包含交互相關 cross-correlation 以及 自相關 autocorrelation 及其應用。
correlation 相關就是兩個隨機變數之間，是否具有關聯性。相關係數可用來測量兩個隨機變數集合的相關性，通常介於 -1 (負相關) ~ +1 (正相關) 之間。
交互相關 cross correlation
給定兩個函數 \(x(t), h(t)\)，連續時間的 cross correlation 定義為：
\(y(t) = \int_{-∞}^{∞}x^*(τ)h(t+τ)dτ\) 或
\(y(t) = x(t) ⊗ h(t)\)
其中 \(x^*(τ)\) 是共軛複數 complex conjugate 。但數位訊號的輸入資料都是實數，所以 cross correlation 跟卷積運算類似，只是把 \(h(t-τ)\) 換成 \(h(t+τ)\)
數位訊號 x[n], h[n] 的交互相關定義為：
\( y[n] = \sum_{k=-∞}^{∞}x^*[k] \cdot h[n+k] \) 或
\( y[n]=x[n] ⊗ h[n] \)
h[n] 可視為第二個數位訊號，用來進行訊號比對
因輸入訊號的數量 N=7，脈衝響應數量為 M = 5，full cross-correlation 結果長度為 \(M+N-1 = 11\)
計算前先將 \(x[n]\) 兩邊補上 \(M-1=4\) 個 0，稱為 Zero-Padding，但不像卷積運算一樣，不將 h(n) 旋轉 180 度
| x | h |
|---|---|
| 0 0 0 0 1 2 4 3 2 1 1 0 0 0 0 | 1 2 3 1 1 |
| 1 2 3 1 1 | |
| \(y[0] = 0 \cdot 1 + 0 \cdot 2 + 0 \cdot 3 + 0 \cdot 1 + 1 \cdot 1 = 1 \) |
| x | h |
|---|---|
| 0 0 0 0 1 2 4 3 2 1 1 0 0 0 0 | 1 2 3 1 1 |
| 1 2 3 1 1 | |
| \(y[1] = 0 \cdot 1 + 0 \cdot 2 + 0 \cdot 3 + 1 \cdot 1 + 2 \cdot 1 = 3 \) |
最後卷積運算結果為
| n | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| y[n] | 1 | 3 | 9 | 15 | 22 | 22 | 18 | 11 | 7 | 3 | 1 |
| ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
實際運算時，會擷取卷積運算的部分結果
| n | 0 | 1 | 2 | 3 | 4 | 5 | 6 |
|---|---|---|---|---|---|---|---|
| x[n] | 1 | 2 | 4 | 3 | 2 | 1 | 1 |
| y[n] | 9 | 15 | 22 | 22 | 18 | 11 | 7 |
結果在 n=2, 3 的位置，數值最大，也就是 x[n] 與 h[n] 在這個位置的相關性最高，波形最相似。
cross correlation 經典的應用是訊號比對 Signal Matching，例如：音樂搜尋系統，聲紋比對系統
numpy 有提供 full, same 兩種 cross correlation 運算的結果
import numpy as np
x = np.array( [ 1, 2, 4, 3, 2, 1, 1 ] )
h = np.array( [ 1, 2, 3, 1, 1 ] )
y = np.correlate( x, h, 'full' )
y1 = np.correlate( x, h, 'same' )
print( "x =", x )
print( "h =", h )
print( "Full Correlation y =", y )
print( "Correlation y =", y1 )執行結果
$ python correlation.py
x = [1 2 4 3 2 1 1]
h = [1 2 3 1 1]
Full Correlation y = [ 1 3 9 15 22 22 18 11 7 3 1]
Correlation y = [ 9 15 22 22 18 11 7]如果 h[n] 左右對稱且輸入的數位訊號是實數，則 cross correlation 的結果跟卷積運算一樣。另外 cross correlation 跟卷積一樣，滿足交換率、結合率、分配率。
自相關 autocorrelation
給定兩個函數 \(x(t), h(t)\)，連續時間的 autocorrelation 定義為：
\(y(t) = \int_{-∞}^{∞}x^*(τ)x(t+τ)dτ\) 其中 τ 稱為延遲 lag
其中 \(x^*(τ)\) 是共軛複數 complex conjugate ，自相關 autocorrelation 是延遲 τ 的函數。但數位訊號的輸入資料都是實數，所以 autocorrelation 可解釋為：訊號與訊號本身的延遲訊號，進行積分運算的結果。
數位訊號的卷積定義為：
