1, normalerweise zwischen 0,8 und 0,99. (A-1) oder a wird manchmal die 8220-Glättungskonstante8221 genannt. Für Systeme mit einem festen Zeitschritt T zwischen Abtastwerten wird die Konstante 8220a8221 nur dann berechnet und gespeichert, wenn der Anwendungsentwickler einen neuen Wert der gewünschten Zeitkonstante angibt. Bei Systemen mit Datenabtastung in unregelmäßigen Abständen muss bei jedem Zeitschritt die exponentielle Funktion verwendet werden, wobei T die Zeit seit dem vorhergehenden Abtastwert ist. Der Filterausgang wird normalerweise initialisiert, um dem ersten Eingang zu entsprechen. Wenn die Zeitkonstante 0 nähert, geht a auf Null, so dass keine Filterung 8211 der Ausgang dem neuen Eingang entspricht. Da die Zeitkonstante sehr groß wird, werden Ansätze 1, so dass neue Eingabe fast ignoriert wird 8211 sehr starkes Filtern. Die obige Filtergleichung kann in folgendes Vorhersagekorrektor-Äquivalent umgeordnet werden: Diese Form macht deutlich, dass die variable Schätzung (Ausgabe des Filters) unverändert von der vorherigen Schätzung y (k-1) plus einem Korrekturterm basiert wird Auf die unerwartete 8220innovation8221 - die Differenz zwischen dem neuen Eingang x (k) und der Vorhersage y (k-1). Diese Form ist auch das Ergebnis der Ableitung des Exponentialfilters als einfacher Spezialfall eines Kalman-Filters. Die die optimale Lösung für ein Schätzproblem mit einem bestimmten Satz von Annahmen ist. Schrittantwort Eine Möglichkeit, den Betrieb des Exponentialfilters zu visualisieren, besteht darin, sein Ansprechen über die Zeit auf eine Stufeneingabe aufzuzeichnen. Das heißt, beginnend mit dem Filtereingang und dem Ausgang bei 0 wird der Eingangswert plötzlich auf 1 geändert. Die resultierenden Werte sind nachstehend aufgetragen: In dem obigen Diagramm wird die Zeit durch die Filterzeitkonstante tau geteilt, so daß man leichter prognostizieren kann Die Ergebnisse für einen beliebigen Zeitraum, für jeden Wert der Filterzeitkonstante. Nach einer Zeit gleich der Zeitkonstante steigt der Filterausgang auf 63,21 seines Endwertes an. Nach einer Zeit gleich 2 Zeitkonstanten steigt der Wert auf 86,47 seines Endwertes an. Die Ausgänge nach Zeiten gleich 3,4 und 5 Zeitkonstanten sind jeweils 95,02, 98,17 bzw. 99,33 des Endwerts. Da der Filter linear ist, bedeutet dies, dass diese Prozentsätze für jede Größenordnung der Schrittänderung verwendet werden können, nicht nur für den hier verwendeten Wert 1. Obwohl die Stufenantwort in der Theorie aus praktischer Sicht eine unendliche Zeit in Anspruch nimmt, sollte man an den exponentiellen Filter 98 bis 99 8220done8221 denken, der nach einer Zeit gleich 4 bis 5 Filterzeitkonstanten reagiert. Variationen des Exponentialfilters Es gibt eine Variation des Exponentialfilters mit dem Namen 8220nonlinearem exponentiellem Filter8221 Weber, 1980. Es soll starkes Rauschen innerhalb einer bestimmten 8220typical8221 Amplitude filtern, reagiert aber schneller auf größere Änderungen. Copyright 2010 - 2013, Greg Stanley Teilen Sie diese Seite: Documentation output tsmovavg (tsobj, s, lag) liefert den einfachen gleitenden Durchschnitt für finanzielles Zeitreihenobjekt, tsobj. Verzögerung gibt die Anzahl der vorherigen Datenpunkte an, die beim Berechnen des gleitenden Mittelwerts mit dem aktuellen Datenpunkt verwendet werden. Ausgabe tsmovavg (Vektor, s, lag, dim) gibt den einfachen gleitenden Durchschnitt für einen Vektor zurück. Verzögerung gibt die Anzahl der vorherigen Datenpunkte an, die beim Berechnen des gleitenden Mittelwerts mit dem aktuellen Datenpunkt verwendet werden. Output tsmovavg (tsobj, e, timeperiod) gibt den exponentiellen