Moving Variance

Движущиеся отклонения

Библиотека:
Системный тулбокс/статистика DSP

Описание

Блок Moving Variance вычисляет отклонение входного сигнала вдоль каждого канала независимо с течением времени. Блок использует метод скользящего окна или экспоненциальный метод взвешивания, чтобы вычислить отклонение движения. В методе раздвижного окна окно заданной длины перемещается по выборке данных за выборкой, и блок вычисляет отклонение по данным в окне. В экспоненциальном методе взвешивания блок вычитает каждую выборку данных из среднего значения, квадратов различия и умножает квадратный результат на весовой коэффициент. Затем блок вычисляет отклонение, добавляя все взвешенные данные. 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 скользящее отклонение. Блок принимает реальные или комплексные многоканальные входы, то есть m входные входы -by n size, 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` - Выход отклонения перемещения
Вектор-столбец | вектор-строка | матрица

Размер выходного сигнала скользящему отклонению совпадает с размером входа. Блок использует метод скользящего окна или экспоненциальный метод взвешивания, чтобы вычислить отклонение движения, заданную 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 отклонения движения
`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 отклонение по данным в окне.
Exponential weighting - Блок вычитает каждую выборку данных из среднего значения, квадратов различия и умножает квадратный результат на весовой коэффициент. Затем блок вычисляет отклонение, добавляя все взвешенные данные. Величина весовых коэффициентов уменьшается экспоненциально, когда возраст данных увеличивается, но величина никогда не достигает нуля.

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

`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 отклонение текущей выборки относительно 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 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.

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 RMS | Moving Standard Deviation | Variance

Объекты

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

Темы

Введенный в R2016b

Документация

Moving Variance

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` - Выход отклонения перемещения
Вектор-столбец | вектор-строка | матрица

Параметры

`Method` - Метод отклонения движения
`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 Variance

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 - Выход отклонения перемещения Вектор-столбец | вектор-строка | матрица

Параметры

Method - Метод отклонения движения 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` - Выход отклонения перемещения
Вектор-столбец | вектор-строка | матрица

`Method` - Метод отклонения движения
`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 ®