dsp.MovingVariance

Движущиеся отклонения

Описание

The dsp.MovingVariance Система object™ вычисляет отклонение входного сигнала по каждому каналу независимо с течением времени. Объект использует метод скользящего окна или экспоненциала метод взвешивания, чтобы вычислить движущееся отклонение. В методе раздвижного окна окно заданной длины перемещается по данным, выборке за выборкой, и отклонение вычисляется по данным в окне. В экспоненциальном методе взвешивания объект вычитает каждую выборку данных из среднего значения, квадратов различия и умножает квадратный результат на весовой коэффициент. Затем объект вычисляет отклонение, добавляя все взвешенные данные. Для получения дополнительной информации об этих методах см. «Алгоритмы».

Чтобы вычислить скользящее отклонение входа:

Создайте dsp.MovingVariance 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

MovVar = dsp.MovingVariance

MovVar = dsp.MovingVariance(Len)

MovVar = dsp.MovingVariance(Name,Value)

Описание

MovVar = dsp.MovingVariance возвращает объект отклонения, MovVar, с использованием свойств по умолчанию.

пример

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

пример

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

Пример: MovVar = dsp.MovingVariance('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 для вычисления отклонения
`'Sliding window'` (по умолчанию) | `'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 отклонение по данным в окне.
'Exponential weighting' - Объект вычитает каждую выборку данных из среднего значения, квадратов различия и умножает квадратный результат с коэффициентом взвешивания. Затем объект вычисляет отклонение, добавляя все взвешенные данные. Величина весовых коэффициентов уменьшается экспоненциально, когда возраст данных увеличивается, никогда не достигая нуля.

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 отклонение 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 = movVar(x)

Описание

пример

y = movVar(x) вычисляет отклонение движения 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. Отклонение движения вычисляется вдоль каждого канала. Объект также принимает входы переменного размера. Когда 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

расширить все

`y` - Отклонение от графика движения
вектор | матрица

Движущееся отклонение входного сигнала, возвращенная 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

Движущееся Отклонение сигнала шумной квадратной волны

Открыть скрипт

Вычислите подвижное отклонение сигнала шумной квадратной волны с изменяющейся амплитудой, используя dsp.MovingVariance объект.

Инициализация

Настройка movvarWindow и movvarExp объекты. movvarWindow использует метод раздвижного окна с длиной окна 800. movvarExp использует метод экспоненциального взвешивания с коэффициентом забывания 0,999. Создайте временные возможности для просмотра выхода.

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;

Вычислите отклонение

Сгенерируйте шумный сигнал квадратной волны. Изменяйте амплитуду квадратной волны после заданного количества систем координат. Примените метод раздвижного окна и метод экспоненциального взвешивания к этому сигналу. Фактическое отклонение np. Это значение используется при добавлении шума к данным. Сравните фактическое отклонение с вычисленными отклонениями во временных возможностях.

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

расширить все

Метод раздвижного окна

В методе скользящего окна выходом в текущей выборке является отклонение текущей выборки относительно данных в окне. Чтобы вычислить первые Len - 1 выходы, когда в окне еще не хватает данных, алгоритм заполняет окно нулями. В качестве примера, чтобы вычислить отклонение, когда приходит вторая входная выборка, алгоритм заполняет окно Len - 2 нулями. Len - длина окна в выборках. 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 отклонение тока текущей выборки относительно всех предыдущих выборок в канале.

Рассмотрим пример вычисления отклонения потоковых входных данных с помощью 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 скользящее отклонение вычисляется рекурсивно с использованием 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.

$s^{2}_{N, λ}$ - Перемещение отклонения текущей выборки данных относительно остальной части данных в канале.
${\bar{x}}_{N, λ}$ - Скользящее среднее значение в текущей выборке. Для получения дополнительной информации об вычислении скользящего среднего 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, квадратная и умноженная на коэффициент забывания. Все квадратные условия добавлены.
$\frac{1}{v_{N, λ}}$ - Весовой коэффициент, применяемый к сумме.
.r- Коэффициент забывания можно задать через ForgettingFactor свойство.

Когда возраст данных увеличивается, величина весового коэффициента уменьшается экспоненциально и никогда не достигает нуля. Другими словами, последние данные оказывают большее влияние на текущее отклонение, 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 прошлым выборкам придают одинаковый вес.

Рассмотрим пример вычисления скользящего отклонения 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.MovingRMS | dsp.MovingStandardDeviation

Блоки

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

Темы

Введенный в R2016b

Документация

dsp.MovingVariance

Описание

Создание

Синтаксис

Описание

Свойства

`Method` - Метод для вычисления отклонения
`'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` - Отклонение от графика движения
вектор | матрица

Функции объекта

Общий для всех системных объектов

Примеры

Движущееся Отклонение 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.MovingVariance

Описание

Создание

Синтаксис

Описание

Свойства

Method - Метод для вычисления отклонения '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 - Отклонение от графика движения вектор | матрица

Функции объекта

Общий для всех системных объектов

Примеры

Движущееся Отклонение 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 для вычисления отклонения
`'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` - Отклонение от графика движения
вектор | матрица

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