Simulink 이동 평균 필터 블록

저는 Simulink를 처음 사용합니다. 한 블록에서 일정 간격을두고 오는 들어오는 데이터의 평균을 원합니다. 예를 들어 42 샘플의 연속 프레임 데이터가 한 블록에서 나옵니다. 프레임 데이터와 함께 다른 출력 태그가 있습니다 이 프레임 샘플은 어떤 카테고리에 속해 있습니까 태그는 1-6의 숫자입니다 출력이 무작위입니다 동일한 카테고리 데이터를 평균 싶습니다 첫 번째 프레임이 cat1이고, 다음으로 4 프레임 후에 cat1 프레임이 다시 나타납니다. 이제 어떻게이 새 프레임을 평균해야합니까? 이전에 나는 모든 범주에 대해 이렇게하고 싶습니다. 3 월 26 일 14시 13 분 35. 더 빠르고 더러운 솔루션은 각 범주에 대해 arraylist를 구현하는 것입니다. NaN으로 목록을 초기화하고 각 카테고리의 마지막 샘플에 대한 카운터 평균 함수를 사용하면 모든 측정 값의 평균을 구할 수 있습니다. 현재 프레임과 이전 프레임의 평균을 원할 경우 간단히 mean을 수행 할 수 있습니다. cat1 n1 cat1 n1 1 여기서 cat1은 arraylist입니다. fo 카테고리 1의 프레임과 n1은 cat1의 이전 프레임의 인덱스입니다. 실시간 구현을위한 가중 이동 평균을 원할 경우 각 카테고리에 대한 평균 변수 av1, av2 등을 생성하고 av1 alpha av1을 계산합니다. - alpha cat1 n1 1 alpha는 이전 평균 알파 1에 할당 된 가중치이며 cat1은 cat1 프레임이 올 때마다 새 측정 값입니다. 응답 3 월 26 일 14시 17 분 39. 이동 평균. 방법 평균 평균 슬라이딩 창 지수 지수 가중치. 창 크기 길이 창 길이는 각 채널을 따라 입력 데이터 위로 이동합니다. 모든 샘플에 대해 창은 이동합니다. 지수 가중치 블록은 샘플에 일련의 가중치를 곱합니다 요인 가중치의 크기는 데이터의 유효 기간이 증가함에 따라 기하 급수적으로 감소합니다. 평균을 계산하기 위해 알고리즘은 가중치가 적용된 데이터를 합칩니다. 창 길이를 지정합니다. 이 확인란을 선택하면 슬라이딩 창의 길이가 창 길이에 지정한 값과 동일합니다. 이 확인란의 선택을 취소하면 슬라이딩 창의 길이가 무한합니다. 이 모드에서 블록은 현재 샘플의 평균 및 채널의 모든 이전 샘플. Window 길이 슬라이딩 창의 길이 4 기본 양의 스칼라 정수. Window length는 슬라이딩 창의 길이를 지정합니다. 이 매개 변수는 창 길이 지정 확인란을 선택하면 나타납니다. factor 지수 가중 계수 0 9 0 1의 기본 양수 실수 스칼라입니다. 이 매개 변수는 Method to Exponential 가중치를 설정할 때 적용됩니다. 0의 잊어 버림 인수는 9보다 이전 데이터에 더 많은 가중을줍니다. 1 잊어 버림 1 0의 계수는 무한 기억을 나타냅니다. 이전의 모든 샘플에 동일한 가중치가 주어집니다. 이 매개 변수는 조정 가능합니다. 시뮬레이션 중에도 값을 변경할 수 있습니다. 시뮬레이션 유형 ulation ulation Code Code Code Code Code Code Code Code Code Code Code Code Code Code Code Code Code Code Code Code Code Code Inter Inter generated generated generated generated generated generated generated generated generated generated generated generated generated generated generated generated first first first first first first first This 추가 시작 시간을 제공하지만 해석 속도보다 빠른 시뮬레이션 속도를 제공합니다. MATLAB 인터프리터를 사용하여 시뮬레이션 모델이 옵션은 시작 시간을 단축하지만 코드 생성보다 시뮬레이션 속도가 느립니다. 슬라이딩 윈도우 방법에서 각 입력 샘플의 출력은 현재 샘플과 Len - 1 이전 샘플의 평균 Len은 윈도우의 길이입니다. 첫 번째 Len - 1 출력을 계산하려면 윈도우에 충분한 데이터가 아직 없으면 알고리즘이 윈도우를 0으로 채 웁니다. 두 번째 입력 샘플이 들어 왔을 때 평균을 계산하면 알고리즘은 Len - 2 0으로 창을 채 웁니다. 데이터 벡터, x는 다음 두 데이터 샘플입니다 Len - 2 제로. 윈도우 길이를 지정하지 않으면 알고리즘은 무한 윈도우 길이를 선택합니다. 이 모드에서 출력은 현재 샘플과 채널의 이전 샘플 모두의 이동 평균입니다. 