Comme d'autres l'ont mentionné, vous devriez considérer un filtre IIR (réponse impulsion infinie) plutôt que le filtre FIR (réponse impulsionnelle finie) que vous utilisez maintenant. Il y a plus, mais à première vue les filtres FIR sont implémentés comme des convolutions explicites et des filtres IIR avec des équations. Le filtre IIR particulier que j'utilise beaucoup dans les microcontrôleurs est un filtre passe-bas à un seul pôle. C'est l'équivalent numérique d'un simple filtre analogique R-C. Pour la plupart des applications, celles-ci auront de meilleures caractéristiques que le filtre de boîte que vous utilisez. La plupart des utilisations d'un filtre de boîte que j'ai rencontré sont le résultat de quelqu'un qui ne prête pas attention dans la classe de traitement de signal numérique, et non pas en raison de besoin de leurs caractéristiques particulières. Si vous voulez juste atténuer les hautes fréquences que vous connaissez le bruit, un seul filtre passe-bas piste est mieux. La meilleure façon d'implémenter un numérique dans un microcontrôleur est généralement: FILT lt-- FILT FF (NEW-FILT) FILT est un morceau d'état persistant. Il s'agit de la seule variable persistante dont vous avez besoin pour calculer ce filtre. NEW est la nouvelle valeur que le filtre est mis à jour avec cette itération. FF est la fraction du filtre. Qui ajuste la lourdeur du filtre. Regardez cet algorithme et voyez que pour FF 0 le filtre est infiniment lourd puisque la sortie ne change jamais. Pour FF 1, son vraiment pas de filtre du tout puisque la sortie vient de suivre l'entrée. Les valeurs utiles sont entre les deux. Sur les petits systèmes, vous choisissez FF pour être 12 N de sorte que la multiplication par FF peut être accomplie comme un décalage à droite par N bits. Par exemple, FF pourrait être 116 et la multiplication par FF donc un décalage à droite de 4 bits. Sinon, ce filtre n'a besoin que d'une soustraction et d'un ajout, bien que les nombres doivent généralement être plus larges que la valeur d'entrée (plus sur la précision numérique dans une section séparée ci-dessous). Je prends habituellement des lectures de DA beaucoup plus rapidement qu'elles ne sont nécessaires et appliquez deux de ces filtres en cascade. Il s'agit de l'équivalent numérique de deux filtres R-C en série, et atténue de 12 dBoctave au-dessus de la fréquence de roulage. Cependant, pour les lectures AD, il est habituellement plus pertinent de regarder le filtre dans le domaine temporel en considérant sa réponse par pas. Cela indique à quelle vitesse votre système verra un changement lorsque la chose que vous mesure change. Pour faciliter la conception de ces filtres (ce qui signifie seulement cueillir FF et décider combien d'entre eux de cascade), je utiliser mon programme FILTBITS. Vous spécifiez le nombre de bits de décalage pour chaque FF dans la série de filtres en cascade, et il calcule la réponse d'étape et d'autres valeurs. En fait, je cours habituellement via mon script wrapper PLOTFILT. Cela exécute FILTBITS, qui crée un fichier CSV, puis trace le fichier CSV. Par exemple, voici le résultat de PLOTFILT 4 4: Les deux paramètres de PLOTFILT signifient qu'il y aura deux filtres en cascade du type décrit ci-dessus. Les valeurs de 4 indiquent le nombre de bits de décalage pour réaliser la multiplication par FF. Les deux valeurs FF sont donc 116 dans ce cas. La trace rouge est la réponse à l'échelon d'unité, et est la chose principale à regarder. Par exemple, ceci indique que si l'entrée change instantanément, la sortie du filtre combiné s'installera à 90 de la nouvelle valeur en 60 itérations. Si vous prenez soin de 95 temps de règlement, alors vous devez attendre environ 73 itérations, et pour 50 temps de règlement seulement 26 itérations. La trace verte vous montre la sortie d'une seule pointe pleine amplitude. Cela vous donne une idée de la suppression du bruit aléatoire. Il semble qu'aucun échantillon ne causera plus d'un changement de 2.5 dans la sortie. La trace bleue est de donner un sentiment subjectif de ce que ce filtre fait avec le bruit blanc. Ce n'est pas un test rigoureux car il n'y a aucune garantie exactement quel était le contenu des nombres aléatoires sélectionnés comme le bruit blanc d'entrée pour cette série de PLOTFILT. Son seulement pour vous donner une sensation approximative de combien il sera écrasé et comment lisse il est. PLOTFILT, peut-être FILTBITS, et beaucoup d'autres choses utiles, en particulier pour le développement de microprogramme PIC est disponible dans la version du logiciel PIC Development Tools à la page de téléchargement de mon logiciel. Ajouté à la précision numérique je vois des commentaires et maintenant une nouvelle réponse qu'il ya intérêt à discuter le nombre de bits nécessaires pour mettre en œuvre ce filtre. Notez que la multiplication par FF créera des bits nouveaux Log 2 (FF) en dessous du point binaire. Sur de petits systèmes, FF est habituellement choisi pour être 12 N de sorte que cette multiplication est réellement réalisée par un décalage à droite de N bits. FILT est donc généralement un entier de point fixe. Notez que cela ne change rien des maths du point de vue des processeurs. Par exemple, si vous filtrez des lectures AD de 10 bits et N 4 (FF 116), vous avez besoin de 4 bits de fraction au-dessous des valeurs d'AD de 10 bits. L'un des processeurs les plus, youd faire 16 bits opérations entières en raison de la lecture de 10 bits AD. Dans ce cas, vous pouvez toujours faire exactement les mêmes opérations de 16 bits entiers, mais commencez par les lectures AD décalées de 4 bits. Le processeur ne connaît pas la différence et ne nécessite pas. Faire les calculs sur des entiers entiers de 16 bits fonctionne si vous les considérez comme 12,4 points fixes ou entiers 16 bits vrais (16,0 points fixes). En général, vous devez ajouter N bits chaque pôle de filtre si vous ne voulez pas ajouter de bruit en raison de la représentation numérique. Dans l'exemple ci-dessus, le second filtre de deux doit avoir 1044 18 bits pour ne pas perdre d'informations. En pratique sur une machine 8 bits, cela signifie que vous utiliserez des valeurs de 24 bits. Techniquement seul le second pôle de deux aurait besoin de la plus grande valeur, mais pour la simplicité du microprogramme, j'utilise habituellement la même représentation, et donc le même code, pour tous les pôles d'un filtre. Habituellement, j'écris une sous-routine ou une macro pour effectuer une opération de pôle de filtre, puis l'appliquer à chaque pôle. Le choix d'un sous-programme ou d'une macro dépend du fait que les cycles ou la mémoire de programme sont plus importants dans ce projet particulier. De toute façon, j'utilise un certain état de scratch pour passer NEW dans le subroutinemacro, qui met à jour FILT, mais charge également dans le même état de scratch NEW était po Cela rend facile d'appliquer plusieurs pôles depuis la mise à jour FILT d'un pôle est le NOUVEAU De la suivante. Lorsqu'un sous-programme, il est utile d'avoir un pointeur pointe vers FILT sur le chemin, qui est mis à jour juste après FILT sur la sortie. De cette façon, le sous-programme fonctionne automatiquement sur des filtres consécutifs en mémoire si appelé plusieurs fois. Avec une macro, vous n'avez pas besoin d'un pointeur puisque vous passez dans l'adresse pour fonctionner sur chaque itération. Exemples de code Voici un exemple de macro comme décrit ci-dessus pour un PIC 18: Et voici une macro similaire pour un PIC 24 ou dsPIC 30 ou 33: Ces deux exemples sont implémentés en tant que macros en utilisant mon pré-processeur assembleur PIC. Qui est plus capable que l'un des macro-installations intégrées. Clabacchio: Un autre problème que je devrais mentionner est la mise en œuvre du microprogramme. Vous pouvez écrire un sous-programme de filtre passe-bas à un seul pôle une fois, puis l'appliquer plusieurs fois. En fait, j'écris habituellement un tel sous-programme pour prendre un pointeur en mémoire à l'état du filtre, puis faire avancer le pointeur pour qu'il puisse être appelé successivement facilement pour réaliser des filtres multipolaires. Ndash Olin Lathrop Apr 20 12 at 15:03 1. merci beaucoup pour vos réponses - tous. J'ai décidé d'utiliser ce filtre IIR, mais ce filtre n'est pas utilisé comme un filtre LowPass standard, car j'ai besoin de la moyenne des valeurs de compteur et de les comparer pour détecter les changements dans une certaine gamme. Puisque ces valeurs vont être de dimensions très différentes selon le matériel que je voulais prendre en moyenne afin de pouvoir réagir automatiquement à ces modifications spécifiques au matériel. Ndash sensslen May 21 12 at 12:06 Si vous pouvez vivre avec la restriction d'un pouvoir de deux nombre d'articles à la moyenne (c'est-à-dire 2,4,8,16,32 etc) alors le partage peut facilement et efficacement être fait sur une Faible performance micro sans division dédiée car il peut être fait comme un changement de bit. Chaque décalage à droite est une puissance de deux, par exemple: Le OP pensait qu'il avait deux problèmes, la division dans un PIC16 et la mémoire de son tampon anneau. Cette réponse montre que la division n'est pas difficile. Certes, il n'aborde pas le problème de la mémoire, mais le système SE permet des réponses partielles, et les utilisateurs peuvent prendre quelque chose à partir de chaque réponse pour eux-mêmes, ou même modifier et combiner d'autres réponses. Puisque certaines des autres réponses nécessitent une opération de division, elles sont également incomplètes car elles ne montrent pas comment réaliser efficacement ceci sur un PIC16. Ndash Martin Apr 20 12 at 13:01 Il ya une réponse pour un vrai filtre de moyenne mobile (aka boxcar filtre) avec moins de mémoire, si vous n'avez pas l'esprit de downsampling. Son appelé un filtre intégrateur-peigne en cascade (CIC). L'idée est que vous avez un intégrateur que vous prenez des différences de plus d'un laps de temps, et le dispositif clé-économie de mémoire est que par downsampling, vous n'avez pas à stocker chaque valeur de l'intégrateur. Il peut être implémenté en utilisant le pseudocode suivant: Votre longueur moyenne mobile efficace est decimationFactorstatesize, mais vous avez seulement besoin de conserver autour des échantillons statesize. Évidemment, vous pouvez obtenir de meilleures performances si votre stateize et decimationFactor sont des puissances de 2, de sorte que les opérateurs de division et de reste sont remplacés par des changements et masque-ands. Postscript: Je suis d'accord avec Olin que vous devriez toujours considérer les filtres IIR simples avant un filtre de moyenne mobile. Si vous n'avez pas besoin de fréquence-nulls d'un filtre de wagon, un filtre à un ou un filtre passe-bas bipolaire fonctionnera probablement bien. D'autre part, si vous filtrez les fins de la décimation (en prenant une entrée haute fréquence d'échantillonnage et de la moyenne pour une utilisation par un processus à faible taux), puis un filtre CIC peut être juste ce que vous cherchez. (En particulier si vous pouvez utiliser statesize1 et d'éviter le ringbuffer tout à fait avec une seule valeur intégrateur précédent) Theres une analyse approfondie des maths derrière en utilisant le filtre IIR de premier ordre qu'Olin Lathrop a déjà décrit plus sur le Digital Signal Processing stack exchange (Y compris beaucoup de jolies images.) L'équation pour ce filtre IIR est: Cela peut être implémenté en utilisant uniquement des entiers et pas de division en utilisant le code suivant (peut-être besoin d'un débogage comme je le tapais à partir de la mémoire.) Les derniers échantillons K en réglant la valeur de alpha sur 1K. Faites ceci dans le code précédent en définissant BITS sur LOG2 (K), c'est-à-dire pour K 16 mis BITS sur 4, pour K 4 mis BITS sur 2, etc. (Ill vérifie le code énuméré ici dès que j'obtiens un changement et Modifier cette réponse si nécessaire.) A répondu Jun 23 12 at 4:04 Heres un filtre passe-bas unipolaire (moyenne mobile, avec fréquence de coupure CutoffFrequency). Très simple, très rapide, fonctionne très bien, et presque aucun surcroît de mémoire. Remarque: Toutes les variables ont une portée au-delà de la fonction de filtre, à l'exception de la passée dans newInput Remarque: Il s'agit d'un filtre monophasé. Plusieurs étages peuvent être mis en cascade ensemble pour augmenter la netteté du filtre. Si vous utilisez plus d'une étape, vous devez régler DecayFactor (en fonction de la fréquence de coupure) pour compenser. Et évidemment, tout ce dont vous avez besoin est ces deux lignes placées n'importe où, ils n'ont pas besoin de leur propre fonction. Ce filtre a un temps de montée en charge avant que la moyenne mobile ne représente celle du signal d'entrée. Si vous devez contourner ce temps de montée en puissance, vous pouvez simplement initialiser MovingAverage à la première valeur de newInput au lieu de 0 et espérer que le premier newInput n'est pas un outlier. (CutoffFrequencySampleRate) a une plage comprise entre 0 et 0,5. DecayFactor est une valeur entre 0 et 1, habituellement proche de 1. Les flotteurs de précision simple sont assez bons pour la plupart des choses, je préfère simplement les doubles. Si vous avez besoin de coller avec des entiers, vous pouvez convertir DecayFactor et Amplitude Factor en entiers fractionnaires, dans lequel le numérateur est stocké comme l'entier, et le dénominateur est une puissance entière de 2 (si vous pouvez bit-shift à la droite comme Dénominateur plutôt que de devoir diviser pendant la boucle de filtre). Par exemple, si vous utilisez DecayFactor 0.99 et que vous voulez utiliser des entiers, vous pouvez définir DecayFactor 0.99 65536 64881. Et puis, chaque fois que vous multipliez par DecayFactor dans votre boucle de filtre, il suffit de décaler le résultat 16. Pour plus d'informations à ce sujet, un excellent livre thats En ligne, chapitre 19 sur les filtres récursifs: dspguidech19.htm PS Pour le paradigme de la moyenne mobile, une approche différente pour définir DecayFactor et AmplitudeFactor qui peut être plus pertinente pour vos besoins, disons que vous voulez que le précédent, environ 6 éléments moyennés ensemble, le faire discrètement, youd ajouter 6 articles et diviser par 6, donc Vous pouvez régler le AmplitudeFactor sur 16 et le DecayFactor sur (1.0 - AmplitudeFactor). A répondu May 14 12 at 22:55 Tout le monde a commenté minutieusement sur l'utilité de l'IIR vs FIR, et sur la puissance-de-deux division. Id juste comme pour donner quelques détails d'implémentation. Le ci-dessous fonctionne bien sur de petits microcontrôleurs sans FPU. Il n'y a pas de multiplication, et si vous conservez N une puissance de deux, toute la division est un seul cycle de déplacement de bits. Basic buffer anneau FIR: conserve un tampon courant des dernières N valeurs, et une somme courante de toutes les valeurs dans le tampon. Chaque fois qu'un nouvel échantillon arrive, soustrayez la valeur la plus ancienne du tampon de SUM, remplacez-la par le nouvel échantillon, ajoutez le nouvel échantillon à SUM et sortez SUMN. Modifié IIR anneau tampon: garder une somme courante des dernières N valeurs. Chaque fois qu'un nouvel échantillon arrive, SUM - SUMN, ajoutez le nouvel échantillon et la sortie SUMN. Si vous lisez bien, vous décrivez un filtre IIR de premier ordre, la valeur que vous soustrayez n'est pas la valeur la plus ancienne qui tombe, mais plutôt la moyenne des valeurs précédentes. Les filtres IIR de premier ordre peuvent certainement être utiles, mais je ne sais pas ce que vous voulez dire lorsque vous proposez que la sortie soit la même pour tous les signaux périodiques. À une fréquence d'échantillonnage de 10 kHz, l'alimentation d'une onde carrée de 100 Hz dans un filtre de 20 étages produira un signal qui s'élève uniformément pour 20 échantillons, se stabilise à 30, chute uniformément pour 20 échantillons et reste bas pour 30. Un premier ordre IIR. Ndash supercat Aug 28 13 à 15:31 donnera une onde qui commence brusquement à monter et se nivelle graduellement près (mais pas à) le maximum d'entrée, puis commence brusquement à tomber et se nivelle graduellement près (mais pas) du minimum d'entrée. Comportement très différent. Ndash supercat Aug 28 13 at 15:32 Une question est qu'une moyenne mobile simple peut ou peut ne pas être utile. Avec un filtre IIR, vous pouvez obtenir un filtre agréable avec relativement peu de calcs. La FIR que vous décrivez peut seulement vous donner un rectangle dans le temps - un sinc en freq - et vous ne pouvez pas gérer les lobes latéraux. Il peut être bien la peine de jeter dans quelques entiers multiplicatif pour en faire une belle symétrique accordable FIR si vous pouvez épargner les tics de l'horloge. Ndash Scott Seidman Aug 29 13 at 13:50 ScottSeidman: Il n'est pas nécessaire de multiplier si on a simplement chaque étape de la FIR soit la sortie de la moyenne de l'entrée à cette étape et sa valeur stockée précédente, puis stocker l'entrée (si on a La plage numérique, on pourrait utiliser la somme plutôt que la moyenne). Que ce soit mieux qu'un filtre de boîte dépend de l'application (la réponse d'étape d'un filtre de boîte avec un retard total de 1ms, par exemple, aura un pic d2dt désagréable lorsque le changement d'entrée, et 1ms plus tard, mais aura le minimum Possible ddt pour un filtre avec un retard total de 1ms). Si vous avez vraiment besoin de réduire vos besoins en mémoire, et vous n'avez pas l'esprit de votre réponse impulsionnelle étant une exponentielle (au lieu d'une impulsion rectangulaire), je voudrais aller pour un filtre de moyenne mobile exponentielle . Je les utilise largement. Avec ce type de filtre, vous n'avez pas besoin de tampon. Vous n'avez pas à stocker N échantillons passés. Juste un. Ainsi, vos exigences de mémoire sont réduites par un facteur de N. En outre, vous n'avez pas besoin de division pour cela. Seulement multiplications. Si vous avez accès à l'arithmétique à virgule flottante, utilisez des multiplications en virgule flottante. Sinon, effectuez des multiplications entières et décalez vers la droite. Cependant, nous sommes en 2012, et je vous recommande d'utiliser des compilateurs (et des MCU) qui vous permettent de travailler avec des nombres à virgule flottante. En plus d'être plus efficace de mémoire et plus rapide (vous n'avez pas à mettre à jour des éléments dans un tampon circulaire), je dirais qu'il est également plus naturel. Car une réponse impulsionnelle exponentielle correspond mieux à la façon dont la nature se comporte, dans la plupart des cas. Une question avec le filtre IIR comme presque touché par olin et supercat mais apparemment méprisé par d'autres est que l'arrondissement vers le bas introduit une certaine imprécision (et potentiellement biastruncation). En supposant que N est une puissance de deux et que seule une arithmétique entière est utilisée, le droit de décalage élimine systématiquement les LSB du nouvel échantillon. Cela signifie que la durée de la série pourrait jamais être, la moyenne ne prendra jamais en compte. Par exemple, supposons une série lentement décroissante (8, 8, 8, 7, 7, 7, 7, 6, 6) et supposons que la moyenne est en effet de 8 au début. Le premier échantillon amènera la moyenne à 7, quelle que soit la force du filtre. Juste pour un échantillon. Même histoire pour 6, etc Maintenant, pensez à l'inverse. La série monte. La moyenne va rester sur 7 pour toujours, jusqu'à ce que l'échantillon est assez grand pour le faire changer. Bien sûr, vous pouvez corriger le biais en ajoutant 12N2, mais qui ne résoudra pas vraiment le problème de précision. Dans ce cas la série décroissante restera éternellement à 8 jusqu'à ce que l'échantillon soit 8-12 (N2). Pour N4 par exemple, tout échantillon au-dessus de zéro maintiendra la moyenne inchangée. Je crois qu'une solution pour cela impliquerait de détenir un accumulateur des LSBs perdus. Mais je n'ai pas fait assez loin pour avoir le code prêt, et je ne suis pas sûr qu'il ne nuirait pas à la puissance IIR dans certains autres cas de série (par exemple, si 7,9,7,9 serait moyenne à 8 alors). Olin, votre cascade à deux étages aurait aussi besoin d'une explication. Voulez-vous dire tenir deux valeurs moyennes avec le résultat de la première alimentation dans la seconde dans chaque itération. Quel est le bénéfice de cette fonctionnalité Cette fonctionnalité est expérimentale et peut être modifiée ou supprimée complètement dans une future version. Elastic prendra une approche de meilleur effort pour corriger les problèmes, mais les fonctionnalités expérimentales ne sont pas soumises à l'assistance SLA des fonctionnalités GA officielles. Compte tenu d'une série ordonnée de données, l'agrégation de la moyenne mobile glisse une fenêtre sur les données et émet la valeur moyenne de cette fenêtre. Par exemple, on peut calculer une moyenne mobile simple avec une taille de fenêtre de 5 comme suit: Les moyennes mobiles sont une méthode simple pour lisser les séquences Les données. Les moyennes mobiles sont généralement appliquées aux données temporelles, telles que les cours des actions ou les statistiques des serveurs. Le lissage peut être utilisé pour éliminer les fluctuations de haute fréquence ou le bruit aléatoire, ce qui permet de visualiser les tendances de fréquence inférieure, comme la saisonnalité. Syntaxedit Linearedit Le modèle linéaire attribue une pondération linéaire aux points de la série, de sorte que les points de données plus anciens (par exemple ceux au début de la fenêtre) contribuent à une quantité linéairement inférieure à la moyenne totale. La pondération linéaire permet de réduire le retard par rapport à la moyenne des données, puisque les points plus anciens ont moins d'influence. Un modèle linéaire n'a pas de paramètres spéciaux à configurer Comme le modèle simple, la taille de la fenêtre peut changer le comportement de la moyenne mobile. Par exemple, une petite fenêtre (fenêtre: 10) suivra de près les données et n'atténuera que les fluctuations de petite échelle. En revanche, une moyenne mobile linéaire avec une fenêtre plus grande (fenêtre: 100) Permettra de lisser toutes les fluctuations de haute fréquence, ne laissant que les basses fréquences, les tendances à long terme. Il tend également à être en retard par rapport aux données réelles d'une quantité substantielle, bien que typiquement inférieur au modèle simple: Multiplicative Holt-Wintersedit Multiplicative est spécifié par le type de réglage: mult. Cette variété est préférable lorsque l'effet saisonnier est multiplié par rapport à vos données. Par exemple. Si l'affect saisonnier est x5 les données, plutôt que simplement ajouter à elle. Les valeurs par défaut de alpha et gamma sont de 0,3 alors que la version bêta est de 0,1. Les paramètres acceptent tous les flottants de 0-1 inclus. La valeur par défaut de la période est 1. Le modèle multiplicatif Holt-Winters peut être Minimized Multiplicative Holt-Winters fonctionne en divisant chaque point de données par la valeur saisonnière. Cela est problématique si l'une de vos données est nulle, ou s'il ya des lacunes dans les données (puisque cela se traduit par une division par zéro). Pour lutter contre cela, la mult Holt-Winters pads toutes les valeurs par une très petite quantité (110 -10) de sorte que toutes les valeurs sont non-zéro. Cela affecte le résultat, mais seulement de façon minimale. Si vos données sont différentes de zéro, ou si vous préférez voir NaN lorsque des zéros sont rencontrés, vous pouvez désactiver ce comportement avec pad: false Predictionedit Tout le modèle de moyenne mobile supporte un mode de prédiction qui tentera d'extrapoler dans l'avenir compte tenu du courant Lissée, moyenne mobile. Selon le modèle et le paramètre, ces prédictions peuvent être ou non exactes. Les prédictions sont activées en ajoutant un paramètre prédictif à toute agrégation de moyenne mobile, en spécifiant le nombre de prédictions que vous souhaitez ajouter à la fin de la série. Ces prédictions seront espacées au même intervalle que vos seaux: Le simple. Les modèles linéaires et les modèles ewma produisent tous des prédictions planes: ils convergent essentiellement vers la moyenne de la dernière valeur de la série, produisant un plan: Figure 11. Moyenne mobile simple avec fenêtre de taille 10, prédire 50 En revanche, le modèle holt peut extrapoler à partir de Sur les tendances constantes locales ou mondiales. Si nous fixons une valeur bêta élevée, nous pouvons extrapoler en fonction des tendances constantes locales (dans ce cas, les prédictions sont dirigées vers le bas, car les données à la fin de la série étaient orientées vers le bas): Figure 12. Holt - Avec fenêtre de taille 100, prédire 20, alpha 0,5, beta 0,8 En revanche, si nous choisissons une petite bêta. Les prédictions sont basées sur la tendance constante globale. Dans cette série, la tendance globale est légèrement positive, de sorte que la prédiction fait un virage en U tranchant et commence une pente positive: Figure 13. Moyenne mobile exponentielle double avec fenêtre de taille 100, prédire 20, alpha 0,5, bêta 0,1 Le modèle holtwinters A le potentiel de fournir les meilleures prédictions, puisqu'il incorpore également des fluctuations saisonnières dans le modèle: Figure 14. Moyenne mobile Holt-Winters avec fenêtre de taille 120, prédire 25, alpha 0.8, beta 0.2, gamma 0.7, période 30home gtgt Inventaire Comptabilité Thèmes Moyenne mobile Méthode d'inventaire Moyenne mobile Méthode d'inventaire Vue d'ensemble Selon la méthode de l'inventaire moyen mobile, le coût moyen de chaque article de stock en stock est recalculé après chaque achat d'inventaire. Cette méthode tend à produire des évaluations d'inventaire et des résultats de coût des biens vendus qui sont entre ceux obtenus selon la méthode du premier entré, premier sorti (FIFO) et le dernier entré, premier sorti (LIFO). Cette méthode de calcul de la moyenne est considérée comme une méthode sûre et prudente de déclaration des résultats financiers. Le calcul est le coût total des articles achetés divisé par le nombre d'articles en stock. Le coût de la fin des stocks et le coût des marchandises vendues sont alors fixés à ce coût moyen. Aucune stratification de coût n'est nécessaire, comme cela est requis pour les méthodes FIFO et LIFO. Étant donné que le coût moyen mobile change chaque fois qu'un nouvel achat est en cours, la méthode ne peut être utilisée qu'avec un système de suivi des stocks perpétuel. Ce système tient à jour les relevés des soldes des stocks. Vous ne pouvez pas utiliser la méthode d'inventaire en moyenne mobile si vous utilisez uniquement un système d'inventaire périodique. Car un tel système n'accumule que des informations à la fin de chaque période comptable et ne conserve pas de registres au niveau de chaque unité. En outre, lorsque les évaluations d'inventaire sont dérivées à l'aide d'un système informatique, l'ordinateur rend relativement facile d'ajuster continuellement les évaluations d'inventaire avec cette méthode. À l'inverse, il peut être très difficile d'utiliser la méthode de la moyenne mobile lorsque les enregistrements d'inventaire sont maintenus manuellement, car le personnel de bureau serait accablé par le volume des calculs requis. Moyenne mobile Méthode d'inventaire Exemple Exemple 1. ABC International dispose de 1000 widgets verts en stock au début d'avril, à un coût par unité de 5. Ainsi, le solde initial des stocks de widgets verts en avril est de 5.000. ABC achète 250 widgets supplémentaires le 10 avril pour 6 chacun (achat total de 1 500) et 750 autres widgets verts le 20 avril pour 7 chacun (achat total de 5 250). En l'absence de ventes, cela signifie que le coût moyen mobile par unité à la fin d'avril serait de 5,88, ce qui est calculé comme un coût total de 11 750 (5 000 début du solde 1 500 achat 5 250 d'achat), divisé par le total sur Nombre d'unités manuelles de 2 000 widgets verts (1 000 soldes début 250 unités achetées 750 unités achetées). Ainsi, le coût moyen mobile des widgets verts était de 5 par unité au début du mois et de 5,88 à la fin du mois. Nous allons répéter l'exemple, mais maintenant inclure plusieurs ventes. N'oubliez pas que nous recalculons la moyenne mobile après chaque transaction. Exemple 2. ABC International dispose de 1 000 widgets verts en stock au début du mois d'avril, à un coût unitaire de 5. Elle vend 250 de ces unités le 5 avril et enregistre une charge au coût des marchandises vendues de 1 250 Est calculé comme 250 unités x 5 par unité. Cela signifie qu'il ya maintenant 750 unités en stock, à un coût par unité de 5 et un coût total de 3.750. ABC achète ensuite 250 autres widgets verts le 10 avril pour 6 chacun (achat total de 1 500). Le coût moyen mobile est maintenant de 5,25, qui est calculé comme un coût total de 5 250 divisé par les 1000 unités encore à portée de main. ABC vend alors 200 unités le 12 avril, et enregistre une charge au coût des marchandises vendues de 1 050, qui est calculé comme 200 unités x 5,25 par unité. Cela signifie qu'il ya maintenant 800 unités restantes en stock, à un coût par unité de 5,25 et un coût total de 4 200. Enfin, ABC achète 750 autres widgets verts le 20 avril pour 7 chacun (achat total de 5 250). À la fin du mois, le coût moyen mobile par unité est de 6,10, qui est calculé comme le coût total de 4 200 5 250, divisé par les unités restantes restantes de 800 750. Ainsi, dans le deuxième exemple, ABC International commence le mois avec un 5000 Début de l'équilibre des widgets verts à un coût de 5 chacun, vend 250 unités à un coût de 5 le 5 avril, révise son coût unitaire à 5,25 après un achat le 10 avril, vend 200 unités à un coût de 5,25 le 12 avril, A finalement révisé son coût unitaire à 6,10 après un achat le 20 avril. Vous pouvez constater que le coût par unité change à la suite d'un achat d'inventaire, mais pas après une vente d'inventaire.
No comments:
Post a Comment