การย้าย ค่าเฉลี่ย Vs ต่ำ ผ่านการ กรอง

ค่าเฉลี่ยเคลื่อนที่เป็นตัวกรองค่าเฉลี่ยเคลื่อนที่มักใช้สำหรับการทำให้ข้อมูลมีความราบรื่นในที่ที่มีเสียงรบกวน ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายไม่ได้รับการยอมรับว่าเป็นตัวกรองฟิลลิ่งอิมพัลส์ตอบ (FIR) ในขณะที่เป็นหนึ่งในตัวกรองที่พบมากที่สุดในการประมวลผลสัญญาณ การรักษาด้วยฟิลเตอร์ช่วยให้สามารถเปรียบเทียบได้เช่นตัวกรอง windowed-sinc (ดูบทความเกี่ยวกับ low-pass high-pass และตัวกรอง band-pass และ band-reject สำหรับตัวอย่าง) ความแตกต่างสำคัญกับตัวกรองเหล่านี้คือค่าเฉลี่ยเคลื่อนที่เหมาะสำหรับสัญญาณที่มีข้อมูลที่เป็นประโยชน์ในโดเมนเวลา ซึ่งการวัดความเรียบโดยการเฉลี่ยเป็นตัวอย่างที่สำคัญ ตัวกรอง Windowed-sinc เป็นอีกทางเลือกหนึ่งที่มีประสิทธิภาพสูงในโดเมนความถี่ ด้วยการปรับเสียงในการประมวลผลเสียงเป็นตัวอย่างทั่วไป มีการเปรียบเทียบประเภทของตัวกรองทั้งสองประเภทในโดเมนเวลากับประสิทธิภาพของโดเมนความถี่ของตัวกรอง หากคุณมีข้อมูลที่ทั้งเวลาและโดเมนความถี่มีความสำคัญคุณอาจต้องการดูรูปแบบต่างๆใน Moving Average ซึ่งแสดงจำนวนรุ่นถ่วงน้ำหนักของค่าเฉลี่ยเคลื่อนที่ที่ดีกว่าที่ ค่าเฉลี่ยเคลื่อนที่ของความยาว (N) สามารถกำหนดเป็นลายลักษณ์อักษรได้ตามปกติโดยใช้ตัวอย่างการส่งออกปัจจุบันเป็นค่าเฉลี่ยของตัวอย่างก่อนหน้า (N) ค่าเฉลี่ยเคลื่อนที่จะมีการสลับของลำดับการป้อนข้อมูล (xn) กับชีพจรรูปสี่เหลี่ยมผืนผ้าที่มีความยาว (N) และความสูง (1N) (เพื่อทำให้พื้นที่ของชีพจรและจากนั้นได้รับการกรอง , หนึ่ง) ในทางปฏิบัติที่ดีที่สุดคือใช้ (N) แปลก แม้ว่าค่าเฉลี่ยเคลื่อนที่สามารถคำนวณได้โดยใช้จำนวนคู่ตัวอย่างโดยใช้ค่าแปลก ๆ สำหรับ (N) มีข้อได้เปรียบที่ความล่าช้าของตัวกรองจะเป็นจำนวนเต็มจำนวนตัวอย่างเนื่องจากความล่าช้าของตัวกรองด้วย (N) ตัวอย่างคือ (N-1) 2) ค่าเฉลี่ยเคลื่อนที่สามารถจัดตำแหน่งให้ตรงกับข้อมูลเดิมโดยการขยับโดยจำนวนเต็มจำนวนตัวอย่าง Time Domain เนื่องจากค่าเฉลี่ยเคลื่อนที่เป็นสวิทซ์ที่มีชีพจรรูปสี่เหลี่ยมผืนผ้าการตอบสนองต่อความถี่เป็นฟังก์ชัน sinc นี้ทำให้สิ่งที่ต้องการคู่ของตัวกรอง windowed sinc เนื่องจากเป็น convolution กับชีพจร sinc ที่ทำให้เกิดการตอบสนองความถี่เป็นรูปสี่เหลี่ยมผืนผ้า เป็นการตอบสนองความถี่ sinc ที่ทำให้ค่าเฉลี่ยเคลื่อนที่มีประสิทธิภาพต่ำในโดเมนความถี่ อย่างไรก็ตามจะทำงานได้ดีในโดเมนเวลา