Engee 文档
Notebook

用滑动窗口平滑信号

让我们考虑用滑动窗口平滑信号的4种方法，从低级到最高级。

不同的方式来平滑信号

在不同的应用中，工程师可能需要多种信号滤波方法，我们将分析四种方法（工作相同）并讨论它们的优缺点。

image.png

延迟链（显式FIR）

首先，实现滑动窗口的最低级方法是简单地存储一定数量的信号点，例如100，当它们到达时。 结果将是所有这些"延迟测量"的总和除以它们的数量（100）。

image.png

滤波器内部有10个相同的块，其输出求和并除以100。

image.png

每个这样的块内部有10个延迟块。 Unit Delay，在将他们之前收到的值传递给下一个块之前存储下一个值。

我们为什么要创建这样的块层次结构？ 通过以这种方式排列延迟块，我们避免了创建一行100个延迟块的需要。

这种方法不是很灵活，因为我们仍然需要手动创建延迟块。 使用遮罩参数化这样的滤波器将是困难的。

使用现成的FIR滤波器单元

在图表上放置一个块要容易得多。 Discrete FIR filter

image.png

我们将为块指定系数的相同权重，以便每个测量对最终信号具有相同的贡献。

通过CIC滤波器平滑

可以使用如下所示的更简单和更优雅的设计创建具有相同权重的FIR滤波器。

image.png

在这里，使用100的延迟长度和几个简单的块，我们创建了BIH类型的级联集成梳状滤波器（具有无限脉冲响应）。 根本没有乘法运算，所以过滤器的工作速度非常快。

"移动平均线"区块

来自标准库的另一个块被称为 Moving Average 如果在其设置中指定了"滑动窗口"方法，它将实现与以前相同的操作。

块需要一个值的向量来进入它的输入，所以我们发送一个缓冲信号到输入端口（块 Buffer 长度 100 有重叠 99). 在输出时，它将返回一个打包成大小矩阵的单个值 1х1. 我们将使用块将其转换为标量 Demux.

启动模型

让我们运行2500计数的模型。 输入信号由以下子系统生成:

image.png

这是对常数求和的结果 1 具有幅度均匀分布噪声的矢量 0.01. 在模型的500个采样之后，向信号添加幅度步长。 1.

In [ ]: 
# Если модель еще не открыта, загрузим из файла
if "moving_average" ∉ getfield.(engee.get_all_models(), :name)
    engee.load( "$(@__DIR__)/moving_average.engee");
end;

data = engee.run( "moving_average" )
Out[0]:
SimulationResult(
    "Сглаженный блоком FIR" => WorkspaceArray("moving_average/Сглаженный блоком FIR"),
    "Исходный" => WorkspaceArray("moving_average/Исходный"),
    "Сглаженный через блок MA" => WorkspaceArray("moving_average/Сглаженный через блок MA"),
    "Сглаженный явным FIR" => WorkspaceArray("moving_average/Сглаженный явным FIR"),
    "Сглаженный CIC фильтром" => WorkspaceArray("moving_average/Сглаженный CIC фильтром")
)

让我们相互比较结果。 它们应该是相同的，但由于信号缓冲的实现方式，后一种方法会引入一个计数的延迟。

In [ ]: 
plot( data["Сглаженный явным FIR"].time, data["Сглаженный явным FIR"].value, label="Сглаженный явным FIR" )
plot!( data["Сглаженный блоком FIR"].time, data["Сглаженный блоком FIR"].value, label="Сглаженный блоком FIR" )
plot!( data["Сглаженный CIC фильтром"].time, data["Сглаженный CIC фильтром"].value, label="Сглаженный CIC фильтром" )
plot!( data["Сглаженный через блок MA"].time, data["Сглаженный через блок MA"].value, label="Сглаженный через блок MA" )
plot!( legend=:bottomright )
Out[0]:

结论

如果您经常必须在工作中过滤信号，那么使用本示例中提供的模型将非常有用。

滤波器的选择取决于您是否需要设置权重（例如，实现指数滤波器），以及输入的信号（标量或矢量）以及是否需要将模型转换为代码。

示例中使用的块