คำถามติดแท็ก autocorrelation

Autocorrelation คือความสัมพันธ์ระหว่างสัญญาณกับตัวมันเอง

4
อะไรคือความแตกต่างระหว่างการบิดและการสหสัมพันธ์แบบข้าม?
ฉันพบในเว็บไซต์หลายแห่งที่มีการเชื่อมโยงและการเชื่อมโยงข้ามกันคล้ายกัน (รวมถึงแท็กวิกิสำหรับการบิด) แต่ฉันไม่พบว่ามันมีความแตกต่างกันอย่างไร ความแตกต่างระหว่างสองคืออะไร? คุณบอกได้ไหมว่าความสัมพันธ์อัตโนมัติเป็นสังวัตนาด้วยเช่นกัน?


1
พื้นผิวข้อผิดพลาดทำให้เกิดข้อผิดพลาดอะไร มันถูกกำหนดโดย Covarinace Matrix หรือ Hessian หรือไม่?
ขณะนี้ฉันกำลังเรียนรู้เกี่ยวกับการประมาณกำลังสองน้อยที่สุด (และอื่น ๆ ) สำหรับการถดถอยและจากสิ่งที่ฉันกำลังอ่านในวรรณกรรมอัลกอริทึมแบบปรับตัวบางครั้งมักใช้วลี "... และเนื่องจากพื้นผิวข้อผิดพลาดนูน ... " ปรากฏขึ้นและ ความลึกใด ๆ ที่เป็นสาเหตุว่าทำไมจึงต้องมีการนูนเพื่อเริ่มต้นด้วยไม่ว่าจะอยู่ที่ไหน ... ดังนั้นสิ่งที่ทำให้มันนูน ? ฉันพบว่าการละเลยซ้ำนี้น่ารำคาญเล็กน้อยเพราะฉันต้องการออกแบบอัลกอริธึมแบบปรับตัวเองพร้อมฟังก์ชั่นต้นทุนของตัวเอง แต่ถ้าฉันไม่สามารถบอกได้ว่าฟังก์ชั่นค่าใช้จ่ายของฉันส่งผลให้เกิดข้อผิดพลาดนูนหรือไม่ ไปไกลเกินกว่าที่จะใช้บางสิ่งบางอย่างเช่นการไล่ระดับสีแบบไล่ระดับเพราะจะไม่มีค่าขั้นต่ำระดับโลก บางทีฉันอาจต้องการที่จะสร้างสรรค์ - บางทีฉันอาจไม่ต้องการใช้กำลังสองน้อยที่สุดเป็นเกณฑ์ในข้อผิดพลาดของฉัน เมื่อขุดลึกลงไป (และคำถามของฉันเริ่มต้นที่นี่) ฉันพบว่าเพื่อให้สามารถบอกได้ว่าคุณมีพื้นผิวข้อผิดพลาดนูนหรือไม่คุณต้องตรวจสอบให้แน่ใจว่าเมทริกซ์ Hessianของคุณนั้นเป็นกึ่งบวกแน่นอน สำหรับการเข้าคู่แบบสมมาตรการทดสอบนี้ง่ายมาก - ตรวจสอบให้แน่ใจว่าค่าลักษณะเฉพาะทั้งหมดของเมทริกซ์ Hessian นั้นไม่เป็นลบ (หากเมทริกซ์ของคุณไม่สมมาตรคุณสามารถทำให้สมมาตรได้โดยการเพิ่มลงในทรานสโพสของตัวเองและทำการทดสอบค่าลักษณะเฉพาะเดียวกันโดยอาศัยอำนาจของGramianแต่นั่นไม่สำคัญเลย) Hessian matrix คืออะไร เมทริกซ์ของ Hessian ประมวลผลการผสมผสานระหว่างส่วนที่เป็นไปได้ของฟังก์ชันต้นทุนของคุณ มีกี่ Partials จำนวนคุณลักษณะในเวกเตอร์ฟีเจอร์ของคุณมากพอ ๆ วิธีคำนวณชิ้นงาน? ใช้อนุพันธ์บางส่วน 'ด้วยมือ' จากฟังก์ชันต้นทุนดั้งเดิม นั่นคือสิ่งที่ฉันทำ: ฉันคิดว่าเรามีเมทริกซ์ข้อมูลmmm x nnnซึ่งแสดงโดยเมทริกซ์XXXโดยที่mmmหมายถึงจำนวนตัวอย่างและnnnหมายถึงจำนวนคุณลักษณะต่อตัวอย่าง …

