Simple moving average arduino

Esta é uma coleção de rotinas para executar a análise matemática de matrizes de números. Suporte à função atual: Todas as funções estão totalmente sobrecarregadas para suportar os seguintes tipos de dados: Com a exceção de stddev (), todos eles retornam o mesmo tipo de dados da matriz. Uma matriz de valores int retorna um único int. Stddev () sempre retorna um flutuador. Todas as funções, exceto rollingAverage (), levam dois argumentos. A primeira é a matriz para trabalhar. O segundo é o número de entradas na matriz. RollingAverage () assume um terceiro argumento - a nova entrada para adicionar à matriz. Rolling average Formato: average rollingAverage (historyarray, slicecount, value) Adiciona valor à matriz historyarray deslocando todos os valores para baixo um lugar. A média da média é então devolvida. Formato médio: média média (array, slicecount) Calcula a média média dos valores no array. Slicecount é o número de entradas na matriz. Modo Formato: modo médio (array, slicecount) Localiza o número mais comum na matriz. Máximo formato: max máximo (array, slicecount) Localiza o maior valor na matriz. Formato mínimo: min mínimo (array, slicecount) Localiza o menor valor na matriz. Desvio Padrão Formato: desvio stddev (array, slicecount) O desvio padrão é a raiz quadrada da média da soma dos quadrados da diferença entre cada ponto de dados ea média da média da matriz. Esta é a única função que não retorna o mesmo tipo de dados como a matriz. O desvio padrão é sempre retornado como um flutuador. Exemplo: ShareIntro Uma das principais aplicações para a placa Arduino é a leitura e registro de dados de sensores. Por exemplo, um monitora a pressão a cada segundo do dia. Como altas taxas de amostragem geralmente gera picos nos gráficos, também se deseja ter uma média das medições. Como as medições não são estáticas no tempo o que muitas vezes precisamos é de uma média de corrida. Esta é a média de um determinado período e muito valioso quando se faz análise de tendências. A forma mais simples de uma média em execução pode ser feita por um código que se baseia na média anterior: Se não se deseja usar matemática em ponto flutuante - como isso ocupa a memória e diminui a velocidade - pode-se fazer o mesmo completamente no domínio inteiro. A divisão por 256 no código de exemplo é um deslocamento-direito 8, que é mais rápido do que digamos divisão por, e. 100. Isso é verdade para cada poder de 2 como divisor e um só deve ter cuidado a soma dos pesos é igual ao poder de 2. E, claro, deve-se tomar cuidado não há transbordamento intermediário (considere usar unsigned longo) Se você precisar Uma média de execução mais precisa, in concreto das últimas 10 medições, você precisa de uma matriz (ou lista vinculada) para mantê-los. Esta matriz age como um buffer circular e com cada nova medição a mais antiga é removida. A média de execução é calculada como a soma de todos os elementos divididos pelo número de elementos na matriz. O código para a média em execução será algo como isto: Desvantagem deste código é que a matriz para armazenar todos os valores pode se tornar bastante grande. Se você tem uma medição por segundo e você quer uma média de execução por minuto que você precisa de uma matriz de 60 uma média por hora precisaria de uma matriz de 3600. Isso não poderia ser feito desta maneira em um Arduino como ele só tem 2K de RAM. No entanto, através da construção de uma média de 2 estágios que pode ser abordado muito bem (renúncia: não para todas as medições). No código psuedo: Como uma nova matriz estática interna é necessária para cada função runningAverage, isso grita para ser implementado como uma classe. Biblioteca RunningAverage A biblioteca runningAverage cria uma classe da função acima para que ela possa ser usada várias vezes em um sketch. Desacopla a