CN109450405A - 一种应用于ad采集中的复合式软件滤波方法及系统 - Google Patents
一种应用于ad采集中的复合式软件滤波方法及系统 Download PDFInfo
- Publication number
- CN109450405A CN109450405A CN201811290532.8A CN201811290532A CN109450405A CN 109450405 A CN109450405 A CN 109450405A CN 201811290532 A CN201811290532 A CN 201811290532A CN 109450405 A CN109450405 A CN 109450405A
- Authority
- CN
- China
- Prior art keywords
- data
- acquisition
- value
- numbers
- ordered series
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000003780 insertion Methods 0.000 claims abstract description 3
- 230000037431 insertion Effects 0.000 claims abstract description 3
- 238000011161 development Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 22
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 241000287196 Asthenes Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004106 carminic acid Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0201—Wave digital filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0219—Compensation of undesirable effects, e.g. quantisation noise, overflow
Abstract
本发明公开了一种应用于AD采集中的复合式软件滤波方法及系统，包括：取最新连续实测值N项进行排序，选用“折半插入排序”算法得到一组按设定顺序排列的数列；采用中值平均滤波算法对得到的数列进行处理；得到M项预处理值；将得到的预处理值按时序进行存储，得到一组包含M个预处理值的数列；采用改进的滑动平均滤波法对每个周期下的M个数据分别进行滤波，得到一组新的数列；对新数列进行数据平滑处理。本发明有益效果：能够抑制外界干扰导致的采集信号的异常波动性，尽可能的避免外界信号的干扰，减小采集数据的误差，提高系统的稳定性。
Description
技术领域
本发明属于信号处理技术领域，具体涉及在对AD采集(将模拟信号转化成数字信号)信号进行软件滤波处理时的一种复合式滤波方法及系统。
背景技术
随着电子技术和数字技术的飞速发展，信号的传输速度和CPU的处理速度越来越快，因此对数据采集和处理的要求也越来越高。在单片机硬件系统中，模数转换电路是把接收到模拟信号转换成等效数字量的量化过程，其中所搭载的A/D芯片输出数字信号，通过在程序中设定采样频率，采用中断法或查询法获取到主CPU能够接收的电压信号。
理论上讲单片机从A/D芯片上采集的信号就是需要的量化信号，但是由于存在电路的相互干扰、电源噪声干扰和电磁干扰，在A/D芯片的模拟输入信号上会叠加周期或者非周期的干扰信号，并会被附加到量化值中，给信号带来一定的恶化。考虑到数据采集的实时性和安全性，需要对采集的数据进行滤波处理，以尽量减小干扰信号的影响。当硬件电路已成型并成批量生产后，常使用软件滤波以减少误差，且无需考虑阻抗匹配问题，比如：中位值滤波法、算数平均滤波法等；而对那些像时间、液位等缓慢变化的被测数据量而言，系统采集频率无需太频繁，可利用时间换取数据的精确度。即通过较长周期内的原始数据处理，输出逼近真实值的期望值数据。但是上述滤波方法均无法有效抑制无规律的高频信号以及周期性的干扰，除整体数据偏差较大外还存在平滑度较差的问题。
发明内容
为了解决背景技术中指出的问题，本发明公开了一种应用于AD采集中的复合式软件滤波方法及系统，能够有效抑制外界干扰导致的采集信号的异常波动性，尽可能的避免外界信号的干扰，减小采集数据的误差，提高系统的稳定性。
为了实现上述目的，本发明采用如下技术方案：
在一个或多个实施方式中公开的一种应用于AD采集中的复合式软件滤波方法，包括：
(1)获取AD转换后的原始时序数据，开辟一定空间进行顺序存储；
(2)取N项最新的连续实测值进行排序，得到一组按设定顺序排列的数列；
(3)为了去除随机噪声干扰，采用中值平均滤波算法对步骤(2)中得到的数列进行处理，分别舍弃数列前端和后端的X项数据，将剩余数据求平均后，得到一项预处理值；
(4)重复步骤(2)-步骤(3)，得到M项预处理值；
(5)定义一个时间周期为T、存储空间为M的窗口，将得到的预处理值按时序进行存储，得到一组包含M个预处理值的数列；
(6)为了进一步去除周期性噪声干扰，采用改进的滑动平均滤波法对每个周期下的M个数据分别进行滤波，得到一组新的数列；
