Ich bin neu bei Simulink Ich möchte den Durchschnitt der eingehenden Daten machen, die nach einigen Intervallen aus einem Block kommen. Zum Beispiel sind ununterbrochene gerahmte Daten von 42 Samples aus einem Block heraus. Zusammen mit den gerahmten Daten gibt es ein weiteres Ausgabetikett, das das sagt Diese rahmenmuster gehören zu welchen typen Tags sind Zahlen von 1-6 Die Ausgabe ist zufällig Ich möchte die gleichen Kategorie Daten wie das erste Bild von cat1, dann nach 4 Frames cat1 Frame wieder kommt Nun, wie soll ich diesen neuen Frame durchschnittlich Mit dem vorherigen Ich möchte dies für alle Kategorien tun Bitte helfen Sie mir in diesem. asked Mar 26 14 um 13 35. Eine schnelle und schmutzige Lösung wäre, um eine Arraylist für jede Kategorie implementieren Initialisieren Sie die Liste mit NaNs und halten ein Zähler für das letzte Sample aus jeder Kategorie Mit der mittleren Funktion kannst du den Durchschnitt aller Messungen erhalten. Wenn du nur den Durchschnitt des aktuellen Frames und des vorherigen Frames willst, kannst du einfach Cat1 n1 cat1 n1 1 bedeuten, wo cat1 der Arraylist ist Fo R Frames aus Kategorie 1 und n1 ist der Index des vorherigen Frames in cat1.Wenn Sie einen gewichteten gleitenden Durchschnitt für eine Echtzeit-Implementierung wollen, erstellen Sie eine durchschnittliche Variable für jede Kategorie rufen Sie es av1, av2, etc und compute av1 alpha av1 1 - Alpha cat1 n1 1 wobei alpha das Gewicht ist, das dem vorherigen durchschnittlichen Alpha 1 zugeordnet ist und cat1 n1 1 die neue Messung ist, wann immer ein cat1-Rahmen hereinkommt. 266 bei 17 39.Moving Average. Method Mittelungsmethode Schiebefenster Standard Exponential Weighting. Sliding window Ein Fenster der Länge Fensterlänge bewegt sich über die Eingabedaten entlang jedes Kanals Für jede Probe fährt das Fenster vorbei, der Block berechnet den Durchschnitt über die Daten im Fenster. Exponentielle Gewichtung Der Block multipliziert die Samples mit einem Gewichtungsmaß Faktoren Die Größe der Gewichtungsfaktoren sinkt exponentiell, wenn das Alter der Daten zunimmt, niemals Null erreicht. Um den Durchschnitt zu berechnen, summiert der Algorithmus die gewichteten Daten. Specify Fensterlänge Flag, um das Fenster anzugeben Länge bei Voreinstellung aus. Wenn Sie dieses Kontrollkästchen markieren, ist die Länge des Schiebefensters gleich dem Wert, den Sie in der Fensterlänge angeben. Wenn Sie dieses Kontrollkästchen deaktivieren, ist die Länge des Schiebefensters unendlich. In diesem Modus wird der Block berechnet Der Durchschnitt des aktuellen Samples und alle vorherigen Samples im Channel. Window Länge Länge des Schiebefensters 4 default positiv skalar integer. Window length gibt die Länge des Schiebefensters an Dieser Parameter erscheint, wenn Sie das Kontrollkästchen Fensterlänge festlegen auswählen. Forgetting Faktor Exponentieller Gewichtungsfaktor 0 9 default positiver realer Skalar im Bereich 0,1. Dieser Parameter gilt, wenn Sie Methode auf Exponentialgewichtung einstellen. Ein Vergessensfaktor von 0 9 gibt den älteren Daten mehr Gewicht als ein Vergessensfaktor von 0 1 A Vergessen Faktor von 1 0 zeigt unendlichen Speicher an Alle vorherigen Samples erhalten ein gleiches Gewicht. Dieser Parameter ist abstimmbar Sie können seinen Wert auch während der Simulation ändern. Simulieren Sie mit der Art von sim Ulierung zum Ausführen der Codegenerierungsvorgabe Interpretierte Ausführung. Simulieren des Modells mit generiertem C-Code Beim ersten Ausführen einer Simulation erzeugt Simulink den C-Code für den Block. Der C-Code wird für nachfolgende Simulationen wiederverwendet, solange sich das Modell nicht ändert. Diese Option erfordert Zusätzliche Startzeit, aber bietet eine schnellere Simulationsgeschwindigkeit als interpretierte Ausführung. Simulieren Sie das Modell mit dem MATLAB-Interpreter Diese Option verkürzt die Startzeit, hat aber eine langsamere Simulationsgeschwindigkeit als Code generation. Sliding Window Method. In der Schiebefenster-Methode ist die Ausgabe für jede Eingabe Probe die Durchschnitt des aktuellen Samples und der Len - 1 vorherigen Samples Len ist die Länge des Fensters Um die ersten Len - 1 - Ausgänge zu berechnen, wenn das Fenster noch nicht genügend Daten hat, füllt der Algorithmus das Fenster mit Nullen Berechnen Sie den Mittelwert, wenn der zweite Eingangsmuster eintritt, der Algorithmus füllt das Fenster mit Len - 2 - Nullen Der Datenvektor, x ist dann die beiden Datenproben gefolgt Von Len - 2 Nullen. Wenn Sie nicht die Fensterlänge angeben, wählt der Algorithmus eine unendliche Fensterlänge In diesem Modus ist der Ausgang der gleitende Durchschnitt des aktuellen Samples und alle vorherigen Samples im Channel. Exponential Weighting Method. In Das exponentielle Gewichtungsverfahren wird der gleitende Durchschnitt rekursiv unter Verwendung dieser Formeln berechnet. W n N 1 1 x N 1 1 W N x N 1 1 W N x Nx N Gleitender Mittelwert bei der aktuellen Probe. x N Aktuelle Dateneingabeprobe X N 1 Bewegender Durchschnitt bei der vorherigen Probe. Forgetting factor. w N Gewichtungsfaktor, der auf die aktuelle Datenprobe angewendet wird. 1 1 w N x N 1 Wirkung der vorherigen Daten auf den Durchschnitt. Für die erste Probe, wobei N 1, wählt der Algorithmus w N 1 Für die nächste Probe wird der Gewichtungsfaktor aktualisiert und verwendet, um den Durchschnitt zu berechnen, wie pro Die rekursive Gleichung Wenn das Alter der Daten zunimmt, nimmt die Größe des Gewichtungsfaktors exponentiell ab und erreicht niemals Null. Mit anderen Worten, die jüngsten Daten haben mehr Einfluss auf den aktuellen Durchschnitt als die älteren Daten. Der Wert des Vergessensfaktors bestimmt die Änderungsrate der Gewichtungsfaktoren Ein Vergessensfaktor von 0 9 gibt mehr Gewicht auf die älteren Daten als ein Vergessensfaktor von 0 1 Ein Vergessungsfaktor von 1 0 zeigt unendlichen Speicher an Alle vorherigen Samples sind gleichgewichtig. Wählen Sie Ihr Land aus. Weighted Moving Average Obsolete. Note Der gewichtete Moving Average Block ist veraltet Dieser Block wurde aus der Discrete Library in R2008a entfernt und durch den Discrete FIR Filter Block ersetzt. Allerdings bestehende Modelle, die das Gewicht enthalten Ed Moving Average Block weiterhin für Rückwärtskompatibilität zu arbeiten. Verwenden Sie die diskrete FIR Filter Block in neuen Modellen Betrachten Sie die Verwendung der Slupdate-Funktion zu ersetzen Weighted Moving Average mit diskreten FIR Filter in bestehenden Modellen. Die gewichtete Moving Average Block Proben und hält die N neuesten Eingänge, multipliziert jede Eingabe mit einem vorgegebenen Wert, der durch den Wert "Gewichte" angegeben wird, und stapelt sie in einen Vektor. Dieser Block unterstützt sowohl Single-Input-Single-Output-SISO - als auch Single-Input-Multiplex-SIMO-Modi. Für den SISO-Modus ist der Parameter Weights Wird als Zeilenvektor angegeben Für den SIMO-Modus werden die Gewichte als Matrix angegeben, wobei jede Zeile einer separaten Ausgabe entspricht. Sie können wählen, ob der Datentyp und die Skalierung der Gewichte im Dialog mit dem Gain-Datentyp festgelegt werden sollen oder nicht Parameter. Der Anfangsbedingungsparameter liefert die Anfangswerte für alle Zeiten vor der Startzeit Sie geben das Zeitintervall zwischen den Samples mit dem Samplezeitparameter an. Wei Ghted Moving Average Block zuerst multipliziert seine Eingaben mit dem Weights-Parameter, konvertiert diese Ergebnisse in den Ausgabedatentyp mit den angegebenen Rounding - und Overflow-Modi und führt dann die Summation. Data Type Support durch. Der Weighted Moving Average Block unterstützt alle numerischen Datentypen Dass Simulink unterstützt, einschließlich Festpunkt-Datentypen. Spezifizieren Sie die Gewichte der gleitenden Durchschnitt eine Zeile pro Ausgabe Der Wert "Gewichte" wird von Doppel-zu den angegebenen Datentyp offline mit Rund-zu-Nächsten und Sättigung konvertiert. Spezifizieren Sie die Anfangswerte für alle Mal vor der Startzeit Der Anfangsbedingungsparameter wird von Doppel - zu dem Eingabedatentyp offline unter Verwendung von Rund-zu-Nächsten und Sättigung umgewandelt. Spezifizieren Sie das Zeitintervall zwischen den Samples Um die Sample-Zeit zu erben, setzen Sie diesen Parameter auf -1 Siehe Sample Time festlegen In der Online-Dokumentation für weitere Informationen. Output Datentyp. Specify der Ausgabedatentyp Sie können es auf eine Regel, die einen Datentyp erbt, für ex Reichlich, Inherit Inherit über Back-Propagation. Der Name eines Datentyp-Objekts, z. B. eines Objekts. Ein Ausdruck, der einen Datentyp auswertet, z. B. fixdt 1,16,0.Klicken Sie auf die Schaltfläche Datentyp-Assistent anzeigen Der Datentyp-Assistent, der Ihnen hilft, den Output-Datentyp-Parameter festzulegen. Lock-Ausgangsskalierung gegen Änderungen durch das Autokalibrierungswerkzeug. Wählen Sie, um die Skalierung der Ausgänge gegen Änderungen durch das Fixpunkt-Tool zu sperren. Zurückrundungsmodus. Rounding-Modus für den Fixpunkt Ausgabe Weitere Informationen finden Sie unter Rundung von Festpunkt-Designer. Sättigung auf max oder min, wenn Überläufe auftreten. Wenn ausgewählt, Fixpunkt-Überläufe sättigen Andernfalls wickeln sie. Spezifizieren Sie den Datentyp des Gewichts-Parameters Sie können ihn auf eine Regel setzen Die einen Datentyp erbt, z. B. Inherit Inherit über interne Regel. Der Name eines Datentypobjekts, z. B. eines Objekts. Ein Ausdruck, der einen Datentyp auswertet, z. B. fixdt 1,16,0.Klicken Sie auf die Zeigen Sie den Datentyp Assistenten an, um den Datentyp Ass anzuzeigen Die Ihnen hilft, den Gain-Datentyp-Parameter einzustellen Siehe Datentypen mit dem Datentyp-Assistenten für weitere Informationen. Sie können diesen Baustein für zwei Ausgänge konfigurieren SIMO-Modus, bei dem die erste Ausgabe von 1 ka 1 ukb 1 uk 1 gegeben wird C 1 uk 2.die zweite Ausgabe ist gegeben durch. 2 ka 2 ukb 2 uk 1.und die Anfangswerte von uk - 1 und uk - 2 sind von ic1 und ic2 gegeben. Um den Weighted Moving Average Block dafür zu konfigurieren Fall müssen Sie den Wert "Gewichte" als a1 b1 c1 a2 b2 c2 angeben, wobei c2 0 und der Anfangszustandsparameter als ic1 ic2.
No comments:
Post a Comment