dsp.MovingVariance

Движущееся отклонение

Описание

dsp.MovingVariance Система object™ вычисляет движущееся отклонение входного сигнала вдоль каждого канала независимо в зависимости от времени. Объект использует или метод раздвижного окна или экспоненциальный метод взвешивания, чтобы вычислить движущееся отклонение. В методе раздвижного окна окно заданной длины отодвинуто данные, выборка выборкой, и отклонение вычисляется по данным в окне. В экспоненциальном методе взвешивания объект вычитает каждую выборку данных из среднего значения, придает различию квадратную форму и умножает результат в квадрате с фактором взвешивания. Объект затем вычисляет отклонение путем добавления всех взвешенных данных. Для получения дополнительной информации об этих методах см. Алгоритмы.

Вычислить движущееся отклонение входа:

Создайте dsp.MovingVariance 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.

Создание

Синтаксис

MovVar = dsp.MovingVariance

MovVar = dsp.MovingVariance(Len)

MovVar = dsp.MovingVariance(Name,Value)

Описание

MovVar = dsp.MovingVariance возвращает движущийся объект отклонения, MovVar, использование свойств по умолчанию.

пример

MovVar = dsp.MovingVariance(Len) устанавливает WindowLength свойство к Len.

пример

MovVar = dsp.MovingVariance(Name,Value) задает дополнительные свойства с помощью Name,Value пары. Незаданные свойства имеют значения по умолчанию.

Пример: MovVar = dsp.MovingVariance('Method','Exponential weighting','ForgettingFactor',0.9);

Свойства

развернуть все

Если в противном случае не обозначено, свойства являются ненастраиваемыми, что означает, что вы не можете изменить их значения после вызова объекта. Объекты блокируют, когда вы вызываете их и release функция разблокировала их.

Если свойство является настраиваемым, можно изменить его значение в любое время.

Для получения дополнительной информации об изменении значений свойств смотрите Разработку системы в MATLAB Используя Системные объекты (MATLAB).

`Method` — Метод, чтобы вычислить отклонение
`'Sliding window'` (значение по умолчанию) | `'Exponential weighting'`

'Sliding window' — Окно длины задано SpecifyWindowLength отодвинут входные данные вдоль каждого канала. Для каждой выборки перемещения окна объект вычисляет отклонение по данным в окне.
'Exponential weighting' — Объект вычитает каждую выборку данных из среднего значения, придает различию квадратную форму и умножает результат в квадрате с фактором взвешивания. Объект затем вычисляет отклонение путем добавления всех взвешенных данных. Величина факторов взвешивания уменьшается экспоненциально как возраст увеличений данных, никогда не достигая нуля.

Для получения дополнительной информации об этих методах см. Алгоритмы.

`SpecifyWindowLength` — Задайте длину окна
`true` (значение по умолчанию) | `false`

Отметьте, чтобы задать длину окна в виде скалярной булевской переменной.

true — Длина раздвижного окна равна значению, которое вы задаете в WindowLength свойство.
false — Длина раздвижного окна бесконечна. В этом режиме отклонение вычисляется с помощью текущей выборки и всех прошлых выборок.

Зависимости

Это свойство применяется, когда вы устанавливаете Method к 'Sliding window'.

`WindowLength` — Длина раздвижного окна
4 (значения по умолчанию) | положительное скалярное целое число

Длина раздвижного окна в виде положительного скалярного целого числа.

Зависимости

Это свойство применяется, когда вы устанавливаете Method к 'Sliding window' и SpecifyWindowLength к true.

`ForgettingFactor` — Экспоненциальный фактор взвешивания
0.9 (значение по умолчанию) | положительный действительный скаляр в области значений (0,1]

Экспоненциальный фактор взвешивания в виде положительного действительного скаляра в области значений (0,1].

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 прошлым выборкам дают равный вес.

Поскольку это свойство является настраиваемым, можно изменить его значение, даже когда объект заблокирован.

Настраиваемый: да

Зависимости

Это свойство применяется, когда вы устанавливаете Method к 'Exponential weighting'.

Типы данных: single | double

Использование

Синтаксис

y = movVar(x)

Описание

пример

y = movVar(x) вычисляет движущееся отклонение входного сигнала, x, использование или метод раздвижного окна или экспоненциальный метод взвешивания.

Входные параметры

развернуть все

`x` — Ввод данных
вектор | матрица

Ввод данных в виде вектора или матрицы. Если x матрица, каждый столбец обработан как независимый канал. Движущееся отклонение вычисляется вдоль каждого канала. Объект также принимает входные параметры переменного размера. Если объект заблокирован, вы можете изменить размер каждого входного канала, но не можете изменить количество каналов.

Типы данных: single | double
Поддержка комплексного числа: Да

Выходные аргументы

развернуть все

`y` — Движущееся отклонение
вектор | матрица

Движущееся отклонение входного сигнала, возвращенного как вектор или матрица.

Типы данных: single | double
Поддержка комплексного числа: Да

Функции объекта

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)

развернуть все

Характерный для всех системных объектов

`step`	Запустите алгоритм Системного объекта
`release`	Высвободите средства и позвольте изменения в значениях свойств Системного объекта и введите характеристики
`reset`	Сбросьте внутренние состояния Системного объекта

Примеры

свернуть все

Перемещение отклонения шумного сигнала прямоугольной волны

Открыть скрипт

Вычислите движущееся отклонение шумного сигнала прямоугольной волны с различной амплитудой с помощью dsp.MovingVariance объект.

Инициализация

Настройте movvarWindow и movvarExp объекты. movvarWindow использует метод раздвижного окна с длиной окна 800. movvarExp использует экспоненциально метод взвешивания с фактором упущения 0,999. Создайте осциллограф времени для просмотра выхода.

FrameLength = 100;
Fs = 100;
movvarWindow = dsp.MovingVariance(800);
movvarExp = dsp.MovingVariance('Method','Exponential weighting',...
    'ForgettingFactor',0.999);
scope  = dsp.TimeScope('SampleRate',Fs,...
    'TimeSpanOverrunAction','Scroll',...
    'TimeSpan',1000,...
    'ShowGrid',true,...
    'BufferLength',1e7,...
    'YLimits',[0 7e-4]);
title = 'Actual (yellow) Sliding Window (blue) Exponentially Weighted (red) variance';
scope.Title = title;

Вычислите отклонение

Сгенерируйте шумный сигнал прямоугольной волны. Варьируйтесь амплитуда прямоугольной волны после данного количества систем координат. Примените метод раздвижного окна и экспоненциально метод взвешивания на этом сигнале. Фактическое отклонение является np. Это значение используется при добавлении шума в данные. Сравните фактическое отклонение с вычисленными отклонениями на осциллографе времени.

count = 1;
noisepower = 1e-4 * [1 2 3 4];
index = 1;
for index = 1:length(noisepower)
    np = noisepower(index);
    yexp = np*ones(FrameLength,1);
    for i = 1:250
        x = 1 + sqrt(np) * randn(FrameLength,1);
        y1 = movvarWindow(x);
        y2 = movvarExp(x);
        scope([yexp,y1,y2]);
    end
end

Алгоритмы

развернуть все

Метод раздвижного окна

В методе раздвижного окна выход на текущей выборке является отклонением текущей выборки относительно данных в окне. Чтобы вычислить первый Len - 1, выходные параметры, когда окно еще не имеет достаточного количества данных, алгоритм, заполняют окно нулями. Как пример, чтобы вычислить отклонение, когда вторая входная выборка входит, алгоритм заполняет окно Len – 2 нуля. Len является длиной окна. 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 движущимся отклонением текущей выборки относительно всех предыдущих выборок в канале.

Рассмотрите пример вычисления движущегося отклонения 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.

Экспоненциальный метод взвешивания

В экспоненциальном методе взвешивания движущееся отклонение вычисляется рекурсивно с помощью этих формул:

$\begin{array}{l} s^{2}_{N, λ} = \frac{1}{v_{N, λ}} \sum_{k = 1}^{N} λ^{N - k} {[x_{k} - {\bar{x}}_{N, λ}]}^{2} \\ v_{N, λ} = \frac{2 λ (1 - λ^{N - 1})}{(1 - λ) (1 + λ)} \end{array}$

Чтобы вычислить движущееся отклонение, алгоритм реализует эти уравнения рекурсивно.

