CN116541662A - 一种滤波算法确定方法、装置、设备和可读存储介质 - Google Patents
一种滤波算法确定方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN116541662A CN116541662A CN202310534351.XA CN202310534351A CN116541662A CN 116541662 A CN116541662 A CN 116541662A CN 202310534351 A CN202310534351 A CN 202310534351A CN 116541662 A CN116541662 A CN 116541662A
- Authority
- CN
- China
- Prior art keywords
- filtering
- filtering algorithm
- target signal
- determining
- algorithm
- 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.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 218
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 213
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 17
- 238000004891 communication Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012356 Product development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种滤波算法确定方法、装置和设备,其中,滤波算法确定方法包括:采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;各所述滤波算法组合由至少两种按照顺序排列的滤波算法组合得到;基于各所述第二目标信号,分别获得对应的第一性能指标;基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。解决了在不同场景下无法快速准确的确定其最优滤波算法的问题,提高了不同场景下的滤波效果。
Description
技术领域
本申请涉及信号处理领域,特别是涉及一种滤波算法确定方法、装置、设备和可读存储介质。
背景技术
随着数字处理技术的发展,在通讯、消费电气、工业、医疗设备以及军工产品中,对高速高精度的模数转换器(Analog-to-Digital Converter,简称ADC)ADC的需求越来越多,使用高精度ADC进行方案开发也越来越多。在使用高精度ADC进行方案开发的过程中,要涉及对ADC数据进行滤波处理,以减少ADC自身的噪声影响,达到稳定的效果,在不同方案、不同印制线路板(Printed Circuit Board,PCB)和不同环境下对ADC的噪声影响也是不同,不同PCB板因此要选择合适滤波算法进行针对性的滤波处理。
现有技术中,在开发过程中对ADC数据的处理更多的是依靠个人经验,使用固定的一套滤波算法,再根据最终结果进行反复调整,无法直观有效的对比滤波效果,开发周期长,效率低,无法快速准确的确定针对不同场景下的最优滤波算法进行滤波处理。
针对相关技术中,无法快速准确的确定不同场景下的最优滤波算法,目前尚未提出有效的解决方案。
发明内容
基于此,有必要针对上述技术问题,提供一种滤波算法确定方法、装置、设备和可读存储介质。
第一方面,本申请实施例提供了一种滤波算法确定方法,所述方法包括:
采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;各所述滤波算法组合由至少两种按照顺序排列的滤波算法组合得到;
基于各所述第二目标信号,分别获得对应的第一性能指标;
基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
在其中一个实施例中,各所述第一性能指标包括各所述第二目标信号的输入电压值、噪声、最大跳动范围、有效位数和最大不跳动位数。
在其中一个实施例中,所述基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合包括:
将各所述第一性能指标输入噪声系数计算模型获得各噪声系数;
基于各所述噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
在其中一个实施例中,所述噪声系数计算模型为:
噪声系数=输入电压值*(噪声+最大跳动范围)/(有效位数+最大不跳动位数)。
在其中一个实施例中,所述基于各所述噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合包括:
基于各所述噪声系数的大小,确定其中最小的噪声系数;
基于所述最小的噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
在其中一个实施例中,所述采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号包括:
基于各所述滤波算法组合中各滤波算法的排列顺序,依次采用对应的滤波算法对第一目标信号进行滤波处理,得到各所述滤波算法组合对应的第二目标信号。
在其中一个实施例中,所述方法还包括:
基于各所述第一性能指标,对各所述滤波算法组合中的滤波算法的滤波系数进行调整;
采用调整后的各滤波算法组合对所述第一目标信号进行滤波处理,得到至少两个第三目标信号;
基于各所述第三目标信号,分别获得对应的第二性能指标;
基于各所述第二性能指标,在所述调整后的各滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
第二方面,本申请实施例还提供了一种滤波算法确定装置,其特征在于,所述装置包括:
第一获取模块,用于采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;各所述滤波算法组合由至少两种按照顺序排列的滤波算法组合得到;
第二获取模块,用于基于各所述第二目标信号,分别获得对应的第一性能指标;
确定模块,用于基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
第三方面,本申请实施例还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第四方面,本申请实施例还提供了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,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
