广义互相关的公式，这一文都搜集全了

简 介： 根据网络上一篇“基于广义互相关”的文章整理的所有广义互相关的公式。

关键词： 广义互相关

  在网络上有一篇关于 基于广义互相关估计时间延时 的PDF文件，是由Bhargava提交一篇综述报告，将用于估计时间延迟的广义互相关算法进行了总结。

 

■ 互相关估计时延

---

  在空间上相距一定距离$L$的两个声音传感器获取远方声源发出的声音信号可以表示为：$$x_1\left(t\right)=s_1\left(t\right)+n_1\left(t\right)$$$$x_2\left(t\right)=a\cdot s_1\left(t+D\right)+n_2\left(t\right)$$
  其中$s_1\left(t\right),n_1\left(t\right),n_2\left(t\right)$是实信号，可以看成联合平稳随机过程。信号$s_1\left(t\right)$与两个噪声$n_1\left(t\right),n_2\left(t\right)$之间是不相关的。

  在很多应用中都基于估计时间延迟$D$。本文下面给出了一种最大似然（ML）估计算法来计算参数$D$，并与其他算法进行比较。

  前面的模型是假设信号是联合平稳的，在实际应用中，通常信号的统计特性会发生缓慢变化。但只要在信号采集时间范围$T$之内保持近似平稳即可。

  另外，估计参数时间延迟$D$也会随着时间变化发生缓慢变化。参数$D$的估计算子局限于在有限的观察时间范围$T$之内来估计$D$。其他的应用条件是关于信号和噪声的先验知识。通常，这些信号被忽略了。比如，在被动检测过程中，不像一些通讯应用中的问题，信号源的频谱是未知的，或者只是近似了解。

  一种常用的计算时间延迟$D$的方法是通过计算两个传感器信号的互相关来获得的。基于时间延迟$D$，相对于传感器的信号波达方向也可以计算出来：$$R_{x_1,x_2}\left(\tau \right)=E\left[x_1\left(t\right)\cdot x_2\left(t\right)\right]$$
  由于数据是有限长，所以上面的信号的互相关可以使用下面公式进行估计：$${\hat{R}}_{x_1{x}_2}\left(\tau \right)=\frac{1}{T-\tau }{\int }_{\tau }^T{x}_1\left(t\right)\cdot x_2\left(t-\tau \right)d\tau$$
  其中$T$是观测时间长度。

 

■ 广义互相关

---

  为了提高时延$D$的精度，通常需要对信号$x_1\left(t\right),x_2\left(t\right)$进行预先滤波。

  下图中，对于信号$x_1\left(t\right),x_2\left(t\right)$通过各自的滤波器$H_1,H_2$进行滤波，获得$y_2\left(t\right),y_2\left(t\right)$。然后在计算它们的互相关，获得时延$D$的估计值。

^{▲ 对接收到的信号波形滤波、延迟、相乘、积分获得延迟参数}

  通过选择不同的滤波器$H_1\left(f\right),H_2\left(f\right)$，可以改善时延估计精度，通过滤波后数据的互相关峰值去逼近真实的时延$D$。

  通过傅里叶变换可以获得接受信号的互功率谱密度函数$G_{x_1{x}_2}\left(f\right)$：$$R_{x_1{x}_2}\left(\tau \right)={\int }_{-\infty }^{\infty }{G}_{x_2{x}_2}\left(f\right)e^{j2\pi f\tau }df$$

$x_1\left(t\right),x_2\left(t\right)$之间的广义互相关可以通过下面公式给出：$$R_{y_1{y}_2}^{\left(g\right)}\left(\tau \right)={\int }_{-\infty }^{\infty }\psi \left(f\right)G_{x_1{x}_2}\left(f\right)e^{j2\pi f\tau }df$$
  其中：$${\psi }_g\left(f\right)=H_1\left(f\right)\cdot H_2^{\ast }\left(f\right)$$
  在实际应用中，信号的互功率谱$G_{x_1{x}_2}\left(f\right)$只能通过观察的数据$x_1\left(t\right),x_2\left(t\right)$进行估算，所以：$${\hat{R}}_{y_1{y}_2}^{\left(g\right)}\left(\tau \right)={\int }_{-\infty }^{\infty }\psi \left(f\right){\hat{G}}_{x_1{x}_2}\left(f\right)e^{j2\pi f\tau }df$$

 

■ 预处理

---

  信号$x_1,x_2$之间的互相关：$$R_{x_1{x}_2}\left(\tau \right)=a\cdot R_{s_1{s}_2}\left(\tau -D\right)+R_{n_1{n}_2}\left(\tau \right)$$
  进行傅里叶变换，可得：$$G_{x_1{x}_2}\left(f\right)=a\cdot G_{s_1{s}_2}\left(f\right)\cdot e^{-j2\pi fD}+G_{n_1{n}_2}\left(f\right)$$
  上面公众是的第一项，可以看做下面公式的傅里叶变换：$$R_{x1x2}\left(\tau \right)=a\cdot R_{s1s21}\left(\tau \right)\ast \delta \left(t-D\right)$$
  对此可以解释为：信号的互相关是$\delta \left(t\right)$被信号的频谱进行扩展。