gewichteten gleitenden Durchschnitt für das finanzielle Zeitreihenobjekt tsobj zurück. Der exponentielle gleitende Durchschnitt ist ein gewichteter gleitender Durchschnitt, wobei die Zeitperiode den Zeitraum angibt. Exponentielle gleitende Durchschnitte reduzieren die Verzögerung durch mehr Gewicht auf die jüngsten Preise. Zum Beispiel gewichtet ein 10-Perioden-exponentieller gleitender Durchschnitt den jüngsten Preis um 18,18. Exponentialprozent 2 / (TIMEPER 1) oder 2 / (WINDOWSIZE 1). Output tsmovavg (Vektor, e, timeperiod, dim) gibt den exponentiell gewichteten gleitenden Durchschnitt für einen Vektor zurück. Der exponentielle gleitende Durchschnitt ist ein gewichteter gleitender Durchschnitt, wobei die Zeitperiode den Zeitraum angibt. Exponentielle gleitende Durchschnitte reduzieren die Verzögerung durch mehr Gewicht auf die jüngsten Preise. Zum Beispiel gewichtet ein 10-Perioden-exponentieller gleitender Durchschnitt den jüngsten Preis um 18,18. (2 / (Zeitabschnitt 1)). Ausgabe tsmovavg (tsobj, t, numperiod) gibt den dreieckigen gleitenden Durchschnitt für das finanzielle Zeitreihenobjekt tsobj zurück. Der dreieckige gleitende Durchschnitt doppelt glättet die Daten. Tsmovavg berechnet den ersten einfachen gleitenden Durchschnitt mit Fensterbreite von ceil (numperiod 1) / 2. Dann berechnet es einen zweiten einfachen gleitenden Durchschnitt auf dem ersten gleitenden Durchschnitt mit der gleichen Fenstergröße. Ausgabe tsmovavg (Vektor, t, numperiod, dim) gibt den dreieckigen gleitenden Durchschnitt für einen Vektor zurück. Der dreieckige gleitende Durchschnitt doppelt glättet die Daten. Tsmovavg berechnet den ersten einfachen gleitenden Durchschnitt mit Fensterbreite von ceil (numperiod 1) / 2. Dann berechnet es einen zweiten einfachen gleitenden Durchschnitt auf dem ersten gleitenden Durchschnitt mit der gleichen Fenstergröße. Output tsmovavg (tsobj, w, gewichte) liefert den gewichteten gleitenden Durchschnitt für das finanzielle Zeitreihenobjekt tsobj. Indem Gewichte für jedes Element in dem sich bewegenden Fenster bereitgestellt werden. Die Länge des Gewichtsvektors bestimmt die Größe des Fensters. Wenn größere Gewichtungsfaktoren für neuere Preise und kleinere Faktoren für frühere Preise verwendet werden, ist der Trend eher auf die jüngsten Veränderungen ansprechen. Ausgabe tsmovavg (Vektor, w, Gewichte, dim) gibt den gewichteten gleitenden Durchschnitt für den Vektor zurück, indem Gewichte für jedes Element in dem sich bewegenden Fenster geliefert werden. Die Länge des Gewichtsvektors bestimmt die Größe des Fensters. Wenn größere Gewichtungsfaktoren für neuere Preise und kleinere Faktoren für frühere Preise verwendet werden, ist der Trend eher auf die jüngsten Veränderungen ansprechen. Output tsmovavg (tsobj, m, numperiod) gibt den modifizierten gleitenden Durchschnitt für das finanzielle Zeitreihenobjekt tsobj zurück. Der modifizierte gleitende Durchschnitt ist ähnlich dem einfachen gleitenden Durchschnitt. Betrachten Sie das Argument numperiod als die Verzögerung des einfachen gleitenden Mittelwerts. Der erste modifizierte gleitende Durchschnitt wird wie ein einfacher gleitender Durchschnitt berechnet. Nachfolgende Werte werden durch Addition des neuen Preises und Subtrahieren des letzten Durchschnitts aus der resultierenden Summe berechnet. Ausgabe tsmovavg (Vektor, m, numperiod, dim) gibt den modifizierten gleitenden Durchschnitt für den Vektor zurück. Der modifizierte gleitende Durchschnitt ist ähnlich dem einfachen gleitenden Durchschnitt. Betrachten Sie das Argument numperiod als die Verzögerung des einfachen gleitenden Mittelwerts. Der