Procesamiento De Señales De Media Móvil

He leído en muchos lugares que la mediana móvil es un poco mejor que el promedio móvil para algunas aplicaciones, porque es menos sensible a los valores atípicos. Quería probar esta afirmación en datos reales, pero no puedo ver este efecto (verde: mediana, rojo: promedio). Vea aquí: He intentado con varios valores para el ancho de ventana (aquí en el código 1000), y siempre fue el mismo: la mediana móvil no es mejor que el promedio móvil (es decir, no menos sensible a los valores atípicos). Lo mismo con el ancho de la ventana 10000 (10000 el ancho del pico). Pregunta: ¿Puede proporcionar un ejemplo que demuestre que la mediana móvil es menos sensible a los valores atípicos que el promedio móvil y, si es posible, utilizando el archivo de datos de archivo de muestra. WAV (vínculo de descarga). Es decir, es posible hacer una mediana móvil en estos datos de tal manera que el resultado es como esta curva amarilla (es decir, no más pico) Esto no es realmente una respuesta, pero pensé Id informe lo que estoy viendo y pedir más información. He cargado su archivo test. wav y puedo ver la señal trazada abajo. Así que lo que está recibiendo en las tramas que muestra no es tanto el valor mediano, pero es más como un sobre de la señal. La segunda cuestión es que la señal realmente parece ser parte de la señal. Si hago zoom en el blip, entonces esto es lo que veo: ¿Qué es lo que realmente está tratando de lograr Gracias por la retroalimentación. A continuación se muestra un código R que hace lo siguiente: Carga el archivo wav. Toma el valor absoluto de la señal (su carga en el canal izquierdo por la biblioteca waveR). Realiza un filtro de media móvil de 100 longitudes en los datos para obtener algo más cercano al sobre (señal roja). Luego aplica un filtro mediano de longitudes 201, 2001 y 4001 al resultado (señal azul). De la gráfica abajo, el mejor rendimiento es el 4001 de longitud. De lo contrario, el efecto de la falla todavía está presente. Lo único que puedo ver mal ahora es que el sobre no coincide con el sobre verdadero, así como Id como. Un mejor detector de envolvente podría mejorar esto (por ejemplo, la señal analítica o similar). A continuación se muestra un gráfico de la sobremedida filtrada mediana calculada superpuesta en la señal original. Gracias por el tiempo que dedicó a esta pregunta. De hecho, representé la mediana y la media del valor absoluto de la señal. Y sí esto da una idea del sobre, esto es lo que quiero. Lo que esperaba (gracias a la mediana en lugar de la media) era algo como esto. captura de pantalla. Desafortunadamente cualquiera que sea el ancho de la ventana para la mediana. El punto siempre está aquí. Mientras que muchos documentos dicen que la mediana tiene la ventaja de disminuir el efecto de valores atípicos. Ndash Basj Nov 30 15 at 14:01 Derecho, por lo que la pregunta es pedir: quotoutlier de whatquot. -) Tomando la mediana directa o la media de los datos que tiene dará resultados absurdos. El filtrado medio sólo funciona bien cuando algunas muestras (en relación con la longitud de la ventana) están fuera del rango esperado. Debido a que los datos que tiene es oscilante positivo y negativo, la mediana no es realmente apropiado para ello. Tomar la mediana del sobre debería funcionar mejor. Incluso puede que desee colocar un filtro de paso bajo simple en el valor absoluto para obtener un valor de envolvente más estable. Ndash Peter K. 9830 Nov 30 15 at 14:05 El científico y los ingenieros Guía para el procesamiento de señales digitales Por Steven W. Smith, Ph. D. En un mundo perfecto, los diseñadores de filtros sólo tendrían que ocuparse de la información codificada en el dominio del tiempo o en el dominio de la frecuencia, pero nunca una mezcla de los dos en la misma señal. Desafortunadamente, hay algunas aplicaciones donde ambos dominios son simultáneamente importantes. Por ejemplo, las señales de televisión caen en esta categoría desagradable. La información de vídeo se codifica en el dominio de tiempo, es decir, la forma de la forma de onda corresponde a los patrones de brillo en la imagen. Sin embargo, durante la transmisión, la señal de vídeo se trata según su composición de frecuencia, tal como su anchura de banda total, cómo se añaden las ondas portadoras para el sonido y el color del amplificador, restauración de amplificación de eliminación del componente de CC, etc. Se entiende mejor en el dominio de la frecuencia, incluso si la información de las señales está codificada en el dominio del tiempo. Por ejemplo, el monitor de temperatura en un experimento científico podría estar contaminado con 60 hercios de las líneas eléctricas, 30 kHz de una fuente de alimentación de conmutación, o 1320 kHz de una emisora ​​local de radio AM. Los familiares del filtro de media móvil tienen un mejor rendimiento en el dominio de la frecuencia, y pueden ser útiles en estas aplicaciones de dominio mixto. Los filtros de media móvil de paso múltiple implican pasar la señal de entrada a través de un filtro de media móvil dos o más veces. La figura 15-3a muestra el núcleo del filtro resultante de una, dos y cuatro pasadas. Dos pasadas son equivalentes a usar un núcleo de filtro triangular (un núcleo de filtro rectangular convolucionado con sí mismo). Después de cuatro o más pases, el kernel de filtro equivalente parece un Gaussiano (recuerde el Teorema del Límite Central). Como se muestra en (b), múltiples pasadas producen una respuesta de paso en forma de s, en comparación con la línea recta de la única pasada. Las respuestas de frecuencia en (c) y (d) están dadas por la Ec. 15-2 multiplicado por sí mismo para cada pase. Es decir, cada vez que la convolución del dominio da como resultado una multiplicación de los espectros de frecuencia. La figura 15-4 muestra la respuesta en frecuencia de otros dos familiares del filtro de media móvil. Cuando un Gaussiano puro es usado como un núcleo de filtro, la respuesta de frecuencia es también Gaussiana, como se discutió en el Capítulo 11. El Gaussiano es importante porque es la respuesta de impulso de muchos sistemas naturales y artificiales. Por ejemplo, un breve impulso de luz que entra en una línea de transmisión de fibra óptica larga saldrá como un pulso gaussiano, debido a las diferentes trayectorias tomadas por los fotones dentro de la fibra. El kernel de filtro gaussiano también se utiliza ampliamente en el procesamiento de imágenes porque tiene propiedades únicas que permiten convoluciones bidimensionales rápidas (véase el Capítulo 24). La segunda respuesta de frecuencia en la Fig. 15-4 corresponde a usar una ventana de Blackman como un núcleo de filtro. (El término ventana no tiene significado aquí es simplemente parte del nombre aceptado de esta curva). La forma exacta de la ventana de Blackman se da en el Capítulo 16 (Ec. 16-2, Fig. 16-2) sin embargo, se parece mucho a un Gaussiano. ¿Cómo son estos parientes del filtro de media móvil mejor que el filtro de media móvil en sí Tres maneras: En primer lugar, y lo más importante, estos filtros tienen mejor atenuación de banda de detención que el filtro de media móvil. En segundo lugar, los granos de filtro se estrechan hasta una amplitud más pequeña cerca de los extremos. Recuerde que cada punto en la señal de salida es una suma ponderada de un grupo de muestras de la entrada. Si el núcleo del filtro se estrecha, las muestras en la señal de entrada que están más alejadas reciben menos peso que las cercanas. En tercer lugar, las respuestas de paso son curvas suaves, en lugar de la línea recta brusca de la media móvil. Estos últimos dos son generalmente de beneficio limitado, aunque usted puede ser que encuentre aplicaciones donde son ventajas genuinas. El filtro de media móvil y sus familiares son todos aproximadamente iguales en la reducción del ruido aleatorio mientras que mantiene una respuesta aguda del paso. La ambigüedad radica en cómo se mide el tiempo de subida de la respuesta escalonada. Si el tiempo de subida se mide de 0 a 100 del paso, el filtro de media móvil es lo mejor que puede hacer, como se mostró anteriormente. En comparación, medir el tiempo de subida de 10 a 90 hace que la ventana de Blackman sea mejor que el filtro de media móvil. El punto es, esto es sólo disputas teóricas considerar estos filtros iguales en este parámetro. La mayor diferencia en estos filtros es la velocidad de ejecución. Utilizando un algoritmo recursivo (descrito a continuación), el filtro de media móvil funcionará como un rayo en su computadora. De hecho, es el filtro digital más rápido disponible. Múltiples pases del promedio móvil serán correspondientemente más lentos, pero aún así muy rápidos. En comparación, los filtros Gaussiano y Blackman son extremadamente lentos, porque deben usar convolución. Piense un factor de diez veces el número de puntos en el núcleo del filtro (basado en la multiplicación es aproximadamente 10 veces más lento que la adición). Por ejemplo, esperamos que un Gaussiano de 100 puntos sea 1000 veces más lento que un promedio móvil usando la recursión. Tengo un rango de fechas y una medida en cada una de esas fechas. Me gustaría calcular una media móvil exponencial para cada una de las fechas. ¿Alguien sabe cómo hacer esto Im nuevo a python. No parece que los promedios están incorporados en la biblioteca estándar de python, lo que me parece un poco extraño. Tal vez no estoy buscando en el lugar correcto. Por lo tanto, dado el siguiente código, ¿cómo podría calcular el promedio móvil ponderado de los puntos de IQ para las fechas de calendario (theres probablemente una mejor manera de estructurar los datos, cualquier consejo sería apreciado) preguntó Jan 28 09 at 18:01 My python is a Un poco oxidado (cualquier persona puede sentirse libre de editar este código para hacer correcciones, si he estropeado la sintaxis de alguna manera), pero aquí va. Esta función se mueve hacia atrás, desde el final de la lista hasta el principio, calculando la media móvil exponencial para cada valor, trabajando hacia atrás hasta que el coeficiente de peso para un elemento sea menor que la epsilon dada. Al final de la función, invierte los valores antes de devolver la lista (para que estén en el orden correcto para la persona que llama). (NOTA LATERAL: si estaba usando un lenguaje distinto de python, la Id crea primero una matriz vacía de tamaño completo y luego la relleno hacia atrás para que no tenga que invertirla al final, pero no creo que se pueda declarar Una gran matriz vacía en python. Y en las listas de python, añadiendo es mucho menos costoso que prepending, por lo que he construido la lista en orden inverso. Por favor, corrija si Im mal.) El argumento alfa es el factor de desintegración en cada iteración. Por ejemplo, si usó un alfa de 0.5, entonces el valor promedio móvil de hoy estaría compuesto de los siguientes valores ponderados: Por supuesto, si usted tiene una enorme variedad de valores, los valores de diez o quince días no van a contribuir mucho Promedio ponderado de hoy. El argumento epsilon le permite establecer un punto de corte, debajo del cual dejará de preocuparse por valores antiguos (ya que su contribución al valor de hoy será insignificante). Youd invocar la función algo como esto: No sé Python, pero para la parte de promediación, ¿quiere decir un filtro de paso bajo exponencialmente decaimiento de la forma donde alfa dt / tau, dt el timestep de El filtro, tau la constante de tiempo del filtro (la variable-timestep forma de esto es como sigue, sólo el clip dt / tau para no ser más de 1,0) Si desea filtrar algo como una fecha, asegúrese de convertir a un Cantidad de punto flotante como de segundos desde el 1 de enero de 1970.