ดังนั้นจึงเหมาะที่จะทำข้อมูลให้ราบรื่นเพื่อขจัดเสียงรบกวนในขณะเดียวกันยังทำให้การตอบสนองต่อขั้นตอนอย่างรวดเร็ว (รูปที่ 1) สำหรับตัวอย่างเสียงแบบ Gaussian Noise (AWGN) ทั่วไปซึ่งมักจะสันนิษฐานโดยค่าเฉลี่ย (N) ตัวอย่างจะมีผลต่อการเพิ่ม SNR ด้วยปัจจัย (sqrt N) เนื่องจากเสียงสำหรับแต่ละตัวอย่างไม่มีความสัมพันธ์กันไม่มีเหตุผลที่จะปฏิบัติต่อแต่ละตัวอย่างแตกต่างกัน ดังนั้นค่าเฉลี่ยเคลื่อนที่ซึ่งจะทำให้แต่ละตัวอย่างมีน้ำหนักเท่ากันจึงจะสามารถกำจัดเสียงรบกวนได้สูงสุดสำหรับความคมชัดในการตอบสนองขั้นตอนที่กำหนด การดำเนินการเนื่องจากเป็นตัวกรอง FIR ค่าเฉลี่ยเคลื่อนที่สามารถนำมาใช้งานผ่านการบิด จากนั้นจะมีประสิทธิภาพเท่ากัน (หรือไม่มี) เช่นเดียวกับตัวกรอง FIR อื่น ๆ อย่างไรก็ตามสามารถนำมาใช้ซ้ำได้อย่างมีประสิทธิภาพ สูตรนี้เป็นผลมาจากนิพจน์สำหรับ (yn) และ (yn1) นั่นคือเมื่อเราสังเกตว่าการเปลี่ยนแปลงระหว่าง (yn1) และ (yn) คือคำว่าพิเศษ (xn1N) ปรากฏขึ้นที่ สิ้นสุดขณะที่คำ (xn-N1N) ถูกลบออกจากจุดเริ่มต้น ในทางปฏิบัติมักเป็นไปได้ที่จะออกไปหารด้วย (N) สำหรับแต่ละระยะโดยการชดเชยผลกำไรของ (N) ในที่อื่น การใช้งานแบบรีสตาร์ทนี้จะเร็วกว่า convolution แต่ละค่าใหม่ของ (y) สามารถคำนวณได้ด้วยการเพิ่มเพียงสองแบบแทนการเพิ่ม (N) ที่จำเป็นสำหรับการใช้คำจำกัดความที่ตรงไปตรงมา สิ่งหนึ่งที่มองออกไปด้วยการใช้งานแบบวนซ้ำคือข้อผิดพลาดในการปัดเศษจะสะสม ปัญหานี้อาจเป็นปัญหาสำหรับแอพพลิเคชันของคุณ แต่ก็หมายความว่าการใช้งานแบบรีสตาร์ทนี้จะทำงานได้ดีกว่าด้วยการใช้จำนวนเต็มมากกว่าที่มีเลขทศนิยม นี่เป็นเรื่องผิดปกติมากเนื่องจากการใช้งาน floating point มักจะง่ายกว่า ข้อสรุปของสิ่งนี้คือคุณไม่ควรประมาทประโยชน์ของตัวกรองค่าเฉลี่ยที่เคลื่อนที่ง่ายในการประมวลผลสัญญาณ เครื่องมือออกแบบตัวกรองบทความนี้ประกอบขึ้นด้วยเครื่องมือการออกแบบตัวกรอง ทดลองกับค่าที่แตกต่างกันสำหรับ (N) และให้เห็นภาพตัวกรองที่เป็นผลลัพธ์ ลองตอบตอนนี้การตอบสนองความถี่ของตัวกรองเฉลี่ยที่ใช้งานการตอบสนองความถี่ของระบบ LTI คือ DTFT ของการตอบสนองอิมพัลส์การตอบสนองต่อแรงกระตุ้นของค่าเฉลี่ยเคลื่อนที่แบบแอลเอสมีค่าเนื่องจากตัวกรองค่าเฉลี่ยเคลื่อนที่เป็น FIR การตอบสนองต่อความถี่จะลดลงเหลือน้อยที่สุด sum เราสามารถใช้เอกลักษณ์ที่มีประโยชน์มากในการเขียนการตอบสนองตามความถี่ที่เราได้ให้ ae minus jomega N 0 และ M L ลบ 