AnyMath 文档

Moving Standard Deviation

滑动标准偏差。

blockType: MovingStandardDeviation

图书馆路径:

/Signal Operations/Statistics/Moving Standard Deviation

资料描述

座 *Moving Standard Deviation*计算每个通道的输入信号的滑动标准偏差,而不考虑时间。

为了计算滑动标准偏差,块使用滑动窗口法或指数加权法。

在滑动窗口方法中,块为给定长度的窗口中的数据计算标准偏差,该窗口移动通过数据样本。

在指数加权方法中,块计算指数加权的滑动偏差,并从该值提取平方根。

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滑动标准偏差。 块接受维度的多通道输入数据 ,在哪里 ,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

漂浮物16, 漂浮物32, 漂浮64, Int8, Int16, Int32, Int64, Int128, UInt8, UInt16, UInt32, UInt64, UInt128

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

漂浮64, Int8, Int16, Int32, Int64, UInt8, UInt16, UInt32

复数支持

非也。

输出

# OUT_1 — 滑动标准偏差的输出
向量资料 | 矩阵

Details

作为向量或矩阵返回的滑动标准偏差。 块根据参数设置计算滑动标准偏差 *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

,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

固定大小的信号

,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。

可变大小的信号

ceil( 跳跃的大小)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

漂浮物16, 漂浮物32, 漂浮64, Int8, Int16, Int32, Int64, Int128, UInt8, UInt16, UInt32, UInt64, UInt128

复数支持

是的

参数

主轴

# Method — 滑动标准偏差的计算方法
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,该块计算与窗口中的数据的标准偏差。

* Exponential weighting -块计算指数加权移动标准偏差并提取平方根。 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。

Sliding window | Exponential weighting

默认值

Sliding window

程序使用名称

Method

可调谐

可计算

# 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*. 如果取消选中此框,则滑动窗口的长度将是无限的。 在此模式下,该单元计算当前样本和通道中所有先前样本的标准偏差。

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

true (已开启)

程序使用名称

SpecifyWindowLength

可调谐

可计算

# 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

4

程序使用名称

WindowLength

可调谐

可计算

# 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

3

程序使用名称

OverlapLength

可调谐

可计算

# 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

false (关掉)

程序使用名称

AllowArbitrary

可调谐

可计算

# 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

false (关掉)

程序使用名称

SpecifyForgettingFactorInput

可调谐

可计算

# 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

0.9

程序使用名称

ForgettingFactor

可调谐

可计算

算法

滑动窗口方法

Details

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。 窗口中剩余的样本被认为是空的。 例如,如果窗口长度为 5,以及重叠的长度 — 2,然后算法等待,直到它接收到输入信号的3个样本,以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,输出是当前样本相对于通道中所有先前样本的滑动标准偏差。

该图示出了使用滑动窗口方法计算流式输入数据的滑动标准偏差的示例。 该算法使用窗口长度 4 和重叠的长度 3. 对于每个传入的输入样本,窗口很长 4 沿着数据移动。

moving standard deviation 1

指数加权法

Details

在指数加权方法中,使用以下公式递归计算移动标准偏差:



哪里

* -当前数据样本相对于其余数据的滑动标准偏差;

* -每个数据样本与平均数据值之差的平方;

* -每个数据样本与平均数据值之间的差值平方并乘以遗忘因子。 所有平方项加起来;

* -应用于总和的加权因子;

* -遗忘系数。

随着数据的年龄增加,加权因子的值呈指数下降,从不达到零。 换句话说,最新数据对当前标准偏差的影响大于旧数据。

遗忘系数决定了过去数据的权重。 用遗忘系数 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。

该图显示了使用指数加权方法计算滑动标准偏差的示例。 遗忘系数为 0.9.

moving standard deviation 2