\( R[l] = \sum_{k=-∞}^{∞}x^*[k] \cdot x[n+l] \) 其中 l 是延遲 lag
autocorrelation 是延遲 l 的函數，且 l 為正整數。可用來偵測數位訊號是否具有週期性。通常週期性的數位訊號，自關性較強。 noise 因為每個 sample 在時間軸上都是獨立的，所以不具有 autocorrelation
因輸入訊號的數量 N=5，脈衝響應數量為 M = 5，autocorrelation 結果長度為 5
計算前先將 \(x[n]\) 後面補上 \(N-1=4\) 個 0
| x | h |
|---|---|
| 1 2 1 2 1 0 0 0 0 | 1 2 1 2 1 |
| 1 2 1 2 1 | |
| \(R[0] = 1 \cdot 1 + 2 \cdot 2 + 1 \cdot 1 + 2 \cdot 2 + 1 \cdot 1 = 11 \) |
| x | h |
|---|---|
| 1 2 1 2 1 0 0 0 0 | 1 2 1 2 1 |
| 1 2 1 2 1 | |
| \(y[1] = 2 \cdot 1 + 1 \cdot 2 + 2 \cdot 1 + 1 \cdot 2 + 0 \cdot 1 = 8 \) |
最後 autocorrelation 運算結果為
| n | 0 | 1 | 2 | 3 | 4 |
|---|---|---|---|---|---|
| R[n] | 11 | 8 | 6 | 4 | 1 |
cross correlation 運算結果的後半部分，就是 autocorrelation 的結果
import numpy as np
def autocorr( x ):
# cross correlation 運算結果的後半部分，就是 autocorrelation
R = np.correlate( x, x, 'full' )
return R[ int( R.size / 2 ) : ]
def main( ):
x = np.array( [ 1, 2, 1, 2, 1 ] )
R = autocorr( x )
print( "x =", x )
print( "Autocorrelation =", R )
main( )執行結果
$ python autocorrelation.py
x = [1 2 1 2 1]
Autocorrelation = [11 8 6 4 1]autocorrelation 的應用
週期性訊號的自相關性較強，雜訊不具有自相關性。自相關適合用來偵測訊號的週期性，即使週期性的訊號混入了雜訊，一樣能找出自相關性。
import numpy as np
import numpy.random as random
import matplotlib.pyplot as plt
def autocorr( x ):
R = np.correlate( x, x, 'full' )
return R[ int( R.size / 2 ) : ]
def main( ):
t = np.linspace( 0, 1, 100, endpoint = False ) # 定義時間陣列
x = 10 * np.cos( 2 * np.pi * 5 * t ) # 原始訊號
noise = random.uniform( -2, 2, 100 ) # 雜訊(均勻分佈)
y = x + noise
auto_corr1 = autocorr( x )
auto_corr2 = autocorr( noise )
auto_corr3 = autocorr( y )
plt.figure( 1 )
plt.subplot( 121 )
plt.plot( t, x )
plt.xlabel( 't (second)' )
plt.ylabel( 'Amplitude' )
plt.subplot( 122 )
plt.plot( auto_corr1 )
plt.xlabel( 'Lag' )
plt.ylabel( 'Auto Correlation' )
plt.figure( 2 )
plt.subplot( 121 )
plt.plot( t, noise )
plt.xlabel( 't (second)' )
plt.ylabel( 'Amplitude' )
plt.subplot( 122 )
plt.plot( auto_corr2 )
plt.xlabel( 'Lag' )
plt.ylabel( 'Auto Correlation' )
plt.figure( 3 )
plt.subplot( 121 )
plt.plot( t, y )
plt.xlabel( 't (second)' )
plt.ylabel( 'Amplitude' )
plt.subplot( 122 )
plt.plot( auto_corr3 )
plt.xlabel( 'Lag' )
plt.ylabel( 'Auto Correlation' )
plt.show( )
main( )左圖 x[n] 是原始訊號，右邊是 autocorrelation 的結果
雜訊，及其 autocorrelation
弦波加上雜訊的原始訊號，右圖是 autocorrelation
沒有留言:
張貼留言