1. เราอาจสนใจขนาดของฟังก์ชั่นนี้เพื่อหาความถี่ที่จะได้รับผ่านตัวกรองที่ไม่มีการลดทอนและจะถูกลดทอนลง ด้านล่างเป็นพล็อตของขนาดของฟังก์ชั่นนี้สำหรับ L 4 (สีแดง), 8 (สีเขียว) และ 16 (สีฟ้า) แกนแนวนอนมีตั้งแต่ศูนย์ถึง pi radian ต่อตัวอย่าง สังเกตได้ว่าในทั้งสามกรณีการตอบสนองต่อความถี่มีลักษณะ lowpass คอมโพเนนต์คงที่ (ความถี่เป็นศูนย์) ในอินพุตจะผ่านตัวกรองที่ไม่มีการลดทอน ความถี่ที่สูงขึ้นบางอย่างเช่น pi 2 จะถูกกำจัดออกโดยตัวกรอง อย่างไรก็ตามหากมีเจตนาในการออกแบบตัวกรองสัญญาณ Lowpass เราก็ยังไม่ได้ผลดีนัก บางส่วนของความถี่ที่สูงขึ้นจะลดทอนลงได้เพียงประมาณ 110 (สำหรับค่าเฉลี่ยเคลื่อนที่ 16 จุด) หรือ 13 (สำหรับค่าเฉลี่ยเคลื่อนที่สี่จุด) เราสามารถทำได้ดีกว่าที่ พล็อตข้างต้นถูกสร้างขึ้นโดยรหัส Matlab ต่อไปนี้: omega 0: pi400: pi H4 (14) (1-exp (-iomega4)) (1-exp (-iomega)) H8 (18) (1-exp (- (1-exp (-iomega16)) (1-exp (-iomega)) พล็อต (โอเมก้า, abs (H4) abs (H8) abs ( H16)) axis (0, pi, 0, 1) สำเนาลิขสิทธิ์ 2000- - University of California, BerkeleyIm เขียนบางสิ่งบางอย่างในขณะที่ Im ใช้พวงของค่าในช่วงเวลาจากเข็มทิศฮาร์ดแวร์ เข็มทิศนี้มีความถูกต้องและมีการอัปเดตบ่อยมากและด้วยเหตุนี้ถ้าหากกระตุกเล็กน้อยก็จะมีค่าคี่ที่ไม่สอดคล้องกับประเทศเพื่อนบ้าน ฉันต้องการทำให้คุณค่าเหล่านี้ราบรื่น หลังจากอ่านรอบแล้วดูเหมือนว่าสิ่งที่ฉันต้องการคือตัวกรองความถี่สูงตัวกรองความถี่ต่ำหรือค่าเฉลี่ยเคลื่อนที่ การย้ายค่าเฉลี่ยฉันสามารถลงได้เพียงเก็บประวัติของ 5 ค่าล่าสุดหรือสิ่งใดและใช้ค่าเฉลี่ยของค่าที่ปลายน้ำในโค้ดของฉันซึ่งฉันเพิ่งใช้ค่าล่าสุด ที่ควรฉันคิดว่าเรียบออก jiggles เหล่านั้นอย่าง แต่นัดฉันว่ามันอาจจะค่อนข้างไม่มีประสิทธิภาพและอาจเป็นหนึ่งในปัญหาที่รู้จักกันในการเขียนโปรแกรมที่เหมาะสมที่ theres แก้ปัญหาจริงๆฉลาด Clever. อย่างไรก็ตามฉันเป็นหนึ่งในโปรแกรมเมอร์ที่สอนตัวเองด้วยตัวเองโดยไม่ได้รับการศึกษาอย่างเป็นทางการในเรื่องใด ๆ ที่เกี่ยวข้องกับ CompSci หรือ Math อย่างคลุมเครือ อ่านรอบ bit แนะนำว่าอาจเป็นตัวกรอง pass สูงหรือต่ำ แต่ฉันลาดเทหาสิ่งที่อธิบายในแง่เข้าใจกับสับเช่นฉันว่าผลของขั้นตอนวิธีเหล่านี้จะอยู่ในอาร์เรย์ของค่านับประสาคณิตศาสตร์. โรงงาน คำตอบให้ที่นี่ เช่นในทางเทคนิคจะตอบคำถามของฉัน แต่ในแง่เข้าใจกับผู้ที่อาจจะรู้วิธีแก้ปัญหาแล้ว