1.6 相关性
相关性是数字通信系统整个结构所建立的基础。事实上,相关性是数字通信系统的核心,不仅用于数据检测,也用于各种参数估计。正因为如此,我们将其称为主算法,从这个算法中可以解决大部分数字和无线通信系统中的检测和估计问题。
相关性是两个信号之间相似性的度量。
真实信号的相关性
两个信号之间相关性的目标是衡量这两个信号彼此相似的程度。从数学上讲,两个信号 s [ n ] s[n] s[n] 和 h [ n ] h[n] h[n] 之间的相关性定义为
corr [ n ] = ∑ m = − ∞ + ∞ s [ m ] h [ m − n ] \text{corr}[n] = \sum_{m=-\infty}^{+\infty} s[m]h[m-n] corr[n]=∑m=−∞+∞s[m]h[m−n]
其中,上述求和对于每个 n n n 从 − ∞ -\infty −∞ 到 + ∞ +\infty +∞ 进行。相关性的过程可以通过以下步骤理解:
- 选择时间偏移: 首先,从其定义中注意到有两个指标, n n n 和 m m m。指标 m m m 是求和指标,指标 n n n 是用于信号偏移的变量。
h [ m − n ] h[m-n] h[m−n]
- 逐样本乘积: 将 s [ m ] s[m] s[m] 保持原样,并计算乘积
s [ m ] ⋅ h [ m − n ] s[m] \cdot h[m-n] s[m]⋅h[m−n]
唯一非零的值将是两个信号重叠处的指标 m m m。
- 求和: 将所有这些逐样本乘积相加,以生成偏移 n n n 处的相关性输出。
corr [ n ] = ∑ m = − ∞ + ∞ s [ m ] h [ m − n ] \text{corr}[n] = \sum_{m=-\infty}^{+\infty} s[m]h[m-n] corr[n]=∑m=−∞+∞s[m]h[m−n]
- 重复: 对所有可能的时间偏移 n n n 重复上述过程。
直观地讲,这种逐样本乘积的求和计算了两个信号在每个时间偏移下的相似度。例如,如果 s [ n ] s[n] s[n] 与 s [ n ] s[n] s[n] 相关,那么这两个信号在时间偏移 0 时完全相同,并且相关输出将是样本的平方和,即信号 s [ n ] s[n] s[n] 中的能量。
两个信号之间的相关性示例如下:
s [ n ] = [ 2 − 1 1 ] s[n] = [2 \ -1 \ 1] s[n]=[2 −1 1]
h [ n ] = [ − 1 1 2 ] h[n] = [-1 \ 1 \ 2] h[n]=[−1 1 2]
如图 1.43 所示。在左侧列中,信号 s [ m ] s[m] s[m] 被复制,并与移位后的 h [ m ] h[m] h[m] 版本叠加以展示两者之间的重叠,而在每个 n n n 处的移位 h [ n ] h[n] h[n] 显示在文本框中。如果您按照上面描述的步骤操作,您将在图右列的文本框中找到结果 c o r r [ n ] corr[n] corr[n]。
r [ n ] = [ 4 0 − 1 2 − 1 ] r[n] = [4 \ 0 \ -1 \ 2 \ -1] r[n]=[4 0 −1 2 −1]
既然我们说相关性是数字通信系统的核心,我们将相关性操作记作 ♡ ,表示为:
c o r r [ n ] = s [ n ] ♡ h [ n ] corr[n] = s[n] \, ♡ \, h[n] corr[n]=s[n]♡h[n]
请注意
s [ n ] ♡ h [ n ] ≠ h [ n ] ♡ s [ n ] s[n] \, ♡ \, h[n] \neq h[n] \, ♡ \, s[n] s[n]♡h[n]=h[n]♡s[n]
这可以通过将 p = m − n p = m-n p=m−n 代入公式 (1.38) 来验证,得到 m = n + p m = n+p m=n+p ,因此
∑ p = − ∞ + ∞ s [ n + p ] h [ p ] = ∑ p = − ∞ + ∞ h [ p ] s [ p + n ] \sum_{p=-\infty}^{+\infty} s[n+p] h[p] = \sum_{p=-\infty}^{+\infty} h[p] s[p+n] ∑p=−∞+∞s[n+p]h[p]=∑p=−∞+∞h[p]s[p+n]
≠ ∑ m = − ∞ + ∞ h [ m ] s [ m − n ] \neq \sum_{m=-\infty}^{+\infty} h[m]s[m-n] =∑m=−∞+∞h[m]s[m−n]
尽管如此,可以推导出公式 (1.38) 相当于
c o r r [ n ] = ∑ m = − ∞ + ∞ s [ m + n ] h [ m ] corr[n] = \sum_{m=-\infty}^{+\infty} s[m+n]h[m] corr[n]=∑m=−∞+∞s[m+n]h[m]
