dsp。MovingStandardDeviation
移动标准差
描述
的dsp。MovingStandardDeviation系统对象™计算输入信号沿每个通道的移动标准偏差，随时间独立。该对象使用滑动窗口方法或指数加权方法来计算移动标准差。在滑动窗口方法中，指定长度的窗口在数据上移动，一个样本一个样本地移动，对象计算窗口中数据的标准偏差。在指数加权法中，对象计算指数加权的移动方差，并取平方根。有关这些方法的详细信息，请参见算法．
计算输入的移动标准差:
创建
dsp。MovingStandardDeviation对象并设置其属性。使用参数调用对象，就像调用函数一样。
有关系统对象如何工作的详细信息，请参见什么是系统对象?
创建
语法
描述
MovStd= dsp。MovingStandardDeviationMovStd，使用默认属性。
MovStd= dsp。MovingStandardDeviation (Len）WindowLength财产Len．
MovStd= dsp。MovingStandardDeviation (Len，重叠）WindowLength财产Len和OverlapLength财产重叠．
MovStd= dsp。MovingStandardDeviation (名称,值）名称,值对。未指定的属性有默认值。
例子:MovStd = dsp。MovingStandardDeviation(“法”、“指数加权”,“ForgettingFactor”,0.999);
属性
对象的功能
要使用对象函数，请将System对象指定为第一个输入参数。例如，释放system对象的系统资源obj，使用这种语法:
发行版(obj)
例子
有噪声方波信号的移动标准差
计算具有变化幅度的噪声方波信号的移动标准偏差dsp。MovingStandardDeviation对象。
初始化
设置movstdWindow，movstdWindow_overlap,movstdExp对象。movstdWindow使用滑动窗口方法，窗口长度为800个样本，默认重叠长度为799个样本，比指定的窗口长度少一个样本。movstdWindow_overlap使用800个样本的窗口长度和700个样本的重叠长度。movstdExp采用指数加权法，遗忘因子为0.999。
创建用于查看输出的时间范围。
framength = 100;Fs = 100;movstdWindow = dsp.MovingStandardDeviation(800);movstdWindow_overlap = dsp.MovingStandardDeviation(800,700);movstdExp = dsp。MovingStandardDeviation (.．.“方法”，指数权重的，.．.“ForgettingFactor”, 0.999);Scope = timescope(“SampleRate”Fs, [Fs, Fs / (800 - 700), Fs),.．.“TimeSpanOverrunAction”，“滚动”，.．.“TimeSpanSource”，“属性”，.．.“时间间隔”, 1000,.．.“ShowGrid”,真的,.．.“BufferLength”1 e7,.．.“YLimits”3依照[0]);title =“移动标准差”；范围。标题=标题;范围。ChannelNames = {原始信号的，.．.滑动窗口的800个样本默认重叠，.．.800个样本的滑动窗口，700个样本重叠，.．.遗忘因子为0.999的指数加权}；
计算标准差
产生一个有噪声的方波信号。在给定帧数后改变方波的振幅。对该信号应用滑动窗口法和指数加权法。实际的标准差是sqrt (np)．对象在向数据添加噪声时使用这个值。将时间范围内的实际标准差与计算标准差进行比较。
Count = 1;噪声功率= 1e-4 * [1 2 3 4];为Index = 1:length(noisepower) np = noisepower(Index);yexp = sqrt(np)*ones(FrameLength,1);为i = 1:250 x =√(np) * randn(帧长度，1);y1 = movstdWindow(x);y2 = movstdWindow_overlap(x);y3 = movstdExp(x);范围(yexp, y1, y2, y3);结束结束
算法
滑动窗口法
在滑动窗口方法中，当前样本处的输出是当前样本相对于窗口中数据的标准偏差。为了计算第一个输出样本，算法等待，直到它收到输入样本的跳数。跳点大小定义为窗口长度-重叠长度。窗口中剩余的样本被认为是零。举个例子，如果窗口长度是5，重叠长度是2，那么算法会等到接收到输入的3个样本才计算输出的第一个样本。在生成第一个输出后，它为输入样本的每一跳大小生成后续输出样本。
当你没有指定窗口长度时，算法选择一个无限的窗口长度。在这种模式下，输出是当前样本相对于通道中所有先前样本的移动标准偏差。
考虑一个使用滑动窗口方法计算流输入数据的移动标准偏差的例子。该算法使用的窗口长度为4，重叠长度为3。对于每个输入样本，长度为4的窗口都会沿着数据移动。
指数加权法
在指数加权法中，使用以下公式递归计算移动标准差:
-当前数据样本相对于其余数据的移动标准偏差。
-每个数据样本与数据平均值之间的差值，平方。
-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。所有的平方项相加。
-加权因子应用于总和。
λ -遗忘因子。
随着数据年龄的增加，加权因子的大小呈指数下降，永远不会达到零。换句话说，近期数据对当前标准差的影响比旧数据更大。
遗忘因子的大小决定了权重因子的变化率。与0.1的遗忘因子相比，0.9的遗忘因子给予旧数据更多的权重。遗忘因子为1.0表示无限记忆。所有之前的样本都被赋予相同的权重。
考虑一个使用指数加权方法计算移动标准偏差的例子。遗忘因子为0.9。
参考文献
[1]波登汉姆，迪恩。流数据的自适应过滤和变化检测博士论文。帝国理工学院，伦敦，2012。
扩展功能
版本历史
在R2016b中引入
您也可以从以下列表中选择一个网站: