如何实现互相关以证明两个音频文件相似？

评论

---

$ \ begingroup $
零填充至少应为N = size（a）+ size（b）-1，最好取整为2的幂。要获得-1和1之间的值，请除以范数（a） * norm（b），它给出给定滞后时间（即模N的圆移位）在N空间中两个向量之间的夹角的余弦值。在极端滞后时，没有太多重叠的样本（在极端极端处只有一个），因此除以norm（a）* norm（b）会将这些相关偏向0（即显示它们在N空间中的相对正交性） 。
$ \ endgroup $
–太阳神
10-10-30在1:41

---

$ \ begingroup $
我认为说明中可能有错误。难道不应该将FFT逐项相乘就得到信号卷积的FFT，而不是互相关的FFT吗？据我了解，要获得互相关的FFT，在进行iFFT之前，有必要在逐项乘法中使用FFT矢量之一的复共轭。
$ \ endgroup $
– Dilip Sarwate
2011年11月30日20:36

---

$ \ begingroup $
“为什么在硬件上很难逆转时间？”在许多情况下，数据会存储在脉动阵列中，以期望计算是本地的，即，存储在第i个单元格中的$ x [i] $仅与其最近的邻居$ x [\ pm i]交互$。将$ x [i] $发送到单元＃$（Ni）$，并发送$ x [Ni] $到单元＃$ i $，这样做对于所有$ i $都会增加布线成本，布线延迟（从而降低了可达到的最大值时钟频率），并且由于所有导线必须彼此交叉，因此会引起布线问题。如果可能，应避免使用它，在这种情况下，这是可以避免的。
$ \ endgroup $
– Dilip Sarwate
2011年11月30日在22:05

---

$ \ begingroup $
@Leo按元素乘法。 n×1数组x n×1数组= n×1数组我在答案中称此为“逐样本”。
$ \ endgroup $
– Endolith
2014年1月22日20:34

---

$ \ begingroup $
@ Stephen305如果您使用mode ='full'，他们应该做同样的事情
$ \ endgroup $
– Endolith
20-11-18在20:22

---

period = 1/sampleFrequency;
covariance=0;

for (iSample = 0; iSample<nSamples; iSample++)
    covariance += (timeSeries_1(iSample)*timeSeries_2(iSample))/period;
    //Dividing by `period` might not even be necessary

for (iShift=0; iShift<nSamples; iShift++)
    xcorr(iShift) = corr(timeSeries_1, timeSeries_2_shifted_one_sample);

评论

---

$ \ begingroup $
您提到0是无相关性，而1是总相关性。我只想指出-1是完全负相关的。与之类似，-1表示样本1与样本2相反。如果在X，Y图上考虑它，则它是一条具有正斜率的线与一条具有负斜率的线。并且，当您接近0时，该行就会“陷落”。
$ \ endgroup $
– Kellenjb
2010-10-29 13:23

---

$ \ begingroup $
@kellenjb，是的，但是我可能会说一下，您可能感兴趣的相关幅度。1或-1表示信号直接相互影响。
$ \ endgroup $
– Kortuk
2010-10-29 14:52

---

R_xy = ifft(fft(x,N) * conj(fft(y,N)))

R_xy = ifft(fft(x,N) * conj(fft(y,N))) / (norm(x) * norm(y))

x2 = x - mean(x)
y2 = y - mean(y)
phi_xy = ifft(fft(x2,N) * conj(fft(y2,N))) / (norm(x2) * norm(y2))

评论

---

$ \ begingroup $
这是否意味着数组的最终大小应为2 * size（a）+ size（b）-1或2 * size（b）+ size（a）-1？但无论哪种情况，两个填充数组的大小都不同。用太多的零填充的结果是什么？
$ \ endgroup $
– RobertKJ
11年11月29日在1:20

---

$ \ begingroup $
@RobertK互相关数组的长度至少应为a和b的长度之和（负1），如eryksun在回答中所说。为简单起见，通常将长度取为较长向量的长度的两倍（有时四舍五入到下一个较大的2元幂，以便使用高效的FFT）。当客户迟来决定他也想要较长向量的自相关时，该选择会有所帮助。填充太多零的结果之一是额外的计算，但是可以通过更高效的FFT实现加以改善。
$ \ endgroup $
– Dilip Sarwate
2011年11月30日20:54

---

$ \ begingroup $
@RobertKJ：您沿a滑动b，每班次输出一个，一个样本的最小重叠量。产生大小（a）的正滞后和大小（b）-1的负滞后。使用N点DFT乘积的逆变换，索引0到size（a）-1为正滞后，索引N-size（b）+1到N-1为负滞后。
$ \ endgroup $
–太阳神
2011年11月30日23:56

---

c= xcorr(x,y)

评论

---

$ \ begingroup $
链接似乎已断开。
$ \ endgroup $
–丹尼尔（Danijel）
17年10月3日在7:00

---