มันจะเป็นคนที่น่ารักและฉลาดจริงๆที่สามารถอธิบายการเรียงลำดับของปัญหานี้และวิธีการแก้ปัญหาการทำงานในแง่ที่เข้าใจการศึกษาศิลป์ ถาม 21 ก. ย. 52 เวลา 13:01 ถ้าค่าเฉลี่ยเคลื่อนที่ของคุณต้องยาวเพื่อให้ได้ความเรียบที่ต้องการและคุณไม่จำเป็นต้องมีเคอร์เนลใด ๆ เป็นพิเศษคุณก็จะดีกว่าถ้าคุณใช้ค่าเฉลี่ยเคลื่อนที่ที่สลายตัวแบบชี้แจง: ที่คุณ เลือกเล็ก ๆ ให้เป็นค่าคงที่ที่เหมาะสม (เช่นถ้าคุณเลือกขนาดเล็ก 1 - 1N จะมีค่าเฉลี่ยเท่ากันเป็นหน้าต่างขนาด N แต่กระจายแตกต่างกันไปตามจุดที่เก่ากว่า) อย่างไรก็ตามเนื่องจากค่าเฉลี่ยต่อไปของค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับข้อมูลก่อนหน้านี้และข้อมูลของคุณคุณไม่จำเป็นต้องเก็บคิวหรืออะไรเลย และคุณสามารถคิดเช่นนี้ได้เช่นการทำอะไรบางอย่างอย่างเช่น Well, Ive ได้รับจุดใหม่ แต่ฉันไม่ไว้วางใจมันจริงๆดังนั้นฉันจะเก็บค่าประมาณเก่าของการวัดของฉันไว้ 80 คะแนนและเชื่อใจเฉพาะจุดข้อมูลใหม่นี้ได้ 20. Thats สวยมากเช่นเดียวกับว่าดีฉันแค่ไว้ใจจุดใหม่ 20 และป่วยใช้ 4 จุดอื่น ๆ ที่ฉันไว้ใจในจำนวนเดียวกันยกเว้นที่ชัดเจนในการ 4 จุดอื่น youre สมมติว่าค่าเฉลี่ยที่คุณได้ครั้งล่าสุด มีเหตุผลเพื่อให้คุณสามารถใช้งานก่อนหน้านี้ได้ ตอบ Sep 21 10 at 14:27 Hey, ฉันรู้ว่านี่เป็นเวลา 5 ปี แต่ขอบคุณสำหรับคำตอบที่น่ากลัว ฉันกำลังทำงานกับเกมที่เสียงเปลี่ยนไปตามความเร็วของคุณ แต่เนื่องจากมีการเรียกใช้เกมบนคอมพิวเตอร์ที่มีความเร็วต่ำความเร็วจะแปรผันอย่างรุนแรงซึ่งเหมาะสำหรับพวงมาลัย แต่ก็น่ารำคาญมากในแง่ของเสียง นี่เป็นโซลูชันที่ง่ายและราคาถูกจริงๆสำหรับสิ่งที่ฉันคิดว่าเป็นปัญหาที่ซับซ้อนมาก ndash Adam Mar 16 15 at 20:20 หากคุณกำลังพยายามลบค่าแปลก ๆ เป็นครั้งคราวตัวกรองความถี่ต่ำจะเป็นตัวเลือกที่ดีที่สุดในสามตัวเลือกที่คุณระบุ ตัวกรองความถี่ต่ำช่วยให้สามารถเปลี่ยนความเร็วต่ำเช่นการหมุนด้วยเข็มทิศโดยใช้มือขณะที่ปฏิเสธการเปลี่ยนแปลงความเร็วสูงเช่นการเปลี่ยนแปลงที่เกิดจากการกระแทกบนท้องถนนเช่น ค่าเฉลี่ยเคลื่อนที่อาจไม่เพียงพอเนื่องจากผลกระทบของการ blip เดียวในข้อมูลของคุณจะมีผลต่อค่าที่ตามมาหลายค่าขึ้นอยู่กับขนาดของหน้าต่างเฉลี่ยที่เคลื่อนที่โดยเฉลี่ย ถ้าค่าคี่ถูกตรวจจับได้ง่ายคุณอาจจะดีกว่าด้วยอัลกอริธึมการกำจัดสัญญาณผิดพลาดที่สมบูรณ์ละเว้นข้อมูลต่อไปนี้เป็นกราฟ guick เพื่อแสดงให้เห็น: กราฟแรกเป็นสัญญาณอินพุต กราฟที่สองแสดงผลของค่าเฉลี่ยเคลื่อนที่ 10 