erste modifizierte gleitende Durchschnitt wird wie ein einfacher gleitender Durchschnitt berechnet. Nachfolgende Werte werden durch Addition des neuen Preises und Subtrahieren des letzten Durchschnitts aus der resultierenden Summe berechnet. Dim 8212 Dimension, um auf positive ganze Zahl mit dem Wert 1 oder 2 arbeiten Dimension zu arbeiten, als eine positive Ganzzahl mit einem Wert von 1 oder 2 angegeben. Dim ist ein optionales Eingabeargument, und wenn es nicht als eine Eingabe enthalten ist, die Standardeinstellung Wert 2 wird angenommen. Der Standardwert von dim 2 gibt eine zeilenorientierte Matrix an, wobei jede Zeile eine Variable ist und jede Spalte eine Beobachtung ist. Wenn dim 1. die Eingabe als Spaltenvektor oder spaltenorientierte Matrix angenommen wird, wobei jede Spalte eine Variable und jede Zeile eine Beobachtung ist. E 8212 Indikator für exponentiell gleitenden durchschnittlichen Charaktervektor Der exponentielle gleitende Durchschnitt ist ein gewichteter gleitender Durchschnitt, wobei der Zeitabschnitt der Zeitraum des exponentiellen gleitenden Durchschnitts ist. Exponentielle gleitende Durchschnitte reduzieren die Verzögerung durch mehr Gewicht auf die jüngsten Preise. Zum Beispiel gewichtet ein 10-Perioden-exponentieller gleitender Durchschnitt den jüngsten Preis um 18,18. Exponentialprozent 2 / (TIMEPER 1) oder 2 / (WINDOWSIZE 1) Zeitintervall 8212 Zeitdauer nonnegative Ganzzahl Wählen Sie Ihr LandUpdated 12. März 2013 Was sind RC Filtering und Exponential Averaging und wie unterscheiden sie sich Die Antwort auf den zweiten Teil der Frage Ist, dass sie den gleichen Prozess sind Wenn man von einem elektronischen Hintergrund kommt dann RC Filtering (oder RC Glättung) ist der übliche Ausdruck. Auf der anderen Seite hat ein Ansatz, der auf Zeitreihenstatistik basiert, den Namen Exponential Averaging oder den vollen Namen Exponential Weighted Moving Average. Dies wird auch als EWMA oder EMA bezeichnet. Ein wesentlicher Vorteil des Verfahrens ist die Einfachheit der Formel für die Berechnung der nächsten Ausgabe. Es benötigt einen Bruchteil der vorherigen Ausgabe und einen Minus dieser Fraktion mal der Stromeingabe. Algebraisch zum Zeitpunkt k ist die geglättete Ausgabe y k gegeben durch Wie später gezeigt, hebt diese einfache Formel die jüngsten Ereignisse hervor, glättet Hochfrequenzschwankungen und zeigt langfristige Trends. Es gibt zwei Formen der exponentiellen Mittelungsgleichung, die eine oben und eine Variante Both sind richtig. Siehe die Hinweise am Ende des Artikels für weitere Details. In dieser Diskussion werden wir nur die Gleichung (1) verwenden. Die obige Formel wird manchmal in der begrenzten Weise geschrieben. Wie ist diese Formel abgeleitet und was ist ihre Interpretation Ein wichtiger Punkt ist, wie wir wählen. Um dies zu untersuchen, ist ein RC-Tiefpassfilter zu betrachten. Jetzt ist ein RC-Tiefpassfilter einfach ein Serienwiderstand R und ein Parallelkondensator C, wie unten dargestellt. Die Zeitreihengleichung für diese Schaltung ist Das Produkt RC hat Zeiteinheiten und wird als Zeitkonstante T bezeichnet. Für die Schaltung. Angenommen wir repräsentieren die obige Gleichung in ihrer digitalen Form für eine Zeitreihe, die alle h Sekunden dauert. Wir haben Dies ist genau die gleiche Form wie die vorherige Gleichung. Vergleicht man die beiden Beziehungen für a, die sich auf die sehr einfache Beziehung verringert, ergibt sich die Wahl von N, um welche Zeitkonstante wir uns entschieden haben. Nun kann Gleichung (1) als Tiefpassfilter erkannt werden, und die Zeitkonstante bezeichnet das Verhalten des Filters. Um die Bedeutung der