dsp.MovingRMS

Перемещение среднего квадрата корня

Описание

The dsp.MovingRMS Система object™ вычисляет средний квадрат скользящего корня (RMS) входного сигнала вдоль каждого канала независимо с течением времени. Объект использует метод скользящего окна или экспоненциальный метод взвешивания, чтобы вычислить движущийся RMS. В способе раздвижного окна окно заданной длины перемещается по данным, выборке за выборкой, и RMS вычисляется по данным в окне. В экспоненциальном методе взвешивания объект квадратирует выборки данных, умножает их на набор весовых коэффициентов и суммирует взвешенные данные. Затем объект вычисляет RMS, взяв квадратный корень суммы. Для получения дополнительной информации об этих методах см. «Алгоритмы».

Для вычисления скользящего RMS входа:

Создайте dsp.MovingRMS Объекту и установите его свойства.
Вызывайте объект с аргументами, как будто это функция.

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

Создание

Синтаксис

movRMS = dsp.MovingRMS

movRMS = dsp.MovingRMS(Len)

movRMS = dsp.MovingRMS(Name,Value)

Описание

movRMS = dsp.MovingRMS возвращает движущийся объект RMS, movRMS, с использованием свойств по умолчанию.

movRMS = dsp.MovingRMS(Len) устанавливает WindowLength свойство к Len.

пример

movRMS = dsp.MovingRMS(Name,Value) задает дополнительные свойства, используя Name,Value пар. Неопределенные свойства имеют значения по умолчанию.

Пример: movRMS = dsp.MovingRMS('Method','Exponential weighting','ForgettingFactor',0.9);

Свойства

расширить все

Если не указано иное, свойства являются нетронутыми, что означает, что вы не можете изменить их значения после вызова объекта. Объекты блокируются, когда вы вызываете их, и release функция разблокирует их.

Если свойство настраивается, можно изменить его значение в любой момент.

Для получения дополнительной информации об изменении значений свойств смотрите Разработку системы в MATLAB Использование Системных объектов.

`Method` - Метод Moving RMS
`'Sliding window'` (по умолчанию) | `'Exponential weighting'`

Перемещение метода RMS, заданное как 'Sliding window' или 'Exponential weighting'.

'Sliding window' - Окно длины, заданное как SpecifyWindowLength перемещается по входным данным вдоль каждого канала. Для каждой выборки, по которой перемещается окно, объект вычисляет RMS над данными в окне.
'Exponential weighting' - Объект умножает квадраты выборок на набор весовых коэффициентов. Величина весовых коэффициентов уменьшается экспоненциально, когда возраст данных увеличивается, никогда не достигая нуля. Чтобы вычислить RMS, алгоритм суммирует взвешенные данные и принимает квадратный корень из суммы.

Для получения дополнительной информации об этих методах см. «Алгоритмы».

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

Флаг для задания длины окна в виде скаляра логического значения.

true - Длина скользящего окна равна значению, заданному в WindowLength свойство.
false - Длина раздвижного окна бесконечна. В этом режиме RMS вычисляется с использованием текущей выборки и всех прошлых выборок.

Зависимости

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

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

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

Зависимости

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

`ForgettingFactor` - Экспоненциальный весовой коэффициент
0,9 (по умолчанию) | положительный действительный скаляр в области значений (0,1]

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

Коэффициент забывания 0,9 дает больший вес старшим данным, чем коэффициент забывания 0,1. Коэффициент забывания 1,0 указывает на бесконечную память. Всем прошлым выборкам придают одинаковый вес.

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

Настраиваемый: Да

Зависимости

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

Типы данных: single | double

Использование

Синтаксис

y = movRMS(x)

Описание

пример

y = movRMS(x) вычисляет движущийся RMS входного сигнала, x, с использованием метода скользящего окна или экспоненциального взвешивания.

Входные параметры

расширить все

`x` - Вход данных
вектор | матрица

Вход данных, заданный как вектор или матрица. Если x является матрицей, каждый столбец рассматривается как независимый канал. Скользящий RMS вычисляется вдоль каждого канала. Объект также принимает входы переменного размера. Когда объект заблокирован, можно изменить размер каждого входного канала, но вы не можете изменить количество каналов.

Типы данных: single | double
Поддержка комплексного числа: Да

Выходные аргументы

расширить все

`y` - Перемещение RMS
вектор | матрица

Перемещение RMS входного сигнала, возвращаемое как вектор или матрица.

Типы данных: single | double
Поддержка комплексного числа: Да

Функции объекта

Чтобы использовать функцию объекта, задайте системный объект в качестве первого входного параметра. Например, чтобы освободить системные ресурсы системного объекта с именем obj, используйте следующий синтаксис:

release(obj)

расширить все

Общий для всех системных объектов

`step`	Запуск алгоритма системного объекта
`release`	Отпустите ресурсы и допустите изменения в значениях свойств системного объекта и входных характеристиках
`reset`	Сброс внутренних состояний Системного объекта

Примеры

свернуть все

Перемещение RMS сигнала шумной квадратной волны

Открыть скрипт

Вычислите движущийся RMS сигнала шумной квадратной волны с изменяющейся амплитудой, используя dsp.MovingRMS объект.

Инициализация

Настройка movrmsWin и movrmsExp объекты. movrmsWin использует метод раздвижного окна с длиной окна 20. movrmsExp использует экспоненциал взвешивания с коэффициентом забывания 0,995. Создайте временные возможности для просмотра выхода.

FrameLength = 10;
Fs = 100;
movrmsWin = dsp.MovingRMS(20);
movrmsExp = dsp.MovingRMS('Method','Exponential weighting',...
    'ForgettingFactor',0.995);
scope  = timescope('SampleRate',Fs,...
    'TimeSpanOverrunAction','Scroll',...
    'TimeSpanSource','Property',...
    '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 квадратной волны. Изменяйте амплитуду квадратной волны после заданного количества систем координат. Примените метод скользящего окна и экспоненциальный метод взвешивания к этому сигналу. Просмотр выхода по временным возможностям.

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

Алгоритмы

расширить все

Метод раздвижного окна

В методе скользящего окна выходом для каждой входной выборки является RMS текущей выборки и Len - 1 предыдущей выборки. Len - длина окна в выборках. Чтобы вычислить первые Len - 1 выходы, когда в окне еще не хватает данных, алгоритм заполняет окно нулями. В качестве примера, чтобы вычислить RMS, когда приходит вторая входная выборка, алгоритм заполняет окно Len - 2 нулями. Вектор данных, x, это две выборки данных, за которыми следуют Len - 2 нуля.

Когда вы не задаете длину окна, алгоритм выбирает бесконечную длину окна. В этом режиме выходом является скользящий RMS текущей выборки и всех предыдущих выборок в канале.

Рассмотрим пример вычисления скользящего RMS потоковых входных данных с использованием метода скользящего окна. Алгоритм использует длину окна 4. С каждой входной выборкой, которая поступает, окно длины 4 перемещается вдоль данных.

Экспоненциальный метод взвешивания

В экспоненциальном методе взвешивания скользящий RMS вычисляется рекурсивно с использованием этих формул:

$\begin{array}{l} w_{N, λ} = λ w_{N - 1, λ} + 1 \\ x_r m s_{N, λ} = \sqrt{(1 - \frac{1}{w_{N, λ}}) x_r m s_{N - 1, λ} + (\frac{1}{w_{N, λ}}) x^{2}_{N}} \end{array}$

$x_r m s_{N, λ}$ - Перемещение RMS на текущей выборке
$x^{2}_{N}$ - Квадрат текущей выборки входных данных
$x_r m s_{N - 1, λ}$ - Перемещение RMS на предыдущей выборке
.r- Коэффициент забывания
$w_{N, λ}$ - Весовой коэффициент, примененный к текущей выборке данных
$(1 - \frac{1}{w_{N, λ}}) x_r m s_{N - 1, λ}$ - Эффект предыдущих данных на RMS

Для первой выборки, где N = 1, алгоритм выбирает $w_{N, λ}$ = 1. Для следующей выборки весовой коэффициент обновляется и используется для вычисления RMS в соответствии с рекурсивным уравнением. Когда возраст данных увеличивается, 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 коэффициентов взвешивания. Коэффициент забывания 0,9 дает больший вес старшим данным, чем коэффициент забывания 0,1. Коэффициент забывания 1,0 указывает на бесконечную память. Всем предыдущим выборкам придают одинаковый вес.

Вот пример вычисления скользящего RMS с помощью экспоненциального метода взвешивания. Коэффициент забывания составляет 0,9.

Ссылки

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

Расширенные возможности

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

Указания и ограничения по применению:

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

См. также

Объекты

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

Блоки

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

Темы

Введенный в R2016b

Документация

dsp.MovingRMS

Описание

Создание

Синтаксис

Описание

Свойства

`Method` - Метод Moving RMS
`'Sliding window'` (по умолчанию) | `'Exponential weighting'`

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

Зависимости

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

Зависимости

`ForgettingFactor` - Экспоненциальный весовой коэффициент
0,9 (по умолчанию) | положительный действительный скаляр в области значений (0,1]

Зависимости

Использование

Синтаксис

Описание

Входные параметры

`x` - Вход данных
вектор | матрица

Выходные аргументы

`y` - Перемещение RMS
вектор | матрица

Функции объекта

Общий для всех системных объектов

Примеры

Перемещение RMS сигнала шумной квадратной волны

Алгоритмы

Метод раздвижного окна

Экспоненциальный метод взвешивания

Ссылки

Расширенные возможности

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

См. также

Объекты

Блоки

Темы

Документация DSP System Toolbox

Поддержка

Документация

dsp.MovingRMS

Описание

Создание

Синтаксис

Описание

Свойства

Method - Метод Moving RMS 'Sliding window' (по умолчанию) | 'Exponential weighting'

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

Зависимости

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

Зависимости

ForgettingFactor - Экспоненциальный весовой коэффициент 0,9 (по умолчанию) | положительный действительный скаляр в области значений (0,1]

Зависимости

Использование

Синтаксис

Описание

Входные параметры

x - Вход данных вектор | матрица

Выходные аргументы

y - Перемещение RMS вектор | матрица

Функции объекта

Общий для всех системных объектов

Примеры

Перемещение RMS сигнала шумной квадратной волны

Алгоритмы

Метод раздвижного окна

Экспоненциальный метод взвешивания

Ссылки

Расширенные возможности

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

См. также

Объекты

Блоки

Темы

Документация DSP System Toolbox

Поддержка

`Method` - Метод Moving RMS
`'Sliding window'` (по умолчанию) | `'Exponential weighting'`

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

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

`ForgettingFactor` - Экспоненциальный весовой коэффициент
0,9 (по умолчанию) | положительный действительный скаляр в области значений (0,1]

`x` - Вход данных
вектор | матрица

`y` - Перемещение RMS
вектор | матрица

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