移动标准偏差

展开所有页面

图书馆：
DSP系统工具箱/统计信息

描述

这移动标准偏差块通过时间独立地沿每个通道计算输入信号的移动标准偏差。该块使用滑动窗口方法或指数加权方法来计算移动标准偏差。在滑动窗口方法中，指定长度的窗口通过样本通过数据样本移动，并且块计算窗口中数据的标准偏差。在指数加权方法中，块计算指数加权的移动方差并采用平方根。有关这些方法的更多详细信息，请参阅算法．

港口

输入

全部展开

`X`——数据输入
柱矢量|行矢量|矩阵

块计算移动标准差的数据。该块接受实值或复值多通道输入，即:M.——- - - - - -N.大小的输入,M.≥1和N.≥1。该块也接受可变大小的输入。在模拟期间，您可以更改每个输入通道的大小。但是，通道的数量不能改变。

此端口未命名，直到您设置方法到指数权重并选择从输入端口指定遗忘因子参数。

数据类型：单身的|双
复数支持：金宝app是的

`lambda.`- 忘记因素
(0,1)范围内的正实标量

遗忘因子确定给出了超过数据的重量。遗忘因子0.9比遗忘因子0.1赋予旧数据更多的权重。1.0忘记因子表示无限内存 - 所有先前的样本都是相等的重量。

依赖性

该端口在设置时出现方法到指数权重并选择从输入端口指定遗忘因子参数。

数据类型：单身的|双

输出

全部展开

`port_1.`-移动标准偏差输出
柱矢量|行矢量|矩阵

移动标准差输出的大小与输入的大小匹配。块使用滑动窗口方法或指数加权方法来计算移动标准差，如方法参数。有关详细信息，请参见算法．

数据类型：单身的|双
复数支持：金宝app是的

参数

全部展开

如果将参数列为可调谐，则可以在仿真期间更改其值。

`方法`- 移动标准偏差法
`滑动窗口`（默认）|`指数权重`

滑动窗口-一个长度的窗口窗口长度沿着每个通道移动到输入数据上。对于窗口移动的每个样本，块计算窗口中数据的标准偏差。
指数权重- 块计算指数加权的移动标准偏差，并采用平方根。随着数据的年龄增加，加权因子的大小指数呈指数级，但幅度从未达到零。

有关这些方法的更多详细信息，请参阅算法．

`指定窗口的长度`-指定窗口长度的标志
ON（默认）|离开

选中此复选框时，滑动窗口的长度等于在中指定的值窗口长度．当您清除此复选框时，滑动窗口的长度是无限的。在这种模式下，块计算当前样本相对于通道中所有先前样本的标准差。

依赖性

您设置时出现此参数方法到滑动窗口．

`窗口长度`- 滑动窗口的长度
4（默认）|正标量整数

指定样例中滑动窗口的长度。

依赖性

您设置时出现此参数方法到滑动窗口并选择指定窗口的长度复选框。

`从输入端口指定遗忘因子`- 指定忘记因素的标志
关闭（默认）|在

选中此复选框时，遗忘因子通过lambda.端口。清除此复选框后，遗忘因子将通过遗忘因子参数。

依赖性

该参数仅在设置时出现方法到指数权重．

`遗忘因子`-指数加权因子
0.9(默认)|在(0,1)范围内的正实标量

遗忘因子确定给出了超过数据的重量。遗忘因子0.9比遗忘因子0.1赋予旧数据更多的权重。1.0忘记因子表示无限内存 - 所有先前的样本都是相等的重量。

可调：是的

依赖性

您设置时出现此参数方法到指数权重和明确的从输入端口指定遗忘因子复选框。

`模拟使用`- 运行的模拟类型
`代码生成`（默认）|`解释执行`

代码生成
使用生成的C代码模拟模型。你第一次运行一个模拟，Simulink金宝app^®为代码块生成C代码。只要模型不改变，C代码就可以用于后续的模拟。此选项需要额外的启动时间，但提供比解释执行．
解释执行
使用MATLAB模拟模型^®翻译。此选项缩短了启动时间，但仿真速度较慢代码生成．

块特征

数据类型	`双`\|`单身的`
多维信号	`没有`
可变尺寸信号	`是的`

算法

全部展开

滑动窗口方法

在滑动窗口方法中，当前样本的输出是当前样本相对于窗口中的数据的标准偏差。计算第一个Len- 1输出，当窗口没有足够的数据时，算法用零填充窗口。例如，要在第二个输入样本进入时计算标准偏差，算法将窗口填满Len- 2零。Len为样本中窗口的长度。数据矢量,X然后是两个数据样本后跟Len- 2零。

未指定窗口长度时，算法选择无限窗口长度。在此模式下，输出是当前样本相对于通道中的所有先前样本的移动标准偏差。

考虑使用滑动窗口方法计算流输入数据的移动标准偏差的示例。该算法使用窗口长度为4.具有输入的每个输入样本，长度4的窗口沿数据移动。

指数加权法

在指数加权法中，移动标准差递归计算采用以下公式:

$\begin{array}{l} {S.}_{N. 那 λ} = \sqrt{\frac{1}{{V.}_{N. 那 λ}} {σ.}_{K. = 1}^{N.} λ^{N. - K.} {[X_{K.} - {\bar{X}}_{N. 那 λ}]}^{2}} \\ {V.}_{N. 那 λ} = \frac{2 λ （ 1 - λ^{N. - 1} 的）}{（ 1 - λ 的）（ 1 + λ 的）} \end{array}$

${S.}_{N. 那 λ}$ -移动当前数据样本相对于其他数据的标准偏差。
${[X_{K.} - {\bar{X}}_{N. 那 λ}]}^{2}$ - 每个数据样本之间的差异和数据的平均值，平方。
${σ.}_{K. = 1}^{N.} λ^{N. - K.} {[X_{K.} - {\bar{X}}_{N. 那 λ}]}^{2}$ -每个数据样本与数据平均值之间的差值，平方并乘以遗忘因子。所有平方项都加起来了。
$\frac{1}{{V.}_{N. 那 λ}}$ - 加权因子适用于总和。
λ - 遗忘因子。