Penghitungan rata-rata bergerak yang efisien dan cepat


33

Saya mencari solusi efisien waktu dan memori untuk menghitung rata-rata bergerak dalam C. Saya harus menghindari pembagian karena saya menggunakan PIC 16 yang tidak memiliki unit divisi khusus.

Saat ini, saya hanya menyimpan semua nilai dalam buffer cincin dan hanya menyimpan dan memperbarui jumlah setiap kali nilai baru tiba. Ini sangat efisien, tetapi sayangnya menggunakan sebagian besar memori saya yang tersedia ...


3
Saya rasa tidak ada lagi cara efisien ruang untuk melakukan ini.
Rocketmagnet

4
@JobyTaffey, ini adalah algoritma yang cukup banyak digunakan pada sistem kontrol, dan membutuhkan penanganan sumber daya perangkat keras yang terbatas. Jadi saya pikir dia akan menemukan lebih banyak bantuan di sini daripada di SO.
clabacchio

3
@ Boby: Ada beberapa kerutan tentang pertanyaan ini yang relevan dengan sistem terbatas sumber daya kecil. Lihat jawaban saya. Anda akan melakukan ini sangat berbeda pada sistem besar seperti orang-orang SO dulu. Ini telah banyak muncul dalam pengalaman saya mendesain elektronik.
Olin Lathrop

1
Saya setuju. Ini cukup tepat untuk forum ini, karena ini berkaitan dengan sistem embedded.
Rocketmagnet

Saya menarik kembali keberatan saya
Toby Jaffey

Jawaban:


55

Seperti yang disebutkan orang lain, Anda harus mempertimbangkan filter IIR (respon impuls tak terbatas) daripada filter FIR (respon impuls terbatas) yang Anda gunakan sekarang. Ada lebih dari itu, tetapi pada pandangan pertama filter FIR diimplementasikan sebagai konvolusi eksplisit dan filter IIR dengan persamaan.

Filter IIR tertentu yang sering saya gunakan dalam mikrokontroler adalah filter low pass tiang tunggal. Ini setara dengan digital dari filter analog RC sederhana. Untuk sebagian besar aplikasi, ini akan memiliki karakteristik yang lebih baik daripada filter kotak yang Anda gunakan. Sebagian besar penggunaan filter kotak yang saya temui adalah hasil dari seseorang yang tidak memperhatikan kelas pemrosesan sinyal digital, bukan karena membutuhkan karakteristik khusus mereka. Jika Anda hanya ingin menipiskan frekuensi tinggi yang Anda tahu kebisingan, filter low pass tiang tunggal lebih baik. Cara terbaik untuk mengimplementasikan satu secara digital dalam mikrokontroler biasanya:

FILT <- FILT + FF (BARU - FILT)

FILT adalah bagian dari status persisten. Ini adalah satu-satunya variabel persisten yang Anda perlukan untuk menghitung filter ini. BARU adalah nilai baru bahwa filter sedang diperbarui dengan iterasi ini. FF adalah fraksi filter , yang menyesuaikan "bobot" filter. Lihatlah algoritma ini dan lihat bahwa untuk FF = 0 filternya sangat berat karena outputnya tidak pernah berubah. Untuk FF = 1, benar-benar tidak ada filter sama sekali karena output hanya mengikuti input. Nilai yang berguna ada di antaranya. Pada sistem kecil Anda memilih FF menjadi 1/2 Nsehingga kalikan dengan FF dapat dicapai sebagai pergeseran yang tepat oleh N bit. Sebagai contoh, FF mungkin 1/16 dan kalikan dengan FF oleh karena itu pergeseran kanan 4 bit. Kalau tidak, filter ini hanya perlu satu pengurangan dan satu penambahan, meskipun angkanya biasanya harus lebih luas dari nilai input (lebih lanjut tentang ketepatan numerik di bagian terpisah di bawah).

Saya biasanya mengambil pembacaan A / D secara signifikan lebih cepat daripada yang dibutuhkan dan menerapkan dua filter ini mengalir. Ini setara dengan digital dari dua filter RC secara seri, dan dilemahkan oleh 12 dB / oktaf di atas frekuensi rolloff. Namun, untuk pembacaan A / D biasanya lebih relevan untuk melihat filter dalam domain waktu dengan mempertimbangkan respons langkahnya. Ini memberitahu Anda seberapa cepat sistem Anda akan melihat perubahan ketika hal yang Anda ukur berubah.

Untuk memfasilitasi merancang filter ini (yang hanya berarti memilih FF dan memutuskan berapa banyak dari mereka yang akan mengalir), saya menggunakan FILTBITS program saya. Anda menentukan jumlah bit shift untuk setiap FF dalam rangkaian filter berjenjang, dan menghitung respons langkah dan nilai lainnya. Sebenarnya saya biasanya menjalankan ini melalui skrip pembungkus saya PLOTFILT. Ini menjalankan FILTBITS, yang membuat file CSV, lalu memplot file CSV. Sebagai contoh, berikut adalah hasil dari "PLOTFILT 4 4":

Dua parameter untuk PLOTFILT berarti akan ada dua filter yang diturunkan dari tipe yang dijelaskan di atas. Nilai 4 menunjukkan jumlah bit shift untuk mewujudkan kalikan dengan FF. Oleh karena itu dua nilai FF adalah 1/16 dalam kasus ini.

Jejak merah adalah respons langkah unit, dan merupakan hal utama yang harus dilihat. Misalnya, ini memberi tahu Anda bahwa jika input berubah secara instan, output dari filter gabungan akan menetap hingga 90% dari nilai baru dalam 60 iterasi. Jika Anda peduli 95% waktu penyelesaian maka Anda harus menunggu sekitar 73 iterasi, dan untuk 50% waktu penyelesaian hanya 26 iterasi.

Jejak hijau menunjukkan kepada Anda output dari lonjakan amplitudo penuh. Ini memberi Anda beberapa gagasan tentang penindasan kebisingan acak. Sepertinya tidak ada sampel tunggal akan menyebabkan lebih dari 2,5% perubahan dalam output.

Jejak biru adalah untuk memberikan perasaan subjektif tentang apa yang dilakukan filter ini dengan white noise. Ini bukan tes yang ketat karena tidak ada jaminan apa sebenarnya konten dari nomor acak yang dipilih sebagai input derau untuk menjalankan PLOTFILT ini. Ini hanya untuk memberi Anda perasaan kasar tentang berapa banyak itu akan tergencet dan seberapa halus itu.

PLOTFILT, mungkin FILTBITS, dan banyak hal berguna lainnya, terutama untuk pengembangan firmware PIC tersedia di rilis perangkat lunak PIC Development Tools di halaman unduhan Perangkat Lunak saya .

Menambahkan tentang ketepatan angka

Saya melihat dari komentar dan sekarang jawaban baru bahwa ada minat mendiskusikan jumlah bit yang diperlukan untuk mengimplementasikan filter ini. Perhatikan bahwa kalikan dengan FF akan membuat bit baru Log 2 (FF) di bawah titik biner. Pada sistem kecil, FF biasanya dipilih menjadi 1/2 N sehingga penggandaan ini sebenarnya diwujudkan dengan pergeseran N bit yang tepat.

Oleh karena itu FILT biasanya merupakan integer titik tetap. Perhatikan bahwa ini tidak mengubah matematika apa pun dari sudut pandang prosesor. Misalnya, jika Anda memfilter pembacaan A / D 10 bit dan N = 4 (FF = 1/16), maka Anda memerlukan 4 bit fraksi di bawah bacaan A / D integer 10 bit. Salah satu prosesor yang paling, Anda akan melakukan operasi integer 16 bit karena pembacaan A / D 10 bit. Dalam hal ini, Anda masih dapat melakukan operasi integer 16 bit persis sama, tetapi mulai dengan pembacaan A / D dibiarkan digeser oleh 4 bit. Prosesor tidak tahu bedanya dan tidak perlu. Melakukan perhitungan matematika pada keseluruhan bilangan bulat 16 bit berfungsi baik jika Anda menganggapnya sebagai 12,4 titik tetap atau bilangan bulat 16 bit sejati (titik tetap 16,0).

Secara umum, Anda perlu menambahkan N bit setiap kutub filter jika Anda tidak ingin menambahkan suara karena representasi numerik. Pada contoh di atas, filter kedua dari dua harus memiliki 10 + 4 + 4 = 18 bit untuk tidak kehilangan informasi. Dalam prakteknya pada mesin 8 bit itu berarti Anda akan menggunakan nilai 24 bit. Secara teknis hanya kutub kedua dari dua akan membutuhkan nilai yang lebih luas, tetapi untuk kesederhanaan firmware saya biasanya menggunakan representasi yang sama, dan dengan demikian kode yang sama, untuk semua kutub filter.

Biasanya saya menulis subroutine atau makro untuk melakukan satu operasi tiang filter, kemudian menerapkannya pada setiap kutub. Apakah subrutin atau makro tergantung pada apakah siklus atau memori program lebih penting dalam proyek tertentu. Either way, saya menggunakan beberapa negara awal untuk lulus BARU ke subroutine / makro, yang memperbarui FILT, tetapi juga memuat yang ke dalam negara awal yang sama BARU masuk. Ini membuatnya mudah untuk menerapkan beberapa kutub sejak FILT diperbarui satu kutub BARU dari yang berikutnya. Saat subrutin, ada gunanya memiliki titik penunjuk ke FILT saat masuk, yang diperbarui setelah FILT saat keluar. Dengan cara itu subrutin secara otomatis beroperasi pada filter berturut-turut dalam memori jika dipanggil beberapa kali. Dengan makro Anda tidak perlu pointer karena Anda memasukkan alamat untuk beroperasi pada setiap iterasi.

Contoh Kode

Berikut adalah contoh makro seperti dijelaskan di atas untuk PIC 18:

//////////////////////////////////////////////////// ////////////////////////////////
//
// Filtro FILTER Makro
//
// Perbarui satu kutub filter dengan nilai baru di NEWVAL. NEWVAL diperbarui ke
// mengandung nilai baru yang difilter.
//
// FILT adalah nama variabel status filter. Diasumsikan 24 bit
// lebar dan di bank lokal.
//
// Formula untuk memperbarui filter adalah:
//
// FILT <- FILT + FF (NEWVAL - FILT)
//
// Penggandaan dengan FF dilakukan dengan menggeser bit FILTBITS dengan benar.
//
/ filter makro
  /menulis
         dbankif lbankadr
         movf [arg 1] +0, w; NEWVAL <- NEWVAL - FILT
         subwf newval + 0
         movf [arg 1] +1, w
         subwfb newval + 1
         movf [arg 1] +2, w
         subwfb newval + 2

  /menulis
  / loop n filtbits; sekali untuk setiap bit untuk menggeser NEWVAL ke kanan
         rlcf newval + 2, w; menggeser NEWVAL ke kanan sedikit
         rrcf newval + 2
         rrcf newval + 1
         rrcf newval + 0
    / endloop

  /menulis
         movf newval + 0, w; tambahkan nilai yang dialihkan ke filter dan simpan dalam NEWVAL
         addwf [arg 1] +0, w
         movwf [arg 1] +0
         movwf newval + 0

         movf newval +1, w
         addwfc [arg 1] +1, w
         movwf [arg 1] +1
         movwf newval +1

         movf newval + 2, w
         addwfc [arg 1] +2, w
         movwf [arg 1] +2
         movwf newval + 2
  / endmac

Dan di sini adalah makro yang serupa untuk PIC 24 atau dsPIC 30 atau 33:

//////////////////////////////////////////////////// ////////////////////////////////
//
// Macro FILTER ffbits
//
// Perbarui keadaan satu filter low pass. Nilai input baru di W1: W0
// dan status filter yang akan diperbarui ditunjukkan oleh W2.
//
// Nilai filter yang diperbarui juga akan dikembalikan dalam W1: W0 dan W2 akan menunjuk
// ke memori pertama melewati status filter. Makro ini karena itu bisa
// dipanggil secara berurutan untuk memperbarui serangkaian filter low pass bertingkat.
//
// Rumus filternya adalah:
//
// FILT <- FILT + FF (BARU - FILT)
//
// di mana kalikan dengan FF dilakukan oleh pergeseran kanan aritmatika
// FFBITS.
//
// PERINGATAN: W3 hancur.
//
/ filter makro
  / var new ffbits integer = [arg 1]; dapatkan jumlah bit yang bergeser

  /menulis
  / write "; Lakukan penyaringan low pass satu kutub, shift bits =" ffbits
  /menulis " ;"

         sub w0, [w2 ++], w0; BARU - FILT -> W1: W0
         subb w1, [w2--], w1

         lsr w0, # [v ffbits], w0; ubah hasilnya dalam W1: W0 benar
         sl w1, # [- 16 ffbits], w3
         ior w0, w3, w0
         asr w1, # [v ffbits], w1

         tambah w0, [w2 ++], w0; tambahkan FILT untuk membuat hasil akhir di W1: W0
         addc w1, [w2--], w1

         mov w0, [w2 ++]; tulis hasil ke status filter, pointer muka
         mov w1, [w2 ++]

  /menulis
  / endmac

Kedua contoh ini diimplementasikan sebagai makro menggunakan preprocessor assembler PIC saya , yang lebih mampu daripada salah satu dari fasilitas makro bawaan.


1
+1 - tepat pada uangnya. Satu-satunya hal yang saya tambahkan adalah bahwa filter rata-rata bergerak memiliki tempat mereka ketika dilakukan secara serempak untuk beberapa tugas (seperti memproduksi gelombang penggerak untuk menggerakkan generator ultrasound) sehingga mereka menyaring harmonik 1 / T di mana T adalah pemindahan waktu rata-rata.
Jason S

2
Jawaban yang bagus, tetapi hanya dua hal. Pertama: itu tidak selalu kurangnya perhatian yang mengarah pada pilihan filter yang salah; dalam kasus saya, saya tidak pernah diajari tentang perbedaan, dan hal yang sama berlaku untuk orang yang tidak lulus. Jadi terkadang itu hanya ketidaktahuan. Tetapi yang kedua: mengapa Anda membuat dua filter digital tingkat pertama alih-alih menggunakan yang lebih tinggi? (hanya untuk mengerti, saya tidak mengkritik)
clabacchio

3
dua filter IIR kutub tunggal bertingkat lebih kuat untuk masalah numerik, dan lebih mudah dirancang, daripada filter IIR urutan kedua; tradeoffnya adalah dengan 2 tahap cascade Anda mendapatkan filter Q (= 1/2?) yang rendah, tetapi dalam kebanyakan kasus itu bukan masalah besar.
Jason S

1
@clabacchio: Masalah lain yang harus saya sebutkan adalah implementasi firmware. Anda dapat menulis satu subrutin filter low pass filter sekali, lalu menerapkannya beberapa kali. Bahkan saya biasanya menulis subrutin seperti itu untuk mengambil pointer dalam memori ke keadaan filter, kemudian minta maju pointer sehingga dapat dipanggil secara berurutan dengan mudah untuk mewujudkan filter multi-kutub.
Olin Lathrop

1
1. terima kasih banyak atas jawaban Anda - semuanya. Saya memutuskan untuk menggunakan Filter IIR ini, tetapi Filter ini tidak digunakan sebagai Filter LowPass Standar, karena saya perlu rata-rata Nilai Penghitung dan membandingkannya untuk mendeteksi Perubahan dalam Rentang tertentu. karena van Nilai ini memiliki dimensi yang sangat berbeda bergantung pada Perangkat Keras, saya ingin mengambil rata-rata agar dapat bereaksi terhadap perubahan spesifik Perangkat Keras ini secara otomatis.
sensslen

18

Jika Anda dapat hidup dengan pembatasan kekuatan dua jumlah item rata-rata (yaitu 2,4,8,16,32 dll) maka pembagian dapat dengan mudah dan efisien dilakukan pada mikro kinerja rendah tanpa pembagian khusus karena itu bisa dilakukan sedikit bergeser. Setiap shift kanan adalah satu kekuatan dua mis:

avg = sum >> 2; //divide by 2^2 (4)

atau

avg = sum >> 3; //divide by 2^3 (8)

dll.


bagaimana itu membantu? OP mengatakan masalah utama adalah menjaga sampel masa lalu dalam memori.
Jason S

Ini sama sekali tidak menjawab pertanyaan OP.
Rocketmagnet

12
OP mengira ia memiliki dua masalah, membagi dalam PIC16 dan memori untuk buffer cincinnya. Jawaban ini menunjukkan bahwa pembagian itu tidak sulit. Memang itu tidak mengatasi masalah memori tetapi sistem SE memungkinkan jawaban parsial, dan pengguna dapat mengambil sesuatu dari setiap jawaban untuk diri mereka sendiri, atau bahkan mengedit dan menggabungkan jawaban orang lain. Karena beberapa jawaban lain memerlukan operasi pembagian, mereka juga tidak lengkap karena mereka tidak menunjukkan cara untuk mencapai ini secara efisien pada PIC16.
Martin

