การย้าย ค่าเฉลี่ย กรอง สัญญาณ การประมวลผล

เด็ก PeterK ฉันสามารถจินตนาการอย่างแท้จริงเชิงเส้นระยะและสาเหตุกรองที่แท้จริง IIR ฉันไม่สามารถมองเห็นวิธีที่คุณจะได้รับความสมมาตรโดยไม่มีสิ่งที่เป็น FIR และ semantically ฉันจะเรียก Truncated IIR (TIIR) วิธีการดำเนินการชั้นของ FIR แล้วคุณจะไม่ได้รับเฟสเชิงเส้นเว้นแต่คุณจะได้สิ่งที่มีประโยชน์กับมันเช่นบล็อกเกอร์เช่น Powell-Chau ndash robert bristow-johnson พ. ย. 26 15 ที่ 3:32 คำตอบนี้อธิบายถึงวิธีการทำงานของ filtrfilt ndash Matt L. Nov 26 15 at 7:48 ตัวกรองค่าเฉลี่ยเป็นศูนย์เป็นตัวกรอง FIR ที่มีความยาวแปลก ๆ ซึ่งมีค่าสัมประสิทธิ์ที่ N คือความยาวของตัวกรอง (แปลก) เนื่องจาก hn มีค่าที่ไม่ใช่ศูนย์สำหรับ nlt0 จึงไม่เป็นสาเหตุและดังนั้นจึงสามารถใช้งานได้โดยการเพิ่มความล่าช้าเท่านั้นนั่นคือโดยการทำให้เกิดขึ้น ทราบว่าคุณลาดเทเพียงใช้ฟังก์ชัน filtfilt Matlabs กับตัวกรองที่แม้ว่าแม้ว่าคุณจะได้รับเป็นศูนย์ (กับความล่าช้า) ขนาดของฟังก์ชันการถ่ายโอนตัวกรองได้รับการยกกำลังสองที่สอดคล้องกับการตอบสนองต่อแรงบิดสามเหลี่ยม (ตัวอย่างเช่นการป้อนข้อมูลเพิ่มเติมห่างจาก ตัวอย่างปัจจุบันจะได้รับน้ำหนักน้อยลง) คำตอบนี้จะอธิบายรายละเอียดเพิ่มเติมว่า filtrfilt ทำอะไรฉันจำเป็นต้องออกแบบตัวกรองค่าเฉลี่ยเคลื่อนที่ที่มีความถี่ตัดเป็น 7.8 Hz ฉันได้ใช้ตัวกรองเฉลี่ยที่เคลื่อนที่ก่อน แต่เท่าที่ Im ทราบพารามิเตอร์เดียวที่สามารถป้อนได้คือจำนวนจุดที่จะเฉลี่ย วิธีการนี้สามารถใช้งานได้กับความถี่ตัดการผกผันของ 7.8 Hz คือ 130 ms และ Im ทำงานกับข้อมูลที่เก็บตัวอย่างที่ 1000 Hz นี่หมายความว่าฉันควรใช้ขนาดตัวกรองหน้าต่างเคลื่อนไหวเฉลี่ย 130 ตัวอย่างหรือมีอย่างอื่นที่ Im หายไปที่นี่ถาม Jul 18 13 ที่ 9:52 ตัวกรองเฉลี่ยเคลื่อนที่เป็นตัวกรองที่ใช้ในโดเมนเวลาเพื่อลบ เสียงเพิ่มและยังเรียบวัตถุประสงค์ แต่ถ้าคุณใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่เดียวกันในโดเมนความถี่สำหรับการแยกความถี่ประสิทธิภาพจะแย่ที่สุด ดังนั้นในกรณีที่ใช้ตัวกรองโดเมนความถี่ ndash user19373 Feb 3 16 at 5:53 ตัวกรองค่าเฉลี่ยเคลื่อนที่ (บางครั้งเรียกขานว่าเป็นตัวกรองรถจักรยานยนต์) มีการตอบสนองต่อรูปสี่เหลี่ยมผืนผ้า: หรือระบุไว้อย่างชัดเจน: จำได้ว่าการตอบสนองความถี่ของระบบแบบไม่ต่อเนื่อง เราสามารถคำนวณได้ดังนี้: อะไรที่คุณสนใจมากที่สุดสำหรับกรณีของคุณคือการตอบสนองของตัวกรอง H (โอเมก้า) ใช้สอง manipulations ง่ายเราจะได้รับในรูปแบบที่ง่ายต่อการเข้าใจ: นี้อาจไม่ง่ายที่จะเข้าใจ อย่างไรก็ตามเนื่องจากบัตรประจำตัวของ Eulers จำได้ว่า: ดังนั้นเราสามารถเขียนข้างต้นเป็น: ตามที่ระบุไว้ก่อนหน้าสิ่งที่คุณกังวลมากคือขนาดของการตอบสนองต่อความถี่ ดังนั้นเราสามารถใช้ขนาดของข้างต้นเพื่อลดความซับซ้อนของมันต่อไป: หมายเหตุ: เราสามารถที่จะลดเงื่อนไขคำอธิบายออกเพราะพวกเขาไม่ส่งผลกระทบต่อขนาดของผลลัพธ์ e 1 สำหรับค่าทั้งหมดของโอเมก้า ตั้งแต่ xy xy สำหรับสองจำนวน จำกัด ที่ จำกัด x และ y เราสามารถสรุปได้ว่าการปรากฏตัวของคำอธิบายไม่ส่งผลต่อการตอบสนองของขนาดโดยรวม (แทนจะส่งผลต่อการตอบสนองของเฟสของระบบ) ฟังก์ชันที่เกิดขึ้นภายในวงเล็บขนาดคือรูปแบบของเคอร์เนล Dirichlet บางครั้งเรียกว่าฟังก์ชั่น sinc periodic เนื่องจากมีลักษณะคล้ายคลึงกับฟังก์ชัน sinc ในรูปลักษณ์ แต่เป็นระยะแทน อย่างไรก็ตามเนื่องจากความหมายของความถี่ cutoff มีความไม่แน่นอน (-3 dB point -6 dB point sidelobe null) คุณสามารถใช้สมการด้านบนเพื่อแก้ปัญหาตามที่ต้องการได้ โดยเฉพาะอย่างยิ่งคุณสามารถทำสิ่งต่อไปนี้: กำหนด H (โอเมก้า) เป็นค่าที่สอดคล้องกับการตอบสนองของตัวกรองที่คุณต้องการที่ความถี่ cutoff ตั้งค่าโอเมก้าเท่ากับความถี่ตัด เมื่อต้องการทำแผนที่ความถี่ต่อเนื่องไปยังโดเมนแบบไม่ต่อเนื่องโปรดจำไว้ว่า omega 2pi frac ซึ่ง fs คืออัตราตัวอย่างของคุณ ค้นหาค่าของ N ที่ให้ข้อตกลงที่ดีที่สุดระหว่างด้านซ้ายและด้านขวาของสมการ นั่นควรเป็นความยาวของค่าเฉลี่ยเคลื่อนที่ของคุณ ถ้า N คือความยาวของค่าเฉลี่ยเคลื่อนที่จากนั้นความถี่ตัด F (ที่ถูกต้องสำหรับ N gt 2) ในความถี่ปกติคือ Fffs: ผกผันของสูตรนี้คือสูตรที่ถูกต้องสำหรับ N ขนาดใหญ่และมีข้อผิดพลาดประมาณ 2 สำหรับ N2 และน้อยกว่า 0.5 สำหรับ N4 ป. ล. หลังจากสองปีที่ผ่านมาที่นี่ในที่สุดสิ่งที่เป็นวิธีการปฏิบัติตาม ผลจากการประมาณสเปกตรัมความกว้างของ MA รอบ f0 เป็นพาราโบลา (ลำดับที่ 2) ตาม MA (Omega) ประมาณ 1 (frac-frac) Omega2 ซึ่งสามารถหาได้มากกว่าใกล้กับศูนย์ข้าม MA (Omega) frac โดยการคูณโอเมก้าโดยสัมประสิทธิ์การได้รับ MA (โอเมก้า) ประมาณ 10.907523 (frac-frac) Omega2 การแก้ปัญหาของ MA (โอเมก้า) - frac 0 ให้ผลลัพธ์ข้างต้นที่ 2pi F โอเมก้า ทั้งหมดข้างต้นเกี่ยวข้องกับ -3dB ตัดความถี่เรื่องของบทความนี้ บางครั้งก็เป็นเรื่องที่น่าสนใจที่จะได้รับข้อมูลการลดทอนในแถบหยุดซึ่งเทียบเคียงได้กับตัวกรอง IIR Low Pass Filter (single pole LPF) ที่มีความถี่ตัดความถี่ -3dB ให้ (เช่น LPF เรียกว่า