Zeitkonstanten zu sehen, müssen wir die Frequenzcharakteristik dieses Tiefpass-RC-Filters betrachten. In seiner allgemeinen Form ist dies in E-Modul und Phase-Form haben wir, wo der Phasenwinkel ist. Die Frequenz wird als nominale Grenzfrequenz bezeichnet. Physikalisch kann gezeigt werden, daß bei dieser Frequenz die Leistung im Signal um die Hälfte reduziert wurde und die Amplitude um den Faktor verringert ist. In dB ist diese Frequenz, wo die Amplitude um 3dB reduziert wurde. Wenn die Zeitkonstante T zunimmt, nimmt die Grenzfrequenz ab, und wir wenden den Daten mehr Glättung zu, dh wir eliminieren die höheren Frequenzen. Es ist wichtig zu beachten, dass der Frequenzgang in Bogenmaß / Sekunde ausgedrückt wird. Das ist es ist ein Faktor der beteiligt. Wenn beispielsweise eine Zeitkonstante von 5 Sekunden gewählt wird, ergibt sich eine effektive Grenzfrequenz von. Eine beliebte Verwendung von RC-Glättung ist die Simulation der Wirkung eines Meters, wie er in einem Schallpegelmesser verwendet wird. Diese werden typischerweise durch ihre Zeitkonstante wie beispielsweise 1 Sekunde für S-Typen und 0,125 Sekunden für F-Typen typisiert. Für diese beiden Fälle liegen die effektiven Grenzfrequenzen bei 0,16 Hz bzw. 1,27 Hz. Eigentlich ist es nicht die Zeitkonstante, die wir normalerweise wählen wollen, sondern jene Perioden, die wir einschließen möchten. Angenommen, wir haben ein Signal, wo wir Merkmale mit einer P zweiten Periode einschließen möchten. Nun ist eine Periode P eine Frequenz. Dann können wir eine Zeitkonstante T wählen. Allerdings wissen wir, dass wir etwa 30 der Ausgabe (-3dB) verloren haben. Die Wahl einer Zeitkonstante, die genau den Perioden entspricht, die wir beibehalten wollen, ist nicht das beste Schema. Es ist normalerweise besser, eine etwas höhere Grenzfrequenz zu wählen, sagen wir. Die Zeitkonstante ist dann die in der Praxis ähnelt. Dies verringert den Verlust auf etwa 15 bei dieser Periodizität. In der Praxis also, um Ereignisse mit einer Periodizität von oder größer zu halten, dann wählen Sie eine Zeitkonstante von. Dies beinhaltet die Auswirkungen der Periodizität von bis zu etwa. Zum Beispiel, wenn wir die Auswirkungen der Ereignisse, die mit sagen, eine 8-Sekunden-Periode (0,125 Hz), dann wählen Sie eine Zeitkonstante von 0,8 Sekunden. Dies ergibt eine Grenzfrequenz von ungefähr 0,2 Hz, so daß unsere 8-Sekunden-Periode im Hauptdurchlaßband des Filters gut ist. Wenn wir die Daten mit 20 mal / sekunde (h 0,05) abtasten, dann ist der Wert von N (0,8 / 0,05) 16 und. Dies gibt einen Einblick in die Einstellung. Grundsätzlich für eine bekannte Abtastrate bezeichnet er die Mittelungsperiode und wählt aus, welche Hochfrequenzschwankungen ignoriert werden. Mit Blick auf die Erweiterung des Algorithmus können wir sehen, dass es die neuesten Werte begünstigt, und auch, warum es als exponentielle Gewichtung bezeichnet wird. Wir haben Ersatz für y k-1 gibt Wiederholen dieses Prozesses mehrmals führt zu, weil im Bereich dann deutlich die Begriffe nach rechts kleiner werden und sich wie eine abklingende Exponential verhalten. Das ist die aktuelle Ausgabe ist auf die jüngeren Ereignisse voreingenommen, aber je größer wir wählen, desto weniger Bias. Zusammenfassend lässt sich feststellen, dass die einfache Formel die jüngsten Ereignisse hervorhebt, die die Ereignisse mit hoher Frequenz (kurzzeitig) glätten, zeigt langfristige Trends Anhang 1 8211 Alternative Formen der Gleichung Achtung Es gibt zwei Formen der exponentiellen Mittelungsgleichung, die in der Literatur vorkommen. Beide sind richtig und gleichwertig. Die erste Form, wie oben gezeigt, ist (A1) Die alternative Form ist 8230 (A2) Beachten Sie die Verwendung von in der ersten Gleichung und in der zweiten Gleichung. In beiden Gleichungen sind Werte zwischen Null und Eins. Früher wurde definiert als Jetzt wählen, um zu definieren Also die alternative Form der exponentiellen Mittelung Gleichung ist In physikalischen Begriffen bedeutet es, dass die Wahl der Form verwendet wird, hängt davon ab, wie man denken, entweder nehmen als die Rückkopplung Fraktion Gleichung (A1) oder Als den Bruchteil der Eingangsgleichung (A2). Die erste Form ist etwas weniger umständlich, wenn sie die RC-Filterbeziehung zeigt, und führt zu einem einfacheren Verständnis in Filterausdrücken. Chief Signal Processing Analyst bei Prosig Dr. Colin Mercer ist Chief Signal Processing Analyst bei Prosig und verantwortlich für die Signalverarbeitung und deren Anwendungen. Er war früher am Institute of Sound and Vibration Research (ISVR) an der Southampton University, wo er das Data Analysis Center gründete. Er ist ein Chartered Ingenieur und ein Fellow der British Computer Society. Ich denke, dass Sie den 8216p8217 zum Symbol für pi ändern möchten. Marco, danke für das Zeigen. Ich denke, dies ist einer unserer älteren Artikel, die von einem alten Textverarbeitungsdokument übertragen wurde. Offensichtlich, der Herausgeber (mir) nicht zu erkennen, dass die pi nicht korrekt transkribiert wurde. Sie wird in Kürze behoben. Es ist ein sehr guter Artikel Erklärung über die exponentielle Mittelung Ich glaube, es gibt einen Fehler in der Formel für T. Es sollte T h (N-1), nicht T (N-1) / h sein. Mike, danke für das Spotting. Ich habe gerade zurück zu Dr Mercer8217s ursprünglichen technischen Hinweis in unserem Archiv und es scheint, dass es Fehler bei der Übertragung der Gleichungen auf den Blog. Wir korrigieren die Post. Danke, dass Sie uns wissen Danke Danke danken Ihnen. Sie können 100 DSP-Texte lesen, ohne etwas zu sagen, dass ein exponentieller Mittelungsfilter das Äquivalent eines R-C-Filters ist. Hmm, haben Sie die Gleichung für einen EMA-Filter richtig ist es nicht Yk aXk (1-a) Yk-1 anstatt Yk aYk-1 (1-a) Xk Alan, Beide Formen der Gleichung erscheinen in der Literatur, und Beide Formen sind korrekt, wie ich unten zeigen werde. Der Punkt, den Sie machen, ist wichtig, weil die Verwendung der alternativen Form bedeutet, dass die physikalische Beziehung mit einem RC-Filter weniger offensichtlich ist, darüber hinaus ist die Interpretation der Bedeutung eines in dem Artikel gezeigt nicht geeignet für die alternative Form. Zuerst zeigen wir, dass beide Formen korrekt sind. Die Form der Gleichung, die ich verwendet habe und die alternative Form, die in vielen Texten erscheint, ist Anmerkung in der oben genannten habe ich Latex 1 / Latex in der ersten Gleichung und Latex 2 / Latex in der zweiten Gleichung verwendet. Die Gleichheit beider Formen der Gleichung wird mathematisch unterhalb der einfachen Schritte auf einmal gezeigt. Was nicht das gleiche ist, ist der Wert, der für Latex / Latex in jeder Gleichung verwendet wird. In beiden Formen ist Latex / Latex ein Wert zwischen Null und Eins. Die erste Gleichung (1) ersetzt Latex 1 / Latex durch Latex / Latex. Dies ergibt Latexk y (1 - beta) xk / latex 8230 (1A) Nun definieren wir Latexbeta (1 - 2) / Latex und so haben wir auch Latex 2 (1 - beta) / Latex. Setzt man diese in die Gleichung (1A) ein, so erhält man die Latexyk (1 - 2) y 2xk / Latex 8230 (1B) und schließlich die Reanordnung. Diese Gleichung ist identisch mit der in Gleichung (2) angegebenen alternativen Form. Legen Sie einfacher Latex 2 (1 - 1) / Latex. In physikalischer Hinsicht bedeutet