1
ในการใช้ eigenvector เพื่อประเมินความถี่พื้นฐานของสัญญาณผ่านทาง MUSIC
บริบท: (ข้อจำกัดความรับผิดชอบ: นี่ไม่ใช่ปัญหาการสื่อสาร) ฉันพยายามที่จะประเมินความถี่พื้นฐานของสัญญาณที่แท้จริงและเป็นระยะ สัญญาณนี้ถูกสร้างขึ้นโดยจับคู่กรองสัญญาณดิบกับของพัลส์ (ตัวกรองที่ตรงกัน) สัญญาณผลลัพธ์มีคุณสมบัติดังต่อไปนี้: มันเป็นระยะ (พื้นฐานคือ 1 / งวด) และนี่คือสิ่งที่ฉันพยายามประเมิน มันไม่หยุดนิ่งในเวลา โดยเฉพาะแอมพลิจูดของพัลส์เป็นระยะสามารถเปลี่ยนแปลงได้ในแอมพลิจูด (เช่นชีพจรหนึ่งอาจต่ำในขณะที่อีกสูงและต่ำถัดไปอีกครั้งและหนึ่งหลังจากสื่อนั้น ฯลฯ ) ฉันเชื่อว่ามันคงที่ในความถี่ (เท่าที่คุณยอมรับการเปลี่ยนแอมพลิจูด แต่ไม่เปลี่ยนแบนด์) มันมีความเพี้ยน สิ่งที่ฉันหมายถึงที่นี่คือ (และแก้ไขฉันถ้าฉันผิด) แต่สัญญาณพัลส์ภายในสัญญาณไม่ได้เป็นไซนัส แต่เป็นรูปร่างที่ "ขี้ขลาด" เช่นเกาส์สามเหลี่ยม - อิชครึ่งอาราโบลา ฯลฯ . ฉันพยายามประเมินความถี่พื้นฐานของสัญญาณนี้ แน่นอนว่าบางครั้งสัญญาณดิบนั้นไม่ได้เป็นเพียงแค่สัญญาณรบกวน แต่ยังคงผ่านเส้นทางและได้รับการกรองอย่างเหมาะสม (เพิ่มเติมในภายหลัง) สิ่งที่ฉันได้ลอง: ตอนนี้ฉันได้ตระหนักถึงการประมาณค่าความถี่พื้นฐานมากมายเช่น วิธีการสัมพันธ์อัตโนมัติ หยินและการอ้างอิงทั้งหมด วิธีการ FFT ฯลฯ YIN: ฉันยังไม่ได้ลอง YIN วิธีการ FFT: วิธีการ FFT …

2
ความแปรปรวนร่วมกับความสัมพันธ์อัตโนมัติ
ฉันพยายามที่จะคิดออกว่ามีความสัมพันธ์โดยตรงระหว่างแนวคิดเหล่านี้ อย่างเคร่งครัดจากคำจำกัดความพวกเขาดูเหมือนจะเป็นแนวคิดที่แตกต่างกันโดยทั่วไป ยิ่งฉันคิดถึงมันมากเท่าไหร่ฉันก็ยิ่งคิดว่าพวกมันคล้ายกันมากเท่านั้น ให้X,YX,YX,Yเป็นเวกเตอร์สุ่ม WSS ความแปรปรวนร่วมCXYCXYC_{XY}กำหนดโดยCXY=E[(X−μx)(Y−μy)H]CXY=E[(X−μx)(Y−μy)H]C_{XY}=E\left[(X-\mu_x)(Y-\mu_y)^H\right]โดยที่HHHหมายถึง Hermitian ของเวกเตอร์ ให้เป็นเวกเตอร์สุ่มของ WSS ฟังก์ชั่น autocorrelation, , มอบให้โดยZZZRXXRXXR_{XX}RZZ(τ)=E[(Z(n)−μz)(Z(n+τ)−μz)H]RZZ(τ)=E[(Z(n)−μz)(Z(n+τ)−μz)H]R_{ZZ}(\tau)=E\left[\left(Z(n)-\mu_z\right)\left(Z(n+\tau)-\mu_z\right)^H\right] แก้ไขหมายเหตุมีการแก้ไขคำจำกัดความนี้ตามที่ใช้กับการประมวลผลสัญญาณดูคำตอบของ Matt ด้านล่าง ความแปรปรวนร่วมไม่เกี่ยวข้องกับแนวคิดของเวลามันถือว่าแต่ละองค์ประกอบของเวกเตอร์แบบสุ่มเป็นการก่อให้เกิดความแตกต่างของเครื่องกำเนิดแบบสุ่ม ความสัมพันธ์อัตโนมัติถือว่าเวกเตอร์แบบสุ่มเป็นวิวัฒนาการเวลาของตัวสร้างแบบสุ่มเริ่มต้น แต่ในท้ายที่สุดแล้วพวกเขาทั้งสองเป็นเอนทิตีทางคณิตศาสตร์ที่เหมือนกันลำดับของตัวเลข ถ้าคุณปล่อยให้มันจะปรากฏขึ้นมีอะไรที่ฉันขาดหายไปอีกหรือเปล่า?X=Y=ZX=Y=ZX=Y=ZCXY=RZZCXY=RZZC_{XY}=R_{ZZ}