(7)对于步骤(6)得到的新数列，在数据采集的初始时刻，对步骤(6)中输出的所有数据进行监听，设定监听有效时间窗口为E1，在窗口内从头至尾依次比较数列中相邻两个数据的偏移量：
如果所述偏移量大于设定的阈值G一次且之后时间E2内的数据接近于偏移发生前的数据，则视为发生偶然性数据偏移，此时后一个数据输出偏移前后两数据的平均值；
如果所述偏移量大于设定的阈值G一次且之后时间E2内的数据始终保持稳定的偏移量，即发生偏移后E2时间内的其他数据与偏移前E2时间内所有数据的均值的差值小于阈值G，则视为发生阶段性数据偏移，对发生偏移的数据进行差额补偿；
如果数据偏移量小于设定的阈值G，则后一个数据直接输出。
如果发生“阶段性数据偏移”，则需要进行数据的“差额补偿”，即在发生“阶段性数据偏移”后的每项数据的基础上增加或减去固定值作为每项的最终值输出，记为补偿值B，以补偿此处的数据发生的阶段性偏移。
进一步地，所述补偿值B的正负取决于偏移量的正负，补偿值B的大小取决于发生阶段性数据偏移事件前后E2时间内所有数据的大小；E2＜E1，E2的大小建议取为E1的20％。
进一步地，“改进的滑动平均滤波法”具体为：
在获取M个预处理值后，求取第一个窗口下的平均值，输出一个期望值；
舍弃窗口前端最先获取的设定数量的数据并补入相同数量的最新采集到的数据到队尾，再进行第二次求平均运算，输出第二个期望值；
以此类推，该窗口内所有数据全部更新完成后视为一个循环周期，一个循环周期对应实际采样时间T。
进一步地，舍弃窗口前端的数据量占总数据量的比例值记为R，R的取值建议为10％-30％,优选为20％(此处依据数据模型仿真结果或实际滤波效果进行调整，获取所数据模型滤波处理的最优比例)；
其中，所述T的大小根据采样频率和处理器运算能力设定，所以若选用20％的更新范围，则一个循环周期刚好对应5个期望值，按时序将所得到的期望值顺序存储，形成新的数列。
进一步地，步骤(2)中的排序方法建议采用二分法插入排序。
进一步地，步骤(4)中M值大小最好大于5且为5的倍数。
进一步地，步骤(7)中应当尽可能确保新数列中前段数据的有效性，因为有时干扰是由于外界邻近的某些设备启停所触发的噪声扰动，所以前段数据应经验证后可直接视为有效数据，若信号干扰一开始便一直存在，则可利用其他精密测试仪器获取初始有效值作为初始滤波的参考值。
进一步地，如果所选用硬件运算存储环境比较有限，可分别输出每个步骤处理后的数据进行分析，若达到系统应用的要求，可舍弃剩余处理步骤或根据分析结果选用其中部分步骤按上述先后顺序进行处理以减轻滤波处理对系统RAM所占用的压力。
在一个或多个实施方式中公开的一种应用于AD采集中的复合式软件滤波系统，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述程序实现上述的应用于AD采集中的复合式软件滤波方法。
在一个或多个实施方式中公开的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述的应用于AD采集中的复合式软件滤波方法。
本发明有益效果：
由于AD采集的原始数据成不规则跳变，无法直接用来作为检测信号的判断依据，比如交流充电桩充电控制器针对充电枪枪内的实测温度采集，一秒采集一次，得到的一分钟内的平均误差可达到20摄氏度，即使调节采样频率或仅采用单一滤波方法，仍无明显改善效果；本方案的滤波方法能够针对复杂噪声环境，分级处理各类型噪声对AD采集的扰动，有效滤除电路中各类型的噪声干扰，减小采集数据的误差，提高系统的稳定性。
仍然以交流充电桩充电控制器温度采集数据为例，充电过程中枪口温度会随着充电时长增加而升高，充电控制器将对此进行温度采集作为过温告警的依据，温度超过某值即会断开交流输出并报警以进行保护动作。由于靠近大功率输出充电线路并存在一定的高频电磁干扰，导致控制器采集数据发生不规则的偏移和波动，导致温度告警误报从而影响充电。而经过本方案的方法处理后，数据平滑度明显提高，输出温度值保持稳定趋势，逼近实测值，在较强干扰环境中误差降至3摄氏度以内，对充电过程中的高温告警来说已达目标要求。此方法适用于被测量波动性较小的系统，最终效果由之前与处理步骤中所设定参数有关，如中值滤波时舍弃的数据量X、滑动窗口比例值R、限幅滤波时的阈值G以及监听窗口E1、E2等。这些参数可根据外界变化进行适当调整，就流充电桩充电控制器温度采集而言，如系统经处理获取的温度大于55摄氏度或交流输出接触器吸合时，适当减小中值滤波时舍弃的数据量X和限幅滤波时的阈值G等。
附图说明
图1为偶然性数据偏移示例示意图；
图2为对第一次偶然性数据偏移处理效果图；
图3为对第二次偶然性数据偏移处理效果图；
图4为阶段性数据偏移示例示意图；
图5为发生阶段性数据偏移后第一次阶段性数据偏移处理效果图；
图6为发生阶段性数据偏移后第二次阶段性数据偏移处理效果图；
图7为发生阶段性数据偏移后第三次阶段性数据偏移处理效果图；
图8为发生阶段性数据偏移后第四次线性化效果图；
图9为应用于AD采集的复合式滤波方法流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步的说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本方案公开了一种应用于AD采集中的复合式软件滤波方法，如图9所示，包括：
获取AD转换后的原始时序数据，开辟一定空间进行顺序存储；
取N项最新的连续实测值进行排序，得到一组递增或者递减的数列{n1，n2，...，nN}；
对得到的递增或者递减的数列进行处理，分别舍弃数列前端和后端的X项数据，其中X不大于0.5N，将剩余数据求平均后，得到一项预处理值
