Moving Average
的移动平均线。
blockType: MovingAverage
图书馆路径:
|
资料描述
座 *Moving Average*计算每个通道的输入信号的移动平均值,而不考虑时间。
为了计算移动平均线,块使用滑动窗口法或指数加权法。
在滑动窗口方法中,块计算给定长度的窗口中的数据的平均值,该窗口移动通过数据样本。
在指数加权方法中,块将数据样本乘以一组加权因子,然后汇总加权数据以计算平均值。
有关这些方法的详细信息,请参阅算法。
港口
输入
#
x
—
输入数据
向量资料 | 矩阵
Details
块计算输入端口上指示的数据的移动平均值。 块接受以下维度的多通道输入数据 上 ,在哪里 和 ,具有实数或复数值。
如果复选框 *Allow arbitrary frame length for fixed-size input signals*示出但未设置,并且输入信号具有固定大小,帧长度必须是跳跃大小的倍数,其被定义为窗口长度和重叠长度之间的差。 在所有其他情况下,输入帧的长度可以是任意的。
该块接受可变大小的输入信号(在仿真过程中帧长度变化)。 当施加可变大小的信号时,信号帧的长度可以是任意的。
此端口还没有参数的名称 *Method*值未设置 Exponential weighting 并且未选中复选框。 *Specify forgetting factor from input port*.
| 数据类型 |
|
| 复数支持 |
是的 |
#
λ
—
遗忘率
标量,标量
Details
遗忘系数,作为一个正实标量给出 0 以前 1,确定过去数据的权重。 以遗忘率 0.9 旧数据具有比遗忘系数更多的权重。 0.1. 遗忘率 1.0 意味着无限内存-所有以前的样本具有相同的权重。
依赖关系
要使用此端口,请设置参数 *Method*价值 Exponential weighting 并选中该框 *Specify forgetting factor from input port*.
| 数据类型 |
|
| 复数支持 |
非也。 |
输出
#
OUT_1
—
移动平均输出
向量资料 | 矩阵
Details
作为向量或矩阵返回的移动平均线。 块根据参数设置计算移动平均线 *Method*使用滑动窗口法或指数加权法。
该表提供了有关输出信号大小的详细信息。
*输入信号* |
*输入信号的尺寸* |
*输出信号的尺寸* |
|
国旗 *Allow arbitrary frame length for fixed-size input signals*显示 |
国旗 *Allow arbitrary frame length for fixed-size input signals*未显示 |
||
固定大小的信号 |
上 ,在哪里 跳跃大小的倍数(窗口长度是重叠的长度) |
(跳跃的大小)上 |
上 |
固定大小的信号 |
上 ,在哪里 不是跳跃大小的倍数(窗口长度是重叠的长度) |
ceil( 跳跃的大小)上 在复选框的情况下 *Allow arbitrary frame length for fixed-size input signals*已安装。 如果未选中此复选框,则块返回错误。 |
上 |
可变大小的信号 |
上 |
ceil( 跳跃的大小)上 |
上 |
当输出在ceil大小上有上限时( 跳跃的大小)上 在模拟期间,第一维的尺寸在此边界内变化,而第二维的尺寸保持恒定。
| 数据类型 |
|
| 复数支持 |
是的 |
参数
主阵列
#
Method —
平均方法
Sliding window | Exponential weighting
Details
* Sliding window -窗口长度 *Window length*沿每个通道移动输入数据。 对于窗口移动通过的每个样本,块计算窗口中数据的平均值。
* Exponential weighting -块将样本乘以一组加权因子。 随着数据年龄的增加,权重的大小呈指数下降,但大小从未达到零。 为了计算平均值,算法汇总了加权数据。
| 值 |
|
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
无 |
#
Specify window length —
指定窗口长度
Logical
Details
如果选择此选项,则滑动窗口的长度将等于为参数设置的值 *Window length*. 如果取消选中此选项,滑动窗口的长度将是无限的。 在这种模式下,块计算当前样本和通道中所有先前样本的平均值。
依赖关系
若要使用此参数,请为参数设置 *Method*价值 Sliding window.
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
无 |
#
Window length —
滑动窗口长度
Int64 integer
Details
指定选择项中滑动窗口的长度。
依赖关系
若要使用此参数,请为参数设置 *Method*价值 Sliding window 并选中该框 *Specify window length*.
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
是 |
#
Overlap length —
窗口之间重叠的长度
Int64 integer
Details
将窗口之间重叠的长度指定为非负整数。 重叠长度的值从 0 以前 *Window length* − 1.
依赖关系
若要使用此参数,请为参数设置 *Method*价值 Sliding window 并选中该框 *Specify window length*.
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
是 |
#
Allow arbitrary frame length for fixed-size input signals —
允许固定大小输入信号的任意帧长度
Logical
Details
指定固定大小的输入信号(其大小在模拟期间不改变)是否可以具有任意帧长度,其中帧长度不必是跳跃大小的倍数。 跳转的大小定义为参数值的差异 *Window length*及 *Overlap length*. 该模块仅对固定大小的输入信号使用此参数,如果输入信号具有可变大小,则将其忽略。
当输入信号具有可变大小时,信号可以具有任意的帧长度,即帧长度不应该是跳跃大小的倍数。
对于固定大小的输入信号:
*如果复选框 *Allow arbitrary frame length for fixed-size input signals*设置,信号帧的长度不必是跳跃大小的倍数。 如果输入信号不是跳跃大小的倍数,那么输出通常是可变大小的信号。 因此,要支持任意输入大小,块还必须支持可变大小操作,可以通过选中该框来启用。 *Allow arbitrary frame length for fixed-size input signals*.
*如果复选框 *Allow arbitrary frame length for fixed-size input signals*捕获,输入帧的长度必须是跳跃大小的倍数。
依赖关系
若要使用此参数,请为参数设置 *Method*价值 Sliding window 并选中该框 *Specify window length*.
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
无 |
#
Specify forgetting factor from input port —
通过输入端口指定遗忘率
Logical
Details
当选择此选项时,通过*λ*端口输入遗忘系数。 如果取消选中此框,则使用参数设置遗忘系数 *Forgetting factor*.
依赖关系
若要使用此参数,请为参数设置 *Method*价值 Exponential weighting.
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
无 |
#
Forgetting factor —
指数加权因子
Real number
Details
遗忘系数决定了过去数据的权重。 以遗忘率 0.9 旧数据具有比遗忘系数更多的权重。 0.1. 遗忘率 1.0 意味着无限内存-所有以前的样本具有相同的权重。
依赖关系
若要使用此参数,请为参数设置 *Method*价值 Exponential weighting 并取消选中该框 *Specify forgetting factor from input port*.
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
是 |
算法
滑动窗口方法
Details
在滑动窗口方法中,每个输入样本的输出是当前样本的平均值和 以前的样品,在哪里 -这是样本中窗口的长度。 为了计算第一个输入样本,算法等待,直到它得到跳跃大小的输入样本的数量。 跳跃的大小被定义为窗口的长度和重叠的长度之间的差。 窗口中的剩余样本被认为是空的。 例如,如果窗口长度为 5,以及重叠的长度 — 2,然后算法等待,直到它接收到3个输入样本来计算输出信号的第一个样本。 在产生第一输出信号之后,针对每个数目的跳跃大小的输入样本产生后续输出样本。
如果未指定窗口长度,则算法选择无限窗口长度。 在此模式下,输出是通道中当前样本和所有先前样本的移动平均值。
指数加权法
Details
在指数加权方法中,移动平均线使用以下公式递归计算:
哪里
*
*
*
*
*
*
对于第一个样本,其中
遗忘系数决定了过去数据的权重。 以遗忘率 0.9 旧数据具有比遗忘系数更多的权重。 0.1. 遗忘率 1.0 意味着无限内存-所有以前的样本具有相同的权重。