지수 가중치 방식. In 이동 평균은 이러한 공식을 사용하여 재귀 적으로 계산됩니다. w N N 1 1 N N 1 1 N N N N 1 N N N 현재 샘플에서의 이동 평균 x N 현재 데이터 입력 샘플. x N 1 이전 샘플에서 이동 평균. Fortingting factor. w N 현재 데이터 샘플에 적용된 가중 계수. 1 1 w N x N 1 평균에 대한 이전 데이터의 영향. 첫 번째 샘플의 경우, 알고리즘이 w 1을 선택하는 경우 N 1 다음 샘플의 경우 가중치 계수가 업데이트되어 평균을 계산하는 데 사용됩니다 재귀 방정식 데이터의 나이가 증가함에 따라 가중치의 크기는 기하 급수적으로 감소하고 절대로 0에 도달하지 않습니다. 즉, 최근 데이터는 이전 데이터보다 현재 평균에 더 많은 영향을줍니다. 가중 인자의 변화율 0 9의 망각 계수는 잊어 버린 인자 0 1보다 더 오래된 데이터에 더 많은 가중치를 줌 1 1의 잊혀지는 인자는 무한한 메모리를 나타냄 이전의 모든 샘플에 동일한 가중치가 주어짐. 국가 선택 . 평균 이동. 평균 평균 방법 슬라이딩 창 기본 지수 가중치. 슬라이딩 창 길이의 창 창 길이는 각 채널을 따라 입력 데이터 위로 이동합니다. 모든 샘플에 대해 창은 블록을 지수 가중치 블록은 샘플에 가중치 요소를 곱합니다. 가중치 요소의 크기는 데이터의 유효 기간이 증가함에 따라 기하 급수적으로 감소하고 0에 도달하지 않습니다. 평균을 계산하기 위해 알고리즘은 가중치 window. Specify window length 기본적으로 해제 된 창 길이를 지정하는 플래그입니다. 이 확인란을 선택하면 슬라이딩 창의 길이가 창 길이에 지정한 값과 같습니다. 이 확인란의 선택을 취소하면 슬라이딩 창의 길이 무한합니다. 이 모드에서 블록은 현재 샘플과 채널의 모든 이전 샘플의 평균을 계산합니다. 윈도우 길이 슬라이딩 윈도우의 길이 4 기본 양의 스칼라 정수입니다. 윈도우 길이는 슬라이딩 윈도우의 길이를 지정합니다. 이 매개 변수는 창 길이 지정 확인란을 선택합니다. 지수 요인 지수 가중 계수 0 9 범위의 기본 양수 리얼 스칼라 0,1입니다. 이 매개 변수는 요 방법을 지수 가중치로 설정 잊어 버림 인자 0 9은 잊어 버린 인자 0보다 더 오래되는 데이터에 가중 됨 1 1 잊기 인자는 무한 메모리를 나타냅니다. 이전의 모든 샘플에는 동일한 가중치가 부여됩니다. 이 매개 변수는 조정 가능합니다. 시뮬레이션 도중 값을 변경할 수 있습니다. 시뮬레이션 유형을 사용하여 실행 코드 생성 기본 해석 해석. 생성 된 C 코드를 사용하여 시뮬레이트 된 모델 시뮬레이션을 처음 실행할 때 Simulink는 블록에 대한 C 코드를 생성합니다. 모델이 변경되지 않는 한 시뮬레이션이 옵션은 추가 시작 시간을 필요로하지만 해석 실행보다 빠른 시뮬레이션 속도를 제공합니다. MATLAB 인터프리터를 사용하여 시뮬레이션 모델이 옵션은 시작 시간을 단축하지만 코드 생성보다 시뮬레이션 속도가 느립니다. 슬라이딩 윈도우 방법, 각 입력 샘플에 대한 출력은 현재 샘플과 Len - 1 이전 샘플 L의 평균입니다 첫 번째 Len - 1 출력을 계산하기 위해 창에 충분한 데이터가 아직없는 경우 알고리즘은 창에 0을 채 웁니다. 예를 들어 두 번째 입력 샘플이 들어올 때의 평균을 계산하려면 알고리즘은 Len - 2 0으로 창을 채 웁니다. 데이터 벡터 x는 두 개의 데이터 샘플 다음에 Len - 2 0이옵니다. 창 길이를 지정하지 않으면 알고리즘은 무한 창 길이를 선택합니다. 이 모드에서 출력은 다음과 같습니다. 현재 샘플과 채널의 모든 이전 샘플의 이동 평균. 지수 가중 메소드. 지수 가중 메소드에서 이동 평균은 다음 공식을 사용하여 재귀 적으로 계산됩니다. w N 1 1 N N 1 1 w N x N 1 1 w N x Nx N 현재 샘플에서의 이동 평균. x N 현재 데이터 입력 sample. x N 1 이전 샘플에서의 이동 평균. 인자 factor. w N 현재 데이터 샘플에 적용된 가중치. 1 1 w N x N 1 평균에 대한 이전 데이터의 영향. 첫 번째 샘플의 경우, 알고리즘이 w 1을 선택하는 경우 N 1 다음 샘플의 경우 가중치 계수가 업데이트되어 평균을 계산하는 데 사용됩니다 재귀 방정식 데이터의 나이가 증가함에 따라 가중치의 크기는 기하 급수적으로 감소하고 절대로 0에 도달하지 않습니다. 즉, 최근 데이터는 이전 데이터보다 현재 평균에 더 많은 영향을줍니다. 가중 인자의 변화율 0 9의 망각 계수는 잊어 버린 인자 0 1보다 더 오래된 데이터에 더 많은 가중치를 줌 1 1의 잊혀지는 인자는 무한한 메모리를 나타냄 이전의 모든 샘플에 동일한 가중치가 주어짐. 국가 선택 .