Интегрирование за 64 определит частотную характеристику, умножение на син и кос это перенос спектра, перед переносом достаточно почистить зеркальные каналы. Если бы знать все характеристики сигнала и задачи.... Можно было бы найти решение проще.

Это слишком "жирно" у меня STM32F103 на 72МГц.

Простое решение это нужно усреднять значение сигнала за какой-то период и смотреть на отклонение сигнала от усредненного.
Вопрос в том как есть ли методы нахождения периода усреднения и порога для принятия решения.


Для начала я написал функцию «скользящего среднего»


Предполагалось, что период усреднения можно будет адаптировать в зависимости от сигнала. Пока реализован только механизм отброса заведомо больших отклонений.
if (abs(difference) < md_parameter->amp_difference ) , такие отклонения в расчет не попадают.

Затем была написана функция определения объекта по отклонению сигнала от текущего среднего.



Определяется длина непрерывного отклонения сигнала от текущего среднего, превышающее порог.

Решил привязать значение порога к статистике сигнала – среднее/среднеквадратичное отклонения. Для простоты взял 128 (int len) значений сигнала

//---------------------------------------------------
// подсчитать статитику фонового сигнала
void calc_stat(int *data, int len, statistic *stat)
{
int i, max, min;
float sum, sum2;

max = min = data[0];
sum =0;
for (i=0; i<len; i++)
{
if (max < data[i]) max = data[i];
if (min > data[i]) min = data[i];
sum += data[i];
}

stat->average = sum/len; // среднее значение

max = abs(max - stat->average);
min = abs(stat->average - min);

if (max > min) stat->max_diff = max; // максимальный выброс был в плюс
else stat->max_diff = min; // максимальный выброс был в минус

sum = sum2 =0;
for (i=0; i<len; i++)
{
sum += abs(stat->average - data[i]);
sum2 += abs(stat->average - data[i]) * abs(stat->average - data[i]);
}

stat->mean_diff = sum/len;
stat->sco = sqrt(sum2)/len;
}

Прогнал 4 образца Cu, Al, Fe, Ni и подобрал значение порога ширины импульса.



красный – сигнал;
синий – текущее среднее;
зеленый – функция детектирования сигнала.

Вроде бы все хорошо. Решил сменить условия эксперимента.

Поменять уровень помех я не могу, поэтому принудительно сдвинул фазу захвата данных АЦП.
Параметры обнаружения оставил те же.



Взаимосвязь среднего отклонения прослеживается, при изменении среднего отклонения с 0,2188 до 0,2422 появились ложные цели при тех же параметрах.

Решил проверить зависимость по "старым" измерениям. Собрал статистику о том во сколько раз порог должен превышать значение среднего отклонения. Получилось число от 5 до 64 – то есть корреляции нет. :-(

В аналогичном приборе автор отказался от адаптивной подстройки, и порог выбирается вручную. Оно как бы и логично при пороге 2 и 3 все работает.
У меня в теории, у автора в практике :-)

Есть фильтры Калмана о них пол интернета исписано, но толкового описания нет, да и STM32F103 его не потянет.
Есть фильтры которыми выявляют отклик от эхолотов и радиолокаторов. Но они тоже тяжеловесные.

Вот и думаю, есть проще типовое решение адаптивной подстройки порога или нет?

dc(k) = a * adcin(k) + (1-a)*dc(k-1)

a = 1/2^16;

adcout(k) = adcin(k) - dc(k)

вот это не потянет ? на фиксированной точке в формате s1.30 ?

По моему это один из вариантов скользящего среднего.

При установившемся режиме работать будет.
Сейчас по включению датчик до 30 минут имеет довольно быстрый разогрев.
Вот хотелось бы простой понятный алгоритм определения параметров усреднения в приведенном случае коэффициента "a".

В аналоговых схемах применяют диференцирующие цепочки.
В матлабе есть диференцирующие фильтры.
Но мне не понравилась работа FDA.
Точнее не достаточно привычки и/или опыта.

Шарите он самый, но в рекурсивной форме, причем абсолютно устойчивый, с минимальным ресурсом и без децимации по выходу. Хотя децимацию можно добавить. Другое название экспоненциальный фильтр.


АЧХ построите и сразу увидите. а = 2^16 эквивалентно скользящему среднему на 65536 отсчетов.