重新获取N项最新的连续实测值进行排序，重复上述操作M次，最终的到M项预处理值。
优选地，M的数值大于5且为5的倍数。
定义一个时间周期为T、存储空间为M的窗口，按时序进行存储，得到一组包含M个预处理值的数列，即数列
采用“改进的滑动平均滤波法”进行二次滤波，滑动步长定为D＝0.2M。即在获取M个处理值后，求得第一个窗口下的平均值，输出一个期望值；再将窗口平移，舍弃窗口前端20％的数据并再填入最新的0.2M个数据后进行第二次求平均运算，输出第二个期望值，以此类推。
当该窗口内的原始数据全部更新完成后可视为一个循环周期，一个周期结束刚好获取到5个期望值，得到一组新的序列
为了保证数据的平滑性和稳定性，防止数据发生偏移，对获得的每个处理值再分别进行逐次和大范围限幅滤波处理。
其中，逐次限幅滤波处理为：按时序排列得到的期望值并进行监听，设定监听有效时间窗口为E1，在窗口内从头至尾依次比较数列中相邻两个数据的差值，如果差值大于设定的阈值G且发生偏移后E2时间内的其他数据与偏移前E2时间内所有数据的均值的差值小于阈值G，则舍弃此处偏移较大的值而选用邻近的均值代替，以此来排除阶段性数据偏移；当两者差值未超过阈值G则直接作为最终值输出。
比如获取连续的期望值参数如图1所示，实线框代表时间窗口E1，虚线框代表偏移前时间窗口E2，点虚线框代表偏移后时间窗口E1。
窗口E1为时间内获取其中10个值窗口E2时间内可获取2个值(推荐取20％的比例)，设置阈值G，当监听到和时发现两者差值大于G且与差值小于G，则将值赋给作为第六项数据输出，然后下一步求取与的差值进行比较；若和的差值小于G，则的值不变，直接输出为然后下一步求取与的差值进行比较，直至将E1窗口内的所有数据比较完。
下一步，如图2所示，更新窗口内所有数据进一步识别第二个窗口周期内的偶然性数据偏移。注意保留上一个周期的末尾值，在更新窗口内数据后首先与首项数据比较，保证数据处理的连续性。处理发现当监听到和时发现两者差值大于G且与差值小于G，视为出现第二次偶然性偏移，利用同样处理方法处理即可。
从图3可以看出，原先呈现连续攀升的数据内的两处偶然性偏移值经处理后消失，转变为更加线性化的数据曲线。其中，图3中，实现代表逐次限幅滤波前的期望值，虚线代表逐次限幅滤波后的输出值。
原则上将，发生数据偏移事件前后的窗口应该是E2，但一开始数据可能不全。比如先输出后发现和对应位置数据发生偏移，应比较和的差值。
大范围限幅滤波处理为：当上述在有效时间窗口E1内发生数据偏移之后E2时间内数据保持稳定的数据偏移，即偏移之后的数据与偏移前数据的差值在时间E2内始终保持在的阈值G，则进行差额补偿，补偿值B的大小取发生偏移事件前后各时间E2内所有数据的均值的差值的平均值与数据“等差估计值”的求和，补偿值B的正负取决于此处偏移值的正负，其中，“等差估计值”为发生偏移事件前后各相邻数据(除偏移相邻数据)之间差值的绝对值的均值。
图4给出了阶段性偏移示例，其中，实线框代表时间窗口E1，虚线框代表偏移前时间窗口E2，点虚线框代表偏移后时间窗口E1。如图4所示数据，当在进行逐次滤波处理过程中，监听到和时发现两者差值大于G，然后比较与差值发现仍然大于设定阈值G，则在基础上进行增加补偿值B，补偿值B的大小等于正负号取决于和的大小，若则为正，反之为负，差额补偿后，作为第6项数据输出，作为第7项数据输出，然后下一步求取与的差值进行比较；若此时监听到和时发现两者差值小于G，则的值不变，直接输出为然后下一步求取与的差值进行比较。
如图5所示，当监听到与时出现第2次阶段性偏移，利用同样方法进行处理，以此类推，在图6中发现第3次阶段性偏移，直至如图7所示的最后一次满足偶然性偏移条件，按逐次滤波算法进行处理，处理效果见图8。对比图4中的曲线和图8中的虚线发现，原始数据的偏移部分被整体拟合到非偏移的趋势线上，实现大范围内限幅滤波的目的，解决因为某些叠加的干扰信号对测试仪器的长时段的干扰。
可以发现，每N项实测值仅得到一项预处理值，每M项预处理值仅得到5个准期望值(由滑动比例值R决定)，则原始的N*M项实测值进行多级处理后仅对应5个最终期望值输出，随时间推移，当获取到新的一组N*M项数据后又得到5个新的最终期望值。而且，因为每N项数据随时间更新，所以相邻预处理值之间存在时序性，继而最终输出期望值之间也同样满足时间连续性。因此，像利用单片机作主控的信号采集系统可根据实时采集数据进行跟随处理，所得结果具有时效性。
将上述方法应用于交流充电桩的充电枪枪内温度采集数据的处理，能够有效滤除电路中的高频噪声干扰以及周期性的工频电磁干扰，减小采集数据的误差，提高充电枪枪口过温告警的准确性。并且，数据平滑度明显提高，输出温度值保持稳定趋势，逼近实测值，在较强干扰环境中误差降至3摄氏度以内(温度可测区间0～120度)，这对充电过程中的高温告警来说已达目标要求。
另外，本发明的滤波方法是根据单片机实时处理数据得到的经验算法，但同样适用于广义计算机系统下的软件滤波处理，如需要对模拟量数据滤波的自动控制系统、动态处理仪表/传感器实时数据的干扰环境下的系统、静态处理离网的数据库数据等等。
实施例二
本发明公开了一种应用于AD采集中的复合式软件滤波系统，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述程序实现实施例一所述的应用于AD采集中的复合式软件滤波。
实施例三
本发明公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行实施例一所述的应用于AD采集中的复合式软件滤波方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种应用于AD采集中的复合式软件滤波方法，其特征在于，包括以下步骤：