  对于只有一个延迟问题并不严重。但对于多种信号的延迟，真实的互相关为：$$R_{x1x2}\left(\tau \right)=R_{s1s2}\left(\tau \right)\ast \sum _i{\alpha }_i\delta \left(\tau -D_i\right)$$
 

1. Roth预处理

  频谱的加权函数有Roth提出：$${\psi }_R\left(f\right)=\frac{1}{G_{x1x1}\left(f\right)}$$
  这样互相关变成：
$${\hat{R}}_{y1y2}^{\left(R\right)}\left(\tau \right)=\delta \left(\tau -D\right)\ast {\int }_{-\infty }^{\infty }\frac{\alpha \cdot G_{s1s2}\left(f\right)}{G_{s1s2}\left(f\right)+G_{n1n2}\left(f\right)}\cdot e^{j2\pi f\tau }df$$
  当$G_{n1n2}\left(f\right)$比较大的对应互相关进行了压制。
 

2.平滑向相关变换(SCOT)

  加权函数为：KaTeX parse error: Double subscript at position 84: …) \cdot G_{x2} _̲{x2} \left( f \…
  此时：$${\hat{R}}_{y1y2}^{\left(s\right)}\left(\tau \right)={\int }_{-\infty }^{\infty }{\hat{\gamma }}_{x1x2}\left(f\right)e^{j2\pi f\tau }df$$
  其中：KaTeX parse error: Undefined control sequence: \buildrel at position 38: …eft( f \right) \̲b̲u̲i̲l̲d̲r̲e̲l̲ ̲\Delta \over = …
  当$G_{x1x1}\left(f\right)=G_{x2x2}\left(f\right)$，此时SCOT与Roth是等效的。

 

3.相位变换（PHAT）

PHAT使用加权函数：$${\psi }_p\left(f\right)=\frac{1}{\left|G_{x1x2}\left(f\right)\right|}$$
  如果噪声$n_1\left(t\right),n_2\left(t\right)$不相关，即$G_{n1n2}\left(f\right)=0$，互相关为：$$R_{y1y2}^{\left(p\right)}\left(\tau \right)=\delta \left(t-D\right)$$
其中：$$\frac{{\hat{G}}_{x1x2}\left(f\right)}{\left|G_{x1x2}\left(f\right)\right|}=e^{j\theta \left(f\right)}=e^{j2\pi fD}$$

  当噪声之间不相关是，PHAT不会像其他预处理方法使得互相关扩散。

  当$${\hat{G}}_{x1x2}\left(f\right)\ne G_{x1x2}\left(f\right),\theta \left(f\right)\ne 2\pi fD$$
$R_{y1y2}^{\left(p\right)}\left(\tau \right)$不等于delta函数。
 

4. Eckart 滤波

  加权函数为：$${\psi }_E\left(f\right)=\frac{\alpha G_{s1s2}\left(f\right)}{G_{n1n1}\left(f\right)\cdot G_{n2n2}\left(f\right)}$$

 

5. Hannon与Thomson

$$R_{y1y2}^{\left(HT\right)}\left(\tau \right)={\int }_{-\infty }^{\infty }{\hat{G}}_{x1x2}\left(f\right)\cdot \frac{1}{\left|G_{x1x2}\left(f\right)\right|}\cdot \frac{{\left|{\gamma }_{12}\left(f\right)\right|}^2}{\left[1-{\left|{\gamma }_{12}\left(f\right)\right|}^2\right]}{e}^{j2\pi f\tau }df$$
  对应的频谱加权函数为：
$${\psi }_{HT}\left(f\right)=\frac{1}{\left|G_{x1x2}\left(f\right)\right|}\cdot \frac{{\left|{\gamma }_{12}\left(f\right)\right|}^2}{\left[1-{\left|{\gamma }_{12}\left(f\right)\right|}^2\right]}$$

 

■ 对于低信噪比(SNR)下的最大似然估计

---

  在信噪比低的情况下：$$\frac{G_{s1s1}\left(f\right)}{G_{n1n1}\left(f\right)}\ll 1,\frac{G_{s1s1}\left(f\right)}{G_{n2n2}}\ll 1$$
$${\psi }_{HT}\left(f\right)\cong \frac{G_{s1s1}\left(f\right)}{G_{n1n1}\left(f\right)\cdot G_{n2n2}\left(f\right)}={\psi }_E\left(f\right)$$

  如果：$$G_{n1n1}\left(f\right)=G_{n2n2}\left(f\right)=G_{nn}\left(f\right)$$
  那么：$${\psi }_{HT}\left(f\right)\cong \frac{G_{s1s1}\left(f\right)}{G_{nn}\left(f\right)}\left[{\psi }_s\left(f\right)\right]={\left[\frac{G_{s1s1}\left(f\right)}{G_{nn}\left(f\right)}\right]}^2{\psi }_p\left(f\right)$$

 

■ 结论

---

• HT预处理适应于通常情况下的延迟估计；
• 在SNR低的情况下，HT与Eckart，互相关等效；
• 如果互相关随着时间缓慢变化，最大似然（ML）估计中的滤波器也是随着时间变化的。