AVT 통계 필터링 알고리즘

AVT Statistical filtering algorithm

AVT 통계 필터링 알고리즘은 다양한 소스에서 수집된 원시 데이터의 품질을 개선하기 위한 접근법입니다.인밴드 노이즈가 존재하는 경우에 가장 효과적입니다.이러한 경우, AVT는 데이터, 밴드 패스 필터, 또는 의 변동에 근거한 디지털 필터링에 있어서, 보다 우수합니다.

기존의 필터링은 신호/데이터가 노이즈와 다른 주파수를 가지며 신호/데이터가 노이즈 식별에 의해 분리/필터링될 때 유용합니다.주파수 식별 필터링은 Low Pass, High Pass 및 Band Pass 필터링을 사용하여 이루어집니다.이것은 이러한 구성의 상대 주파수 필터링 기준 타깃을 참조합니다.이러한 필터는 패시브 컴포넌트와 액티브컴포넌트를 사용하여 작성되며 고속 푸리에 변환(FFT)에 기반한 소프트웨어 알고리즘을 사용하여 구현되는 경우도 있습니다.

AVT 필터링은 소프트웨어로 구현되며, 내부 작업은 원시 데이터의 통계 분석에 기초합니다.

신호 주파수/(유용한 데이터 분배 주파수)가 노이즈 주파수/(노이즈 데이터 분배 주파수)와 일치하면 인밴드 노이즈가 발생합니다.이 상황에서는 노이즈와 유용한 신호를 구별할 수 없고 AVT가 뛰어난 위치이기 때문에 주파수 식별 필터링이 작동하지 않습니다.이러한 조건에서의 필터링을 실현하기 위해서, 몇개의 방법/알고리즘을 사용할 수 있습니다.이러한 알고리즘은, 이하에 간단하게 설명합니다.

평균화 알고리즘

  1. n개의 데이터 샘플 수집
  2. 수집된 데이터의 평균값 계산
  3. 결과를 실제 데이터로 제시/기록

중앙값 알고리즘

  1. n개의 데이터 샘플 수집
  2. 데이터를 오름차순 또는 내림차순으로 정렬합니다.순서는 중요하지 않습니다.
  3. 우연히 n/2 위치에 있는 데이터를 선택하여 데이터 샘플을 나타내는 최종 결과로 제시/기록한다.

AVT 알고리즘

AVT 내부 작업

AVT 알고리즘은 Antonyan Vardan Transform의 약자이며, 그 실장은 다음과 같습니다.

  1. n개의 데이터 샘플 수집
  2. 표준편차 및 평균값 계산
  3. 평균 ± 1 표준 편차보다 크거나 작은 모든 데이터 삭제
  4. 나머지 데이터의 평균값 계산
  5. 결과를 데이터 샘플을 나타내는 실제 값으로 제시/기록

이 알고리즘은 진폭 판별을 기반으로 하며 실제 신호와 다른 노이즈를 쉽게 제거할 수 있습니다. 그렇지 않으면 신호의 1 표준 편차와는 통계적으로 다릅니다.이러한 유형의 필터링은 실제 환경 노이즈를 사전에 알 수 없는 상황에서 사용할 수 있습니다.평균보다 위의 단계에서 중위수를 사용하는 것이 더 좋습니다.원래 AVT 알고리즘은 평균값을 사용하여 데이터 창의 중위수 결과와 비교했습니다.

필터링 알고리즘 비교

신호 값이 1이고 노이즈가 0.1%, 1% 수준에서 추가된 시스템을 사용하면 알고리즘 성능의 정량화가 단순해집니다.R 스크립트는 신호에[1] 추가된 의사 랜덤 노이즈를 생성하고 여러 알고리즘을 사용하여 필터링 결과를 분석하기 위해 사용됩니다.자세한 내용은 "Reduce Inband Noise with the AVT Algorithm" 문서를 참조하십시오.이 그래프는 AVT 알고리즘이 32, 64 및 128 값의 데이터 표본 크기를 사용하는 동안 중위수 및 평균 알고리즘과 비교하여 최상의 결과를 제공함을 보여 줍니다.이 그래프는 10000 값의 랜덤 데이터 배열을 분석하여 작성되었습니다.이 데이터의 샘플은 다음과 같습니다.
이 그래프에서 AVT는 동일한 데이터셋을 분석할 때 5%에서 10% 더 정확한 데이터를 제공함으로써 다른 필터링 알고리즘보다 성능이 우수하다는 것을 알 수 있습니다.실제 신호 레벨이 주변 노이즈보다 낮은 최악의 경우 경계선에 있는 이 수치 실험에서 사용된 노이즈의 랜덤 특성을 고려하면 AVT 알고리즘에 의한 데이터 처리의 정밀도 향상이 중요하다.
AVT algorithm comparisonAVT test data sample

AVT 알고리즘의 변화

캐스케이드 AVT

상황에 따라서는, AVT 필터링의 몇개의 스테이지에 캐스케이드 하는 것으로, 보다 좋은 결과를 얻을 수 있습니다.이는 온도계, 서미스터 및 기타 느리게 작동하는 센서와 같이 안정적인 특성을 알고 있는 장비에 사용할 수 있는 단수 상수 값을 생성합니다.

리버스 AVT

  1. n개의 데이터 샘플 수집
  2. 표준편차 및 평균값 계산
  3. 1 표준 편차 ± 평균 대역 내에 있는 데이터를 모두 드롭합니다.
  4. 나머지 데이터의 평균값 계산
  5. 결과를 실제 데이터로 제시/기록

이는 백그라운드 노이즈 레벨에 가까운 미세한 신호를 검출하는 데 유용합니다.

Detecting Altered/modified Jupiter Picture with AVT image filter
AVT 이미지 필터를 사용하여 변경/수정된 목성 사진 감지

응용 프로그램 및 사용 가능 용도

  • 노이즈 레벨에 가깝거나 낮은 데이터를 필터링하는 데 사용합니다.
  • 케플러(우주선)에서 원시 데이터를 걸러내는 행성 탐지에 사용
  • 다른 모든 필터링 방법(저역 통과 필터, 고역 통과 필터, 밴드 통과 필터, 디지털 필터)이 실패하는 음원에서 노이즈를 필터링합니다.
  • 그림을 그리기 전에 데이터 분석을 위한 과학 데이터(평활도) 전처리 참조(그림(그래픽))
  • SETI(Search for Ethernal Intelligence)에서 우주배경에서 외계신호를 검출/구별하기 위해 사용된다.
  • 이미지 필터링 알고리즘으로서 AVT 를 사용해 변경된 이미지를 검출합니다.다운로드 가능한 Python 프로그램을 참조해 주세요.필터를 적용하여 시각적으로 매력적으로 수정한 원본 사진의 변화를 감지하는 프로그램으로부터 생성된 목성의 이미지입니다.
    Jupiter Image Comparison Detecting Alteration with ACT Filter.png

이 비교의 또 다른 버전은 동일한 원래 목성 이미지에 적용된 Reverse AVT 필터입니다. 여기서 변경된 부분은 AVT 알고리즘에 의해 제거된 노이즈와 같습니다.

Jupiter Reverse AVT comparison.png
  • AVT를 이미지 필터링 알고리즘으로 사용하여 이미지에서 데이터 밀도를 추정합니다. Python 프로그램을 참조하십시오.생성 성운 기둥 사진은 허블과 웹의 필터링된 이미지로 데이터 밀도를 보여줍니다.왼쪽 이미지에는 단순한 색상 패턴으로 표시된 결측 데이터의 큰 패치가 있습니다.
Pillars of creation picture data density difference detected with AVT comparing Webb to Hubble
웹과 허블을 비교한 AVT를 통해 검출된 영상 데이터 밀도 차이 생성의 기둥

레퍼런스

  1. ^ "The R Project for Statistical Computing". r-project.org. Retrieved 2015-01-10.
  2. ^ "Reduce Inband Noise with the AVT Algorithm Embedded content from Electronic Design". electronicdesign.com. Retrieved 2015-01-10.
  1. Joseph, Favis; Balinadoa, C.; Paolo Dar Santos, Gerald; Escanilla, Rio; Darell C. Aguda, John; Ramona A. Alcantara, Ma.; Belen M. Roble, Mariela; F. Bueser, Jomalyn (May 5, 2020). "Design and implementation of water velocity monitoring system based on hydropower generation and antonyan vardan transform (AVT) statistics". 13Th International Engineering Research Conference (13Th Eureca 2019). Vol. 2233. p. 050003. doi:10.1063/5.0002323.
  2. Vinicius, Cene; Mauricio, Tosin; J., Machado; A., Balbinot (April 2019). "Open Database for Accurate Upper-Limb Intent Detection Using Electromyography and Reliable Extreme Learning Machines". Sensors. 19 (8): 1864. Bibcode:2019Senso..19.1864C. doi:10.3390/s19081864. PMC 6515272. PMID 31003524.
  3. HornCene, Vinicius; Balbinot, Alexandr (August 10, 2018), "Using the sEMG signal representativity improvement towards upper-limb movement classification reliability", Biomedical Signal Processing and Control, 46: 182–191, doi:10.1016/j.bspc.2018.07.014, ISSN 1746-8094, S2CID 52071917
  4. Horn Cene, Vinicius; Ruschel dos Santos, Raphael; Balbinot, Alexandre (July 18, 2018). 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). Honolulu, HI, USA: IEEE. pp. 5224–5227. doi:10.1109/EMBC.2018.8513468. ISBN 978-1-5386-3646-6.
  5. Python의 AVT 이미지 필터링[1]
  1. ^ Antonyan, Vardan. "AVT Image Filter". Github. Github.