(1)获取AD转换后的原始时序数据，开辟一定空间进行顺序存储；
(2)取N项最新的连续实测值进行排序，得到一组按设定顺序排列的数列；
(3)采用中值平均滤波算法对步骤(2)中得到的数列进行处理，分别舍弃数列前端和后端的X项数据，将剩余数据求平均后，得到一项预处理值；
(4)重复步骤(2)-步骤(3)，得到M项预处理值；
(5)定义一个时间周期为T、存储空间为M的窗口，将得到的预处理值按时序进行存储，得到一组包含M个预处理值的数列；
(6)采用改进的滑动平均滤波法对每个周期下的M个数据分别进行滤波，得到一组新的数列；
(7)对于步骤(6)得到的新数列，在数据采集的初始时刻，对步骤(6)中输出的所有数据进行监听，设定监听有效时间窗口为E1，在窗口内从头至尾依次比较数列中相邻两个数据的偏移量：
如果所述偏移量大于设定的阈值G一次且之后时间E2内的数据接近于偏移发生前的数据，则视为发生偶然性数据偏移，此时后一个数据输出偏移前后两数据的平均值；
如果所述偏移量大于设定的阈值G一次且之后时间E2内的数据始终保持稳定的偏移量，则视为发生阶段性数据偏移，对发生偏移的数据进行差额补偿；
如果数据偏移量小于设定的阈值G，则后一个数据直接输出。
2.如权利要求1所述的一种应用于AD采集中的复合式软件滤波方法，其特征在于，所述步骤(7)中进行差额补偿具体为在步骤(7)输出数据的基础上增加或减去固定值B后作为一次最终值输出，以补偿此处的数据偏移。
3.如权利要求2所述的一种应用于AD采集中的复合式软件滤波方法，其特征在于，所述固定值B的正负取决于偏移量的正负，固定值B的大小取发生阶段性数据偏移事件前E2时间内所有数据均值与发生阶段性数据偏移事件后E2时间内所有数据均值的差值；E2＜E1。
4.如权利要求1所述的一种应用于AD采集中的复合式软件滤波方法，其特征在于，所述改进的滑动平均滤波法具体为：
在获取M个预处理值后，求取第一个窗口下的平均值，输出一个期望值；
舍弃窗口前端最先获取的设定数量的数据并补入相同数量的最新采集到的数据到队尾，再进行第二次求平均运算，输出第二个期望值；
以此类推，该窗口内所有数据全部更新完成后视为一个循环周期，一个循环周期对应实际采样时间T；
按时序排列得到的期望值形成新的数列。
5.如权利要求4所述的一种应用于AD采集中的复合式软件滤波方法，其特征在于，舍弃窗口前端的数据量占总数据量的比例值记为R，R的取值建议为10％-30％,优选为20％。
6.如权利要求1所述的一种应用于AD采集中的复合式软件滤波方法，其特征在于，所述步骤(2)中，对于N项最新的连续实测值进行排序，采用二分法插入排序得到一组按设定顺序排列的数列。
7.如权利要求1所述的一种应用于AD采集中的复合式软件滤波方法，其特征在于，分别输出每个步骤处理后的数据进行分析，若达到系统应用的要求，则舍弃剩余处理步骤。
8.如权利要求1所述的一种应用于AD采集中的复合式软件滤波方法，其特征在于，所述步骤(4)中，M的数值大于5且为5的倍数。
9.一种应用于AD采集中的复合式软件滤波系统，其特征在于，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述程序实现权利要求1-8任一项所述的应用于AD采集中的复合式软件滤波方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行权利要求1-8任一项所述的应用于AD采集中的复合式软件滤波方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811290532.8A CN109450405B (zh) | 2018-10-31 | 2018-10-31 | 一种应用于ad采集中的复合式软件滤波方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811290532.8A CN109450405B (zh) | 2018-10-31 | 2018-10-31 | 一种应用于ad采集中的复合式软件滤波方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109450405A true CN109450405A (zh) | 2019-03-08 |
| CN109450405B CN109450405B (zh) | 2022-09-16 |
Family
ID=65549135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811290532.8A Active CN109450405B (zh) | 2018-10-31 | 2018-10-31 | 一种应用于ad采集中的复合式软件滤波方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109450405B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112611465A (zh) * | 2021-03-03 | 2021-04-06 | 苏州华芯微电子股份有限公司 | 目标红外感应判定方法和装置、电子设备 |
| CN112729587A (zh) * | 2020-12-15 | 2021-04-30 | 珠海格力电器股份有限公司 | 温度检测电路、冰箱及温度检测方法 |
| CN113562493A (zh) * | 2020-04-28 | 2021-10-29 | 精工爱普生株式会社 | 介质进给装置、图像读取装置及介质进给方法 |
| CN113819957A (zh) * | 2021-10-28 | 2021-12-21 | 上海建科工程咨询有限公司 | 一种整体爬升钢平台施工安全监理辅助方法及系统 |
| CN115219062A (zh) * | 2022-04-18 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种设备的温度确定方法、装置、设备及存储介质 |
| CN113819957B (zh) * | 2021-10-28 | 2024-05-14 | 上海建科工程咨询有限公司 | 一种整体爬升钢平台施工安全监理辅助方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1204187A (zh) * | 1997-05-13 | 1999-01-06 | 松下电器产业株式会社 | 无线电接收系统 |
| US20080192957A1 (en) * | 2007-02-09 | 2008-08-14 | Katsutoshi Kubo | Filter coefficient calculation device, filter coefficient calculation method, control program, computer-readable storage medium, and audio signal processing apparatus |
| US20140140452A1 (en) * | 2012-11-21 | 2014-05-22 | Texas Instruments Incorporated | Crest factor reduction for signals with dynamic power and frequency distribution |
| CN106597333A (zh) * | 2016-12-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种磁共振并行成像方法及磁共振成像系统 |
| CN106897090A (zh) * | 2017-02-06 | 2017-06-27 | 山东鲁能智能技术有限公司 | 一种嵌入式设备程序升级方法及系统 |
| US20170264316A1 (en) * | 2016-03-10 | 2017-09-14 | Samsung Electronics Co., Ltd. | Apparatus and method for receiving signal in communication system supporting low density parity check code |
| CN107863913A (zh) * | 2017-11-24 | 2018-03-30 | 成都雅骏新能源汽车科技股份有限公司 | 一种旋转变压器的解码方法和系统 |
| CN107967240A (zh) * | 2017-11-23 | 2018-04-27 | 大连理工大学 | 基于人工地震动生成过程的耐震时程加速度优化算法 |
| CN108030485A (zh) * | 2017-10-30 | 2018-05-15 | 上海大爱城数据服务有限公司 | 基于压电传感器的心率数据点提取算法 |
-
2018
- 2018-10-31 CN CN201811290532.8A patent/CN109450405B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1204187A (zh) * | 1997-05-13 | 1999-01-06 | 松下电器产业株式会社 | 无线电接收系统 |
| US20080192957A1 (en) * | 2007-02-09 | 2008-08-14 | Katsutoshi Kubo | Filter coefficient calculation device, filter coefficient calculation method, control program, computer-readable storage medium, and audio signal processing apparatus |
| US20140140452A1 (en) * | 2012-11-21 | 2014-05-22 | Texas Instruments Incorporated | Crest factor reduction for signals with dynamic power and frequency distribution |
| US20170264316A1 (en) * | 2016-03-10 | 2017-09-14 | Samsung Electronics Co., Ltd. | Apparatus and method for receiving signal in communication system supporting low density parity check code |
| CN106597333A (zh) * | 2016-12-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种磁共振并行成像方法及磁共振成像系统 |
| CN106897090A (zh) * | 2017-02-06 | 2017-06-27 | 山东鲁能智能技术有限公司 | 一种嵌入式设备程序升级方法及系统 |
| CN108030485A (zh) * | 2017-10-30 | 2018-05-15 | 上海大爱城数据服务有限公司 | 基于压电传感器的心率数据点提取算法 |
| CN107967240A (zh) * | 2017-11-23 | 2018-04-27 | 大连理工大学 | 基于人工地震动生成过程的耐震时程加速度优化算法 |
| CN107863913A (zh) * | 2017-11-24 | 2018-03-30 | 成都雅骏新能源汽车科技股份有限公司 | 一种旋转变压器的解码方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| CHEN DONG等: "A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs", 《SCIENCE CHINA(INFORMATION SCIENCES)》 * |
| M.T.GHORBANI: "Line of sight waypoint guidance for a container ship based on frequency domain identification of Nomoto model of vessel", 《JOURNAL OF CENTRAL SOUTH UNIVERSITY》 * |
| 朱威等: "基于噪声点多级检测的自适应中值滤波算法", 《光电工程》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113562493A (zh) * | 2020-04-28 | 2021-10-29 | 精工爱普生株式会社 | 介质进给装置、图像读取装置及介质进给方法 |
| CN113562493B (zh) * | 2020-04-28 | 2024-03-12 | 精工爱普生株式会社 | 介质进给装置、图像读取装置及介质进给方法 |
| CN112729587A (zh) * | 2020-12-15 | 2021-04-30 | 珠海格力电器股份有限公司 | 温度检测电路、冰箱及温度检测方法 |
| CN112611465A (zh) * | 2021-03-03 | 2021-04-06 | 苏州华芯微电子股份有限公司 | 目标红外感应判定方法和装置、电子设备 |
| CN113819957A (zh) * | 2021-10-28 | 2021-12-21 | 上海建科工程咨询有限公司 | 一种整体爬升钢平台施工安全监理辅助方法及系统 |
| CN113819957B (zh) * | 2021-10-28 | 2024-05-14 | 上海建科工程咨询有限公司 | 一种整体爬升钢平台施工安全监理辅助方法及系统 |
| CN115219062A (zh) * | 2022-04-18 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种设备的温度确定方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109450405B (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109450405A (zh) | 一种应用于ad采集中的复合式软件滤波方法及系统 | |
| CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 | |
| Zhao et al. | A new approach to the prediction of passenger flow in a transit system | |
| CN103854068A (zh) | 一种居民小区短期负荷预测方法 | |
| CN107480815A (zh) | 一种电力系统台区负荷预测方法 | |
| CN112130086B (zh) | 一种动力电池剩余寿命预测方法及系统 | |
| CN102636624B (zh) | 铝电解过程电解槽中氧化铝浓度的软测量方法 | |
| CN109726802B (zh) | 一种铁路和风电场环境风速机器学习预测方法 | |
| CN111967688A (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
| CN109146186A (zh) | 一种基于双重分解的短期风电功率预测方法 | |
| CN110414442B (zh) | 一种压力时序数据分段特征值预测方法 | |
| CN110045186B (zh) | 电力系统公共连接点处的系统谐波阻抗估计方法和系统 | |
| CN109344993B (zh) | 一种基于条件概率分布的河道洪峰水位预报方法 | |
| CN110119540A (zh) | 一种用于生存风险分析的多输出梯度提升树建模方法 | |
| CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
| CN110399796A (zh) | 一种基于改进深度学习算法的电能质量扰动识别方法 | |