8

Ada adalah jawaban untuk bergerak benar rata penyaring (alias "gerbong filter") dengan persyaratan memori kurang, jika Anda tidak keberatan downsampling. Ini disebut filter integrator-cascaded (CIC). Idenya adalah bahwa Anda memiliki integrator yang Anda gunakan untuk perbedaan selama periode waktu tertentu, dan perangkat penghemat memori utama adalah dengan downsampling, Anda tidak harus menyimpan setiap nilai integrator. Ini dapat diimplementasikan menggunakan pseudocode berikut:

function out = filterInput(in)
{
   const int decimationFactor = /* 2 or 4 or 8 or whatever */;
   const int statesize = /* whatever */
   static int integrator = 0;
   static int downsample_count = 0;
   static int ringbuffer[statesize];
   // don't forget to initialize the ringbuffer somehow
   static int ringbuffer_ptr = 0;
   static int outstate = 0;

   integrator += in;
   if (++downsample_count >= decimationFactor)
   {
     int oldintegrator = ringbuffer[ringbuffer_ptr];
     ringbuffer[ringbuffer_ptr] = integrator;
     ringbuffer_ptr = (ringbuffer_ptr + 1) % statesize;
     outstate = (integrator - oldintegrator) / (statesize * decimationFactor);
   }
   return outstate;
}

Panjang rata-rata bergerak efektif Anda adalah decimationFactor*statesizetetapi Anda hanya perlu menjaga statesizesampel. Jelas Anda bisa mendapatkan kinerja yang lebih baik jika Anda statesizedan decimationFactoradalah kekuatan 2, sehingga divisi dan operator sisanya digantikan oleh shift dan mask-ands.


Catatan tambahan: Saya setuju dengan Olin bahwa Anda harus selalu mempertimbangkan filter IIR sederhana sebelum filter rata-rata bergerak. Jika Anda tidak membutuhkan frekuensi-nol dari filter gerbong, filter low-pass 1 kutub atau 2 kutub mungkin akan berfungsi dengan baik.

Di sisi lain, jika Anda memfilter untuk tujuan penipisan (mengambil input tingkat sampel tinggi dan rata-rata untuk digunakan oleh proses laju rendah) maka filter CIC mungkin tepat seperti yang Anda cari. (terutama jika Anda dapat menggunakan Statesize = 1 dan menghindari ringbuffer sama sekali hanya dengan satu nilai integrator sebelumnya)


8

Ada beberapa analisis mendalam dari matematika di balik menggunakan filter IIR orde pertama yang telah dijelaskan Olin Lathrop pada pertukaran tumpukan Pemrosesan Sinyal Digital (termasuk banyak gambar cantik). Persamaan untuk filter IIR ini adalah:

y [n] = αx [n] + (1 − α) y [n − 1]

Ini dapat diimplementasikan hanya dengan menggunakan integer dan tidak ada pembagian menggunakan kode berikut (mungkin perlu beberapa debug karena saya mengetik dari memori.)

/**
*  @details    Implement a first order IIR filter to approximate a K sample 
*              moving average.  This function implements the equation:
*
*                  y[n] = alpha * x[n] + (1 - alpha) * y[n-1]
*
*  @param      *filter - a Signed 15.16 fixed-point value.
*  @param      sample - the 16-bit value of the current sample.
*/

#define BITS 2      ///< This is roughly = log2( 1 / alpha )

short IIR_Filter(long *filter, short sample)
{
    long local_sample = sample << 16;

    *filter += (local_sample - *filter) >> BITS;

    return (short)((*filter+0x8000) >> 16);     ///< Round by adding .5 and truncating.
}

Filter ini mendekati rata-rata bergerak dari sampel K terakhir dengan menetapkan nilai alpha ke 1 / K. Lakukan ini di kode sebelumnya oleh #defineing BITSke log2 (K), yaitu untuk K = 16 set BITSuntuk 4, untuk K = 4 set BITSke 2, dll

(Saya akan memverifikasi kode yang tercantum di sini segera setelah saya mendapatkan perubahan dan mengedit jawaban ini jika diperlukan.)