integrator leaky, มีขั้วไม่ตรงที่ DC แต่ใกล้กับมัน) ในความเป็นจริงแล้ว MA และลำดับที่ 1 ของ IIR LPF มีความลาดชันอยู่ที่ -20dBdade ในวงหยุด (หนึ่งต้องมีขนาดใหญ่กว่า N ที่ใช้ในรูป N32 เพื่อดูสิ่งนี้) แต่ในขณะที่ MA มีค่า null ของสเปกตรัมที่ FkN และ a 1F evelope ตัวกรอง IIR จะมีรูปแบบ 1f เท่านั้น ถ้าใครอยากได้ตัวกรอง MA ที่มีความสามารถในการกรองสัญญาณรบกวนเช่นเดียวกับตัวกรอง IIR นี้และตรงกับความถี่ที่ 3dB ตัดออกไปเหมือนกันเมื่อเปรียบเทียบสเปกตรัมสองตัวเขาจะรู้ว่าแถบกระเพื่อมของแถบหยุดทำงานของตัวกรอง MA จะสิ้นสุดลง 3dB ด้านล่างของตัวกรอง IIR เพื่อที่จะได้รับการระงับการหยุดแถบเดียวกัน (เช่นการลดทอนสัญญาณรบกวนเดียวกัน) เป็นตัวกรอง IIR สูตรสามารถแก้ไขได้ดังต่อไปนี้: ฉันพบกลับมาที่สคริปต์ Mathematica ซึ่งฉันคำนวณการตัดออกสำหรับตัวกรองหลายตัวรวมทั้ง MA หนึ่ง ผลจากการประมาณสเปกตรัมของแมสซาชูเซตส์รอบ ๆ f0 เป็นพาราโบลาตามอัตราส่วนของโอเมก้า (Omega) Sin (OmegaN2) Sin (Omega2) Omega 2piF MA (F) ประมาณ N16F2 (N-N3) pi2 และได้รับการข้ามกับ 1sqrt จากที่นั่น ndash Massimo Jan 17 16 at 2: 08The นักวิทยาศาสตร์และวิศวกรคู่มือการประมวลผลสัญญาณดิจิตอลโดย Steven W. Smith, Ph. D. ในโลกที่สมบูรณ์แบบนักออกแบบตัวกรองจะต้องจัดการกับโดเมนที่มีการเข้ารหัสตามเวลาหรือโดเมนความถี่ แต่ไม่เคยมีส่วนผสมของทั้งสองในสัญญาณเดียวกัน แต่น่าเสียดายที่มีบางโปรแกรมที่ทั้งสองโดเมนมีความสำคัญในเวลาเดียวกัน ตัวอย่างเช่นสัญญาณโทรทัศน์ตกอยู่ในประเภทที่น่ารังเกียจนี้ ข้อมูลวิดีโอถูกเข้ารหัสในโดเมนเวลานั่นคือรูปร่างของรูปคลื่นตรงกับรูปแบบของความสว่างในภาพ อย่างไรก็ตามในระหว่างการส่งสัญญาณสัญญาณภาพจะได้รับการปฏิบัติตามองค์ประกอบความถี่เช่นแบนด์วิธรวมถึงการเพิ่มคลื่นผู้ให้บริการสำหรับการเพิ่มสีแอมป์แอมป์การกู้คืนแอมป์ของส่วนประกอบ DC เป็นต้นตัวอย่างเช่นการรบกวนด้วยไฟฟ้า - เป็นที่เข้าใจกันดีที่สุดในโดเมนความถี่แม้ว่าข้อมูลสัญญาณจะถูกเข้ารหัสในโดเมนเวลา ตัวอย่างเช่นจอภาพอุณหภูมิในการทดลองทางวิทยาศาสตร์อาจปนเปื้อน 60 เฮิรตซ์จากสายไฟ 30 kHz จากแหล่งจ่ายไฟสลับหรือ 1320 กิโลเฮิร์ทซ์จากสถานีวิทยุ AM ในพื้นที่ ญาติของตัวกรองเฉลี่ยเคลื่อนที่มีประสิทธิภาพโดเมนความถี่ที่ดีขึ้นและมีประโยชน์ในการใช้งานโดเมนผสมเหล่านี้ ตัวกรองค่าเฉลี่ยเคลื่อนที่แบบพหุคูณจำนวนมากเกี่ยวข้องกับการส่งผ่านสัญญาณอินพุทผ่านตัวกรองค่าเฉลี่ยเคลื่อนที่สองครั้งหรือมากกว่า รูปที่ 15-3a