上述滤波算法确定方法、装置、设备和可读存储介质,通过采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;各所述滤波算法组合由至少两种按照顺序排列的滤波算法组合得到;基于各所述第二目标信号,分别获得对应的第一性能指标;基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。解决了在不同场景下无法快速准确的确定其最优滤波算法的问题,提高了不同场景下的滤波效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的滤波算法确定方法的终端硬件结构框图;
图2是根据本申请实施例的滤波算法确定方法的流程示意图;
图3是根据本申请实施例的另一滤波算法确定方法的流程示意图;
图4是根据本申请实施例的另一滤波算法确定方法的流程示意图;
图5是根据本申请实施例的滤波系数调整方法的流程示意图;
图6是根据本申请实施例的滤波算法确定装置的结构框图;
图7是根据本申请实施例的计算机设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请提供的滤波算法确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过串口与MCU处理器104进行通信。MCU处理器104通过模数转换器ADC采集传感器输入的信号A-IN,再通过串口通信方式将模数转换器ADC转换完成的输出,终端102通过串口通信接收MCU处理器104输入的原始码值D-OUT,即第一目标信号,然后采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;基于各所述第二目标信号,分别获得对应的第一性能指标;基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
其中,终端102可以包括一个或以上处理器(例如,单芯片处理器或多芯片处理器)。仅作为示例,终端102可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。该终端102还包括显示屏,用于实时对比显示滤波前的波形和采用各滤波算法组合滤波后的波形以及各第一性能指标。
本申请实施例提供了一种滤波算法确定方法,如图2所示,所述方法包括以下步骤:
步骤S201,采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;各所述滤波算法组合由至少两种按照顺序排列的滤波算法组合得到;
示例性的,本实施例中采用的滤波算法可以是常用的滑动滤波算法、低通滤波算法、高通滤波算法,按照顺序将这三种滤波算法进行排列可得到多种滤波算法组合,例如本实施例中的滤波算法组合可以为以下多种:滑动滤波算法-低通滤波算法,滑动滤波算法-高通滤波算法,低通滤波算法-高通滤波算法,滑动滤波算法-低通滤波算法-高通滤波算法,滑动滤波算法-高通滤波算法-低通滤波算法,低通滤波算法-滑动滤波算法-高通滤波算法,低通滤波算法-高通滤波算法-滑动滤波算法,高通滤波算法-滑动滤波算法-低通滤波算法,高通滤波算法-低通滤波算法-滑动滤波算法等。
其中,第一目标信号为各所述滤波算法组合进行滤波处理的输入数据,MCU处理器通过模数转换器ADC采集传感器输入的信号A-IN,再通过串口通信方式将模数转换器ADC转换完成的原始码值D-OUT输出,即第一目标信号。通过串口通信发送给计算机接收,计算机接收到串口数据后,采用各所述滤波算法组合对接收的第一目标信号进行滤波处理,得到至少两个第二目标信号,第二目标信号为各所述滤波算法组合对第一目标信号进行滤波处理后的输出结果。同时在计算机屏幕上以图形的形式显示各第二目标信号对应的波形,将第一目标信号根据模数转换器ADC的增益配置、基准参考电压配置和校准信号配置,处理成模数转换器ADC滤波前波形,对各滤波后的波形与滤波前波形进行实时对比。
步骤S202,基于各所述第二目标信号,分别获得对应的第一性能指标;
其中,各所述第一性能指标包括各所述第二目标信号的输入电压值、噪声、最大跳动范围、有效位数和最大不跳动位数,第一性能指标可以评价各滤波算法组合滤波后的效果。
具体地,噪声越大、最大跳动范围越大时说明跳动大,滤波效果较差,从而会导致有效位数和最大不跳动位数值小,反之噪声越小、最大跳动范围越小时说明跳动大说明跳动小,滤波效果较好,有效位数和最大不跳动位数值大。
步骤S203,基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
针对第一目标信号,采用多种滤波算法组合进行处理后获取对应的第一性能指标,对这些第一性能指标进行比较,可以在多种滤波算法组合中确定最优滤波算法组合。最后选择最优滤波算法组合,以软件形式写入产生第一目标信号对应的MCU处理器中,达到实现较好滤波效果的目的。
而现有技术在产品开发过程中对目标信号处理更多的是依靠个人经验,且针对不同模数转换器ADC产生的目标信号通常使用固定的一套滤波算法。由于不同产品,如通讯、消费电气、工业、医疗设备以及军工产品中不同模数转换器ADC产生的目标信号均有自身的特性,因此使用固定的一套滤波算法组合进行滤波处理效果无法达到最佳滤波效果。本实施例针对不同的第一目标信号,分别按照上述方法确实其对应的最优滤波算法组合,并在产品开发阶段将最优滤波算法组合以软件形式写入对应产品的MCU处理器中,实现较好滤波效果,缩短开发周期,本实施例中所述不同的第一目标信号为在不同方案、不同印制线路板(PCB)和不同环境下模数转换器ADC产生的目标信号。
通过上述步骤S201至步骤S203,通过采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;各所述滤波算法组合由至少两种按照顺序排列的滤波算法组合得到;基于各所述第二目标信号,分别获得对应的第一性能指标;基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。解决了在不同场景下无法快速准确的确定其最优滤波算法的问题,提高了不同场景下的滤波效果。
在其中一个实施例中,如图3所示,所述基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合包括以下步骤:
步骤S301,将各所述第一性能指标输入噪声系数计算模型获得各噪声系数;
步骤S302,基于各所述噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
其中,噪声系数计算模型为:
噪声系数=输入电压值*(噪声+最大跳动范围)/(有效位数+最大不跳动位数)。
