今天就让钧桐带大家一起认识一下相关函数
首先，自相关函数和互相关函数的作用
自相关函数就是函数和函数本身的相关性，当函数中有周期性分量的时候
自相关函数的极大值能够很大的体现这种周期性
互相关函数就是两个函数之间的相似性，当两个函数都具有相同周期分量的时候，它的极大值同样能体现这种周期性的分量
自相关和互相关的科普
首先介绍一下协方差函数
期望分别伪E[X]与E[Y]的两个实随机变量X与Y之间的协方差Cov（X,Y）定义：
C
o
v
(
x
,
y
)
=
E
[
(
x
−
E
[
x
]
)
(
y
−
E
[
y
]
)
]
Cov(x,y)=E[(x-E[x])(y-E[y])]
Cov(x,y)=E[(x−E[x])(y−E[y])]
C
o
v
(
x
,
y
)
=
E
[
x
y
]
−
2
E
[
y
]
E
[
x
]
+
E
[
x
]
E
[
y
]
Cov(x,y) =E[xy]-2E[y]E[x]+E[x]E[y]
Cov(x,y)=E[xy]−2E[y]E[x]+E[x]E[y]
C
o
v
(
x
,
y
)
=
E
[
x
y
]
−
E
[
x
]
E
[
y
]
Cov(x,y) =E[xy]-E[x]E[y]
Cov(x,y)=E[xy]−E[x]E[y]
自相关与互相关公式
互相关公式：
当X=Y时，就变成了自相关公式
以Logistic的混沌映射表达式为例
Logistic表达式
X
n
+
1
X_{n+1}
Xn+1=
α
\alpha
α*
X
n
X_n
Xn*（1-
X
n
X_n
Xn） 取值范围：
X
n
∈
(
0
,
1
)
X_n\in(0,1)
Xn∈(0,1) ,
α
∈
(
3.57
,
4
)
\alpha\in(3.57,4)
α∈(3.57,4)
这就是一个最简单的伪随机序列
通过迭代可以产生一些随机的数，但是这些数是和原来的初始值有关的。
也就是说，初始值定下后，这些看似随机的数也就定下来了。
那么，这种伪随机序列是可以用来作为密钥来进行数据加密等工作的。
Logistic自相关函数仿真
| 变量 | 初值 |
|---|---|
| α \alpha α | 3.99534539857 |
| X 1 X_1 X1 | 0.35346481534686 |
由图可以看出函数的自相关性很好！
Logistic互相关函数仿真
| 变量 | 初值 |
|---|---|
| α \alpha α | 3.99534539857 |
| X 1 X_1 X1 | 0.35346481534686 |
| X 1 ‘ X_1‘ X1‘ | 0.35346481534685 |
我们可以看出，初始值一个微小的变化就使得两个函数的互相关性很差，真的很伪随机哦，很适合当密码
有关Logistic的收敛性推导
工程数学中牛顿迭代法(随便复习一哈)
我签过保密协议，不能给大家分享代码了，哈哈！
没有啦！！！分享了之后，我怕别人发论文抢先一步，让我无法毕业。。。
其实代码也很简单，一个xcorr函数就搞定了
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
