Gleitender Durchschnitt Fft

Gemittelt FFT-Spektrum (SmtHandle Griff, Doppel f0, Doppel df, SmtComplexNum Spektrum, int spectrumSize, SmtSpectrumInfo spectrum, unsigned short averagingType, unsigned short weightingType, Doppel averagingSize, unsigned short linearWeightingMode, int restartAveraging, SmtComplexNum averagedFFTSpectrum, Doppel averagesSoFar, kurz Dataready) Berechnet Das gemittelte FFT-Spektrum des Spektrums, das von den Zoom-FFT-Spektrumfunktionen ausgegeben wird. Die Funktion gibt die Startfrequenz f0 aus. Frequenzintervall df. Und das gemittelte FFT-Spektrum in Einheiten V rms. Der Parameter averagingType gibt an, wie die Funktion den Mittelwert durchführt. Sie können keine Mittelung, Vektor-, RMS - oder Peak-Hold-Mittelung erfor - Wenn Sie keine Mittelung wählen, wird das in der averagedFFTSpectrum-Ausgabe zurückgegebene Leistungsspektrum nicht gemittelt. Eingabeparameter reduzieren das Rauschen aus synchronen Signalen. Die Vektor-Mittelung berechnet den Mittelwert der komplexen Größen direkt, was bedeutet, dass sie eine getrennte Mittelung für reelle und imaginäre Teile ermöglicht. Eine komplexe Mittelung wie die Vektor-Mittelung reduziert Rauschen und erfordert in der Regel einen Trigger zur Verbesserung der Block-zu-Block-Phasenkohärenz. Reduziert Signalschwankungen, nicht aber den Rauschpegel. Die RMS-Mittelung misst die Energie oder die Leistung des Signals, was eine Rauschunterdrückung verhindert und durchschnittliche RMS-Größen der Einkanalmessungen Nullphase ergibt. Die RMS-Mittelung für zweikanalige Messungen bewahrt die Phaseninformationen. Behält die Effektivwertspitzenwerte der gemittelten Mengen bei. Der Peak-Halte-Mittelwertbildungsprozess führt Peak-Hold bei jedem Frequenz-Bin separat aus, um Spitzen-RMS-Pegel von einem FFT-Datensatz bis zum nächsten zu halten. Gibt die Art der Gewichtung an, die die Funktion mit RMS und Vektormittelung verwendet. Peak-Halte-Mittelwert keine Gewichtung beinhaltet. Die Gewichtungsart ist linear oder exponentiell. Die lineare Gewichtung gibt an, dass jede Messung eine gleiche Gewichtung aufweist und dass der Wert des linearen Gewichtungstyps den Mittelungsprozess bestimmt. Die exponentielle Gewichtung gibt an, dass jede neue Messung eine geringere Gewichtung als alte Messungen aufweist und dass die Mittelung kontinuierlich ist. Der Mittelwertbildungsprozess berechnet den exponentiell gewichteten Mittelwert für die Messung i gemäß der folgenden Gleichung: wobei X die neue Messung ist, wobei Avg i - 1 der vorhergehende Durchschnitt ist und N die Anzahl der Mittelwerte ist. Enthält das gemittelte FFT-Spektrum in V rms-Skalierung ausgehend von der Frequenz f0 mit dem Frequenzintervall df. Ordnen Sie Speicher für dieses Array für die Anzahl der Datenpunkte zu, die durch den Parameter spectrumSize angegeben werden. Double (durch Referenz übergeben) Die Anzahl der bisher abgeschlossenen Mittelwerte. Gibt den Fortschritt des Mittelungsprozesses basierend auf den angegebenen Mittelungseinstellungen an. Short (durch Referenz übergeben) Gibt an, dass TRUE (1) gültig ist. Verwenden Sie den Ausgangswert als Schalter auf eine Gehäusestruktur. Führen Sie nachfolgende Messungen durch oder zeigen Sie die Ergebnisse an, wenn dataReady TRUE ist. Der Mittelungsprozess bestimmt intern den dataReady-Ausgabewert. Wenn Sie in den SMT-Mittelungsfunktionen ein gültiges Spektrum eingeben, dann ist der Ausgabewert für dataReady für die exponentielle Mittelung immer TRUE. Für die lineare Mittelung ist dataReady immer TRUE für eine Aufnahme, Bewegung und kontinuierliche Modi. Beim automatischen Neustart eines Schussmodus ist dataReady nur dann WAHR, wenn die Mittelungsfunktion eine Anzahl von FFT-Rahmen erhält, die gleich dem Wert der Mittelungsgröße ist. DataReady wird auf FALSE zurückgesetzt, wenn der Mittelungsprozess automatisch neu gestartet wird. InputOutput ParametersThe FFT Moving Average (FFT-MA) Generator: Eine effiziente numerische Methode zur Erzeugung und Konditionierung Gaussian Simulationen Zitieren Sie diesen Artikel als: Ravalec, M. L. Noetinger, B. Hu, L. Y. Mathematische Geologie (2000) 32: 701. doi: 10.1023A: 1007542406333 Eine schnelle Fourier-Transformation (FFT) gleitender Durchschnitt (FFT-MA) - Verfahren zur Erzeugung von Gaußschen stochastischen Prozessen wird abgeleitet. Die Verwendung von diskreten Fourier-Transformationen macht die Berechnungen einfach und schnell, so daß große Zufallsfelder erzeugt werden können. Auf der anderen Seite erlaubt es der grundsätzliche gleitende Mittelrahmen, die Zufallszahlen aus den Strukturparametern (Mittelwert, Varianz, Korrelationslänge) zu entkoppeln, aber auch die Zufallskomponenten im räumlichen Bereich zu zeichnen. Solche Eigenschaften verleihen dem FFT-MA-Generator große Flexibilität. Wenn beispielsweise nur die Zufallszahlen geändert werden, ergeben sich unterschiedliche Realisierungen, die alle die gleiche Kovarianzfunktion haben. Ähnlich können mehrere Realisierungen aus dem gleichen Zufallszahlensatz aufgebaut werden, jedoch aus unterschiedlichen strukturellen Parametern. Die Integration des FFT-MA-Generators in ein Optimierungsverfahren liefert ein Werkzeug, das theoretisch in der Lage ist, die Zufallszahlen, die das Gaußsche Feld identifizieren, sowie die Strukturparameter aus dynamischen Daten zu bestimmen. Darüber hinaus können alle oder nur einige der Zufallszahlen gestört werden, so dass mit dem FFT-MA erzeugte Realisierungen lokal durch einen Optimierungsprozess aktualisiert werden können. Simulation Nichtlineare Konditionierungsoptimierung FFT lokale Störung REFERENZEN Alabert, F. 1987, Die Praxis der schnellen Bedingungssimulationen durch die LU-Zerlegung der Kovarianzmatrix: Mathematik. Geologie, V. 19, Nr. 5, p. 369386. Google Scholar Blanc, G. Touati, M. und Hu, L. 1998, geostatistische Modellierung von Fluidstrom auf flexible Gitter: 6. ECMOR Proceedings, 811 September Peebles, Schottland, C30. Bochner, S. 1936, Vorträge über die Fourier-Analyse: Princeton University Press, Princeton, NJ. Google Scholar Chils, J. P. 1995, Quelques mthodes de Simulation de fonctions alatoires intrinsques: Cahiers de gostatistique, 5, p. 97112. Google Scholar Cooley, J. W. und Tukey, J. W. 1965, Ein Algorithmus für die Maschinenberechnung komplexer Fourier-Reihen: Mathematik. Comp. V. 19, p. 297301. Google Scholar Davis, M. W. 1987, Herstellung von bedingten Simulationen über die LU-Dreieckszersetzung der Kovarianzmatrix: Mathematik. Geologie, V. 19, Nr. 2, p. 9198. Google Scholar Deutsch, C. V. 1992 Glühtechniken angewendet Reservoir-Modellierung und die Integration von geologischen und technischen (und Test) Daten: Nicht veröffentlichte Dissertation, Stanford University, Stanford, CA, 325 p. Google Scholar Deutsch, C. V. und Cockerham, P. W. 1994 geostatistische Modellierung der Permeabilität mit Glühen Cosimulation (ACS): SPE 69th Annual Technical Conference and Exhibition, New Orleans, LA, p. 523532. Deutsch, C. V. und Journel, A. G. 1992, GSLIB: Geostatistische Softwarebibliothek und Benutzeranleitung: Oxford University Press, New York, 340 S. Google Scholar Galli, A. Beucher, H. Le Loh, G. und Doligez, B. 1994, Die Vor - und Nachteile der trunkierten Gaußschen Methode in Armstrong, M. und Dowd, P. A. eds. Geostatistische Simulationen: Kluwer Academic Publishers, Dordrecht, Niederlande, p. 217233. Google Scholar Gomez-Hernandez, J. J. und Journel, A. G. 1992, Gemeinsame sequentielle Simulation von multiGaußschen Feldern, in Soares, Hrsg. Vorträge des 4. Internationalen Geostatistischen Kongresses: Kluwer Publishers, Troia, p. 8594. Google Scholar Gupta, A. D. 1992, Stochastische Heterogenität, Dispersion und Feldtracer-Antwort: Unveröffentlichte Dissertation, Universität Texas, Austin, TX, 248 p. Google Scholar Gutjahr, A. 1989, Fast Fourier transformiert für die Zufallsgenerierung: New Mexico Tech. Projektbericht, NM, 106 p. Gutjahr, A. Bullard, B. und Hatch, S. 1997, Allgemeine gemeinsame Simulationen mit einer schnellen Fourier-Transformationsmethode: Math. Geologie, V. 29, p. 361389. Google Scholar Hu, L. Y. 2000, Allmähliche Deformation und iterative Kalibrierung von Gauß-bezogenen stochastischen Modellen: Mathematik. Geologie, V. 32, Nr. 1, p. 87108. Google Scholar Johnson, M. E. 1987, Multivariate statistische Simulationen: John amp New York, Wiley amp Sons, 230 p. Journel, A. G. 1974, Geostatistik zur bedingten Simulation von Erzkörpern: Econ. Geologie, V. 69, p. 673687. Google Scholar Journel, A. G. und Huijbregts, C. J. 1978, Mining Geostatistics: Academic, San Diego, CA. Lantujoul, C. 1994, Nicht bedingte Simulation stationärer isotroper multiGaussian-Zufallsfunktionen, in M. Armstrong, M. und Dowd, P. A. eds. Geostatistische Simulationen: Kluwer Academic Publishers, Dordrecht, Niederlande, p. 147177. Google Scholar Le Ravalec, M. Hu, LY und Noetinger, B. 1999, Stochastische Reservoir-Modellierung beschränkt auf dynamische Daten: Lokale Kalibrierung und Schlussfolgerung der strukturellen Parameter: SPE Annual Technical Conference and Exhibition, Houston, TX, SPE 56556. Mantoglou, A. 1987, Digitale Simulation multivariater zweidimensionaler und dreidimensionaler stochastischer Prozesse mit einer spektralen Wendebandmethode: Math. Geologie, V. 19, Nr. 2, p. 129149. Google Scholar Mantoglou, A. und Wilson, J. 1982, Die Wendebandmethode zur Simulation von Zufallsfeldern unter Verwendung der Linienerzeugung durch eine Spektralmethode: Water Resources Res. V. 18, p. 13791394. Google Scholar Matheron, G. 1973, Die intrinsischen zufälligen Funktionen und ihre Anwendungen: Adv. Appl. Prob. V. 5, p. 439468. Google Scholar Oliver, D. S. 1995, Mittelwerte für die Gaußsche Simulation in zwei und drei Dimensionen: Mathe. Geologie. V. 27, Nr. 8, p. 939960. Google Scholar Oliver, D. S. Cunha, L. B. und Reynolds, A. C. 1997, Eine Markov-Kette Monte Carlo-Methode der bedingten Simulation: Mathematik. Geologie, V. 29, Nr. 1, p. 6191. Google Scholar Ouenes, A. 1992, Anwendung der simulierten Annealing auf Reservoir-Charakterisierung und petrophysischen inversen System: Unveröffentlichte Dissertation, New Mexico Technical, Socorro, NM, 205 p. Google Scholar Pardo-Iguzquiza, E. und Chica-Olmo, M. 1993, Die Fourier-Integralmethode: Eine effiziente Spektralmethode zur Simulation von Zufallsfeldern: Mathematik. Geologie, V. 25, Nr. 2, p. 177217. Google Scholar Prez, G. Stochastische Konditionalsimulation zur Beschreibung von Reservoireigenschaften: Unveröffentlichte Dissertation, Universität Tulsa, Tulsa, OK, 245 p. Priestley, M. B. 1981, Spektrale Analyse und Zeitreihen: Academic Press, London, GB. Scholar RamaRao, B. S. La Venue, M. M. Marsilly, G. und Marietta, M. G. 1995, Pilotpunktmethodik zur automatisierten Kalibrierung eines Ensembles eines bedingt simulierten Transmissionsfeldes: 1. Theorie und Rechenversuche: Wasserresourcen Res. V. 31, Nr. 3, p. 475493. Google Scholar Roggero, F. und Hu, L. 1998, Allmähliche Verformung kontinuierlicher geostatistischer Modelle für die Geschichtsabstimmung: SPE Annual Technical Conference and Exhibition, New Orleans, LA, SPE 49004. Shinozuka, M. und Jan, CM 1972, Digitale Simulation von Zufallsprozessen und deren Anwendungen: Jour. Klingt Vib. 25, Nr. 1, p. 111128. Google Scholar Yao, T. 1998, Konditionale Spektralsimulation mit Phasenidentifikation: Mathematik. Geologie, V. 30, Nr. 3, p. 285308. Google Scholar Copyright Informationen Internationale Vereinigung für Mathematische Geologie 2000 Autoren und Mitgliedsverbände Mickale Le Ravalec 1 Benot Noetinger 2 Lin Y. Hu 2 1. Institut Franais du Ptrole Pau Cedex 9 Frankreich 2. Institut Franais du Ptrole Pau Cedex 9 Frankreich Über diesen Artikel drucken ISSN 0882-8121 Online ISSN 1573-8868 Herausgeber Namen Kluwer Academic Publishers-Plenums Publishers104210881077108410771085108510861077 1076108010891082108810771090108510861077 10871088107710861073108810721079108610741072108510801077 10601091108811001077 1092108010831100109010881072 10891082108610831100107911031097107710751086 10891088107710761085107710751086 1040108410871083108010901091107610851086-109510721089109010861090108510721103 10931072108810721082109010771088108010891090108010821072 1076107410911084107710881085108610751086 1092108010831100109010881072 10891082108610831100107911031097107710751086 10891088107710761085107710751086.