Technique de moyennage de données : laquelle utiliser ?

Bonjour (question de néophyte)

Lors d'acquisition de valeur physique par un ADC pour un capteur, il est souvent procédé à plusieurs mesures successives qui sont ensuite moyennées.

Code:

---

1 2 3 4 5 6 7 8 9

long Average(byte times) { long sum = 0; for (int i = 0; i < times; i++) { sum += read_ADC_value(); } return sum / times; }

---

J'ai rencontré aussi une autre solution, malheureusement je ne retrouve pas la source, qui est de lire un certain nombre de fois l'ADC, classer par ordre croissant les valeurs lues, puis ensuite prendre la valeur du milieu ou centrale.

J'ai l'impression que cette seconde technique est plus efficace pour exclure les valeurs extrême comme celles très perturbées par des parasites.
Peut-être aussi que cette technique est plus rapide que de sommer puis diviser.

Je dois préciser que la valeur récupérée n'est pas sensée bouger dans le laps de temps de la mesure. (par exemple 10 mesures successives assez rapidement sans que la valeur physique ne soit changée)

Qu'en pensez vous ? Auriez vous d'autres observation positive ou négative par rapport à ces approches ?

:salut:

Citation:

---

Envoyé par hary66

J'ai rencontré aussi une autre solution, malheureusement je ne retrouve pas la source, qui est de lire un certain nombre de fois l'ADC, classer par ordre croissant les valeurs lues, puis ensuite prendre la valeur du milieu ou centrale.

---

Dans ce cas, tu calcules la médiane plutôt que la moyenne arithmétique. A priori, elle est plus complexe que le calcul de moyenne, vu que l'insertion dans un tableau déjà trié se fait en O(log n) pour trouver l'endroit et O(n) pour l'insertion proprement dite. Par contre, effectivement, c'est une manière d'évaluer la moyenne beaucoup plus résistante aux valeurs extrêmes.

Si tu as un capteur qui peut être extrêmement bruité, la médiane se justifie pleinement. Sinon, la moyenne pourrait suffire.

Tu parles de 10 mesures successives. C'est relativement peu.
Du coup, tu peux avoir les bénéfices de la médiane (peu sensible aux erreurs de mesure) et de la moyenne (peu coûteux en temps de calcul).

Tu calcules la somme des 10 valeurs, la valeur la plus petite et la valeur la plus grande.

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

long Average(byte times) { long sum = 0; long mini = 9999999999 ; long maxi=0; long val ; for (int i = 0; i < times; i++) { val = read_ADC_value(); sum += val ; if ( val < mini) { mini=val; } if ( val >maxi) { maxi=val; } } return (sum-mini-maxi) / (times-2) ; }

---

@dourouc05
Je suis justement en train d'explorer et voir si c'est très bruité.
Je pourrai ajuster ma méthode de "moyennage" en fonction de tes remarques et de ce que je trouve.
Tu dis aussi :

Citation:

---

elle est plus complexe que le calcul de moyenne, vu que l'insertion dans un tableau déjà trié se fait en O(log n) pour trouver l'endroit et O(n)

---

que je ne comprends pas...

@tbc92
Je ne vois pas bien l'intérêt. On peut en effet supposer que si le signal est bruité, les valeurs mini et maxi seront éloignées de la valeur vrai, mais on peut aussi avoir récupéré d'autres valeurs qui auront été perturbées qui ne seront dans ce cas pas exclues.

Tu dis aussi que 10 mesures sont relativement peu. Quel serait un nombre raisonnable/correct de mesures ?

Y a t-il quelque chose que j'ai incorrectement compris ?

Je partais du principe que 10 données, c'est une contrainte imposée. On a 10 données, et on veut trouver un indicateur qui synthétise ces 10 valeurs, et qui réduit l'effet de mesures éventuellement fausses.

Toujours avec cette contrainte de 'synthétiser une dizaine de valeurs' :
En gros, quel est le pourcentage de mesures qui sont fausses.
Si c'est 10% ou plus, il n'y a pas photo, la médiane est la plus adaptée.
Si c'est 2% ou moins, la médiane efface tous les bruits, mais peut éventuellement amener d'autres biais.
Entre les 2, faut voir.