4
คำแนะนำสำหรับหนังสือ - การเขียนรหัส DSP ใน C
ฉันกำลังมองหาหนังสือดีๆสักเล่มที่แสดงให้เห็นว่าคุณเขียนโค้ดใน C เพื่อทำวิธีหลัก DSP ทั้งหมดได้อย่างไร FFT ฟิลเตอร์กรองความถี่ต่ำและสูง Auto-สัมพันธ์ การประมวลผลเสียงรบกวน และพื้นฐานทั้งหมดของ DSP จากทฤษฏีไปเป็นรหัสจริงใน C ตัวอย่างเช่นฉันมี 1,000 ตัวอย่างตอนนี้ฉันต้องการคำนวณ FFT ของมันลบเสียงแล้วนำกลับมาที่แกนเวลา มีบางสิ่งที่ดีที่ครอบคลุมสิ่งเหล่านี้ทั้งหมดหรือไม่?

4
การคำนวณค่าสัมพันธ์อัตโนมัติอย่างมีประสิทธิภาพโดยใช้ FFT
ฉันกำลังพยายามคำนวณความสัมพันธ์อัตโนมัติบนแพลตฟอร์มที่มีการเร่งความเร็วแบบดั้งเดิมที่ฉันมีอยู่คือ (I) FFT ฉันมีปัญหาว่า ฉันเป็นต้นแบบในMATLAB อย่างไรก็ตามฉันสับสนเล็กน้อย ฉันคิดว่ามันใช้งานได้ง่ายดังต่อไปนี้ (มาจากความทรงจำดังนั้นขอโทษถ้าฉันทำผิดเล็กน้อย) autocorr = ifft( complex( abs( fft( inputData ) ), 0 ) ) อย่างไรก็ตามฉันได้รับผลลัพธ์ที่แตกต่างจากการใช้xcorrฟังก์ชั่น ตอนนี้ฉันคาดหวังอย่างเต็มที่ว่าจะไม่ได้รับทางด้านซ้ายของความสัมพันธ์แบบอัตโนมัติ (เนื่องจากเป็นภาพสะท้อนของทางด้านขวามือและไม่จำเป็นต้องมีอยู่แล้ว) อย่างไรก็ตามปัญหาคือด้านขวามือของฉันดูเหมือนจะสะท้อนตัวเองรอบจุดกึ่งกลาง ซึ่งหมายความว่าฉันได้รับข้อมูลประมาณครึ่งหนึ่งอย่างที่ฉันคาดไว้ ดังนั้นฉันแน่ใจว่าฉันจะต้องทำสิ่งที่ผิดง่าย ๆ แต่ฉันก็ไม่สามารถหาอะไรได้

