Отклонение перемещения

Скользящее отклонение

Библиотека:
Инструментарий/статистика системы DSP

Описание

Блок подвижной дисперсии вычисляет подвижную дисперсию входного сигнала по каждому каналу независимо во времени. Блок использует либо метод скользящего окна, либо способ экспоненциального взвешивания для вычисления дисперсии движения. В способе скользящего окна окно заданной длины перемещается по выборке данных за выборкой, и блок вычисляет дисперсию по данным в окне. В способе экспоненциального взвешивания блок вычитает каждую выборку данных из среднего значения, суммирует разность и умножает результат возведения в квадрат на весовой коэффициент. Затем блок вычисляет дисперсию путем добавления всех взвешенных данных. 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 дисперсию перемещения. Блок принимает вещественные или комплексные многоканальные входы, то есть m-на-n размера входов, 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` - Вывод скользящего отклонения
вектор столбца | вектор строки | матрица

Размер выходного сигнала скользящей дисперсии соответствует размеру входного сигнала. Блок использует либо метод скользящего окна, либо метод экспоненциального взвешивания для вычисления дисперсии движения, 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` - Метод скользящего отклонения
`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 дисперсию по данным в окне.
Exponential weighting - блок вычитает каждую выборку данных из среднего значения, суммирует разность и умножает результат возведения в квадрат на весовой коэффициент. Затем блок вычисляет дисперсию путем добавления всех взвешенных данных. Величина весовых коэффициентов уменьшается экспоненциально по мере увеличения возраста данных, но величина никогда не достигает нуля.

Дополнительные сведения об этих методах см. в разделе Алгоритмы.

`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 дисперсию текущей выборки относительно 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 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.

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 RMS | Перемещение стандартного отклонения | Различие

Объекты

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

Темы

Представлен в R2016b

Документация

Отклонение перемещения

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` - Вывод скользящего отклонения
вектор столбца | вектор строки | матрица

Параметры

`Method` - Метод скользящего отклонения
`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

Отклонение перемещения

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 - Вывод скользящего отклонения вектор столбца | вектор строки | матрица

Параметры

Method - Метод скользящего отклонения 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` - Вывод скользящего отклонения
вектор столбца | вектор строки | матрица

`Method` - Метод скользящего отклонения
`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™