Engee 文档
Notebook

通过滑动平均对噪声信号进行滤波

此示例演示如何使用该块 Moving RMS 执行移动平均滤波（简单和指数）。 通过更改块设置，我们得到了四种不同类型的过滤器行为。

模型和过滤器的描述

座 Pulse Generator 产生每个长度为512个时间采样的矩形脉冲。 座 Switch 控制蜿蜒的上下水平之间的切换（在0.5和1.5之间）。 我们将噪声添加到该信号中，数学期望为0，方差为0.001。

对于使用滑动窗口方法（移动平均（MA））或FIR滤波器进行平滑，我们实现了两种窗口重叠系数不同的模式。 在一种情况下，过滤器将跳过1个维度，在另一个跳过4个维度。 这些滤波器的结果在输出值的值上几乎不会有差异，然而，重叠为4的滤波器的采样将比跳跃为1的滤波器的采样低4倍。

我们还实现了一组具有指数平滑（指数移动平均线（EMA））的IIR滤波器。），为此我们将设置不同的权重系数：0.9和0.99。 它们会显着影响输出信号：平滑系数较低(0.9)的图形会对电平之间的干扰和信号切换做出更动态的反应。

有关这些平滑方法及其参数的操作的详细信息，请参阅[移动RMS]块的帮助（https://engee.com/helpcenter/stable/dsp-statistics/moving-rms.html )。

image.png

使用包含SVG标记的注释突出显示模型的各个区域。

模型的采样率

由于需要在Engee中指定模型的步长，因此使用多速模型需要仔细注意不同块的离散化。 我们来看一个情况。 噪声发生器的触发频率是脉冲发生器的512倍。 该模型配置为每秒进行44,100次测量。

如果第一个平滑滤波器具有等于4的平滑窗口的跳跃大小，那么在这个滤波器之后信号的采样频率将是（512/4）/44100，即128/44100*（我们可以说128个采样）*。

但是，如果我们想使跳跃大小等于5，我们将不得不改变模型的基本采样率。 实际上，在这种滤波器的输出处，信号将具有(512/5)/44100的采样率，即102.4/44100(小数采样数)。 在这种情况下，模型的基本采样率不再是画布上所有信号采样率的公约数。 要恢复模型的性能，需要增加5倍（5*44100).

启动模型

让我们使用软件控件运行模型，并比较不同过滤器的结果。

In [ ]: 
modelName = "mvgRMSNoisyStep";
model = modelName in [m.name for m in engee.get_all_models()] ? engee.open( modelName ) : engee.load( "$(@__DIR__)/$(modelName).engee");
engee.set_param!( modelName, "StopTime"=>8 );
data = engee.run( modelName, verbose=false )









Out[0]:




SimulationResult(
    "MA - Размер скачка 1" => WorkspaceArray{Float64}("mvgRMSNoisyStep/MA - Размер скачка 1")
,
    "MA - Размер скачка 4" => WorkspaceArray{Float64}("mvgRMSNoisyStep/MA - Размер скачка 4")
,
    "EMA - Показатель сглаживания 0.9" => WorkspaceArray{Float64}("mvgRMSNoisyStep/EMA - Показатель сглаживания 0.9")
,
    "EMA - Показатель сглаживания 0.99" => WorkspaceArray{Float64}("mvgRMSNoisyStep/EMA - Показатель сглаживания 0.99")
,
    "Зашумленные импульсы" => WorkspaceArray{Float64}("mvgRMSNoisyStep/Зашумленные импульсы")

)


















让我们建立一个大致的时间表:















    In [ ]:







plot( data["Зашумленные импульсы"].time[1:16:end], data["Зашумленные импульсы"].value[1:16:end],
    c=5, label="Зашумленные импульсы" )
plot!( data["MA - Размер скачка 4"].time[1:16:end], data["MA - Размер скачка 4"].value[1:16:end],
    c=1, label="Размер скачка 4" )
plot!( data["MA - Размер скачка 1"].time[1:16:end], data["MA - Размер скачка 1"].value[1:16:end],
    c=2, label="Размер скачка 1" )
plot!( data["EMA - Показатель сглаживания 0.9"].time[1:16:end], data["EMA - Показатель сглаживания 0.9"].value[1:16:end],
    c=3, label="Показатель сглаживания 0.9" )
plot!( data["EMA - Показатель сглаживания 0.99"].time[1:16:end], data["EMA - Показатель сглаживания 0.99"].value[1:16:end],
    c=4, label="Показатель сглаживания 0.99" )















Out[0]:


 



















让我们放大图表，看看不同的平滑算法如何解决信号强度的急剧变化。















    In [ ]:







r1 = 65500:2:65800
r2 = (4*r1.start):2:(4*r1.stop)

plot( data["Зашумленные импульсы"].time[r2], data["Зашумленные импульсы"].value[r2],
       c=5, label="Зашумленные импульсы" )
plot!( data["MA - Размер скачка 4"].time[r1], data["MA - Размер скачка 4"].value[r1],
        c=1, label="Размер скачка 4" )
plot!( data["MA - Размер скачка 1"].time[r2], data["MA - Размер скачка 1"].value[r2],
        c=2, label="Размер скачка 1" )
plot!( data["EMA - Показатель сглаживания 0.9"].time[r2], data["EMA - Показатель сглаживания 0.9"].value[r2],
        c=3, label="Показатель сглаживания 0.9" )
plot!( data["EMA - Показатель сглаживания 0.99"].time[r2], data["EMA - Показатель сглаживания 0.99"].value[r2],
        c=4, label="Показатель сглаживания 0.99" )















Out[0]:


 



















结论
















我们比较了使用该块执行的几种信号平均方法 Moving RMS 通过不同的设置，我们可以实现我们需要的算法，以及客观地选择最佳的过滤方法。
















示例中使用的块