ตัวอย่าง กราฟสุดท้ายคือการรวมกันของค่าเฉลี่ย 10 ตัวอย่างและอัลกอริธึมการตรวจจับความผิดพลาดแบบง่ายๆที่แสดงข้างต้น เมื่อมีการตรวจจับความผิดปกติจะใช้ค่าเฉลี่ย 10 ตัวอย่างแทนที่จะใช้ค่าจริง ตอบ Sep 21 10 at 13:38 อธิบายอย่างดีและคะแนนโบนัสสำหรับกราฟ) ndash Henry Cooke กันยายน 22 10 ที่ 0:50 Wow เห็นได้ชัดว่าคำตอบที่ดีดังกล่าว ndash Muis Jun 4 13 at 9:14 ค่าเฉลี่ยเคลื่อนที่เป็นตัวกรองความถี่ต่ำ ndash nomen Oct 21 13 at 19:36 ลองใช้ค่ามัธยฐานของการวิ่งลัดแทน ndash kert Apr 25 14 at 22:09 ค่าเฉลี่ยเคลื่อนที่ฉันสามารถลงด้วยได้ แต่ก็นัดฉันว่ามันอาจจะค่อนข้างไม่มีประสิทธิภาพ Theres จริงๆไม่มีเหตุผลที่ค่าเฉลี่ยเคลื่อนที่ควรจะไม่มีประสิทธิภาพ คุณเก็บจำนวนจุดข้อมูลที่คุณต้องการในบัฟเฟอร์บางส่วน (เช่นคิวแบบวงกลม) ในแต่ละจุดข้อมูลใหม่คุณจะป็อปค่าที่เก่าแก่ที่สุดและลบออกจากผลรวมและดันข้อมูลใหม่ล่าสุดและเพิ่มลงในยอดรวม ดังนั้นทุกจุดข้อมูลใหม่จริงๆ entails เท่านั้นที่นำมาบวกและลบ ค่าเฉลี่ยเคลื่อนที่ของคุณคือจำนวนเชิงซ้อนที่หารด้วยจำนวนค่าในบัฟเฟอร์ของคุณ มีปัญหาเล็กน้อยหากคุณได้รับข้อมูลพร้อม ๆ กันจากหลายเธรด แต่เนื่องจากข้อมูลของคุณมาจากอุปกรณ์ฮาร์ดแวร์ที่น่าสงสัยมากทีเดียว ค่าเฉลี่ยเคลื่อนที่ดูเหมือนไม่มีประสิทธิภาพสำหรับฉันเพราะคุณต้องเก็บบัฟเฟอร์ค่า - ดีกว่าแค่ทำคณิตศาสตร์เคลฟเวอร์บางอย่างที่มีค่าอินพุทและค่าที่ใช้ในปัจจุบันฉันคิดว่าเป็นวิธีการเฉลี่ยที่ชี้แจง โรงงาน การเพิ่มประสิทธิภาพที่ฉันได้เห็นสำหรับค่าเฉลี่ยเคลื่อนที่นี้คือการใช้แอมป์คิวที่มีความยาวคงที่เป็นตัวชี้ไปยังที่ที่คุณอยู่ในคิวนั้นและเพียงแค่เอาตัวชี้ไปรอบ ๆ (ด้วยหรือถ้า) Voila ไม่มี pushpop ที่มีราคาแพง Power for the amateurs พี่ชายของ Henry Cooke Sep 22 10 at 0:54 Henry: สำหรับค่าเฉลี่ยเคลื่อนที่แบบตรงๆคุณต้องใช้บัฟเฟอร์เพียงเพื่อให้คุณรู้ว่าค่าใดจะได้รับเมื่อมีการดันค่าถัดไป ที่กล่าวว่าแอมป์คิวยาวความยาวที่คุณกำลังอธิบายคือสิ่งที่ฉันหมายถึงคิวคิวเลขสี่เหลี่ยมนั่นคือเหตุผลที่ฉันบอกว่ามันไม่ได้มีประสิทธิภาพ สิ่งที่คุณคิดว่าฉันหมายถึงและหากการตอบสนองของคุณเป็นแถว quotan ที่จะเปลี่ยนค่าของมันกลับทุกครั้งที่ทำดัชนีเอา (เช่น std :: vector ใน C) ดีฉันก็เลยเจ็บฉันไม่ต้องการพูดคุยกับคุณอีกต่อไป) ndash Dan Tao Sep 22 10 at 1:58 Henry: ฉันไม่รู้เกี่ยวกับ AS3 แต่โปรแกรมเมอร์ Java มีคอลเล็กชันเช่น