6

Berikut filter low-pass kutub tunggal (rata-rata bergerak, dengan frekuensi cutoff = CutoffFrequency). Sangat sederhana, sangat cepat, berfungsi dengan baik, dan hampir tanpa memori.

Catatan: Semua variabel memiliki cakupan di luar fungsi filter, kecuali yang diteruskan dalam input baru

// One-time calculations (can be pre-calculated at compile-time and loaded with constants)
DecayFactor = exp(-2.0 * PI * CutoffFrequency / SampleRate);
AmplitudeFactor = (1.0 - DecayFactor);

// Filter Loop Function ----- THIS IS IT -----
double Filter(double newInput)
{
   MovingAverage *= DecayFactor;
   MovingAverage += AmplitudeFactor * newInput;

   return (MovingAverage);
}

Catatan: Ini adalah filter satu tahap. Beberapa tahap dapat digabungkan bersama untuk meningkatkan ketajaman filter. Jika Anda menggunakan lebih dari satu tahap, Anda harus menyesuaikan DecayFactor (terkait dengan Cutoff-Frequency) untuk mengkompensasi.

Dan jelas yang Anda butuhkan adalah dua garis yang ditempatkan di mana saja, mereka tidak membutuhkan fungsinya sendiri. Filter ini memang memiliki waktu ramp-up sebelum rata-rata bergerak mewakili sinyal input. Jika Anda perlu mem-bypass waktu ramp-up itu, Anda bisa menginisialisasi MovingAverage ke nilai pertama dari input baru alih-alih 0, dan berharap input baru pertama bukan merupakan pencilan.

(CutoffFrequency / SampleRate) memiliki kisaran antara 0 dan 0,5. DecayFactor adalah nilai antara 0 dan 1, biasanya mendekati 1.

Pelampung presisi tunggal cukup baik untuk sebagian besar hal, saya hanya lebih suka ganda. Jika Anda harus tetap menggunakan bilangan bulat, Anda dapat mengubah DecayFactor dan Amplitude Factor menjadi bilangan bulat pecahan, di mana pembilangnya disimpan sebagai bilangan bulat, dan penyebutnya adalah kekuatan bilangan bulat 2 (sehingga Anda dapat menggeser-geser ke kanan seperti penyebut daripada harus membagi selama loop filter). Misalnya, jika DecayFactor = 0.99, dan Anda ingin menggunakan bilangan bulat, Anda dapat mengatur DecayFactor = 0.99 * 65536 = 64881. Dan kapan pun Anda mengalikan dengan DecayFactor di loop filter Anda, cukup geser hasilnya >> 16.

Untuk informasi lebih lanjut tentang ini, buku bagus yang online, bab 19 tentang filter rekursif: http://www.dspguide.com/ch19.htm

PS Untuk paradigma Moving Average, pendekatan berbeda untuk menetapkan DecayFactor dan AmplitudeFactor yang mungkin lebih relevan dengan kebutuhan Anda, katakanlah Anda ingin yang sebelumnya, sekitar 6 item dirata-rata bersama-sama, melakukannya dengan bijaksana, Anda akan menambahkan 6 item dan dibagi dengan 6, sehingga Anda dapat mengatur AmplitudeFactor ke 1/6, dan DecayFactor ke (1.0 - AmplitudeFactor).


4

Anda dapat memperkirakan rata-rata bergerak untuk beberapa aplikasi dengan filter IIR sederhana.

berat adalah nilai 0,255, nilai tinggi = skala waktu lebih pendek untuk rata

Nilai = (nilai baru * berat + nilai * (256-berat)) / 256

Untuk menghindari kesalahan pembulatan, nilainya biasanya akan panjang, yang mana Anda hanya menggunakan byte urutan yang lebih tinggi sebagai nilai 'aktual' Anda.


3

Semua orang telah berkomentar secara menyeluruh tentang utilitas IIR vs FIR, dan pada kekuatan dua divisi. Saya hanya ingin memberikan beberapa detail implementasi. Di bawah ini berfungsi dengan baik pada mikrokontroler kecil tanpa FPU. Tidak ada perkalian, dan jika Anda menjaga N menjadi kekuatan dua, semua divisi adalah satu-bit-shifting-cycle.