das, dass die Wahl der verwendeten Form davon abhängt, wie man annehmen will, ob man Latexalpha / Latex als Rückkopplungsfraktionsgleichung (1) oder als Bruchteil der Eingangsgleichung (2) verwendet. Wie oben erwähnt, habe ich die erste Form verwendet, da sie etwas weniger mühsam ist, die RC-Filterbeziehung zu zeigen, und führt zu einem einfacheren Verständnis in Filtertermen. Allerdings Auslassung der oben ist, meiner Meinung nach, ein Mangel in dem Artikel als andere Menschen könnten eine falsche Schlussfolgerung, so dass eine überarbeitete Version wird bald erscheinen. Ich habe immer darüber nachgedacht, danke für die Beschreibung so klar. Ich denke, ein weiterer Grund die erste Formulierung ist schön ist Alpha-Maps zu 8216smoothness8217: eine höhere Auswahl an Alpha bedeutet eine 8216more smooth8217 Ausgabe. Michael Vielen Dank für die Beobachtung 8211 Ich werde den Artikel etwas auf diese Zeilen hinzufügen, da es immer besser in meiner Sicht auf physische Aspekte beziehen. Dr Mercer, Ausgezeichneter Artikel, danke. Ich habe eine Frage bezüglich der Zeitkonstante, wenn sie mit einem RMS-Detektor wie in einem Schallpegelmesser verwendet wird, auf den Sie in dem Artikel verweisen. Wenn ich Ihre Gleichungen verwenden, um einen exponentiellen Filter mit Zeitkonstanten 125ms zu modellieren und ein Eingangsschrittsignal zu verwenden, bekomme ich tatsächlich einen Ausgang, der nach 125ms 63,2 des Endwerts ist. Jedoch wenn ich das Eingangssignal quadriere und dieses durch den Filter stelle, sehe ich, daß ich die Zeitkonstante verdoppeln muß, damit das Signal 63.2 seines Endwertes in 125ms erreicht. Können Sie mir mitteilen, ob dies erwartet wird. Danke vielmals. Ian Ian, Wenn Sie ein Signal wie ein Sinus-Welle dann im Grunde Sie verdoppeln die Häufigkeit ihrer grundlegenden sowie die Einführung von vielen anderen Frequenzen. Da die Frequenz in Wirklichkeit verdoppelt worden ist, wird sie um 8216 um einen grßeren Betrag durch das Tiefpaßfilter verringert. Infolgedessen dauert es länger, die gleiche Amplitude zu erreichen. Die Quadrierung Operation ist eine nicht lineare Operation, so glaube ich nicht, dass es immer doppelt genau in allen Fällen, aber es wird dazu neigen, zu verdoppeln, wenn wir eine dominante niedrige Frequenz haben. Beachten Sie auch, dass die Differenz eines quadrierten Signals das Doppelte des Differentials des 8220un-squared8221 Signals ist. Ich vermute, Sie könnten versuchen, eine Form der mittleren quadratischen Glättung, die vollkommen in Ordnung und gültig ist zu bekommen. Es könnte besser sein, den Filter anzuwenden und dann quadratisch, wie Sie die effektive Cutoff kennen. Aber wenn alles, was Sie haben, ist das quadrierte Signal dann mit einem Faktor von 2, um Ihre Filter-Alpha-Wert ändern wird etwa erhalten Sie zurück auf die ursprüngliche Cut Off-Frequenz, oder setzen Sie es ein wenig einfacher definieren Sie Ihre Cutoff-Frequenz auf das Doppelte des Originals. Vielen Dank für Ihre Antwort Dr. Mercer. Meine Frage war wirklich versuchen, zu bekommen, was tatsächlich in einem rms Detektor eines Schallpegelmessgerät getan. Wenn die Zeitkonstante für 8216fast8217 (125ms) eingestellt ist, hätte ich gedacht, dass Sie intuitiv erwarten würden, dass ein sinusförmiges Eingangssignal einen Ausgang von 63,2 seines Endwertes nach 125ms erzeugt, aber da das Signal quadriert wird, bevor es an die 8216mean8217 gelangt Erkennung, es dauert doppelt so lange wie Sie erklärt haben. Das Hauptziel des Artikels ist es, die Äquivalenz der RC-Filterung und exponentielle Mittelung zu zeigen. Wenn wir die Integrationszeit äquivalent zu einem echten rechteckigen