função add () e avg () para ser um pouco mais flexível, e. Um pode chamar a média várias vezes sem adicionar uma coisa. Observe que cada instância da classe adiciona sua própria matriz para realizar medições e que isso adiciona até o uso de memória. A interface da classe é mantida o menor possível. Nota: com a versão 0.2 os nomes dos métodos são todos mais descritivos. Uso Um pequeno esboço mostra como ele pode ser usado. Um gerador aleatório é usado para imitar um sensor. Em setup () o myRA é limpo para que possamos começar a adicionar novos dados. Em loop () primeiro um número aleatório é gerado e convertido em um flutuador a ser adicionado ao myRA. Em seguida, o runningAverage é impresso para a porta serial. Pode-se também exibi-lo em algum LCD ou enviar mais ethernet etc Quando 300 itens são adicionados myRA é limpo para começar de novo. Notas Para utilizar a biblioteca, crie uma pasta no SKETCHBOOKPATHlibaries com o nome RunningAverage e coloque o. h e. cpp lá. Opcionalmente, faça um subdiretório de exemplos para colocar o aplicativo de exemplo. Histórico 2017-01-30: versão inicial 2017-02-28: corrigido destrutor em falta no arquivo. h 2017-02-28: construtor padrão removido 2017--. Adicionado fillValue () refactored para publicação 2017-07-03: adicionado código de proteção de memória - se matriz interna não pode ser alocada tamanho Torna-se 0. Isso é para resolver o problema descrito aqui - forum. arduino. cc/indextopic50473.msg1790086msg1790086 - Todo Test extensivamente. Classe de modelo RunningAverage. h RunningAverage. cppI estou trabalhando em um robô móvel controlado por um link sem fio de 2,4 GHz. O receptor é conectado ao Arduino Uno que serve a bordo como o controlador principal. O canal de entrada mais crítico (e principal) vindo do receptor produz um sinal muito ruidoso, o que leva a muitas pequenas alterações na saída dos atuadores, mesmo que estes não sejam necessários. Estou procurando bibliotecas que podem executar alisamento eficiente. Há algum sinal de suavização bibliotecas disponíveis para o Arduino (Uno) pediu Feb 16 14 at 13:57 Eu acho que eu vejo um monte de picos de ruído de amostra única em seu sinal ruidoso. O filtro mediano faz melhor em se livrar de picos de ruído de amostra única do que qualquer filtro linear. (É melhor do que qualquer filtro passa-baixa, média móvel, média móvel ponderada, etc., em termos de tempo de resposta e sua capacidade de ignorar tais outliers de pico de ruído de amostra única). Existem, de fato, muitas bibliotecas de suavização de sinais para o Arduino, muitas das quais incluem um filtro mediano. Bibliotecas de suavização de sinal em arduino. cc: bibliotecas de suavização de sinal em github: algo como isto funcionaria em seu robô (A mediana de 3 requer muito pouco poder de CPU e, portanto, rápido): Você poderia filtrar isso digitalmente usando um baixo Passa filtro: Alterar o 0,99 para mudar a freqüência de corte (mais perto de 1,0 é menor freqüência). A expressão real para esse valor é exp (-2pif / fs) onde f é a freqüência de corte que você deseja e fs é a frequência em que os dados são amostrados. Outro tipo de filtro digital é um filtro de eventos. Funciona bem em dados que têm outliers, e. 9,9,8,10,9,25,9. Um filtro de eventos retorna o valor mais freqüente. Estatisticamente, este é o modo. Médias estatísticas, como Média, Modo etc. podem ser calculadas usando a Biblioteca Média do Arduino. Um exemplo tirado da página da Biblioteca Arduino refere-se a: Esta biblioteca foi desenvolvida para aplicações Arduino. No entanto, funciona muito bem com qualquer C. O uso de gaussianos é realmente difícil porque requer uma compreensão profunda sobre matemática complexa. Não mais. Nós fizemos isso para você, caiu livre para usar a classe totalmente implementada de Gaussian. Você quer fazer uma média móvel. GaussianAverage é exatamente o que você está procurando. Simples ou com Gaussians, seu já implementado para você. Faça o download da versão mais recente do gitHub. Descompacte e modifique o nome da pasta para Gaussian (Remove the - version) Cole a pasta modificada em sua pasta Library (na pasta Bibliotecas dentro do Sketchbooks ou do software Arduino). Baixe e instale a classe LinkedList também, se você estiver indo para usar GaussianAverage classe. Reinicie o Arduino Software Uma classe que contém um atributo médio e um atributo de variância. Também contém métodos para fazer somas com outros Gaussianos. Para declarar um objeto gaussiano: Lidar com o médio é muito fácil. Você pode acessá-lo diretamente (meio do atributo) ou alterá-lo com os métodos move e setMean. Ambos os métodos retornam o objeto auto gaussiano, permitindo que você faça ações consecutivamente em uma única linha. Definir, Alterar e obter valores médios Ao lidar com a variação. Você também pode fazer o mesmo que a média. Acesse diretamente do objeto, ou use os métodos vary e setVariance para alterar a variância. Definir, Alterar e obter valores de variância Ok, agora que podemos alterar tanto a média quanto a variância. Podemos agora ir para o próximo passo: Sumando Gaussianos. Seu já implementado todas as matemáticas para fazer isso, e seus nos tão difícil de entender, depois de retomar a soma de Gaussians à soma de valores ponderados. Os operadores,, trabalha apenas bom com a classe Gaussian. Soma, Conjunto e Matemática com Gaussianos Existem também dois métodos muito úteis para traçar e gerar valores aleatórios distribuídos normais. Verifique os exemplos GaussianUniformPlot e GaussianRandomPlot Plotting Gaussianos e valores aleatórios Esta classe fornece um filtro simples mas realmente poderoso chamado Moving Average. É uma média dos últimos n valores, mas usando gaussianos para incorporar o poder da incerteza. Você também pode usá-lo como uma média móvel simples, definindo a variância para um valor fixo, ou simplesmente não definindo-lo (O valor padrão quando um gaussiano é criado é realmente alto e é uma constante). Além disso, GaussianAverage classe EXTENDS de Gaussian. Em vez de calcular apenas a média (média), você tem acesso à variância também. ATENÇÃO: Esta classe REQUIRA também a classe LinkedList. DEVE ser incluído ANTES de GaussianAverage. Para declarar um objeto GaussianAverage Agora que temos nossa classe instanciada, vamos continuar a adicionar Values ​​(ou Gaussians) a ele. Há duas maneiras principais de adicionar valores à Média. Usando o método sum (Gaussian), ou operador sobrecarregado. Para adicionar valores à Média Móvel basta usar o operador Ok, criamos e adicionamos. O que está faltando Sim, Process. O processo de cálculo da média não é feito sempre que você adiciona algo novo (você migth deseja adicionar três amostras antes de calcular). Então, para calculá-lo você pode usar o método process (). Depois de processado, os valores da média e variância serão armazenados dentro do objeto. Observe que o método de processo retorna o objeto self. Para minimizar o uso da CPU, implementamos um detector de cache. Se você usar o método processar mais de uma vez antes de adicionar algo novo, a nova média não será calculada. Processo do novo Médio médio Gaussiano :: média - Média do Gaussiano. Duplo Gaussiano :: variância - Variância do Gaussiano. Gaussiano :: Gaussiano (média dupla 0,0, variância dupla MAXVARIANCE) - Construtor. Gaussian Gaussian :: setMean (double val) - Defina a média para val. Gaussian Gaussian :: move (double val) - Adiciona val à média. Gaussian Gaussian :: setVariance (double val) - Ajusta a variância para val. Gaussian Gaussian :: vary (double val) - Adiciona val à variância. Double Gaussian :: plot (double x) - Retorna a probabilidade de x. Double Gaussian :: random () - Retorna um valor aleatório normaly distribuído. Void Gaussian :: operator (Gaussian gaus) - Copia a média ea variância para o objeto atual. Gaussian Gaussian :: operator (Gaussian gaus) - Soma gaussianos e retorna o novo Gaussiano. Void Gaussian :: operator (gaussian gaus) - Som gaussians e salva-lo para si. Soma gaussiana protegida (média dupla, dupla variância) - Retorna a soma de si mesma com média e variância. GaussianAverage :: GaussianAverage (int n 4) - Construtor. N número de amostras a ser mantido. Void GaussianAverage :: add (Gaussian g) - Adicione o gaussian g à LinkedList. Void GaussianAverage :: operator (Gaussian gaus) - Adicione o gaussian gaus à LinkedList. Void GaussianAverage :: operator (double mean) - Adicione um novo Gaussian com média para a LinkedList. Gaussian GaussianAverage :: process () - Calcula o Gaussiano médio e devolve-o. Protected LinledListltGaussiangt GaussianAverage :: gaussians - Ponteiro para lista vinculada que irá realizar os Gaussianos mais recentes. Int int GaussianAverage :: n - Número de amostras a serem mantidas. Bool protegido GaussianAverage :: isCached - Sinalizador que indica se um processo () DEVE ser feito. Protected Gaussian avg - Apenas um auxiliar temporário usado pelo processo (). Algoritmo Tutorial / Suavização é uma má escolha 3934 sigh Álgebra básica. Média ETA (novo valor) (1-ETA) média ETA 1 / filtro Média média (1 / filtroWeight) newvalue (1 - 1 / filterWeight) média média novavalor / FiltroValor médio médioValor / filtroValor - médio / filtroValor médio médio (newvalue - médio) / filtroPeso No Novo Grego Comum seu pronunciado iita, não eeeta como no Grego Clássico Antigo. Mas você pode usar float EPSILON em vez disso também - mas é certo que você tem muito mais caracteres para escrever. ) No entanto, como ETA é de 0. 1 apenas flutuadores funcionará. No mundo real nada é inteiro, cada número é real. (Racional, irracional, ou mesmo transcendental), um flutuador. ) Eu nunca usei um único flutuador em qualquer um dos meus programas c / c e eu provavelmente nunca será a menos que eu código para um PC e, em seguida, vou evitá-lo de qualquer maneira. Se você me perguntar AVR não deve suportar float em tudo, porque o seu não apenas a plataforma certa para usá-lo. Mas um simples valor suave de 0-255 é totalmente id fina dizer, que pode ser alcançado com o formular também. Sim, seguro seu possível, e há muitos mais filtros possíveis, também, por exemplo. Apenas uma média média ou um filtro mediano ou mesmo um filtro Kalman ou um filtro MonteCarlo. Mas esta questão / tópico é sobre um tutorial de um filtro de baixa passagem (CMIIW), e, portanto, o ponto é sobre uma abordagem educacional para torná-lo capaz para iniciantes. Flutua ou não flutua é uma questão completamente diferente - para mim Im sempre usando flutuadores porque meus programas requerem flutuadores. Apenas a todos para suas necessidades especiais. Filtro médio (sensorReading) (255 - filterweight) média 0-255 eo programa é rápido. Como é que o / se você decidir trabalhar em um microcontrolador, então por favor fazê-lo corretamente desde o início. Caras básicas de matemática, matemática básica. Acho que os alunos dessa idade entenderão isso. Se não você é um mau professor, se você não é capaz de explicar isso em um minuto. E se eles não entendem que eles estão na classe errada ou deve ler a seção if - else novamente. Fazer o que você quer, eu só posso dar conselhos. Eu não me importo com AVRs e suas limitações, o meu Due está perto de rápido o suficiente, e um Teensy ou um Zero ou um Yun também é suposto ser. Eu não me importo com sistemas embutidos por desempenho rediculous não ser capaz de lidar com carros alegóricos. E manuseio de flutuadores é indispensável e um requisito mínimo (como pecado, cos, atan, sqrt, pow). Ok, passou a noite testando bdlow s int versão e VogonJeltz s float versão usando um acelerômetro 3G. Eu fiz um desenho gráfico em P5.js para testá-lo, você pode encontrar meu esboço e testes aqui: github / tigoe / GraphingSketches / árvore / mestre / WeightedAverageGraph. Você pode ver algumas imagens da versão float no diretório também. A versão int fornece abstrações mais claramente definidas do sinal, isto é, você pode filtrar as transições e os picos mais facilmente da média. Mas os valores reais estão mais distantes dos valores não filtrados. A versão do flutuador tende a mudar mais de perto com os valores do sensor, mesmo com um valor alto. Dos dois, eu acho que eu prefiro a versão int, após o teste. Acho que no longo prazo, é provavelmente mais útil para as pessoas que procuram filtrar eventos fora de seus sensores. Id recomendar mudar para essa versão, e deixando o valor do peso de filtragem em cerca de 16 a 32. Na tentativa de fazer sentido da matemática acima, eu tropecei em cima de uma versão que eu fiz em 2005, e modificado novamente em 2017: tigoe / pcomp / Code / arduinowiring / 37 / E ainda melhor o papel em que eu baseiei essa versão, que inclui uma explicação bastante legível do que está acontecendo: home. earthlink / david. schultz / rnd / 2002 / KalmanApogee. pdf Nesse artigo, p .8, Filtrando os dados, ele explica o que está acontecendo melhor do que qualquer outra coisa que eu poderia encontrar. Em última análise, vou deixá-lo até ffissore. Agdl. E cmaglie. Se você acha que a mudança vale a pena, sinta-se livre para usar qualquer um destes, com o crédito para os autores apropriados. Estou feliz com os dois. Filtrando os dados Primeiro de tudo, vamos olhar usando um filtro simples para medir várias leituras de sensores de pressão e suavizar os dados. O filtro que eu escolhi é um filtro recursivo, uma vez que é muito simples e não requer um monte de armazenamento de dados ou de processamento para que ele possa ser facilmente implementado em até mesmo o micro-controlador mais simples. Este filtro é aproximadamente equivalente a um filtro de média móvel, excepto que não requer o armazenamento de amostras anteriores. A idéia básica é estimar a altitude atual tomando uma média ponderada da nossa última estimativa e da leitura atual do ADC. A fórmula para isto é: onde: Pn é a nossa última estimativa Pn1 é a nossa nova estimativa ADC é a última leitura do ADC x é o peso (0 lt x lt 1) Note que quando x é 0,5 obtemos: Pn1 (ADC Pn ) / 2 ou apenas a média dos dois valores. Então, como funciona o peso x pode ser considerado o valor de nossa confiança na medição do ADC. Se temos a certeza de que é absolutamente preciso, o peso (x) seria 1. Assim, sempre acreditamos no ADC e ignorar a última estimativa. No outro extremo seria um peso de 0. Isso significaria que não temos absolutamente nenhuma confiança em nossa medição assim que ficar com a nossa última estimativa. Escusado será dizer que a estimativa é então um valor constante. A realidade está em algum lugar entre estes dois extremos. Além disso, como o valor de x é diminuído, a resposta do filtro diminui. Assim, tem de haver um ato de equilíbrio. Se usarmos um valor muito pequeno de x, os dados serão muito suaves, mas serão atrasados ​​tanto que sempre detectaremos o apogeu tarde. Sim. Ele disse que era mais acessível do que você. Sim, eu não sou inglês, e explicando que é o seu trabalho, mas o ponto principal na verdade foi a equação. Ele tomou a mesma fórmula que eu e ele a chamou apenas x - e explicou como o fator x funciona. Eu expliquei acima em palavras curtas por eta0.5 é apenas a média aritmética (média), por 0,9 as leituras atuais são mais fortemente ponderada, e por eta lt 0,5 é apenas um filtro extremamente ocioso / maçante, mostrando quase nenhum pico mais . Ele disse o mesmo, mas mais detalhado. Enfim, a discussão principal foi sobre a fórmula certa a ser tomada.