Buffer ring FIR dasar: tetap menjalankan buffer dari nilai N terakhir, dan SUM yang sedang berjalan dari semua nilai dalam buffer. Setiap kali sampel baru masuk, kurangi nilai terlama di buffer dari SUM, ganti dengan sampel baru, tambahkan sampel baru ke SUM, dan hasilkan SUM / N.

unsigned int Filter(unsigned int sample){
    static unsigned int buffer[N];
    static unsigned char oldest = 0;
    static unsigned long sum;

    sum -= buffer[oldest];
    sum += sample;
    buffer[oldest] = sample;
    oldest += 1;
    if (oldest >= N) oldest = 0;

    return sum/N;
}

Penyangga cincin IIR yang dimodifikasi: tetap menjalankan SUM dari nilai N terakhir. Setiap kali sampel baru masuk, SUM - = SUM / N, tambahkan sampel baru, dan hasilkan SUM / N.

unsigned int Filter(unsigned int sample){
    static unsigned long sum;

    sum -= sum/N;
    sum += sample;

    return sum/N;
}

Jika saya membaca Anda dengan benar, Anda menggambarkan filter IIR orde pertama; nilai yang Anda kurangi bukan nilai terlama yang jatuh, melainkan nilai rata-rata sebelumnya. Filter IIR orde pertama tentu bisa berguna, tetapi saya tidak yakin apa yang Anda maksud ketika Anda menyarankan bahwa outputnya sama untuk semua sinyal periodik. Pada tingkat sampel 10KHz, memasukkan gelombang persegi 100Hz ke dalam kotak filter 20-tahap akan menghasilkan sinyal yang naik secara seragam untuk 20 sampel, duduk tinggi untuk 30, turun secara seragam untuk 20 sampel, dan duduk rendah untuk 30. Pesanan pertama Filter IIR ...
supercat

... akan menghasilkan gelombang yang dengan tajam mulai naik dan secara bertahap levelnya dekat (tetapi tidak pada) input maksimum, kemudian secara tajam mulai turun dan secara bertahap level off dekat (tetapi tidak pada) minimum input. Perilaku yang sangat berbeda.
supercat

Anda benar, saya membingungkan dua jenis filter. Ini memang IIR orde pertama. Saya mengubah jawaban saya untuk mencocokkan. Terima kasih.
Stephen Collings

Satu masalah adalah bahwa rata-rata bergerak sederhana mungkin bermanfaat atau tidak. Dengan filter IIR, Anda bisa mendapatkan filter yang bagus dengan kalori yang relatif sedikit. FIR yang Anda gambarkan hanya dapat memberi Anda sebuah persegi panjang dalam waktu - sebuah sinc dalam freq - dan Anda tidak dapat mengelola lobus samping. Mungkin layak untuk melempar beberapa kali lipat bilangan bulat untuk menjadikannya FIR yang dapat disetel dengan simetris yang bagus jika Anda dapat menyisihkan kutu jam.
Scott Seidman

@ScottSeidman: Tidak perlu mengalikan jika seseorang hanya memiliki setiap tahap FIR baik output rata-rata input ke tahap itu dan nilai yang tersimpan sebelumnya, dan kemudian menyimpan input (jika seseorang memiliki rentang numerik, seseorang dapat menggunakan jumlah daripada rata-rata). Apakah itu lebih baik daripada filter kotak tergantung pada aplikasi (respons langkah filter kotak dengan penundaan total 1 ms, misalnya, akan memiliki lonjakan d2 / dt yang buruk ketika input berubah, dan lagi 1 ms nanti, tetapi akan memiliki minimum d / dt untuk filter dengan total keterlambatan 1ms).
supercat

2

Seperti kata mikeselectricstuff , jika Anda benar-benar perlu mengurangi kebutuhan memori Anda, dan Anda tidak keberatan respons impuls Anda menjadi eksponensial (alih-alih pulsa persegi panjang), saya akan menggunakan filter moving average eksponensial . Saya menggunakannya secara luas. Dengan jenis filter itu, Anda tidak perlu buffer apa pun. Anda tidak perlu menyimpan sampel N masa lalu. Hanya satu. Jadi, persyaratan memori Anda dikurangi oleh faktor N.