图1.43: s [ n ] s[n] s[n] 和 h [ n ] h[n] h[n] 之间的相关性
上面的方程可以通过利用复数的乘法规则来分解。
I → c o r r I [ n ] = s I [ n ] ♡ h I [ n ] + s Q [ n ] ♡ h Q [ n ] Q ↑ c o r r Q [ n ] = s Q [ n ] ♡ h I [ n ] − s I [ n ] ♡ h Q [ n ] (1.43) I \rightarrow corr_I[n] = s_I[n] \, ♡ \, h_I[n] + s_Q[n] \, ♡ \, h_Q[n] \\ Q \uparrow corr_Q[n] = s_Q[n] \, ♡ \, h_I[n] - s_I[n] \, ♡ \, h_Q[n] \tag{1.43} I→corrI[n]=sI[n]♡hI[n]+sQ[n]♡hQ[n]Q↑corrQ[n]=sQ[n]♡hI[n]−sI[n]♡hQ[n](1.43)
实际计算可以写成:
I → c o r r I [ n ] = ∑ m = − ∞ + ∞ s I [ m ] h I [ m − n ] + ∑ m = − ∞ + ∞ s Q [ m ] h Q [ m − n ] I \rightarrow corr_I[n] = \sum_{m=-\infty}^{+\infty} s_I[m]h_I[m-n] + \sum_{m=-\infty}^{+\infty} s_Q[m]h_Q[m-n] I→corrI[n]=∑m=−∞+∞sI[m]hI[m−n]+∑m=−∞+∞sQ[m]hQ[m−n]
Q ↑ c o r r Q [ n ] = ∑ m = − ∞ + ∞ s Q [ m ] h I [ m − n ] − ∑ m = − ∞ + ∞ s I [ m ] h Q [ m − n ] Q \uparrow corr_Q[n] = \sum_{m=-\infty}^{+\infty} s_Q[m]h_I[m-n] - \sum_{m=-\infty}^{+\infty} s_I[m]h_Q[m-n] Q↑corrQ[n]=∑m=−∞+∞sQ[m]hI[m−n]−∑m=−∞+∞sI[m]hQ[m−n]
由于恒等式 cos A cos B + sin A sin B = cos ( A − B ) \cos A \cos B + \sin A \sin B = \cos(A-B) cosAcosB+sinAsinB=cos(A−B),I 项中的正号表明两个对齐轴项的相位实际上被相减了。显然,只有当幅度可以作为公共项提取时,上述方程中的恒等式才适用,但相位对齐的概念仍然成立。类似地,恒等式 sin A cos B − cos A sin B = sin ( A − B ) \sin A \cos B - \cos A \sin B = \sin(A-B) sinAcosB−cosAsinB=sin(A−B) 表明两个交叉轴项的相位也在 Q 表达式中被相减。因此,复数相关性可以描述为一个过程,该过程:
- 计算 4 个真实相关性: I ♡ I I \, ♡ \, I I♡I, Q ♡ Q Q \, ♡ \, Q Q♡Q, I ♡ Q I \, ♡ \, Q I♡Q 和 I ♡ Q I \, ♡ \, Q I♡Q。
- 通过反对齐 2 个对齐轴相关性 [ I ♡ I + Q ♡ Q ] [I \, ♡ \, I + Q \, ♡ \, Q] [I♡I+Q♡Q] 来获取 I 分量。
- 通过减去 2 个交叉轴相关性 [ Q ♡ I − I ♡ Q ] [Q \, ♡ \, I - I \, ♡ \, Q] [Q♡I−I♡Q] 来获取 Q 分量。
现在可以推断出,定义复数相关性时为什么需要共轭操作。相关性的目的是提取两个信号之间的相似程度,并且每当 A A A 接近 B B B 时,
cos ( A − B ) ≈ 1 \cos(A-B) \approx 1 cos(A−B)≈1
sin ( A − B ) ≈ 0 \sin(A-B) \approx 0 sin(A−B)≈0
从而使相关输出最大化。换句话说,引入共轭操作定义相关性是有意义的,尤其是在我们试图找到相同信号的相关性时。这时,相位中的负号会相互抵消,并且完美地对齐信号成分以达到最大的相似性。
Tips:
1、相关性用来描述两个信号的相似程度,相关性值越大,则两个信号更加相似。
2、相关性计算的核心是滑动一个信号(通常称为模板信号或参考信号)并与另一个信号进行对齐。在每个滑动位置上,计算两个信号的乘积之和,这就是在该位置的相关性值。
3、这个过程可以看作是将一个信号“放在”另一个信号上,并计算它们在该时刻的匹配程度。