4
วิธี 'ขาว' สัญญาณโดเมนเวลาได้อย่างไร
ฉันพยายามที่จะเข้าใจวิธีการใช้งานสิ่งที่เรียกว่าตัวกรอง 'pre-whitening' หรือเพียงแค่ตัวกรอง 'whitening' ฉันเข้าใจว่าจุดประสงค์คือทำให้เดลต้าเป็นฟังก์ชั่นความสัมพันธ์อัตโนมัติ แต่ฉันไม่แน่ใจว่าจะทำสิ่งนี้ได้อย่างไร บริบทที่นี่มีดังต่อไปนี้: รับสัญญาณที่ตัวรับสัญญาณที่แตกต่างกันสองตัวและคำนวณความสัมพันธ์ข้าม ความสัมพันธ์ข้ามสามารถมีลักษณะเป็นรูปสามเหลี่ยมหรือรูปทรงอื่น ๆ ที่ได้รับพระเจ้า ด้วยเหตุนี้จึงเป็นการยากที่จะค้นหาจุดสูงสุดของสัญญาณข้ามสหสัมพันธ์ ในกรณีนี้ฉันได้ยินเกี่ยวกับการต้อง 'ขาว' สัญญาณก่อนที่ความสัมพันธ์ข้ามจะดำเนินการกับพวกเขาเช่นนั้นข้ามความสัมพันธ์เป็นเหมือนเดลต้า สิ่งนี้ทำได้อย่างไร ขอบคุณ!

3
ทำไมความสัมพันธ์อัตโนมัติได้รับจุดสูงสุดที่ศูนย์?
ฉันรู้ว่าฟังก์ชั่นการเปลี่ยนภาพอัตโนมัติเป็นศูนย์มีค่าเท่ากับพลังงาน แต่ฉันต้องการที่จะเข้าใจว่าทำไมจุดสูงสุดเป็นศูนย์

3
ความสัมพันธ์อัตโนมัติในการวิเคราะห์เสียง
ฉันกำลังอ่านข้อมูลเกี่ยวกับAutocorrelationแต่ฉันไม่แน่ใจว่าฉันเข้าใจอย่างแน่ชัดว่ามันทำงานอย่างไรและควรคาดหวังอะไรจากผลลัพธ์ ฉันคิดถูกแล้วว่าฉันควรป้อนสัญญาณของฉันไปยังฟังก์ชัน AC และมีอินพุตหน้าต่างแบบเลื่อน แต่ละหน้าต่าง (ตัวอย่าง 1024 ตัวอย่าง) จะส่งออกสัมประสิทธิ์ระหว่าง -1 ถึง 1 เครื่องหมายจะระบุว่าเส้นตรงขึ้นหรือลงและค่าจะระบุว่าค่าสหสัมพันธ์นั้นแข็งแกร่งแค่ไหน สำหรับความเรียบง่ายสมมติว่าฉันไม่มีเหลื่อมกันและเพียงแค่ย้ายหน้าต่าง 1024 ตัวอย่างทุกครั้ง ในตัวอย่าง 44100 ฉันจะได้ 43 สัมประสิทธิ์และฉันจำเป็นต้องรักษาทั้งหมดหรือไม่ ให้บอกว่าฉันทำสิ่งนี้เพื่อสัญญาณ 200 วินาทีให้ค่าสัมประสิทธิ์ 8600 กับฉัน ฉันจะใช้สัมประสิทธิ์เหล่านี้เพื่อตรวจสอบการทำซ้ำและในทางกลับกันความเร็วได้อย่างไร ฉันควรสร้างเครือข่ายประสาทบางอย่างเพื่อจัดกลุ่มพวกเขาหรือว่า overkill นั้น? ขอบคุณสำหรับความช่วยเหลือ

1
การออกแบบเวกเตอร์คุณสมบัติสำหรับการแยกแยะระหว่างรูปคลื่นเสียงที่แตกต่างกัน
พิจารณาสัญญาณรูปคลื่นที่ 4 ต่อไปนี้: signal1 = [4.1880 11.5270 55.8612 110.6730 146.2967 145.4113 104.1815 60.1679 14.3949 -53.7558 -72.6384 -88.0250 -98.4607] signal2 = [ -39.6966 44.8127 95.0896 145.4097 144.5878 95.5007 61.0545 47.2886 28.1277 -40.9720 -53.6246 -63.4821 -72.3029 -74.8313 -77.8124] signal3 = [-225.5691 -192.8458 -145.6628 151.0867 172.0412 172.5784 164.2109 160.3817 164.5383 171.8134 178.3905 180.8994 …

