Matlab simulink média móvel ponderada

Sou novo no Simulink. Eu quero fazer a média dos dados recebidos (que vem depois de alguns intervalos) de um bloco. Por exemplo, dados emoldurados contínuos de 42 amostras estão fora de um bloco. Juntamente com os dados emoldurados, há outra saída (tag) que informa que esses framesamples pertencem a qual categoria. As tags são números de 1-6. A saída é aleatória. Eu quero fazer a média dos mesmos dados da categoria. Como o primeiro quadro é de cat1, então, depois de 4 quadros, o quadro cat1 vem de novo. Agora, como devo fazer uma média desse novo quadro com o anterior, eu quero fazer isso para todas as categorias. Por favor, ajude-me nisso. Perguntou 26 de março às 13:35 Uma solução rápida e suja seria implementar um arraylista para cada categoria. Inicialize a lista com NaNs e mantenha um contador para a última amostra de cada categoria. Usando a função média, você pode obter a média de todas as medidas. Se você quiser apenas a média do quadro atual e do quadro anterior, você pode simplesmente fazer o meio (cat1 (n1) cat1 (n11)) onde cat1 é o arraylist para quadros da categoria 1 e n1 é o índice do quadro anterior em cat1 . Se você quer uma média móvel ponderada para uma implementação em tempo real, crie uma variável média para cada categoria (ligue para av1, av2, etc.) e computa av1 alphaav1 (1-alpha) cat1 (n11) (onde alfa é o peso atribuído Para a média anterior (alphalt1) e cat1 (n11) é a nova medida) sempre que uma moldura cat1 entra. Respondeu 26 de março 14 às 17: 39Preço de mudança de marchas (obsoleto) Nota: o bloco de média móvel ponderada é obsoleto. Este bloco foi removido da biblioteca Discreta em R2008a e substituído pelo bloco Discrete FIR Filter. No entanto, os modelos existentes que contêm o bloco de média móvel ponderada continuam a funcionar para compatibilidade com versões anteriores. Use o bloco Discrete FIR Filter em novos modelos. Considere usar a função slupdate para substituir a média móvel ponderada com filtro FIR discreto em modelos existentes. As amostras de bloco de média móvel ponderada e mantém as entradas N mais recentes, multiplica cada entrada por um valor especificado (dado pelo parâmetro Weights) e as empilha em um vetor. Este bloco suporta modos de saída única de entrada única (SISO) e de entrada única (SIMO). Para o modo SISO, o parâmetro Weights é especificado como um vetor de linha. Para o modo SIMO, os pesos são especificados como uma matriz em que cada linha corresponde a uma saída separada. Você pode escolher se deseja ou não especificar o tipo de dados e a escala dos pesos na caixa de diálogo com o parâmetro Gain data type. O parâmetro de condição inicial fornece os valores iniciais para todos os tempos que precedem a hora de início. Você especifica o intervalo de tempo entre amostras com o parâmetro de tempo de amostra. O bloco de média móvel ponderada primeiro multiplica suas entradas pelo parâmetro Weights, converte esses resultados para o tipo de dados de saída usando os modos de arredondamento e desbordamento especificado e, em seguida, executa a soma. Suporte de tipo de dados O bloco de média móvel ponderada suporta todos os tipos de dados numéricos suportados pelo Simulink x00AE, incluindo tipos de dados de ponto fixo. Parâmetros Especifique os pesos da média móvel de uma linha por saída. O parâmetro Weights é convertido de duplos para o tipo de dados especificado sem o uso de round-to-closer e saturation. Especifique os valores iniciais para todos os tempos anteriores à hora de início. O parâmetro de condição inicial é convertido de duplos para o tipo de dados de entrada offline usando o round-to-closer e a saturação. Especifique o intervalo de tempo entre as amostras. Para herdar o tempo de amostra, defina este parâmetro como -1. Consulte Especificar tempo de exemplo na documentação on-line para obter mais informações. Tipo de dados de saída Especifique o tipo de dados de saída. Você pode configurá-lo para: Uma regra que herda um tipo de dados, por exemplo, Herdar: Herdar através de propagação traseira O nome de um objeto de tipo de dados, por exemplo, um objeto Simulink. NumericType Uma expressão que avalia um tipo de dados, por exemplo , Fixdt (1,16,0) Clique no botão Mostrar o tipo de dados para exibir o Assistente de tipo de dados. O que ajuda você a definir o parâmetro do tipo de dados de saída. Bloquear a escala de saída contra as mudanças pela ferramenta de seleção automática Selecione para bloquear a escala das saídas contra as alterações pela Ferramenta de ponto fixo. Modo de arredondamento inteiro Modo de arredondamento para a saída de ponto fixo. Para obter mais informações, consulte Arredondamento. Saturar para o máximo ou o mínimo quando ocorrem os transbordamentos Se selecionado, os excessos de ponto fixo são saturados. Caso contrário, eles se enrolam. Especifique o tipo de dados do parâmetro Weights. Você pode configurá-lo para: Uma regra que herda um tipo de