让$ X,Y $为WSS随机向量。协方差$ C_ {XY} $由$$ C_ {XY} = E \ left [(X- \ mu_x)(Y- \ mu_y)^ H \ right] $$给出,其中$ H $代表向量的埃尔米特。
让$ Z $为WSS随机向量。自相关函数$ R_ {XX} $由$$ R_ {ZZ}(\ tau)= E \ left [\ left(Z(n)-\ mu_z \ right)\ left(Z(n + \ tau) )-\ mu_z \ right)^ H \ right] $$
编辑说明对信号处理的定义有一个更正,请参见下面的Matt解答。 >协方差不涉及时间的概念,它假设随机向量的每个元素都是某个随机生成器的不同实现。自相关假设随机向量是某个初始随机生成器的时间演化。最后,它们都是相同的数学实体,是一个数字序列。如果让$ X = Y = Z $出现,则显示$$ C_ {XY} = R_ {ZZ} $$还有我想念的更微妙的地方吗?
#1 楼
根据您对自相关的定义,自相关只是两个随机变量$ Z(n)$和$ Z(n + \ tau)$的协方差。此函数也称为自协方差。顺便说一句,在信号处理中,自相关通常定义为
$$ R_ {XX}(t_1,t_2)= E \ {X(t_1)X ^ *(t_2)\} $$
ie,但不减去均值。自协方差由
$$ C_ {XX}(t_1,t_2)= E \ {[X(t_1)-\ mu_X(t_1)] [X ^ *(t_2)-\ mu给定^ * _ X(t_2)] \} $$
这两个函数通过
$$ C_ {XX}(t_1,t_2)= R_ {XX}( t_1,t_2)-\ mu_X(t_1)\ mu ^ * _ X(t_2)$$
评论
$ \ begingroup $
如果将$ \ tau $视为变量,则自相关将成为该“时间间隔”的函数,该“时间间隔”可以产生有关数据集的非常有趣的信息。看一下自相关,离散傅立叶变换和Wiener-Khinchin定理之间的关系。
$ \ endgroup $
– PhilMacKay
17年2月28日在16:36
$ \ begingroup $
@PhilMacKay:可以,但是仅适用于WSS进程。我给出了一般情况下的定义,其中过程不一定是固定的。
$ \ endgroup $
– Matt L.
17年2月28日在16:43
$ \ begingroup $
是的,确实,非平稳过程可能会令人讨厌数据分析,这就是为什么我总是在使用心爱的统计工具之前尝试消除数据趋势!不过,这并不总是可能的...
$ \ endgroup $
– PhilMacKay
17年2月28日在20:05
#2 楼
请注意,您的自相关定义如何包含一个附加项$ \ tau $,它指定了两个序列$ Z(n)$和$ Z(n + \ tau)$的偏移量。实际上,该符号表明$ R_ {ZZ}(\ tau)$是为\ mathbb {R} ^ + $中的任何$ \ tau \定义的连续函数,而$ C_ {XY} $是标量。 br />正如您提到的,如果让$ X = Y = Z $,则意味着$ \ tau = 0 $,这是$ R_ {ZZ}(\ tau)$的一种特殊情况。
根据我的个人经验(天体物理学,各种传感器处理),协方差被用作检查两个数据集相似性的系数,而自相关被用来表征相关距离,即数据发展到完全变成另一种数据的速度。
评论
正如Matt指出的那样,在问题中错误地指出了自相关$ R_ {ZZ}(\ tau)$的定义