相关
自相关
自相关函数就是信号
x
(
t
)
x(t)
x(t)和它的时移信号
x
(
t
+
τ
)
x(t+\tau )
x(t+τ) 的乘积平均值。它是时移变量
τ
\tau
τ 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
- 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; - 当 τ = 0 \tau=0 τ=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 ] = ∑ x i 2 P ( x i ) E[x^2]=\sum_{}^{}{x_i^2 P(x_i)} E[x2]=∑xi2P(xi)
均方根:工程中用于分析噪声, X R M S = ∑ i = 1 N X i 2 N X_{RMS}=\sqrt{\frac{\sum_{i=1}^N{X_i^2}}{N}} XRMS=N∑i=1NXi2
方差: δ 2 ( x ) = E [ ( x i − m x ) 2 ] = ∑ ( x i − m x ) 2 P ( x i ) \delta ^2\left( x \right) =E\left[ \left( x_i-m_x \right) ^2 \right] =\sum{\left( x_i-m_x \right) ^2P\left( x_i \right)} δ2(x)=E[(xi−mx)2]=∑(xi−mx)2P(xi)
标准差(均方差): δ \delta δ
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
Cov ( X , Y ) = E [ ( X − E [ X ] ) ( Y − E [ Y ] ) ] = E [ X Y ] − 2 E [ Y ] E [ X ] + E [ X ] E [ Y ] = E [ X Y ] − E [ X ] E [ Y ] \begin{aligned} \operatorname{Cov}(X, Y) &=E[(X-E[X])(Y-E[Y])] \\ &=E[X Y]-2 E[Y] E[X]+E[X] E[Y] \\ &=E[X Y]-E[X] E[Y] \end{aligned} 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]
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
)
=
∫
−
∞
∞
x
(
p
)
h
(
t
−
p
)
d
p
=
x
(
t
)
∗
h
(
t
)
y(t)=\int_{-\infty}^{\infty} x(p) h(t-p) d p=x(t) * h(t)
y(t)=∫−∞∞x(p)h(t−p)dp=x(t)∗h(t)
t
t
t 是使函数
h
(
−
p
)
h(-p)
h(−p) 位移的量,
p
p
p 为积分变量
理解 :
x
x
x 为输入,
h
h
h 为响应因子,
y
y
y 为输出。
物理意义
对于一个关于 t t t 的移不变的线性系统,若单位取样响应 为 h ( t ) h(t) h(t) ,则任意输入 f ( t ) f(t) f(t) 的输出是卷积 f ∗ h ( t ) f*h(t) f∗h(t) 。
性质
- 两函数傅里叶变换后的乘积等于他们卷积的傅里叶变换
- 卷积算子都满足:交换律 结合律 分配律
- 卷积得到的函数一般比 f , g f,g f,g 都要光滑