Integrator diskutieren, dann sind Sie richtig, dass es einen Faktor von zwei beteiligt ist. Grundsätzlich, wenn wir einen echten rechtwinkligen Integrator haben, der für Ti Sekunden integriert, ist die äquivalente RC-Integatorzeit, um dasselbe Ergebnis zu erzielen, 2RC Sekunden. Ti unterscheidet sich von der RC 8216zeit constant8217 T, die RC ist. Also, wenn wir eine 8216Fast8217 Zeitkonstante von 125 ms haben, das ist RC 125 msec, dann ist das äquivalent zu einer wahren Integrationszeit von 250 msec Vielen Dank für den Artikel, es war sehr hilfreich. Es gibt einige neuere Arbeiten in der Neurowissenschaften, die eine Kombination von EMA-Filtern (kurzfensternde EMA 8211 langfaserige EMA) als Bandpassfilter für die Echtzeit-Signalanalyse verwenden. Ich möchte sie anwenden, aber ich kämpfe mit den Fenstergrößen, die verschiedene Arbeitsgruppen verwendet haben, und ihre Entsprechung mit der Grenzfrequenz. Let8217s sagen, ich möchte alle Frequenzen unter 0,5Hz (aprox) zu halten, und dass ich 10 Proben / Sekunde zu erwerben. Das bedeutet, dass fp 0,5Hz P 2s T P / 100.2 h 1 / fs0.1 Die Fenstergröße I sollte mit N3 verwendet werden. Ist diese Argumentation richtig Vor der Beantwortung Ihrer Frage muss ich kommentieren die Verwendung von zwei Hochpass-Filter, um ein Bandpassfilter zu bilden. Vermutlich arbeiten sie als zwei getrennte Ströme, so ein Ergebnis ist der Inhalt von sagen, latexf / latex zu halben Sample-Rate und der andere ist der Inhalt von sagen, latexf / latex zu halben Sample-Rate. Wenn alles, was getan wird, die Differenz der mittleren quadratischen Niveaus als Angabe der Leistung in der Band aus latexf / latex zu latexf / latex dann kann es sinnvoll sein, wenn die beiden abgeschnittenen Frequenzen sind ausreichend weit auseinander, aber ich erwarte, dass die Menschen mit Diese Technik versucht, einen schmaleren Bandfilter zu simulieren. Aus meiner Sicht wäre das für eine ernsthafte Arbeit unzuverlässig und würde eine Quelle der Besorgnis sein. Nur als Referenz ist ein Bandpassfilter eine Kombination eines Niederfrequenz-Hochpassfilters, um die niedrigen Frequenzen zu entfernen, und ein Hochfrequenz-Tiefpaßfilter, um die hohen Frequenzen zu entfernen. Es gibt natürlich eine Tiefpaßform eines RC-Filters und damit eine entsprechende EMA. Vielleicht aber mein Urteil ist überkritisch, ohne zu wissen, alle Fakten So könnten Sie bitte senden Sie mir einige Verweise auf die Studien, die Sie erwähnt, so kann ich Kritik als angemessen. Vielleicht verwenden sie einen Tiefpass sowie ein Hochpassfilter. Ich denke, es ist am besten, die grundlegende Gleichung T (N-1) h verwenden, um Ihre tatsächliche Frage, wie zu bestimmen N für eine bestimmte Ziel-Cut-off-Frequenz. Die Diskussion über die Perioden zielte darauf ab, den Menschen ein Gefühl dafür zu geben, was vor sich ging. Also bitte die Ableitung unten. Wir haben die Beziehungen latexT (N-1) h / latex und latexT1 / 2 / latex, wobei latexfc / latex die nominale Grenzfrequenz ist und h die Zeit zwischen den Proben ist, klar latexh 1 / / latex wo latexf / latex ist Abtastrate in Abtastungen / Sek. Die Umwandlung von T (N-1) h in eine geeignete Form, um die Grenzfrequenz, Latexfc / Latex und die Abtastrate, Latexf / Latex, einzuschließen, wird nachfolgend gezeigt. Also mit latexfc 0.5Hz / latex und latexfs 10 / latex-Samples / sec so dass Latex (fc / fs) 0,05 / Latex gibt Also der nächste Integer-Wert ist 4. Re-Arrangierung der oben haben wir So mit N4 haben wir latexfc 0.5307 Hz /Latex. Unter Verwendung von N3 ergibt sich ein Latexfc / Latex von 0,318 Hz. Hinweis mit N1 haben wir eine komplette Kopie ohne Filterung.