$s^{2}_{N, λ}$ — Движущееся отклонение текущей выборки данных относительно остальной части данных в канале.
${\bar{x}}_{N, λ}$ — Скользящее среднее значение на текущей выборке. Для получения дополнительной информации при вычислении скользящего среднего значения, смотрите dsp.MovingAverage.
${[x_{k} - {\bar{x}}_{N, λ}]}^{2}$ — Различие между каждой выборкой данных и средним значением данных, в квадрате.
$\sum_{k = 1}^{N} λ^{N - k} {[x_{k} - {\bar{x}}_{N, λ}]}^{2}$ — Различие между каждой выборкой данных и средним значением данных, в квадрате и умноженных с фактором упущения. Все условия в квадрате добавляются.
$\frac{1}{v_{N, λ}}$ — Взвешивание фактора применилось к сумме.
λ — Упущение фактора можно задать через ForgettingFactor свойство.

Как возраст увеличений данных, величина фактора взвешивания уменьшается экспоненциально, и никогда не достигает нуля. Другими словами, недавние данные имеют больше влияния на текущее отклонение, 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 прошлым выборкам дают равный вес.

Рассмотрите пример вычисления движущегося отклонения с помощью экспоненциального метода взвешивания. Фактор упущения 0.9.

Ссылки

[1] Боденхэм, декан. “Адаптивное обнаружение фильтрации и изменения для потоковой передачи данных”. PH.D. Тезис. Имперский колледж, Лондон, 2012.

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Указания и ограничения по применению:

Смотрите системные объекты в Генерации кода MATLAB (MATLAB Coder).

Смотрите также

Объекты

dsp.MedianFilter | dsp.MovingAverage | dsp.MovingMaximum | dsp.MovingMinimum | dsp.MovingRMS | dsp.MovingStandardDeviation

Блоки

Median Filter | Moving Minimum | Moving Average | Moving Maximum | Moving RMS | Moving Standard Deviation | Moving Variance | Variance

Документация

dsp.MovingVariance

Описание

Создание

Синтаксис

Описание

Свойства

`Method` — Метод, чтобы вычислить отклонение
`'Sliding window'` (значение по умолчанию) | `'Exponential weighting'`

`SpecifyWindowLength` — Задайте длину окна
`true` (значение по умолчанию) | `false`

Зависимости

`WindowLength` — Длина раздвижного окна
4 (значения по умолчанию) | положительное скалярное целое число

Зависимости

`ForgettingFactor` — Экспоненциальный фактор взвешивания
0.9 (значение по умолчанию) | положительный действительный скаляр в области значений (0,1]

Зависимости

Использование

Синтаксис

Описание

Входные параметры

`x` — Ввод данных
вектор | матрица

Выходные аргументы

`y` — Движущееся отклонение
вектор | матрица

Функции объекта

Характерный для всех системных объектов

Примеры

Перемещение отклонения шумного сигнала прямоугольной волны

Алгоритмы

Метод раздвижного окна

Экспоненциальный метод взвешивания

Ссылки

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Объекты

Блоки

Темы

Введенный в R2017b

Документация DSP System Toolbox

Поддержка

Документация

dsp.MovingVariance

Описание

Создание

Синтаксис

Описание

Свойства

Method — Метод, чтобы вычислить отклонение 'Sliding window' (значение по умолчанию) | 'Exponential weighting'

SpecifyWindowLength — Задайте длину окна true (значение по умолчанию) | false

Зависимости

WindowLength — Длина раздвижного окна 4 (значения по умолчанию) | положительное скалярное целое число

Зависимости

ForgettingFactor — Экспоненциальный фактор взвешивания 0.9 (значение по умолчанию) | положительный действительный скаляр в области значений (0,1]

Зависимости

Использование

Синтаксис

Описание

Входные параметры

x — Ввод данных вектор | матрица

Выходные аргументы

y — Движущееся отклонение вектор | матрица

Функции объекта

Характерный для всех системных объектов

Примеры

Перемещение отклонения шумного сигнала прямоугольной волны

Алгоритмы

Метод раздвижного окна

Экспоненциальный метод взвешивания

Ссылки

Расширенные возможности

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Объекты

Блоки

Темы

Введенный в R2017b

Документация DSP System Toolbox

Поддержка

`Method` — Метод, чтобы вычислить отклонение
`'Sliding window'` (значение по умолчанию) | `'Exponential weighting'`

`SpecifyWindowLength` — Задайте длину окна
`true` (значение по умолчанию) | `false`

`WindowLength` — Длина раздвижного окна
4 (значения по умолчанию) | положительное скалярное целое число

`ForgettingFactor` — Экспоненциальный фактор взвешивания
0.9 (значение по умолчанию) | положительный действительный скаляр в области значений (0,1]

`x` — Ввод данных
вектор | матрица

`y` — Движущееся отклонение
вектор | матрица

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.