Juga, Anda tidak perlu pembagian apa pun untuk itu. Hanya perkalian. Jika Anda memiliki akses ke aritmatika titik-mengambang, gunakan perkalian titik-mengambang. Jika tidak, lakukan penggandaan bilangan bulat dan bergeser ke kanan. Namun, kami berada di 2012, dan saya akan merekomendasikan Anda untuk menggunakan kompiler (dan MCU) yang memungkinkan Anda untuk bekerja dengan angka floating-point.

Selain lebih efisien dalam memori dan lebih cepat (Anda tidak perlu memperbarui item dalam buffer melingkar), saya akan mengatakan itu juga lebih alami , karena respons impuls eksponensial lebih cocok dengan cara alam berperilaku, dalam banyak kasus.


5
Saya tidak setuju dengan rekomendasi Anda untuk menggunakan angka floating point. OP mungkin menggunakan mikrokontroler 8-bit karena suatu alasan. Menemukan mikrokontroler 8-bit dengan dukungan perangkat keras floating-point bisa menjadi tugas yang sulit (Anda tahu?). Dan menggunakan angka floating-point tanpa dukungan perangkat keras akan menjadi tugas yang sangat intensif sumber daya.
PetPaulsen

5
Mengatakan Anda harus selalu menggunakan proses dengan kemampuan floating point itu konyol. Selain itu, prosesor apa pun dapat melakukan floating point, itu hanya masalah kecepatan. Di dunia yang dibenamkan, beberapa sen dalam biaya pembangunan dapat bermakna.
Olin Lathrop

@Olin Lathrop dan PetPaulsen: Saya tidak pernah mengatakan dia harus menggunakan MCU dengan perangkat keras FPU. Baca kembali jawaban saya. Dengan "(dan MCU)" Maksud saya MCU cukup kuat untuk bekerja dengan perangkat lunak floating-point aritmatika dengan cara yang cair, yang tidak berlaku untuk semua MCU.
Telaclavo

4
Tidak perlu menggunakan floating-point (perangkat keras ATAU perangkat lunak) hanya untuk filter low-pass 1-tiang.
Jason S

1
Jika dia memiliki operasi floating point, dia tidak akan keberatan untuk divisi di tempat pertama.
Federico Russo

0

Salah satu masalah dengan filter IIR karena hampir disentuh oleh @olin dan @supercat tetapi tampaknya diabaikan oleh orang lain adalah bahwa pembulatan ke bawah menimbulkan beberapa ketidaktepatan (dan berpotensi bias / pemotongan): dengan asumsi bahwa N adalah kekuatan dua, dan hanya aritmatika bilangan bulat adalah digunakan, hak bergeser tidak secara sistematis menghilangkan LSB sampel baru. Itu berarti bahwa berapa lama seri itu bisa, rata-rata tidak akan pernah memperhitungkannya.

Sebagai contoh, anggaplah seri menurun perlahan (8,8,8, ..., 8,7,7,7, ... 7,6,6,) dan anggap rata-rata memang 8 pada awalnya. Sampel "7" pertama akan membawa rata-rata ke 7, berapa pun kekuatan saringannya. Hanya untuk satu sampel. Kisah yang sama untuk 6, dll. Sekarang pikirkan sebaliknya: seri naik. Rata-rata akan tetap pada 7 selamanya, sampai sampel cukup besar untuk mengubahnya.

Tentu saja, Anda dapat memperbaiki "bias" dengan menambahkan 1/2 ^ N / 2, tetapi itu tidak akan benar-benar menyelesaikan masalah presisi: dalam hal itu seri penurunan akan tetap selamanya di 8 sampai sampel 8-1 / 2 ^ (N / 2). Untuk N = 4 misalnya, setiap sampel di atas nol akan menjaga rata-rata tidak berubah.

Saya percaya solusi untuk itu akan menyiratkan memegang akumulator dari LSB yang hilang. Tapi saya tidak membuatnya cukup jauh untuk memiliki kode siap, dan saya tidak yakin itu tidak akan membahayakan kekuatan IIR dalam beberapa kasus seri lainnya (misalnya apakah 7,9,7,9 akan menjadi rata-rata 8) .

@Olin, kaskade dua tahap Anda juga perlu penjelasan. Maksud Anda memegang dua nilai rata-rata dengan hasil dari yang pertama dimasukkan ke dalam yang kedua setiap iterasi? Apa manfaatnya ini?

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.