Table of Contents
سنسورهای جاسازی شده به طور گسترده ای در برنامه های مختلف برای جمع آوری داده ها از محیط زیست استفاده می شوند، با این حال، خواندن سنسور اغلب حاوی سر و صدا است که می تواند بر دقت و قابلیت اطمینان داده ها تأثیر بگذارد. پیاده سازی روش های موثر فیلتر کردن نویز برای بهبود عملکرد سنسور و اطمینان از اندازه گیری دقیق ضروری است.
منابع نویز مشترک در سنسورهای جاسازی شده
سر و صدا سنسور می تواند از منابع متعدد، از جمله مداخله الکترونیکی، شرایط محیطی و محدودیت های سنسور ذاتی سرچشمه گیرد. درک این منابع کمک می کند تا تکنیک های فیلترینگ مناسب را برای کاهش اثرات آنها انتخاب کنند.
فیلتر کردن تکنیک های کاهش نویز
چندین روش برای فیلتر کردن سر و صدا از داده های سنسور استفاده می شود.انتخاب بستگی به برنامه خاص، نوع سنسور و ویژگی های سر و صدا دارد.
میانگین فیلتر متحرک
این تکنیک ساده میانگین تعداد مجموعه ای از خواندن های اخیر را محاسبه می کند، نوسانات کوتاه مدت را هموار می کند.
فیلتر رسانه ای
فیلتر رسانه ای جایگزین هر نقطه داده با رسانه های نقاط همسایه، به طور موثر حذف خارج از خارج و سر و صدای تکان دهنده.
فیلتر Kalman
فیلتر Kalman یک الگوریتم بازگشتی است که وضعیت واقعی یک سیستم را با به حداقل رساندن معنای خطاهای مربعی، مناسب برای سیستم های پویا با سر و صدا برآورد می کند.
پیاده سازی
هنگام پیاده سازی فیلتر سر و صدا در سیستم های جاسازی شده، قدرت پردازش، محدودیت های حافظه و نیازهای زمان واقعی را در نظر بگیرید. الگوریتم های کارآمد و کد بهینه شده برای فیلترینگ موثر بدون به خطر انداختن عملکرد سیستم ضروری هستند.
دانلود بازی Filtering Method
- [[۱] [۱۰] میانگین متحرک: [[۱۰] [۱۰] [۱۰] [۱۰] [۱]] ساده و موثر برای کاهش سر و صدا تصادفی.
- [در این باره] [و] [از این رو] فیلتر [[۱]]: [[۱]] [۱] [۱] [۱] بهترین گزینه برای حذف سر و صدا و بیرون راندن [و] است.
- فیلتر (FLT:1) برای سیستم های پویا با مدل های قابل پیش بینی مناسب است.