MATLAB-xcorr函数

一、函数调用格式及说明

1. r=xcorr(x,y)

返回两个离散时间序列的互相关。互相关反映向量x和移位（滞后）向量y之间的相似性，形式为滞后的函数。如果x和y的长度不同，函数会在较短向量的末尾添加0，使其长度与另一个向量相同。
$$r(n)=\sum _{k=-\infty }^{\infty }x(k)y(n+k)$$

2. r=xcorr(x)

返回x的自相关序列。如果x为矩阵，则r也是矩阵，其中包含x所有列组合的自相关和互相关序列;

如果x为M×N矩阵，则xcorr(x)返回$(2M-1)\times N^2$矩阵；如果指定了maxlag，则r的大小为$(2\times maxlag+1)\times N^2$

3. r=xcorr(__,maxlag)
   maxlag规定为整数标量，将滞后范围限制为从-maxlag到maxlag；如果没有指定maxlag，则滞后范围等于2N-1，其中N是x和y中较长一方的长度。

4. r=xcorr(__,scaleopt)
   指定归一化选项。

scaleopt-归一化选项	说明
‘none’（默认）	原始、未缩放的互相关。当x和y长度不同时，'none’是唯一有效的选项
‘biased’	互相关的有偏估计：$R_{xy,biased(m)}=\frac{1}{N}{R}_{xy(m)}$
‘unbiased’	互相关的无偏估计：$R_{xy,unbiased(m)}=\frac{1}{N-\lceil m\rceil }{R}_{xy(m)}$
‘normalized’或’coeff’	对序列进行归一化，使零滞后时的自相关等于1：$R_{xy,coeff(m)}=\frac{1}{\sqrt{R_{xx}(0)R_{yy}(0)}}{R}_{xy(m)}$

5.[r,lags]=xcorr(__)
还返回用于计算相关性的滞后，lags为滞后索引，以向量形式返回。

二、函数应用示例

1. 两个向量的互相关

%%%%%%%%%% 示例1：计算x和y两个向量的互相关 %%%%%%%%%%
n=0:15;
x=0.84.^n;            %x的长度N=16
y=circshift(x,5);     %x右移5个元素，circshift是一个循环移位函数
[c,lags]=xcorr(x,y);  %计算结果c的长度为2N-1
stem(lags,c);         %stem函数用于绘制火柴梗图，在lags的指定点处按照茎状形式画出数据序列c,以圆圈终止,lags大小与c一致
                      %在x和y的元素完全匹配的滞后值（-5）处，出现最大峰值。

2. 向量的自相关

%%%%%%%%%% 示例2：计算向量x的自相关 %%%%%%%%%%
n=0:15;
x=0.84.^n;            %x的长度N=16
[c,lags]=xcorr(x);    %计算结果c的长度为2N-1=31
stem(lags,c);         %lags值为-15到15，长度与c一致
                      %在零滞后时（此时x与自身完全匹配），出现最大峰值

3.归一化的互相关

%%%%%%%%%% 示例3：计算归一化的互相关 %%%%%%%%%%
n=0:15;
x=0.84.^n;           
y=circshift(x,5);     
[c,lags]=xcorr(x,y,10,'normalized');  %使用单位峰值计算并绘制向量x和y的归一化互相关，并指定最大滞后为10
stem(lags,c);                         %c和lags均为长度为21的向量

三、线性卷积与互相关

线性卷积的定义为：
$$y(n)=\sum _{k=-\infty }^{\infty }x(k)h(n-k)$$
互相关的定义为：
$$y(n)=\sum _{k=-\infty }^{\infty }x(k)h(n+k)$$
可以看出，线性卷积与互相关的区别在于计算之前是否存在反褶，其计算思路是一致的，都是通过滑窗的思想。

clear all;
close all;
clc;

x1=[1,1,3,4,2];
x2=[1,3,2];
N=length(x1);
M=length(x2);
% 线性卷积：先将x2反褶，然后滑动x2计算结果
y1=conv(x1,x2);         % 计算x1和x2的线性卷积,线性卷积结果的长度为L=N+M-1
% 互相关：x1和x2的长度不同，先在较短向量的末尾添加0，然后滑动x2计算结果
y2=xcorr(x1,x2);        % 计算x1和x2的互相关，互相关结果的长度为L=2N-1