Перемещение RMS

Библиотека:
Инструментарий/статистика системы DSP

Описание

Блок Moving RMS вычисляет скользящий среднеквадратичный (RMS) входного сигнала по каждому каналу независимо во времени. Блок использует либо способ скользящего окна, либо способ экспоненциального взвешивания для вычисления движущегося среднеквадратичного значения. В способе скользящего окна окно заданной длины перемещается по выборке данных по выборке, и блок вычисляет RMS по данным в окне. В способе экспоненциального взвешивания блок суммирует выборки данных, умножает их на набор весовых коэффициентов и суммирует взвешенные данные. Затем блок вычисляет среднеквадратичное значение путем взятия квадратного корня из суммы. Дополнительные сведения об этих методах см. в разделе Алгоритмы.

Порты

Вход

развернуть все

`x` - Ввод данных
вектор столбца | вектор строки | матрица

Данные, по которым блок вычисляет движущуюся RMS. Блок принимает вещественные или комплексные многоканальные входы, то есть входы размера m на n, где m ≥ 1 и n ≥ 1. Блок также принимает входные данные переменного размера. Во время моделирования можно изменить размер каждого входного канала. Однако количество каналов не может изменяться.

Этот порт не называется, пока для параметра Method не будет установлено значение Exponential weighting и выберите параметр Specify fortheting factor from input port.

Типы данных: single | double
Поддержка комплексного номера: Да

`lambda` - Коэффициент забывания
положительный действительный скаляр в диапазоне (0,1]

Коэффициент забывания определяет, какой вес дается прошлым данным. Коэффициент забывания 0,9 придает больший вес старым данным, чем коэффициент забывания 0,1. Коэффициент забывания 1,0 указывает на бесконечную память - всем предыдущим выборкам придается равный вес.

Зависимости

Этот порт появляется при установке для параметра Method значения Exponential weighting и выберите параметр Specify fortheting factor from input port.

Типы данных: single | double

Продукция

развернуть все

`Port_1` - Перемещение среднеквадратичного выхода
вектор столбца | вектор строки | матрица

Размер движущегося среднеквадратичного выходного сигнала соответствует размеру входного сигнала. Блок использует либо метод скользящего окна, либо метод экспоненциального взвешивания для вычисления движущегося среднеквадратичного значения, как определено параметром Method. Дополнительные сведения см. в разделе Алгоритмы.

Типы данных: single | double
Поддержка комплексного номера: Да

Параметры

развернуть все

Если параметр указан как настраиваемый, его значение можно изменить во время моделирования.

`Method` - Способ перемещения СРК
`Sliding window` (по умолчанию) | `Exponential weighting`

Sliding window - Окно длины Длина окна перемещается по входным данным вдоль каждого канала. Для каждого образца, по которому перемещается окно, блок вычисляет RMS по данным в окне.
Exponential weighting - Блок умножает квадраты выборок на набор весовых коэффициентов. Величина весовых коэффициентов уменьшается экспоненциально по мере увеличения возраста данных, но величина никогда не достигает нуля. Для вычисления среднеквадратичного значения алгоритм суммирует взвешенные данные и получает квадратный корень из суммы.

`Specify window length` - Флаг для указания длины окна
on (по умолчанию) | off

При установке этого флажка длина скользящего окна равна значению, заданному в поле Длина окна (Window length). При снятии этого флажка длина скользящего окна будет бесконечной. В этом режиме блок вычисляет RMS текущей выборки и всех предыдущих выборок в канале.

Зависимости

Этот параметр появляется, если для параметра «Метод» задано значение Sliding window.

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

Задает длину скользящего окна в образцах.

Зависимости

Этот параметр появляется, если для параметра «Метод» задано значение Sliding window и установите флажок Указать длину окна (Specify window length).

`Specify forgetting factor from input port` - Флаг для указания коэффициента забывания
off (по умолчанию) | on

При установке этого флажка коэффициент забывания вводится через лямбда-порт. При снятии этого флажка коэффициент забывания задается в диалоговом окне блока с помощью параметра Коэффициент забывания.

Зависимости

Этот параметр появляется, только если для параметра Метод задано значение Exponential weighting.

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

Настраиваемый: Да

Зависимости

Этот параметр появляется, если для параметра «Метод» задано значение Exponential weighting и снимите флажок Указать коэффициент забывания из входного порта.

`Simulate using` - Тип выполняемого моделирования
`Code generation` (по умолчанию) | `Interpreted execution`

Code generation
Моделирование модели с использованием сгенерированного кода C. При первом запуске моделирования Simulink ® генерирует код C для блока. Код C используется повторно для последующего моделирования, если модель не изменяется. Этот параметр требует дополнительного времени запуска, но обеспечивает более высокую скорость моделирования, чемInterpreted execution.
Interpreted execution
Моделирование модели с помощью интерпретатора MATLAB ®. Эта опция сокращает время запуска, но имеет более низкую скорость моделирования, чем Code generation.

Характеристики блока

Типы данных	`double` \| `single`
Многомерные сигналы	`No`
Сигналы переменного размера	`Yes`

Алгоритмы

развернуть все

Метод скользящего окна

В способе скользящего окна выходной сигнал для каждой входной выборки представляет собой среднеквадратичное значение текущей выборки и предыдущих выборок Len-1. Len - длина окна в образцах. Для вычисления первых выходов Len - 1, когда в окне ещё не хватает данных, алгоритм заполняет окно нулями. Например, для вычисления среднеквадратичного значения при поступлении второй входной выборки алгоритм заполняет окно нулями Len - 2. 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 скользящий среднеквадратичный сигнал текущей выборки и всех предыдущих выборок в канале.

Рассмотрим пример вычисления движущейся RMS потоковых входных данных с использованием способа 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 движущаяся среднеквадратичная система вычисляется рекурсивно с использованием следующих формул:

$\begin{array}{l} _{wN,} λ =_{λ wN} - \\ 1, λ_{+} 1x \sqrt{_\frac{}{_{rmsN,}} λ = (_{1 −} 1wN \frac{,}{_{λ)}}^{}_{}} \end{array}$ x_rmsN−1,λ+ (1wN,λ) x2N

$_{x_rmsN,λ}$ - Перемещение СРК по текущему образцу
$^{}_{x2N}$ - квадрат текущей выборки входных данных
$_{x_rmsN−1,λ}$ - Перемещение СРК в предыдущем образце
λ - Коэффициент забывания
$_{wN,}$ λ - весовой коэффициент, применяемый к текущей выборке данных
$(1 \frac{−}{_{1wN}}, λ)_{}$ x_rmsN−1,λ - Влияние предыдущих данных на среднеквадратичную систему

Для первой выборки, где N = 1, алгоритм выбирает $_{wN,}$ λ = 1. Для следующей выборки весовой коэффициент обновляется и используется для вычисления среднеквадратичного значения согласно рекурсивному уравнению. С увеличением возраста данных величина весового коэффициента уменьшается экспоненциально и никогда не достигает нуля. Другими словами, последние данные оказывают большее влияние на текущий RMS, 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 предыдущим образцам придается равный вес.

Вот пример вычисления движущейся среднеквадратичной системы с использованием способа экспоненциального взвешивания. Коэффициент забывания - 0,9.

Расширенные возможности

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

См. также

Блоки

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

Объекты

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

Темы

Представлен в R2016b

Документация

Перемещение RMS

Описание

Порты

Вход

`x` - Ввод данных
вектор столбца | вектор строки | матрица

`lambda` - Коэффициент забывания
положительный действительный скаляр в диапазоне (0,1]

Зависимости

Продукция

`Port_1` - Перемещение среднеквадратичного выхода
вектор столбца | вектор строки | матрица

Параметры

`Method` - Способ перемещения СРК
`Sliding window` (по умолчанию) | `Exponential weighting`

`Specify window length` - Флаг для указания длины окна
on (по умолчанию) | off

Зависимости

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

Зависимости

`Specify forgetting factor from input port` - Флаг для указания коэффициента забывания
off (по умолчанию) | on

Зависимости

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

Зависимости

`Simulate using` - Тип выполняемого моделирования
`Code generation` (по умолчанию) | `Interpreted execution`

Характеристики блока

Алгоритмы

Метод скользящего окна

Метод экспоненциального взвешивания

Расширенные возможности

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

См. также

Блоки

Объекты

Темы

Документация по системной панели инструментов DSP

Поддержка

Документация

Перемещение RMS

Описание

Порты

Вход

x - Ввод данных вектор столбца | вектор строки | матрица

lambda - Коэффициент забывания положительный действительный скаляр в диапазоне (0,1]

Зависимости

Продукция

Port_1 - Перемещение среднеквадратичного выхода вектор столбца | вектор строки | матрица

Параметры

Method - Способ перемещения СРК Sliding window (по умолчанию) | Exponential weighting

Specify window length - Флаг для указания длины окна on (по умолчанию) | off

Зависимости

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

Зависимости

Specify forgetting factor from input port - Флаг для указания коэффициента забывания off (по умолчанию) | on

Зависимости

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

Зависимости

Simulate using - Тип выполняемого моделирования Code generation (по умолчанию) | Interpreted execution

Характеристики блока

Алгоритмы

Метод скользящего окна

Метод экспоненциального взвешивания

Расширенные возможности

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

См. также

Блоки

Объекты

Темы

Документация по системной панели инструментов DSP

Поддержка

`x` - Ввод данных
вектор столбца | вектор строки | матрица

`lambda` - Коэффициент забывания
положительный действительный скаляр в диапазоне (0,1]

`Port_1` - Перемещение среднеквадратичного выхода
вектор столбца | вектор строки | матрица

`Method` - Способ перемещения СРК
`Sliding window` (по умолчанию) | `Exponential weighting`

`Specify window length` - Флаг для указания длины окна
on (по умолчанию) | off

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

`Specify forgetting factor from input port` - Флаг для указания коэффициента забывания
off (по умолчанию) | on

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

`Simulate using` - Тип выполняемого моделирования
`Code generation` (по умолчанию) | `Interpreted execution`

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