本实施例,通过噪声系数计算模型计算第一性能指标的各噪声系数,可以噪声系数直接量化各种滤波算法组合的滤波效果,从而快速准确的在多种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
在其中一个实施例中,如图4所示,所述基于各所述噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合包括以下步骤:
步骤S401,基于各所述噪声系数的大小,确定其中最小的噪声系数;
步骤S402,基于所述最小的噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
具体的,噪声系数越小代表滤波效果越好,表示滤波后的信号越稳定,并可以自动在几种滤波算法组合中比较,在噪声系数最小的算法处点亮一个小灯作为指示,从而快速准确的在多种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
在其中一个实施例中,所述采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号包括:
基于各所述滤波算法组合中各滤波算法的排列顺序,依次采用对应的滤波算法对第一目标信号进行滤波处理,得到各所述滤波算法组合对应的第二目标信号。
示例性的,若其中一种滤波算法组合为滑动滤波算法-高通滤波算法-低通滤波算法,则首先用滑动滤波算法对第一目标信号进行滤波处理,得到滤波后的信号,然后使用高通滤波算法对滑动滤波算法滤波后的信号进行滤波处理,最后使用低通滤波算法对高通滤波算法滤波后的信号进行滤波处理,得到该滤波算法组合的第二目标信号。其它滤波算法组合对第一目标信号进行滤波处理的过程原理同上。本实施例通过多次滤波处理,使滤波后的信号更稳定,有效提升滤波算法组合的滤波的效果。
在其中一个实施例中,如图5所示,所述方法还包括以下步骤:
步骤S501,基于各所述第一性能指标,对各所述滤波算法组合中的滤波算法的滤波系数进行调整;
具体的,基于各所述第一性能指标,使用噪声系数计算模型计算其对应的噪声系数,根据噪声系数的大小对各所述滤波算法组合中的滤波算法的滤波系数进行调整,以确定各所述滤波算法组合中各滤波算法的最优滤波系数。
步骤S502,采用调整后的各滤波算法组合对所述第一目标信号进行滤波处理,得到至少两个第三目标信号;
步骤S503,基于各所述第三目标信号,分别获得对应的第二性能指标;
步骤S504,基于各所述第二性能指标,在所述调整后的各滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
本实施例,通过基于各所述第一性能指标,对各所述滤波算法组合中的滤波算法的滤波系数进行调整;各所述滤波算法组合中的滤波算法,采用调整后的各滤波算法组合对所述第一目标信号进行滤波处理,得到至少两个第三目标信号;基于各所述第三目标信号,分别获得对应的第二性能指标,基于各所述第二性能指标,在所述调整后的各滤波算法组合中确定所述第一目标信号的最优滤波算法组合,提升了各滤波算法组合的滤波效果。
本申请实施例还提供了一种滤波算法确定装置,如图6所示,所述装置包括:
第一获取模块610,用于采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;各所述滤波算法组合由至少两种按照顺序排列的滤波算法组合得到;
第二获取模块620,用于基于各所述第二目标信号,分别获得对应的第一性能指标;
确定模块630,用于基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
通过本实施例提供的装置,通过在采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;各所述滤波算法组合由至少两种按照顺序排列的滤波算法组合得到;基于各所述第二目标信号,分别获得对应的第一性能指标;基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。解决了在不同场景下无法快速准确的确定其最优滤波算法的问题,提高了不同场景下的滤波效果。
所述确定模块630,还用于将各所述第一性能指标输入噪声系数计算模型获得各噪声系数;基于各所述噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
所述噪声系数计算模型为:
噪声系数=输入电压值*(噪声+最大跳动范围)/(有效位数+最大不跳动位数)。
所述确定模块630,还用于基于各所述噪声系数的大小,确定其中最小的噪声系数;基于所述最小的噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
所述第一获取模块610,还用于基于各所述滤波算法组合中各滤波算法的排列顺序,依次采用对应的滤波算法对第一目标信号进行滤波处理,得到各所述滤波算法组合对应的第二目标信号。
所述第一获取模块610,还用于基于各所述第一性能指标,对各所述滤波算法组合中的滤波算法的滤波系数进行调整;采用调整后的各滤波算法组合对所述第一目标信号进行滤波处理,得到至少两个第三目标信号;基于各所述第三目标信号,分别获得对应的第二性能指标;基于各所述第二性能指标,在所述调整后的各滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种滤波算法确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项消息推送方法或消息转发方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种滤波算法确定方法,其特征在于,所述方法包括:
采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;各所述滤波算法组合由至少两种按照顺序排列的滤波算法组合得到;
基于各所述第二目标信号,分别获得对应的第一性能指标;
基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
2.根据权利要求1所述的滤波算法确定方法,其特征在于,各所述第一性能指标包括各所述第二目标信号的输入电压值、噪声、最大跳动范围、有效位数和最大不跳动位数。
3.根据权利要求2所述的滤波算法确定方法,其特征在于,所述基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合包括:
将各所述第一性能指标输入噪声系数计算模型获得各噪声系数;
基于各所述噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
4.根据权利要求3所述的滤波算法确定方法,其特征在于,所述噪声系数计算模型为:
噪声系数=输入电压值*(噪声+最大跳动范围)/(有效位数+最大不跳动位数)。