| Xu et al. | A novel hybrid CNN-LSTM compensation model against DoS attacks in power system state estimation | |
| CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
| CN106443164A (zh) | 一种电能分类计量过程中暂态与稳态事件的监测方法 | |
| CN108596407A (zh) | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 | |
| CN106500991B (zh) | 基于自适应多尺度AVG-Hat变换的轴承故障信号特征提取方法 | |
| CN112101482B (zh) | 一种对有缺失卫星数据进行参数异常模式检测的方法 | |
| CN112884213B (zh) | 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法 | |
| CN112945162B (zh) | 一种堆积层滑坡位移预测模型及预测方法 | |
| CN102890718B (zh) | 基于有监督显式流形学习算法的电子鼻数据挖掘方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information |
Address after: 250101 block B, Yinhe building, 2008 Xinjie street, hi tech Zone, Ji'nan, Shandong. Applicant after: SHANDONG LUNENG INTELLIGENCE TECHNOLOGY Co.,Ltd. Address before: 250101 Yinhe Daxia B Block 2008 Xinlu Street, Jinan High-tech Zone, Shandong Province Applicant before: SHANDONG LUNENG INTELLIGENCE TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 250101 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park) Applicant after: National Network Intelligent Technology Co.,Ltd. Address before: 250101 block B, Yinhe building, 2008 Xinjie street, hi tech Zone, Ji'nan, Shandong. Applicant before: SHANDONG LUNENG INTELLIGENCE TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20201211 Address after: Room 902, 9 / F, block B, Yinhe building, 2008 Xinluo street, hi tech Zone, Jinan City, Shandong Province Applicant after: Shandong Luneng Software Technology Co.,Ltd. intelligent electrical branch Address before: 250101 power intelligent robot production project 101 south of Feiyue Avenue and east of No.26 Road (in ICT Industrial Park) in Suncun District of Gaoxin, Jinan City, Shandong Province Applicant before: National Network Intelligent Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| CB02 | Change of applicant information |
Address after: Room 902, 9 / F, block B, Yinhe building, 2008 Xinluo street, hi tech Zone, Jinan City, Shandong Province Applicant after: Shandong luruan Digital Technology Co.,Ltd. smart energy branch Address before: Room 902, 9 / F, block B, Yinhe building, 2008 Xinluo street, hi tech Zone, Jinan City, Shandong Province Applicant before: Shandong Luneng Software Technology Co.,Ltd. intelligent electrical branch |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |