Перемещение среднеквадратичного значения
dsp.MovingRMS Система object™ вычисляет движущееся среднеквадратичное значение (RMS) входного сигнала вдоль каждого канала независимо в зависимости от времени. Объект использует или метод раздвижного окна или экспоненциальный метод взвешивания, чтобы вычислить движущуюся RMS. В методе раздвижного окна окно заданной длины отодвинуто данные, выборка выборкой, и RMS вычисляется по данным в окне. В экспоненциальном методе взвешивания, объектные квадраты выборки данных, умножает их с набором взвешивания факторов и суммирует взвешенные данные. Объект затем вычисляет RMS путем пущения квадратного корня из суммы. Для получения дополнительной информации об этих методах см. Алгоритмы.
Вычислить движущуюся RMS входа:
Создайте dsp.MovingRMS объект и набор его свойства.
Вызовите объект с аргументами, как будто это была функция.
Чтобы узнать больше, как Системные объекты работают, смотрите то, Что Системные объекты? MATLAB.
movRMS = dsp.MovingRMSmovRMS, использование свойств по умолчанию.
movRMS = dsp.MovingRMS(Len)WindowLength свойство к Len.
movRMS = dsp.MovingRMS(Name,Value)Name,Value пары. Незаданные свойства имеют значения по умолчанию.
movRMS = dsp.MovingRMS('Method','Exponential weighting','ForgettingFactor',0.9);Чтобы использовать объектную функцию, задайте Системный объект как первый входной параметр. Например, чтобы выпустить системные ресурсы Системного объекта под названием obj, используйте этот синтаксис:
release(obj)
Вычислите движущуюся RMS шумного сигнала прямоугольной волны с различной амплитудой с помощью dsp.MovingRMS объект.
Инициализация
Настройте movrmsWin и movrmsExp объекты. movrmsWin использует метод раздвижного окна с длиной окна 20. movrmsExp использует экспоненциальный метод взвешивания с фактором упущения 0,995. Создайте осциллограф времени для просмотра выхода.
FrameLength = 10; Fs = 100; movrmsWin = dsp.MovingRMS(20); movrmsExp = dsp.MovingRMS('Method','Exponential weighting',... 'ForgettingFactor',0.995); scope = dsp.TimeScope('SampleRate',Fs,... 'TimeSpanOverrunAction','Scroll',... 'TimeSpan',100,... 'ShowGrid',true,... 'YLimits',[-1.0 5.5]); title = 'Sliding Window RMS (blue) and Exponentially Weighted RMS (red)'; scope.Title = title;
Вычислите RMS
Сгенерируйте шумный сигнал прямоугольной волны. Варьируйтесь амплитуда прямоугольной волны после данного количества систем координат. Примените метод раздвижного окна и экспоненциальный метод взвешивания на этом сигнале. Просмотрите выход на осциллографе времени.
count = 1; Vect = [1/8 1/2 1 2 3 4]; for index = 1:length(Vect) V = Vect(index); for i = 1:160 x = V + 0.1 * randn(FrameLength,1); y1 = movrmsWin(x); y2 = movrmsExp(x); scope([x,y1,y2]); end end
В методе раздвижного окна выход для каждой входной выборки является RMS текущей выборки и Len – 1 предыдущая выборка. Len является длиной окна. Чтобы вычислить первый Len - 1, выходные параметры, когда окно еще не имеет достаточного количества данных, алгоритм, заполняют окно нулями. Как пример, чтобы вычислить RMS, когда вторая входная выборка входит, алгоритм заполняет окно Len – 2 нуля. Вектор данных, x, является затем двумя выборками данных, сопровождаемыми Len – 2 нуля.
Когда вы не задаете длину окна, алгоритм выбирает бесконечную длину окна. В этом режиме выход является движущейся RMS текущей выборки и всех предыдущих выборок в канале.
Рассмотрите пример вычисления движущейся RMS потоковой передачи входные данные с помощью метода раздвижного окна. Алгоритм использует длину окна 4. С каждой входной выборкой, которая входит, окно длины 4 проходит данные.
В экспоненциальном методе взвешивания движущаяся RMS вычисляется рекурсивно с помощью этих формул:
— Движущаяся RMS на текущей выборке
— Квадрат текущей выборки входных данных
— Движущаяся RMS на предыдущей выборке
λ — Упущение фактора
— Взвешивание фактора применилось к текущей выборке данных
— Эффект предыдущих данных по RMS
Для первой выборки, где N = 1, алгоритм выбирает = 1. Для следующей выборки фактор взвешивания обновляется и использовался для расчета RMS согласно рекурсивному уравнению. Как возраст увеличений данных, величина фактора взвешивания уменьшается экспоненциально и никогда не достигает нуля. Другими словами, недавние данные имеют больше влияния на текущую RMS, чем более старые данные.
Значение фактора упущения определяет скорость изменения факторов взвешивания. Фактор упущения 0,9 дает больше веса более старым данным, чем делает фактор упущения 0,1. Фактор упущения 1,0 указывает на бесконечную память. Всем предыдущим выборкам дают равный вес.
Вот пример вычисления движущейся RMS с помощью экспоненциального метода взвешивания. Фактор упущения 0.9.
[1] Боденхэм, декан. “Адаптивное обнаружение фильтрации и изменения для потоковой передачи данных”. PH.D. Тезис. Имперский колледж, Лондон, 2012.
dsp.MedianFilter | dsp.MovingAverage | dsp.MovingMaximum | dsp.MovingMinimum | dsp.MovingStandardDeviation | dsp.MovingVariance