5.根据权利要求3所述的滤波算法确定方法,其特征在于,所述基于各所述噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合包括:
基于各所述噪声系数的大小,确定其中最小的噪声系数;
基于所述最小的噪声系数,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
6.根据权利要求1所述的滤波算法确定方法,其特征在于,所述采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号包括:
基于各所述滤波算法组合中各滤波算法的排列顺序,依次采用对应的滤波算法对第一目标信号进行滤波处理,得到各所述滤波算法组合对应的第二目标信号。
7.根据权利要求6所述的滤波算法确定方法,其特征在于,所述方法还包括:
基于各所述第一性能指标,对各所述滤波算法组合中的滤波算法的滤波系数进行调整;
采用调整后的各滤波算法组合对所述第一目标信号进行滤波处理,得到至少两个第三目标信号;
基于各所述第三目标信号,分别获得对应的第二性能指标;
基于各所述第二性能指标,在所述调整后的各滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
8.一种滤波算法确定装置,其特征在于,所述装置包括:
第一获取模块,用于采用至少两种滤波算法组合对第一目标信号进行滤波处理,得到至少两个第二目标信号;各所述滤波算法组合由至少两种按照顺序排列的滤波算法组合得到;
第二获取模块,用于基于各所述第二目标信号,分别获得对应的第一性能指标;
确定模块,用于基于各所述第一性能指标,在所述至少两种滤波算法组合中确定所述第一目标信号的最优滤波算法组合。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。
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,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310534351.XA CN116541662A (zh) | 2023-05-09 | 2023-05-09 | 一种滤波算法确定方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310534351.XA CN116541662A (zh) | 2023-05-09 | 2023-05-09 | 一种滤波算法确定方法、装置、设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116541662A true CN116541662A (zh) | 2023-08-04 |
Family
ID=87448501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310534351.XA Pending CN116541662A (zh) | 2023-05-09 | 2023-05-09 | 一种滤波算法确定方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541662A (zh) |
-
2023
- 2023-05-09 CN CN202310534351.XA patent/CN116541662A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10528864B2 (en) | Sparse convolutional neural network accelerator | |
US20200218509A1 (en) | Multiplication Circuit, System on Chip, and Electronic Device | |
EP3798850A1 (en) | On-chip code breakpoint debugging method, on-chip processor, and chip breakpoint debugging system | |
CN111010883B (zh) | 矩阵的处理方法、装置及逻辑电路 | |
CN112085184A (zh) | 量化参数调整方法、装置及相关产品 | |
KR102252137B1 (ko) | 계산 장치 및 방법 | |
CN107315729A (zh) | 用于图表的数据处理方法、介质、装置和计算设备 | |
US20200242468A1 (en) | Neural network computation device, neural network computation method and related products | |
US20220188071A1 (en) | Computing apparatus and method, board card, and computer readable storage medium | |
CN111488963B (zh) | 神经网络计算装置和方法 | |
CN116541662A (zh) | 一种滤波算法确定方法、装置、设备和可读存储介质 | |
CN117292237A (zh) | 基于局部Transformer网络的联合重构方法、装置及介质 | |
US10636484B2 (en) | Circuit and method for memory operation | |
CN112308201A (zh) | 神经网络量化方法、装置、芯片、电子设备及板卡 | |
CN112085187A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN111381875B (zh) | 数据比较器、数据处理方法、芯片及电子设备 | |
CN210006031U (zh) | 乘法器 | |
CN112667971B (zh) | 电平误差校正方法、装置、计算机设备和存储介质 | |
CN114915743A (zh) | 读出电路、处理器、误差处理方法和装置 | |
CN112217585B (zh) | 信号路径的确定方法、装置、计算机设备和存储介质 | |
JP2006172475A (ja) | 電子回路中で乗算演算または除算演算を行う方法およびその装置 | |
CN109542837B (zh) | 运算方法、装置及相关产品 | |
CN114757348A (zh) | 模型的量化训练方法、装置、存储介质及电子设备 | |
CN111258537A (zh) | 一种防止数据溢出的方法、装置和芯片 | |
CN113128673A (zh) | 数据处理方法、存储介质、神经网络处理器及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |