Moving RMS

Перемещение RMS

Библиотека:
Системный тулбокс/статистика DSP

Описание

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

Порты

Вход

расширить все

`x` - Вход данных
Вектор-столбец | вектор-строка | матрица

Данные, над которыми блок вычисляет движущийся RMS. Блок принимает реальные или комплексные многоканальные входы, то есть m -by - n входные входы размера, где m ≥ 1 и n ≥ 1. Блок также принимает входы переменного размера. Во время симуляции можно изменить размер каждого входного канала. Однако количество каналов не может измениться.

Этот порт не называется, пока вы не задаете Method Exponential weighting и выберите параметр Specify forgetting factor from input port.

Типы данных: single | double
Поддержка комплексного числа: Да

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

Коэффициент забывания определяет, сколько веса дается за данные. 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 придается равный вес.

Зависимости

Этот порт появляется, когда вы задаете Method Exponential weighting и выберите параметр Specify forgetting factor from input port.

Типы данных: single | double

Выход

расширить все

`Port_1` - Перемещение выхода RMS
Вектор-столбец | вектор-строка | матрица

Размер выходного сигнала скользящего RMS совпадает с размером входа. Блок использует метод скользящего окна или экспоненциальный метод взвешивания, чтобы вычислить движущийся RMS, как задано параметром Method. Для получения дополнительной информации см. «Алгоритмы».

Типы данных: single | double
Поддержка комплексного числа: Да

Параметры

расширить все

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

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

Sliding window - Окно длины Window length перемещается по входным данным вдоль каждого канала. Для каждой выборки окно перемещается, блок вычисляет RMS над данными в окне.
Exponential weighting - блок умножает квадраты выборок на набор весовых коэффициентов. Величина весовых коэффициентов уменьшается экспоненциально, когда возраст данных увеличивается, но величина никогда не достигает нуля. Чтобы вычислить RMS, алгоритм суммирует взвешенные данные и принимает квадратный корень из суммы.

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

При установке этого флажка длина скользящего окна равна значению, заданному в Window length. Когда вы снимаете этот флажок, длина скользящего окна бесконечна. В этом режиме блок вычисляет RMS текущей выборки и всех предыдущих выборок в канале.

Зависимости

Этот параметр появляется, когда вы задаете Method Sliding window.

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

Длина скользящего окна в выборках.

Зависимости

Этот параметр появляется, когда вы задаете Method Sliding window и установите флажок Specify window length.

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

При установке этого флажка коэффициент забывания вводится через порт lambda. Когда вы снимаете этот флажок, коэффициент забывания задается в диалоговом окне блока через параметр Forgetting factor.

Зависимости

Этот параметр появляется только, когда вы задаете Method Exponential weighting.

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

Настраиваемый: Да

Зависимости

Этот параметр появляется, когда вы задаете Method Exponential weighting и снимите флажок Specify forgetting factor from input port.

`Simulate using` - Тип выполняемой симуляции
`Code generation` (по умолчанию) | `Interpreted execution`

Code generation
Симулируйте модель с использованием сгенерированного кода C. Первый раз, когда вы запускаете симуляцию, Simulink^® генерирует код С для блока. Код С повторно используется для последующих симуляций, пока модель не меняется. Эта опция требует дополнительного времени запуска, но обеспечивает более высокую скорость симуляции, чем Interpreted execution.
Interpreted execution
Симулируйте модель с помощью MATLAB^® интерпретатор. Эта опция сокращает время запуска, но имеет более низкую скорость симуляции, чем Code generation.

Характеристики блоков

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

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.

Расширенные возможности

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

См. также

Блоки

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

Объекты

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

Темы

Введенный в R2016b

Документация

Moving RMS

Описание

Порты

Вход

`x` - Вход данных
Вектор-столбец | вектор-строка | матрица

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

Зависимости

Выход

`Port_1` - Перемещение выхода RMS
Вектор-столбец | вектор-строка | матрица

Параметры

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

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

Зависимости

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

Зависимости

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

Зависимости

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

Зависимости

`Simulate using` - Тип выполняемой симуляции
`Code generation` (по умолчанию) | `Interpreted execution`

Характеристики блоков

Алгоритмы

Метод раздвижного окна

Экспоненциальный метод взвешивания

Расширенные возможности

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

См. также

Блоки

Объекты

Темы

Документация DSP System Toolbox

Поддержка

Документация

Moving RMS

Описание

Порты

Вход

x - Вход данных Вектор-столбец | вектор-строка | матрица

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

Зависимости

Выход

Port_1 - Перемещение выхода RMS Вектор-столбец | вектор-строка | матрица

Параметры

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

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

Зависимости

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

Зависимости

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

Зависимости

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

Зависимости

Simulate using - Тип выполняемой симуляции Code generation (по умолчанию) | Interpreted execution

Характеристики блоков

Алгоритмы

Метод раздвижного окна

Экспоненциальный метод взвешивания

Расширенные возможности

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

См. также

Блоки

Объекты

Темы

Документация DSP System Toolbox

Поддержка

`x` - Вход данных
Вектор-столбец | вектор-строка | матрица

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

`Port_1` - Перемещение выхода RMS
Вектор-столбец | вектор-строка | матрица

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

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

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

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

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

`Simulate using` - Тип выполняемой симуляции
`Code generation` (по умолчанию) | `Interpreted execution`

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