相关与卷积、各种误差

相关

自相关

自相关函数就是信号$x(t)$和它的时移信号 $x(t+\tau )$ 的乘积平均值。它是时移变量 $\tau$ 的函数。

“自相关”这种数据处理方法，可以发现隐藏在杂乱信号中的有用信息。这个能力是相当重要的，因为工程实际中的信号，不可避免地要受到各种干扰，严重的时候会完全淹没真正有用的数据。自相关能找出重复信息（被噪声掩盖的周期信号），或识别隐含在信号谐波频率中消失的基频，它常用于时域信号的分析。

性质

1. 偶函数
   
   不论时移方向是导前还是滞后（τ为正或负），函数值不变；
2. 当 $\tau =0$ 时，自相关函数具有最大值，且等于信号的均方值；

复习：

均方值(方均值、平方的期望)：$E[x^2]={\sum }_{}^{}{x}_i^{2}P(x_i)$
均方根：工程中用于分析噪声，$X_{RMS}=\sqrt{\frac{{\sum }_{i=1}^N{X}_i^2}{N}}$
方差：${\delta }^2\left(x\right)=E\left[{\left(x_i-m_x\right)}^2\right]=\sum {\left(x_i-m_x\right)}^{2}P\left(x_i\right)$
标准差(均方差)：$\delta$
协方差(covariance)：衡量两个变量的总体误差，方差是协方差的一种特殊情况，即两变量相同
  $\begin{array}{rl}\mathrm{Cov}(X,Y)& =E[(X-E[X])(Y-E[Y])]\\ & =E[XY]-2E[Y]E[X]+E[X]E[Y]\\ & =E[XY]-E[X]E[Y]\end{array}$
均方误差：MSE(mean-square-error),反映估计量与被估计量差异程度；实例：评估最小二乘估计的准确度、图像复原函数退化模型的最优估计。

卷积

公式

$$y(t)={\int }_{-\infty }^{\infty }x(p)h(t-p)dp=x(t)\ast h(t)$$
$t$ 是使函数 $h(-p)$ 位移的量， $p$ 为积分变量
理解 : $x$ 为输入，$h$ 为响应因子，$y$ 为输出。

物理意义

对于一个关于 $t$ 的移不变的线性系统，若单位取样响应 为 $h(t)$ ，则任意输入 $f(t)$ 的输出是卷积 $f\ast h(t)$ 。

性质

1. 两函数傅里叶变换后的乘积等于他们卷积的傅里叶变换
2. 卷积算子都满足：交换律 结合律 分配律
3. 卷积得到的函数一般比 $f,g$ 都要光滑