? ? 我們在用各種測量模塊或設(shè)備進行測量時，或多或少會受到各種干擾的影響，使得到的數(shù)據(jù)與真實情況有所偏差，甚至與正確的數(shù)值差之千里。通常我們采用統(tǒng)計學(xué)的方法來獲得相對正確的值，最基本的就是用平均值方法，即將大量數(shù)據(jù)進行累加再除以數(shù)據(jù)個數(shù)而獲得均值。不過這個方法的前提是大量數(shù)據(jù)，而我們用Arduino這類工控設(shè)備進行動態(tài)測量和控制時，會受到采樣頻率和響應(yīng)時間的限制，不可能進行數(shù)萬次的采樣后再進行處理。

? ? 那如果我們采樣幾十個數(shù)據(jù)后就馬上求取均值是不是可以呢？答案是肯定的，不過不能采用簡單的直接求均值方法，因為在樣本數(shù)據(jù)比較少的情況下，即使只有極少量的異常數(shù)據(jù)，都會造成均值與正確值的較大偏離。例如我們有10個人，其中一個是馬云，另9人年薪在15萬左右，結(jié)果一求平均年薪，我們每人的年薪都被平均到10億了。在測量中，我們也會碰到這種情況，由于外界偶發(fā)的干擾以及測量設(shè)備內(nèi)部產(chǎn)生的電子干擾等，都會出現(xiàn)異常的數(shù)據(jù)。那怎么辦呢？我們自然想到先將這些異常數(shù)據(jù)剔除掉，然后再求均值。這種方法的基本思想是：給定一置信概率，確定相應(yīng)的置信區(qū)間，凡超過置信區(qū)間的誤差就認為是粗差，應(yīng)予以剔除。用于粗大誤差剔除的常見方法有萊特檢驗法和格拉布斯檢驗法。

? ? 我們先簡單的了解下萊特檢驗法和格拉布斯檢驗法。首先我們假定測量獲得的數(shù)據(jù)呈正態(tài)分布，通俗點講，就是測量獲得的數(shù)據(jù)基本散布在正確值（真值）的附近，越靠近中心數(shù)據(jù)個數(shù)越多。這里我們先導(dǎo)出一個“殘差”的概念，設(shè)第i次獲得的數(shù)據(jù)為Xi，它與真值的差，我們稱之為“殘差”，不過我們根本不知道真值是多少，因此我們就用均值Xbar來代替真值，利用殘差和數(shù)據(jù)量N，我們可以用貝塞爾公式求得σ(x)，請參看下圖。萊特準(zhǔn)則就是殘差|Vi|>3σ(x)時就作為粗大誤差數(shù)據(jù)，予以剔除。在測量數(shù)據(jù)分布不能確定，對測量次數(shù)沒有太大要求的情況下，通常取2更有適用性。看下圖：

? ?我們再來看格拉布斯準(zhǔn)則為：|Vi|>g(n,a)σ(x)時就作為粗差數(shù)據(jù)，格拉布斯準(zhǔn)則中的g(n,a)是一個取決于測量次數(shù)n和置信概率a，置信概率就是測量數(shù)據(jù)落在這個區(qū)間中的概率，格拉布斯準(zhǔn)則中最常用置信概率為95%和99%，即如果采用a=95%，意味著有95%的數(shù)據(jù)是落在可信的區(qū)間里。這里特別要注意的是，置信概率越大，則置信區(qū)間越大，似乎是大一點好，其實并不然，置信區(qū)間越大，最大偏差的范圍也就越大，那異常數(shù)據(jù)落入這個區(qū)間的概率也越大，即置信概率大的情況下，異常數(shù)據(jù)就可能沒有被排除掉，反而造成我們的平均值偏離了正確值。g(n,a)的值我們可以通過下面的表來查看：

? ? 下面說下程序的實現(xiàn)，本程序建立了一個Detection，包含了萊特準(zhǔn)則、格拉布斯95%、格拉布斯99%準(zhǔn)則，還可以自定義貝塞爾公式前的系數(shù)（我稱之為準(zhǔn)則量），我們只需提供必要的數(shù)據(jù)后，調(diào)用該子程序就可以獲得剔除粗差數(shù)據(jù)后的均值：

double Detection(double data[],double baddata[],int datanum,int badnum,int rule)

? ? Detection子程序返回的是剔除粗差數(shù)據(jù)后的平均值；參數(shù)data輸入時為原始測量數(shù)據(jù)，返回時，前datanum個數(shù)據(jù)為有效數(shù)據(jù)（即剔除粗差數(shù)據(jù)后的數(shù)據(jù)）；參數(shù)baddata無輸入數(shù)據(jù)，輸出為被剔除的數(shù)據(jù)；參數(shù)datanum輸入為原始測量數(shù)據(jù)個數(shù)；參數(shù)datanum無輸入數(shù)據(jù)，輸出為剔除的數(shù)據(jù)個數(shù)；參數(shù)rule為萊特or格拉布斯準(zhǔn)則選擇，3為萊特準(zhǔn)則，4為格拉布斯95%，5為格拉布斯99%，小于3為自定義準(zhǔn)則量。

? ? 程序采用了循環(huán)檢測方式，即選定某個準(zhǔn)則后，根據(jù)該準(zhǔn)則剔除粗差數(shù)據(jù)后，再進行檢測，如果還有粗差數(shù)據(jù)，再次剔除該粗差數(shù)據(jù)，依次循環(huán)，直到?jīng)]有可剔除的粗差數(shù)據(jù)為止（或有效數(shù)據(jù)不足6個）。

? ? 此外，子程序中的Serial.print和Serial.println語句是用于調(diào)試和觀察粗差數(shù)據(jù)的處理過程用，在正式使用該子程序時，應(yīng)該注解掉或直接刪除這些Serial.print語句。

? ? 本程序在Arduino UNO板上測試運行過，只需直接下載到Arduino UNO板即可，下面是完整的程序：

/* 本程序建立了一個Detection子程序，包含了萊特準(zhǔn)則、格拉布斯95%、格拉布斯99%準(zhǔn)則， 還可以自定義貝塞爾公式前的系數(shù)（我稱之為準(zhǔn)則量）， 我們只需提供必要的數(shù)據(jù)后，調(diào)用該子程序就可以獲得剔除粗差數(shù)據(jù)后的均值*/const int DATAN=15; //原始測試數(shù)據(jù)的個數(shù) double dt[DATAN]={21.35,20.36,20.37,20.34,20.31,20.2,20.32,20.4,20.33,20.38,20.36,20.29,20.40,20.41,20.95};//原始測試數(shù)據(jù) double bdt[DATAN];//存放被剔除的數(shù)據(jù) int dn=DATAN;//數(shù)據(jù)個數(shù) int bdn;//被剔除的數(shù)據(jù)個數(shù)void setup() {Serial.begin(9600); //設(shè)置串口波特率9600Serial.println(Detection(dt,bdt,dn,bdn,4));//最后一個參數(shù)4，表示采用格拉布斯95%準(zhǔn)則，可以用其他值進行測試 }void loop() {// put your main code here, to run repeatedly:}//誤差數(shù)據(jù)剔除程序，返回有效數(shù)據(jù)的平均值 //參數(shù)data輸入為原始測量數(shù)據(jù)，返回時，前datanum個為有效數(shù)據(jù) //參數(shù)baddata無輸入數(shù)據(jù)，輸出為被剔除的數(shù)據(jù) //參數(shù)datanum輸入為原始測量數(shù)據(jù)個數(shù) //參數(shù)badnum無輸入數(shù)據(jù)，輸出為剔除的數(shù)據(jù)個數(shù) //參數(shù)rule為萊特or格拉布斯準(zhǔn)則選擇，3為萊特準(zhǔn)則，4為格拉布斯95%，5為格拉布斯99%，小于3為自定義準(zhǔn)則量 double Detection(double data[],double baddata[],int datanum,int &badnum,int rule) {double data_b[datanum];//臨時存放保留的數(shù)據(jù)double v[datanum]; //殘差double g95[]={1.15,1.46,1.67,1.82,1.94,2.03,2.11,2.18,2.23,2.29,2.33,2.37,2.41,2.44,2.47,2.50,2.53,2.56,2.58,2.60,2.62,2.64,2.66,2.74,2.81,2.87,2.96,3.17};//格拉布斯95%double g99[]={1.16,1.49,1.75,1.94,2.10,2.22,2.32,2.41,2.48,2.55,2.61,2.66,2.71,2.75,2.79,2.82,2.85,2.88,2.91,2.94,2.96,2.99,3.01,3.10,3.18,3.24,3.34,3.58};//格拉布斯99%double bsl; //貝塞爾公式結(jié)果double maxdev; //有效的萊特 or 格拉布斯準(zhǔn)則的最大偏差double sum; //累加臨時存儲double average; //平均值int badindex;//某次剔除數(shù)據(jù)數(shù)int validNum=0;//有效數(shù)據(jù)數(shù)int proindex=0;//循環(huán)的次數(shù)double lg;//萊特 or 格拉布斯準(zhǔn)則的系數(shù)int i;if (rule<=3) //當(dāng)rule小于等于3時，直接用萊特系數(shù)3或自定義的rule值lg=rule;else if(rule>5) //當(dāng)rule大于5時，強制設(shè)為萊特準(zhǔn)則lg=3;badnum=0;while(1){if(rule==4) //格拉布斯95%{if(datanum>=100) lg=g95[27];//數(shù)據(jù)個數(shù)大于100個時else if(datanum>=50) lg=g95[26];else if(datanum>=40) lg=g95[25];else if(datanum>=35) lg=g95[24];else if(datanum>=30) lg=g95[23];else if(datanum>=25) lg=g95[22];else lg=g95[datanum-3];}else if(rule==5)//格拉布斯99%{if(datanum>=100) lg=g99[27];else if(datanum>=50) lg=g99[26];else if(datanum>=40) lg=g99[25];else if(datanum>=35) lg=g99[24];else if(datanum>=30) lg=g99[23];else if(datanum>=25) lg=g99[22];else lg=g99[datanum-3];}proindex++;Serial.println("**It is the times to cal.**");Serial.println(proindex);sum=0;for(i=0;i<datanum;i++)sum+=data[i];average=sum/datanum; //計算平均值Serial.println("Your data are: ");sum=0;for(i=0;i<datanum;i++){Serial.println(data[i]);v[i]=data[i]-average; //計算殘差sum+=v[i]*v[i]; //計算殘差平方和}Serial.println("the residual are:");for(i=0;i<datanum;i++)Serial.println(v[i]);bsl=sqrt(sum/(datanum-1)); //計算貝塞爾公式標(biāo)準(zhǔn)差maxdev=lg*bsl; //計算最大偏差//輸出相關(guān)信息Serial.print("The average is: ");Serial.println(average);Serial.print("The Bessel Formula is: ");Serial.println(bsl);Serial.print("The Laite or Grubs level is:");Serial.println(lg);Serial.print("The Max deviation is: ");Serial.println(maxdev);//剔除壞值，即剔除粗差數(shù)據(jù)validNum=0;badindex=0;for(i=0;i<datanum;i++)if(fabs(v[i])>=maxdev && maxdev!=0) //當(dāng)|Vi|>準(zhǔn)則偏差值時{baddata[badnum++]=data[i];//將該Xi作為粗差數(shù)據(jù)，放入壞數(shù)據(jù)數(shù)組badindex++;}else data_b[validNum++]=data[i];//否則將效數(shù)數(shù)據(jù)暫存到data_b數(shù)組for(i=0;i<validNum;i++) //將暫存的效數(shù)數(shù)據(jù)送回數(shù)據(jù)數(shù)組datadata[i]=data_b[i];datanum=validNum;//將當(dāng)前有效數(shù)據(jù)個數(shù)作為數(shù)據(jù)個數(shù)if(datanum>5)//有效數(shù)據(jù)大于5個，則繼續(xù)進行處理{if(badindex==0) //若沒有可剔除的粗差數(shù)據(jù){Serial.print("There is no baddata , end.");Serial.println(proindex);break;//跳出循環(huán)，即粗差數(shù)據(jù)處理完畢}else//否則，即有粗差數(shù)據(jù)，繼續(xù)循環(huán)處理{Serial.print("You have got baddata in the times cal!!! ");Serial.println(proindex);Serial.print("You have got baddata number is: ");Serial.println(badindex);Serial.println("the bad data is ");for(i=0;i<badnum;i++)Serial.println(baddata[i]);}}else break;//有效數(shù)據(jù)小于等于5個，直接跳出循環(huán)}//誤差數(shù)據(jù)處理完畢Serial.println("**Summary**");//輸出剩余數(shù)據(jù)Serial.println("the valid data are: ");for(i=0;i<validNum;i++)Serial.println(data_b[i]);//輸出所有壞值Serial.println("the bad data are: ");for(i=0;i<badnum;i++)Serial.println(baddata[i]);Serial.print("The last average is: ");Serial.println(average);Serial.print("The last Max deviation is: ");Serial.println(maxdev);return average;//子程序返回有效數(shù)據(jù)的均值 }

總結(jié)

以上是生活随笔為你收集整理的Arduino测量误差数据的处理——莱特、格拉布斯准则剔除异常数据的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。