แสดงเคอร์เนลของตัวกรองทั้งหมดที่เกิดจากการผ่านหนึ่งสองและสี่ สองผ่านจะเทียบเท่ากับการใช้เคอร์เนลตัวกรองรูปสามเหลี่ยม (เคอร์เนลตัวกรองรูปสี่เหลี่ยมที่พันด้วยตัวเอง) หลังจากผ่านสี่หรือมากกว่าเคอร์เนลตัวกรองที่เหมือนกันดูเหมือน Gaussian (เรียกคืนทฤษฎีบท จำกัด กลาง) ดังที่แสดงไว้ใน (b) การผ่านหลายครั้งจะทำให้เกิดการตอบสนองขั้นบันไดที่มีรูปร่างเมื่อเทียบกับเส้นตรงของช่องเดี่ยว การตอบสนองต่อความถี่ใน (c) และ (d) จะได้จากสมการ 15-2 คูณด้วยตัวเองสำหรับแต่ละครั้ง นั่นคือทุกครั้งที่เกิดการบิดตัวของโดเมนในการคูณสเปกตรัมความถี่ รูปที่ 15-4 แสดงการตอบสนองความถี่ของญาติสนิทอีกสองคนของตัวกรองค่าเฉลี่ยเคลื่อนที่ เมื่อ Gaussian บริสุทธิ์ใช้เป็นเคอร์เนลของตัวกรองการตอบสนองต่อความถี่ยังเป็น Gaussian ตามที่กล่าวไว้ในบทที่ 11 Gaussian มีความสำคัญเนื่องจากเป็นระบบตอบสนองต่อแรงกระตุ้นของระบบธรรมชาติและมนุษย์หลายระบบ ตัวอย่างเช่นชีพจรสั้น ๆ ของแสงที่ป้อนเส้นใยยาวสายส่งจะออกเป็นชีพจร Gaussian เนื่องจากเส้นทางที่แตกต่างกันโดยโฟตอนภายในเส้นใย แก่นกรองแบบเกาส์ (Gaussian filter kernel) ยังใช้ในการประมวลผลภาพอย่างมากเนื่องจากมีคุณสมบัติพิเศษที่ช่วยให้สามารถหมุนได้สองมิติได้อย่างรวดเร็ว (ดูบทที่ 24) การตอบสนองความถี่ที่สองในรูปที่ 15-4 สอดคล้องกับการใช้หน้าต่าง Blackman เป็นเคอร์เนลตัวกรอง (หน้าต่างคำว่าไม่มีความหมายนี่เป็นเพียงส่วนหนึ่งของชื่อที่ยอมรับของเส้นโค้งนี้เท่านั้น) รูปร่างที่แท้จริงของหน้าต่าง Blackman จะได้รับในบทที่ 16 (สมการ 16-2, รูป 16-2) อย่างไรก็ตามลักษณะนี้ดูเหมือน Gaussian มาก ตัวกรองเหล่านี้มีความสัมพันธ์กันอย่างไรดีกว่าตัวกรองเฉลี่ยที่เคลื่อนที่ได้สามวิธี: ประการแรกและสำคัญที่สุดคือตัวกรองเหล่านี้มีการลดทอนสัญญาณ stopband ที่ดีกว่าตัวกรองเฉลี่ยที่เคลื่อนที่ได้ ประการที่สองฟิลเตอร์ตัวกรองจะลดลงจนมีขนาดเล็กลงใกล้ปลาย จำได้ว่าแต่ละจุดในสัญญาณขาออกเป็นผลรวมถ่วงน้ำหนักของกลุ่มตัวอย่างจากอินพุท หากเคอร์เนลกรองลดลงตัวอย่างในสัญญาณอินพุตที่อยู่ไกลออกไปจะมีน้ำหนักน้อยกว่าที่อยู่ใกล้ ๆ ประการที่สามการตอบสนองขั้นตอนคือเส้นโค้งที่ราบรื่นแทนที่จะเป็นเส้นตรงอย่างฉับพลันของค่าเฉลี่ยเคลื่อนที่ ทั้งสองข้อนี้มักได้รับประโยชน์อย่าง จำกัด แม้ว่าคุณอาจพบแอพพลิเคชันที่เป็นข้อดีของแท้ ตัวกรองค่าเฉลี่ยเคลื่อนที่และญาติสนิทมีความคล้ายคลึงกันในการลดสัญญาณรบกวนแบบสุ่มในขณะที่ยังรักษาระดับการตอบสนองที่คมชัด ความกำกวมอยู่ในวิธีการที่ risetime ของการตอบสนองขั้นตอนที่มีการวัด ถ้า risetime วัดจาก 0 ถึง 100 ขั้นตอนตัวกรองค่าเฉลี่ยเคลื่อนที่จะดีที่สุดเท่าที่จะทำได้ตามที่แสดงไว้ก่อนหน้านี้ ในการเปรียบเทียบการวัด risetime ตั้งแต่ 10 ถึง 90 ทำให้หน้าต่าง Blackman ดีกว่าตัวกรองเฉลี่ยเคลื่อนที่ ประเด็นคือนี่เป็นการโต้เถียงทางทฤษฎีเพียงพิจารณาตัวกรองเหล่านี้เท่ากันในพารามิเตอร์นี้ ความแตกต่างที่ใหญ่ที่สุดในตัวกรองเหล่านี้คือความเร็วในการประมวลผล การใช้อัลกอริทึมแบบเรียกซ้ำ (อธิบายต่อไป) ตัวกรองค่าเฉลี่ยเคลื่อนที่จะทำงานเหมือนกับฟ้าผ่าในคอมพิวเตอร์ของคุณ ในความเป็นจริงมันเป็นตัวกรองดิจิตอลที่เร็วที่สุดที่มีอยู่ ค่าเฉลี่ยเคลื่อนที่หลายครั้งจะช้ากว่า แต่ก็ยังเร็วมาก เมื่อเทียบกับตัวกรอง Gaussian และ Blackman จะช้ามากเนื่องจากต้องใช้ convolution คิดเป็นสิบเท่าของจำนวนจุดในเคอร์เนลของตัวกรอง (ขึ้นอยู่กับการคูณประมาณ 10 ครั้งช้ากว่าการเพิ่ม) ตัวอย่างเช่นคาดว่า Gaussian 100 จุดจะช้ากว่าค่าเฉลี่ยที่เคลื่อนที่โดยใช้ recursion เป็น 1000 เท่าเอกสารดังตัวอย่างต่อไปนี้จะแสดงวิธีใช้ตัวกรองเฉลี่ยแบบเคลื่อนไหวและการสุ่มตัวอย่างใหม่เพื่อแยกผลกระทบขององค์ประกอบของช่วงเวลาในการอ่านอุณหภูมิต่อชั่วโมงเป็น รวมทั้งขจัดเสียงรบกวนจากการวัดแรงดันไฟฟ้าแบบ open-loop ตัวอย่างนี้ยังแสดงวิธีทำให้ระดับสัญญาณนาฬิกาลดลงในขณะที่รักษาขอบโดยใช้ตัวกรองค่ามัธยฐาน ตัวอย่างยังแสดงวิธีการใช้ตัวกรอง Hampel เพื่อลบค่าดีเอ็นเอที่มีขนาดใหญ่ การทำให้เรียบเนียนเป็นสิ่งที่เราค้นพบรูปแบบที่สำคัญในข้อมูลของเราขณะออกจากสิ่งที่ไม่สำคัญ (เช่นเสียง) เราใช้การกรองเพื่อทำการเรียบนี้ เป้าหมายของการราบเรียบคือการผลิตการเปลี่ยนแปลงที่ช้าลงในคุณค่าเพื่อให้เห็นแนวโน้มในข้อมูลของเราได้ง่ายขึ้น บางครั้งเมื่อคุณตรวจสอบข้อมูลการป้อนข้อมูลที่คุณอาจต้องการทำให้ข้อมูลมีความราบรื่นเพื่อดูแนวโน้มของสัญญาณ ในตัวอย่างของเราเรามีชุดของการอ่านอุณหภูมิในเซลเซียสที่ถ่ายทุกชั่วโมงที่สนามบิน Logan ตลอดเดือนมกราคม 2011 โปรดทราบว่าเราสามารถมองเห็นผลกระทบที่ช่วงเวลาของวันมีค่าการอ่านอุณหภูมิ หากคุณสนใจเฉพาะความแปรผันของอุณหภูมิรายวันในช่วงเดือนความผันผวนรายชั่วโมงมีส่วนทำให้เกิดเสียงรบกวนเท่านั้นซึ่งจะทำให้รูปแบบรายวันดูยากขึ้น หากต้องการลบผลกระทบของเวลาในวันนี้ตอนนี้เราต้องการให้ข้อมูลของเราราบรื่นโดยใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่ ตัวกรองค่าเฉลี่ยเคลื่อนที่ (Moving Average Filter) ในรูปแบบที่ง่ายที่สุดตัวกรองค่าเฉลี่ยเคลื่อนที่ที่มีความยาว N ใช้ค่าเฉลี่ยของทุกๆตัวอย่าง N ต่อเนื่องของรูปคลื่น หากต้องการใช้ตัวกรองเฉลี่ยที่เคลื่อนที่ไปยังจุดข้อมูลแต่ละจุดเราจะสร้างค่าสัมประสิทธิ์ของตัวกรองของเราเพื่อให้แต่ละจุดมีการถ่วงน้ำหนักอย่างเท่าเทียมกันและมีส่วนทำให้ค่าเฉลี่ยรวม 124 ค่า ซึ่งจะทำให้เรามีอุณหภูมิเฉลี่ยตลอดช่วงเวลา 24 ชั่วโมง Filter Delay โปรดทราบว่าผลลัพธ์ที่กรองออกจะล่าช้าประมาณ 12 ชั่วโมง เนื่องจากตัวกรองค่าเฉลี่ยเคลื่อนที่ของเรามีความล่าช้า ตัวกรองสมมาตรใด ๆ ที่มีความยาว N จะมีความล่าช้าของ (N-1) 2 ตัวอย่าง เราสามารถบัญชีสำหรับความล่าช้านี้ด้วยตนเอง การแยกความแตกต่างเฉลี่ยนอกจากนี้เรายังสามารถใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่เพื่อให้ได้ค่าประมาณที่ดีขึ้นว่าช่วงเวลาของวันมีผลต่ออุณหภูมิโดยรวมอย่างไร เมื่อต้องการทำเช่นนี้ขั้นแรกให้ลบข้อมูลที่ราบเรียบออกจากการวัดอุณหภูมิรายชั่วโมง จากนั้นแบ่งส่วนข้อมูลที่แตกต่างออกเป็นวันและใช้เวลาเฉลี่ยมากกว่า 31 วันในเดือน Extracting Peak Envelope บางครั้งเราก็อยากจะมีการประมาณการที่แตกต่างกันอย่างราบรื่นว่าเสียงสูงและต่ำของสัญญาณอุณหภูมิของเรามีการเปลี่ยนแปลงทุกวัน ในการทำเช่นนี้เราสามารถใช้ฟังก์ชันซองจดหมายเพื่อเชื่อมต่อเสียงสูงและต่ำสุดที่ตรวจพบได้ในเซตย่อยของช่วงเวลา 24 ชั่วโมง ในตัวอย่างนี้เรามั่นใจว่าจะมีอย่างน้อย 16 ชั่วโมงระหว่างแต่ละระดับที่สูงมากและต่ำสุด นอกจากนี้เรายังสามารถรับรู้ได้ว่าเสียงสูงและต่ำมีแนวโน้มอย่างไรโดยการใช้ค่าเฉลี่ยระหว่างสองสุดขั้ว ตัวกรองเฉลี่ยถ่วงน้ำหนักแบบอื่นตัวเก็บประจุแบบอื่น ๆ ที่มีค่าเฉลี่ยเคลื่อนที่ไม่ได้มีน้ำหนักเท่ากัน ตัวกรองอื่น ๆ ตามการขยายตัวของสอง (12,12) n ตัวกรองชนิดนี้จะประมาณเส้นโค้งปกติสำหรับค่าที่มีขนาดใหญ่ของ n เป็นประโยชน์สำหรับการกรองเสียงรบกวนความถี่สูงสำหรับ n ขนาดเล็ก ในการหาค่าสัมประสิทธิ์สำหรับตัวกรองแบบทวินามให้หมุนตัว 12 12 ด้วยตัวเองแล้วค่อยๆหมุนวนเอาท์พุทด้วย 12 12 จำนวนครั้งที่กำหนด ในตัวอย่างนี้ใช้การวนซ้ำทั้งหมดห้าครั้ง ตัวกรองอื่นที่คล้ายกับตัวกรองการขยายตัวของ Gaussian คือตัวกรองค่าเฉลี่ยเลขยกกำลัง ตัวกรองค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักชนิดนี้ใช้งานง่ายและไม่ต้องใช้ขนาดหน้าต่างที่ใหญ่ คุณสามารถปรับตัวกรองเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักด้วยค่าพารามิเตอร์เลขคณิตตามพารามิเตอร์ alpha ระหว่างศูนย์และหนึ่ง ค่าอัลฟาจะสูงขึ้น ขยายการอ่านสำหรับหนึ่งวัน เลือกประเทศของคุณ