Как отфильтровать случайные всплески в показаниях, взятых с датчика? Были сняты показания c датчика.
К примеру,
4.9, 5.1, 3.8, 3.9, 4.0, 2881.3 (БА-БАХ!), 4.6, 4.3
Какие имеются способы фильтрации данных с такими случайными всплесками?
У меня возникла мысль брать, скажем, 50 последних отсчётов показаний и вычислять для них cреднеквадратическое отклонение (σ). В случае если текущее показание отличается на более чем 1σ/2σ/3σ, то принять его как "неадекватное" и приравнять к значению предыдущего показания. Но возникает вопрос: а можно ли избежать повторного вычисления σ
для каждого отсчёта заново?
Хорошая ли это идея или есть более оптимальные способы фильтрации?
Как отфильтровать случайные всплески в показаниях, взятых с датчика? Были сняты показания c датчика.
К примеру,
4.9, 5.1, 3.8, 3.9, 4.0, 2881.3 (БА-БАХ!), 4.6, 4.3
Какие имеются способы фильтрации данных с такими случайными всплесками?
У меня возникла мысль брать, скажем, 50 последних отсчётов показаний и вычислять для них cреднеквадратическое отклонение (σ). В случае если текущее показание отличается на более чем 1σ/2σ/3σ, то принять его как "неадекватное" и приравнять к значению предыдущего показания. Но возникает вопрос: а можно ли избежать повторного вычисления σ
для каждого отсчёта заново?
Хорошая ли это идея или есть более оптимальные способы фильтрации?
К примеру,
4.9, 5.1, 3.8, 3.9, 4.0, 2881.3 (БА-БАХ!), 4.6, 4.3
Какие имеются способы фильтрации данных с такими случайными всплесками?
У меня возникла мысль брать, скажем, 50 последних отсчётов показаний и вычислять для них cреднеквадратическое отклонение (σ). В случае если текущее показание отличается на более чем 1σ/2σ/3σ, то принять его как "неадекватное" и приравнять к значению предыдущего показания. Но возникает вопрос: а можно ли избежать повторного вычисления σ
для каждого отсчёта заново?
Хорошая ли это идея или есть более оптимальные способы фильтрации?
Не можешь разобраться в этой теме?
Обратись за помощью к экспертам
Гарантированные бесплатные доработки в течение 1 года
Быстрое выполнение от 2 часов
Проверка работы на плагиат
Поможем написать учебную работу
Один из способов фильтрации случайных всплесков в данных с датчика - использование фильтра Калмана. Фильтр Калмана - это математический алгоритм, который позволяет оценивать текущее состояние системы на основе предыдущих измерений с учетом их ошибок.
Фильтр Калмана имеет ряд преимуществ перед простым методом вычисления среднего и стандартного отклонения, так как он учитывает не только текущее измерение, но и его динамику, что позволяет более точно фильтровать шумы и случайные всплески в данных.
Однако реализация и настройка фильтра Калмана требует определенных знаний и умений, поэтому если у вас нет опыта в этом, может быть проще остаться при вашем предложенном методе с вычислением среднего и стандартного отклонения.
Что касается вашего вопроса о повторном вычислении среднего и стандартного отклонения для каждого отсчета - это действительно неэффективно с точки зрения вычислительных затрат. Можно вычислить среднее и стандартное отклонение для некоторого количества предыдущих отсчетов и затем использовать их для фильтрации данных. Также можно использовать скользящее окно для вычисления среднего и стандартного отклонения на основе последних N отсчетов.