Movendo o bloco médio em simulink

Eu sou novo no Simulink. Eu quero fazer a média dos dados recebidos (que vem depois de alguns intervalos) de um bloco. Por exemplo, dados emoldurados contínuos de 42 amostras estão fora de um bloco. Junto com os dados emoldurados, há outra saída (tag) que informa que esses framesamples pertencem a qual categoria. As tags são números de 1-6. A saída é aleatória. Eu quero fazer a média dos mesmos dados da categoria. Como o primeiro quadro é de cat1, então, depois de 4 quadros, o quadro cat1 vem de novo. Agora, como devo fazer uma média desse novo quadro com o anterior, eu quero fazer isso para todas as categorias. Por favor, ajude-me nisso. Perguntou 26 de março às 13:35 Uma solução rápida e suja seria implementar um arraylista para cada categoria. Inicialize a lista com NaNs e mantenha um contador para a última amostra de cada categoria. Usando a função média, você pode obter a média de todas as medidas. Se você quiser apenas a média do quadro atual e do quadro anterior, você pode simplesmente fazer o meio (cat1 (n1) cat1 (n11)) onde cat1 é o arraylist para quadros da categoria 1 e n1 é o índice do quadro anterior em cat1 . Se você quer uma média móvel ponderada para uma implementação em tempo real, crie uma variável média para cada categoria (ligue para av1, av2, etc.) e computa av1 alphaav1 (1-alpha) cat1 (n11) (onde alfa é o peso atribuído Para a média anterior (alphalt1) e cat1 (n11) é a nova medida) sempre que uma moldura cat1 entra. Respondeu 26 de março 14 em 17: 39Como posso medir um valor médio de um sinal contínuo em Simulink A resposta a esta pergunta é dependendo da sua frequência de comutação ou frequência de ondulação. Você pode usar os métodos acima mencionados, desde que conheça a frequência da ondulação. Mesmo um filtro passa-baixa simples também pode funcionar. Mas se você está lidando com freqüência de comutação variável (como o controle de corrente de histerese), então você precisa de um filtro adaptável. Tente pesquisar palavras-chave como filtro de média móvel adaptável e freqüência variável. Jafar Sadeghi middot Universidade de Sistan e Baluchestan, simplesmente, integre-o por bloco de 1 e, em seguida, divida por hora de sinal (relógio) usando um bloco de divisão. Documentação Método de média móvel 8212 Método de média Janela deslizante (padrão) Ponderação exponencial Janela deslizante 8212 Janela de comprimento Janela O comprimento move-se sobre os dados de entrada ao longo de cada canal. Para cada amostra, a janela se move, o bloco calcula a média sobre os dados na janela. Ponderação exponencial 8212 O bloco multiplica as amostras por um conjunto de fatores de ponderação. A magnitude dos fatores de ponderação diminui exponencialmente à medida que a idade dos dados aumenta, nunca atingindo zero. Para calcular a média, o algoritmo resume os dados ponderados. Especifique o comprimento da janela 8212 Bandeira para especificar o comprimento da janela em (padrão) off Quando você seleciona esta caixa de seleção, o comprimento da janela deslizante é igual ao valor que você especifica no comprimento da janela. Quando você limpa essa caixa de seleção, o comprimento da janela deslizante é infinito. Neste modo, o bloco calcula a média da amostra atual e todas as amostras anteriores no canal. Comprimento da janela 8212 Comprimento da janela deslizante 4 (padrão) número inteiro escalar positivo O comprimento da janela especifica o comprimento da janela deslizante. Este parâmetro aparece quando você seleciona a caixa de seleção Especificar a duração da janela. Fator de esquivamento 8212 Fator de ponderação exponencial 0,9 (padrão) escalar real positivo na faixa (0,1 Este parâmetro aplica-se quando você ajusta o Método para ponderação exponencial. Um fator de esquecimento de 0,9 dá mais peso aos dados mais antigos do que um fator de esquecimento de 0,1 Um fator de esquecimento de 1.0 indica memória infinita. Todas as amostras anteriores recebem um peso igual. Este parâmetro é ajustável. Você pode alterar seu valor mesmo durante a simulação. Simular usando 8212 Tipo de simulação para executar Geração de código (padrão) Execução interpretativa Simular Modelo usando o código C gerado. Na primeira vez que você executa uma simulação, o Simulink x00AE gera código C para o bloco. O código C é reutilizado para simulações subseqüentes, desde que o modelo não seja alterado. Essa opção requer tempo de inicialização adicional mas fornece mais rápido Velocidade de simulação do que a execução interpretada. Simule o modelo usando o interpretador MATLAB x00AE. Esta opção encurta o tempo de inicialização, mas possui uma velocidade de simulação mais lenta do que o Código geração . Mais sobre Algoritmos Método da janela deslizante No método da janela deslizante, a saída para cada amostra de entrada é a média da amostra atual e as amostras anteriores Len-1. Len é o comprimento da janela. Para calcular as primeiras saídas Len - 1, quando a janela ainda não possui dados suficientes, o algoritmo preenche a janela com zeros. Como exemplo, para calcular a média quando a segunda amostra de entrada entra, o algoritmo preenche a janela com Len - 2 zeros. O vetor de dados, x. São então as duas amostras de dados seguidas por Len - 2 zeros. Quando você define a propriedade SpecifyWindowLength como falso. O algoritmo escolhe um comprimento de janela infinito. Neste modo, a saída é a média móvel da amostra atual e todas as amostras anteriores no canal. Método de Ponderação Exponencial No método de ponderação exponencial, a média móvel é calculada de forma recursiva usando estas fórmulas: w N. x03BB x03BB w N x2212 1. x03BB 1. x x00AF N. x03BB (1 x2212 1 w N. x03BB) x x00AF N x2212 1. x03BB (1 w N. x03BB) x N x x00AF N. x03BB 8212 Média móvel na amostra atual x N 8212 Amostra de dados de entrada atual x x00AF N x2212 1. x03BB 8212 Média móvel na amostra anterior 955 8212 Fator de esquecer w N. x03BB 8212 Fator de ponderação aplicado à amostra de dados atual (1 x2212 1 w N. x03BB) x x00AF N x2212 1. x03BB 8212 Efeito dos dados anteriores na média Para a primeira amostra, onde N 1, o algoritmo escolhe w N. x03BB 1. Para a próxima amostra, o fator de ponderação é atualizado e usado para calcular a média, de acordo com a equação recursiva. À medida que a idade dos dados aumenta, a magnitude do fator de ponderação diminui exponencialmente e nunca atinge zero. Em outras palavras, os dados recentes têm mais influência sobre a média atual do que os dados mais antigos. O valor do fator de esquadrão determina a taxa de mudança dos fatores de ponderação. Um fator de esquecimento de 0,9 dá mais peso aos dados mais antigos do que um fator de esquizamento de 0,1. Um fator de esquecimento de 1.0 indica memória infinita. Todas as amostras anteriores recebem um peso igual. Objetos do sistema Selecione seu país