dados, por exemplo, Herdar: Herdar via regra interna O nome de um objeto de tipo de dados, por exemplo, um objeto Simulink. NumericType Uma expressão que avalia um tipo de dados, por exemplo , Fixdt (1,16,0) Clique no botão Mostrar o tipo de dados para exibir o Assistente de tipo de dados. Que o ajuda a definir o parâmetro do tipo Gain data type. (Consulte Especificar Tipos de Dados Usando o Assistente de Tipo de Dados para obter mais informações.) Suponha que você queira configurar este bloco para duas saídas (modo SIMO) onde a primeira saída é dada por y 1 (k) a 1 x22C5 u (k) b 1 x22C5 U (k x2212 1) c 1 x22C5 u (k x2212 2) a segunda saída é dada por y 2 (k) a 2 x22C5 u (k) b 2 x22C5 u (k x2212 1) e os valores iniciais de u (k - 1) e u (k - 2) são dados por ic1 e ic2. respectivamente. Para configurar o bloco de média móvel ponderada para este caso, você deve especificar o parâmetro Weights como a1 b1 c1 a2 b2 c2 onde c2 0 eo parâmetro de condição inicial como ic1 ic2. CaracterísticasDocumentação Este exemplo mostra como usar os filtros médios móveis e o reescrevimento para isolar o efeito de componentes periódicos da hora do dia nas leituras horárias horárias, bem como remover o ruído indesejado da linha de uma medida de tensão de circuito aberto. O exemplo também mostra como alisar os níveis de um sinal de relógio, preservando as bordas usando um filtro mediano. O exemplo também mostra como usar um filtro Hampel para remover grandes outliers. Motivation Smoothing é como descobrimos padrões importantes em nossos dados, deixando de lado as coisas que não têm importância (ou seja, o ruído). Usamos a filtragem para executar esse alisamento. O objetivo do suavização é produzir mudanças lentas de valor, de modo que seja mais fácil ver tendências em nossos dados. Às vezes, quando você examina dados de entrada, você deseja suavizar os dados para ver uma tendência no sinal. No nosso exemplo, temos um conjunto de leituras de temperatura em Celsius tomadas a cada hora no Aeroporto de Logan durante todo o mês de janeiro de 2017. Note que podemos visualizar visualmente o efeito que a hora do dia tem nas leituras de temperatura. Se você está interessado apenas na variação diária da temperatura ao longo do mês, as flutuações horárias só contribuem com o ruído, o que dificulta a discernição das variações diárias. Para remover o efeito da hora do dia, gostaríamos agora de suavizar nossos dados usando um filtro de média móvel. Um filtro de média móvel Na sua forma mais simples, um filtro médio móvel de comprimento N leva a média de cada N amostras consecutivas da forma de onda. Para aplicar um filtro de média móvel a cada ponto de dados, nós construímos nossos coeficientes de nosso filtro de modo que cada ponto seja igualmente ponderado e contribua 124 para a média total. Isso nos dá a temperatura média em cada período de 24 horas. Retardamento do filtro Observe que a saída filtrada está atrasada em cerca de doze horas. Isto é devido ao fato de nosso filtro de média móvel ter um atraso. Qualquer filtro simétrico de comprimento N terá um atraso de (N-1) 2 amostras. Podemos explicar esse atraso manualmente. Extraindo diferenças médias Alternativamente, também podemos usar o filtro de média móvel para obter uma melhor estimativa de como a hora do dia afeta a temperatura geral. Para fazer isso, primeiro, subtrair os dados suavizados das medidas horárias de temperatura. Em seguida, segmente os dados diferenciados em dias e leve a média em todos os 31 dias do mês. Extraindo o envelope de pico Às vezes, também gostaríamos de ter uma estimativa variável suave de como os altos e baixos do nosso sinal de temperatura mudam diariamente. Para fazer isso, podemos usar a função de envelope para conectar altas e baixas extremas detectadas em um subconjunto do período de 24 horas. Neste exemplo, garantimos que haja pelo menos 16 horas entre cada extremo alto e extremo baixo. Nós também podemos ter uma noção de como os altos e baixos estão tendendo tomando a média entre os dois extremos. Filtros médios em movimento ponderados Outros tipos de filtros médios móveis não pesam cada amostra de forma igual. Outro filtro comum segue a expansão binomial de (12,12) n Este tipo de filtro se aproxima de uma curva normal para valores grandes de n. É útil para filtrar o ruído de alta freqüência para pequenos n. Para encontrar os coeficientes para o filtro binomial, convolve 12 12 com ele próprio e, então, convoluciona a saída com 12 12 um número de vezes prescrito. Neste exemplo, use cinco iterações totais. Outro filtro um pouco semelhante ao filtro de expansão gaussiano é o filtro exponencial de média móvel. Este tipo de filtro de média móvel ponderada é fácil de construir e não requer um grande tamanho de janela. Você ajusta um filtro de média móvel ponderada exponencialmente por um parâmetro alfa entre zero e um. Um maior valor de alfa terá menor alisamento. Amplie as leituras por um dia. Escolha o seu país