CircularQueue ที่การกำจัดตัวเอง (I39m ไม่ใช่ a นักพัฒนา Java ดังนั้นฉันแน่ใจว่ามีตัวอย่างที่ดีกว่านั่นคือสิ่งที่ฉันค้นพบจากการค้นหาของ Google อย่างรวดเร็ว) ซึ่งใช้งานฟังก์ชันที่เรากำลังพูดถึงอย่างแม่นยำ I39m ค่อนข้างมั่นใจภาษากลางและระดับล่างส่วนใหญ่ที่มีไลบรารีมาตรฐานมีบางอย่างที่คล้ายคลึงกัน (เช่นใน QueueltTgt) อย่างไรก็ตามผมเองก็เป็นปรัชญาด้วยเช่นกัน ทั้งหมดได้รับการอภัยแล้ว ndash Dan Tao Sep 22 10 at 12:44 ค่าเฉลี่ยเคลื่อนที่ที่สลายตัวตามเกณฑ์คงที่สามารถคำนวณด้วยมือโดยมีแนวโน้มเฉพาะถ้าคุณใช้ค่าที่ถูกต้อง ดู fourmilab. chhackdiete4 สำหรับความคิดเกี่ยวกับวิธีการทำเช่นนี้ได้อย่างรวดเร็วด้วยปากกาและกระดาษถ้าคุณต้องการหาค่าเฉลี่ยเคลื่อนที่ที่ถัวตามแบบเร่งด่วนด้วยการให้เรียบ 10 ครั้ง แต่เนื่องจากคุณมีคอมพิวเตอร์คุณอาจต้องการทำแบบไบนารีขยับตรงข้ามกับการหมุนเลขทศนิยม) วิธีนี้สิ่งที่คุณต้องเป็นตัวแปรสำหรับค่าปัจจุบันของคุณและค่าเฉลี่ย ค่าเฉลี่ยต่อไปจะสามารถคำนวณได้จากที่นั่น ตอบ Sep 21 10 at 14:39 theres เทคนิคที่เรียกว่าประตูช่วงที่ทำงานได้ดีกับต่ำปลอมตัวอย่างปลอม สมมติว่ามีการใช้เทคนิคตัวกรองดังกล่าวข้างต้น (ค่าเฉลี่ยเคลื่อนที่เลขยกกำลัง) เมื่อคุณมีประวัติที่เพียงพอ (หนึ่งค่าคงที่) คุณสามารถทดสอบตัวอย่างข้อมูลใหม่ที่เข้ามาได้เพื่อความสมเหตุสมผลก่อนที่จะถูกเพิ่มลงในการคำนวณ ต้องมีความรู้เกี่ยวกับอัตราการเปลี่ยนสัญญาณที่เหมาะสมที่สุด ตัวอย่างค่าดิบจะถูกเปรียบเทียบกับค่าที่ได้รับการปรับปรุงล่าสุดและถ้าค่าสัมบูรณ์ของความแตกต่างนั้นมากกว่าช่วงที่อนุญาตให้ใช้ตัวอย่างที่ถูกโยนออก (หรือแทนที่ด้วยฮิวริสติกบางส่วนเช่นการคาดการณ์ตามค่าความลาดเอียงหรือแนวโน้ม จาก 30 กิโลวัตต์ที่ 6: 56A แบบง่ายเสาเดียวผ่านต่ำไส้กรอง IIR recursive สามารถทำได้อย่างรวดเร็วและใช้งานง่ายเช่น (โดยทั่วไปคือค่าระหว่าง 0.9 ถึง 0.9999 โดยที่ k ใหญ่กว่าหมายถึงค่าคงที่ในระยะเวลานานกว่า) ค่า xf คือค่าที่วัดได้ ) คุณสามารถกำหนด k ตามความเป็นจริงหรือถ้าคุณรู้ว่าคุณต้องการตัดค่าความถี่ Fc จากนั้นคุณสามารถใช้สูตร: Fs คืออัตราตัวอย่าง โปรดทราบว่า xf, yf เป็นค่าก่อนหน้าของสัญญาณเอาท์พุทบน RHS และค่าเอาต์พุตใหม่บน LHS ของการแสดงออกด้านบน โปรดทราบว่าเราสมมติว่าคุณจะสุ่มตัวอย่างสัญญาณ accelerometer ในช่วงเวลาปกติเช่น ทุก 10 ms คาคงที่ของเวลาจะเปนฟงกชั่นทั้งคูและชวงการชักตัวอยางนี้