1
Auto Correlation กับ Cross Correlation เทียบกับ Convolution และแอพพลิเคชั่นของมัน
ฉันรู้จากวิกิพีเดียว่ามีความสัมพันธ์โดยอัตโนมัติในสัญญาณเดียวกันในขณะที่ความสัมพันธ์ข้ามทำกับสัญญาณที่แตกต่างกัน แต่สิ่งนี้หมายความว่าอะไรในแง่ของการใช้งานจริงฉันสามารถใช้ข้ามสหสัมพันธ์กับสัญญาณเดียวกันและรับผลลัพธ์เดียวกันได้ และในสังวัตนาสัญญาณหนึ่งจะกลับด้านในทางทฤษฎีฉันเข้าใจสูตร แต่สามสิ่งนี้หมายถึงอะไรในแง่ของการใช้งาน?

1
AMDF คืออะไร
หน้าวิกิพีเดียสำหรับฟังก์ชันความแตกต่างเฉลี่ย / สูตร (AMDF) ดูเหมือนจะว่างเปล่า AMDF คืออะไร คุณสมบัติของ AMDF คืออะไร อะไรคือจุดแข็งและจุดอ่อนของ AMDF เมื่อเทียบกับวิธีการประมาณระดับเสียงอื่น ๆ เช่นการหาค่าอัตโนมัติ?

2
วิธีที่ดีที่สุดในการประเมิน "คุณภาพ" ของความสัมพันธ์อัตโนมัติ?
นี่คือด้านการเดินทางจากฉันแอปการนอนกรน ฉันมีรอยแตกในการสร้างสัญญาณเสียงอัตโนมัติเพื่อดูว่า "สัมพันธ์" กับการนอนกรน / การหายใจได้ดีหรือไม่ ฉันมีอัลกอริธึมอย่างง่าย (สร้าง 1.0 เป็นองค์ประกอบซีโรทซึ่งเป็นสัญญาณที่ดี) แต่ฉันสงสัยว่าจะประเมินผลลัพธ์เพื่อตรวจสอบว่าการหาค่าสัมพันธ์อัตโนมัตินั้นดีหรือไม่และอาจใช้วิธีนี้เพื่อแยก แหล่งกำเนิดเสียงที่เป็นไปได้ต่างๆ คำถาม # 1: RMS ของ autocorrelation (การข้ามองค์ประกอบศูนย์) เป็นตัวชี้วัด "คุณภาพ" ที่ดีหรือไม่หรือมีอะไรที่ดีกว่า หากต้องการอธิบายอย่างละเอียด: ฉันแค่ต้องการวิธีตัวเลข (เทียบกับ "มอง" ที่แผนภูมิ) เพื่อแยกแยะสัญญาณที่สัมพันธ์กันโดยอัตโนมัติสูงจากสัญญาณที่สัมพันธ์กันไม่ดี (ฉันไม่รู้จริง ๆ พอที่จะรู้ว่ามีคำถามอื่น ๆ ที่จะถาม) ผลลัพธ์เริ่มต้นบางอย่าง: ในบางกรณีความสัมพันธ์อัตโนมัติ (อย่างใดอย่างหนึ่ง RMS หรือยอด) แสดงการกระโดดอย่างมากบนกรน - การตอบสนองที่แม่นยำที่ฉันต้องการดู ในกรณีอื่น ๆ ไม่มีการเคลื่อนไหวที่ชัดเจนเลยในมาตรการเหล่านี้ (และนี่อาจเป็นกรนต่อเนื่องสองครั้งที่มีการตอบสนองสองครั้ง) และในสถานการณ์ที่มีสัญญาณรบกวนสูง Update - 22 พฤษภาคม: …

1
ปัญหาหน่วยในการออกแบบตัวกรองสำหรับฟังก์ชั่นความสัมพันธ์อัตโนมัติที่กำหนด
กำหนดกระบวนการ WSS ด้วยฟังก์ชั่น Auto Correlation r ( τ) =σ2อี- α | τ|R(τ)=σ2อี-α|τ| r\left ( \tau \right ) = {\sigma}^{2} {e}^{-\alpha \left | \tau \right |} Laplace Transform จะเป็น: R ( s ) = L { r ( τ)) } =- 2 ασ2( s - α ) ( s + α …

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.