dsp. MovingVariance

Скользящее отклонение

Описание

dsp.MovingVariance Система object™ вычисляет дисперсию движения входного сигнала по каждому каналу независимо во времени. Объект использует либо метод скользящего окна, либо метод экспоненциального взвешивания для вычисления скользящей дисперсии. В способе скользящего окна окно заданной длины перемещается по данным, выборка за выборкой, и дисперсия вычисляется по данным в окне. В способе экспоненциального взвешивания объект вычитает каждую выборку данных из среднего значения, суммирует разность и умножает результат возведения в квадрат на весовой коэффициент. Затем объект вычисляет дисперсию путем добавления всех взвешенных данных. Дополнительные сведения об этих методах см. в разделе Алгоритмы.

Чтобы вычислить скользящую дисперсию входного сигнала:

Создать dsp.MovingVariance и задайте его свойства.
Вызовите объект с аргументами, как если бы это была функция.

Дополнительные сведения о работе системных объектов см. в разделе Что такое системные объекты?.

Создание

Синтаксис

MovVar = dsp. MovingVariance

MovVar = dsp. Отклонение движения (Len)

MovVar = dsp. Отклонение (имя, значение)

Описание

MovVar = dsp.MovingVariance возвращает объект скользящей дисперсии, MovVar, используя свойства по умолчанию.

пример

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

пример

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

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

Свойства

развернуть все

Если не указано иное, свойства не настраиваются, что означает невозможность изменения их значений после вызова объекта. Объекты блокируются при их вызове, и release функция разблокирует их.

Если свойство настраивается, его значение можно изменить в любое время.

Дополнительные сведения об изменении значений свойств см. в разделе Проектирование системы в MATLAB с использованием системных объектов.

`Method` - Метод вычисления дисперсии
`'Sliding window'` (по умолчанию) | `'Exponential weighting'`

'Sliding window' - Окно длиной, указанной SpecifyWindowLength перемещают по входным данным по каждому каналу. Для каждого образца, на который перемещается окно, объект вычисляет дисперсию по данным в окне.
'Exponential weighting' - объект вычитает каждую выборку данных из среднего значения, суммирует разность и умножает результат возведения в квадрат на весовой коэффициент. Затем объект вычисляет дисперсию путем добавления всех взвешенных данных. Величина весовых коэффициентов уменьшается экспоненциально с увеличением возраста данных, никогда не достигая нуля.

Дополнительные сведения об этих методах см. в разделе Алгоритмы.

`SpecifyWindowLength` - Укажите длину окна
`true` (по умолчанию) | `false`

Флаг для указания длины окна, заданного как скалярное логическое значение.

true - Длина скользящего окна равна значению, указанному в WindowLength собственность.
false - Длина скользящего окна бесконечна. В этом режиме дисперсия вычисляется с использованием текущей выборки и всех прошлых выборок.

Зависимости

Это свойство применяется при установке Method кому 'Sliding window'.

`WindowLength` - Длина скользящего окна
4 (по умолчанию) | положительное скалярное целое

Длина скользящего окна в выборках, заданная как положительное скалярное целое число.

Зависимости

Это свойство применяется при установке Method кому 'Sliding window' и SpecifyWindowLength кому true.

`ForgettingFactor` - Экспоненциальный весовой коэффициент
0.9 (по умолчанию) | положительный действительный скаляр в диапазоне (0,1]

Экспоненциальный весовой коэффициент, заданный как положительный действительный скаляр в диапазоне (0,1].

Коэффициент забывания 0,9 придает больший вес старым данным, чем коэффициент забывания 0,1. Коэффициент забывания 1,0 указывает на бесконечную память. Всем прошлым образцам придается равный вес.

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

Настраиваемый: Да

Зависимости

Это свойство применяется при установке Method кому 'Exponential weighting'.

Типы данных: single | double

Использование

Синтаксис

y = movVar (x)

Описание

пример

y = movVar(x) вычисляет дисперсию движения входного сигнала, x, используя либо метод скользящего окна, либо метод экспоненциального взвешивания.

Входные аргументы

развернуть все

`x` - Ввод данных
вектор | матрица

Ввод данных, заданный как вектор или матрица. Если x является матрицей, каждый столбец обрабатывается как независимый канал. Дисперсия движения вычисляется вдоль каждого канала. Объект также принимает входные данные переменного размера. После блокировки объекта можно изменить размер каждого входного канала, но не количество каналов.

Типы данных: single | double
Поддержка комплексного номера: Да

Выходные аргументы

развернуть все

`y` - Скользящее отклонение
вектор | матрица

Подвижная дисперсия входного сигнала, возвращаемого в виде вектора или матрицы.

Типы данных: single | double
Поддержка комплексного номера: Да

Функции объекта

Чтобы использовать функцию объекта, укажите объект System в качестве первого входного аргумента. Например, для освобождения системных ресурсов объекта System с именем obj, используйте следующий синтаксис:

release(obj)

развернуть все

Общие для всех системных объектов

`step`	Запустить алгоритм объекта System
`release`	Деблокирование ресурсов и разрешение изменений значений свойств объекта системы и входных признаков
`reset`	Сброс внутренних состояний объекта System

Примеры

свернуть все

Скользящая дисперсия шумного сигнала квадратной волны

Открыть сценарий

Вычислить дисперсию движения шумного сигнала прямоугольной волны с изменяющейся амплитудой, используя dsp.MovingVariance объект.

Инициализация

Настроить movvarWindow и movvarExp объекты. movvarWindow использует метод скользящего окна с длиной окна 800. movvarExp использует метод экспоненциального взвешивания с коэффициентом забывания 0,999. Создайте область времени для просмотра выходных данных.

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

Вычислить расхождение

Генерировать шумный сигнал прямоугольной волны. Изменение амплитуды квадратной волны после заданного числа кадров. Примените к этому сигналу метод скользящего окна и метод экспоненциального взвешивания. Фактическое отклонение - np. Это значение используется при добавлении шума к данным. Сравните фактическое отклонение с вычисленными отклонениями во временном диапазоне.

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 скользящего окна

В способе скользящего окна выходной сигнал в текущей выборке представляет собой дисперсию текущей выборки относительно данных в окне. Для вычисления первых выходов Len - 1, когда в окне ещё не хватает данных, алгоритм заполняет окно нулями. Например, для вычисления дисперсии при поступлении второй входной выборки алгоритм заполняет окно нулями Len - 2. Len - длина окна в образцах. Затем вектор данных x представляет собой две выборки данных, за которыми следуют нули Len-2.

Если длина окна не указана, алгоритм выбирает бесконечную длину окна. В этом режиме выходной сигнал представляет собой скользящую дисперсию текущей выборки относительно всех предыдущих выборок в канале.

Рассмотрим пример вычисления дисперсии движения потоковых входных данных с использованием метода скользящего окна. Алгоритм использует длину окна 4. С каждым входным образцом, который поступает, окно длиной 4 перемещается вдоль данных.

Метод экспоненциального взвешивания

В способе экспоненциального взвешивания скользящая дисперсия вычисляется рекурсивно с использованием следующих формул:

$\begin{array}{l} ^{}_{} \frac{}{_{}}_{}^{}^{} {_{} {\overset{}{}}_{}}^{} \\ _{} \frac{s2N,λ=1vN,λ∑k=1NλN−k[xk−x¯N,λ]2vN,λ=2λ (1^{-} λ N}{− 1) (1 -} \end{array}$ λ) (1 + λ)

Для вычисления скользящей дисперсии алгоритм реализует эти уравнения рекурсивно.

$^{}_{s2N, λ}$ - Движущееся различие текущего образца данных относительно остальной части данных в канале.
${\overset{}{x}}_{N,}$ λ - скользящее среднее в текущей выборке. Дополнительные сведения о вычислении скользящего среднего см. в разделеdsp.MovingAverage.
${[_{xk} {\overset{}{-}}_{x fet}}^{N}$ , λ] 2 - разность между каждой выборкой данных и средним значением данных в квадрате.
$_{}^{}^{} {_{} {\overset{}{}}_{}}^{∑k=1NλN−k[xk−x¯N,λ]2}$ - разница между каждой выборкой данных и средним значением данных, возведенных в квадрат и умноженных на коэффициент забывания. Добавляются все квадратные термины.
$\frac{}{_{1vN,λ}}$ - весовой коэффициент, применяемый к сумме.
λ - Коэффициент забывания, который можно задать через ForgettingFactor собственность.

С увеличением возраста данных величина весового коэффициента уменьшается экспоненциально и никогда не достигает нуля. Другими словами, последние данные оказывают большее влияние на текущую дисперсию, чем старые данные.

Значение коэффициента забывания определяет скорость изменения весовых коэффициентов. Коэффициент забывания 0,9 придает больший вес старым данным, чем коэффициент забывания 0,1. Коэффициент забывания 1,0 указывает на бесконечную память. Всем прошлым образцам придается равный вес.

Рассмотрим пример вычисления дисперсии движения с использованием метода экспоненциального взвешивания. Коэффициент забывания - 0,9.

Ссылки

[1] Боденем, Дин. «Адаптивная фильтрация и обнаружение изменений потоковых данных». PH.D. Дипломная работа. Имперский колледж, Лондон, 2012 год.

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

Примечания и ограничения по использованию:

См. Системные объекты в создании кода MATLAB (кодер MATLAB).

См. также

Объекты

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

Блоки

Медианный фильтр | Скользящее среднее | Максимальное перемещение | Минимальное перемещение | Перемещение RMS | Перемещение стандартного отклонения | Отклонение перемещения | Различие

Темы

Представлен в R2016b

Документация

dsp. MovingVariance

Описание

Создание

Синтаксис

Описание

Свойства

`Method` - Метод вычисления дисперсии
`'Sliding window'` (по умолчанию) | `'Exponential weighting'`

`SpecifyWindowLength` - Укажите длину окна
`true` (по умолчанию) | `false`

Зависимости

`WindowLength` - Длина скользящего окна
4 (по умолчанию) | положительное скалярное целое

Зависимости

`ForgettingFactor` - Экспоненциальный весовой коэффициент
0.9 (по умолчанию) | положительный действительный скаляр в диапазоне (0,1]

Зависимости

Использование

Синтаксис

Описание

Входные аргументы

`x` - Ввод данных
вектор | матрица

Выходные аргументы

`y` - Скользящее отклонение
вектор | матрица

Функции объекта

Общие для всех системных объектов

Примеры

Скользящая дисперсия шумного сигнала квадратной волны

Алгоритмы

Метод скользящего окна

Метод экспоненциального взвешивания

Ссылки

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

См. также

Объекты

Блоки

Темы

Документация по системной панели инструментов DSP

Поддержка

Документация

dsp. MovingVariance

Описание

Создание

Синтаксис

Описание

Свойства

Method - Метод вычисления дисперсии 'Sliding window' (по умолчанию) | 'Exponential weighting'

SpecifyWindowLength - Укажите длину окна true (по умолчанию) | false

Зависимости

WindowLength - Длина скользящего окна 4 (по умолчанию) | положительное скалярное целое

Зависимости

ForgettingFactor - Экспоненциальный весовой коэффициент 0.9 (по умолчанию) | положительный действительный скаляр в диапазоне (0,1]

Зависимости

Использование

Синтаксис

Описание

Входные аргументы

x - Ввод данных вектор | матрица

Выходные аргументы

y - Скользящее отклонение вектор | матрица

Функции объекта

Общие для всех системных объектов

Примеры

Скользящая дисперсия шумного сигнала квадратной волны

Алгоритмы

Метод скользящего окна

Метод экспоненциального взвешивания

Ссылки

Расширенные возможности

Создание кода C/C + + Создайте код C и C++ с помощью MATLAB ® Coder™

См. также

Объекты

Блоки

Темы

Документация по системной панели инструментов DSP

Поддержка

`Method` - Метод вычисления дисперсии
`'Sliding window'` (по умолчанию) | `'Exponential weighting'`

`SpecifyWindowLength` - Укажите длину окна
`true` (по умолчанию) | `false`

`WindowLength` - Длина скользящего окна
4 (по умолчанию) | положительное скалярное целое

`ForgettingFactor` - Экспоненциальный весовой коэффициент
0.9 (по умолчанию) | положительный действительный скаляр в диапазоне (0,1]

`x` - Ввод данных
вектор | матрица

`y` - Скользящее отклонение
вектор | матрица

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™