主要内容

希科夫

Cross-covariance

描述

例子

C=xcov(x,Y)返回cross-covariance指两个离散时间序列。互协方差度量向量之间的相似性x和向量的移位(滞后)副本Y作为滞后的函数。如果xY如果具有不同的长度,则函数会在较短向量的末尾追加零,使其与另一个向量具有相同的长度。

例子

C=xcov(x)返回自协方差序列x.如果x是一个矩阵C是一个矩阵,其列包含所有列组合的自协方差和互协方差序列x

例子

C=xcov(___,maxlag)将滞后范围设置为-maxlagmaxlag对于前面的任何一种语法。

例子

C=xcov(___,scaleopt)还指定交叉协方差或自协方差的规格化选项。除“没有”(默认值)需要输入xY有相同的长度

例子

[C,滞后]=xcov(___)还返回了协方差计算的滞后时间。

例子

全部折叠

创建一个随机数向量x和一个向量Y它等于x向右移动3个元素。计算并绘制估计的xY.最大的峰值出现在滞后值时,元素xY完全匹配(3)。

rng违约1 x =兰特(20日);y = circshift (x, 3);[c,滞后]= xcov (x, y);茎(滞后,c)

图中包含一个轴。这些轴包含一个stem类型的对象。

创建一个20乘1的随机向量,然后计算并绘制估计的自协方差。最大的峰值出现在零滞后时,此时矢量正好等于它自己。

rng违约1 x =兰特(20日);[c,滞后]= xcov (x);茎(滞后,c)

图中包含一个轴。这些轴包含一个stem类型的对象。

计算并绘制白高斯噪声的估计自协方差, C ( M ) 对于 - 1. 0 M 1. 0 .对序列进行归一化,使其在零延迟下是统一的。

rng违约x = randn (1000 1);maxlag = 10;[c,滞后]= xcov (x, maxlag“正常化”);茎(滞后,c)

图中包含一个轴。这些轴包含一个stem类型的对象。

创建一个由两个信号组成的信号,通过50个样本相互循环移动。

rng违约shft=50;s1=rand(150,1);s2=circshift(s1[shft 0]);x=[s1s2];

计算并绘制自协方差和互互协方差序列的有偏估计。输出矩阵C被组织为四列向量,以便 C = ( C s 1. s 1. C s 1. s 2. C s 2. s 1. C s 2. s 2. ) C s 1. s 2. 有最大值在-50和+100和 C s 2. s 1. 在+50和-100处有最大值,这是圆形移位的结果。

[c,滞后]= xcov (x,“有偏见的”);情节(滞后,c)传说(“c_ {s_1s_1}’,“c_ {s_1s_2}’,“c_ {s_2s_1}’,“c_ {s_2s_2}’)

图形包含一个轴。轴包含4个类型为line的对象。这些对象表示c{s_1s_1}、c{s_1s_2}、c{s_2s_1}、c{s_2s_2}。

输入参数

全部折叠

输入数组,指定为向量、矩阵或多维数组。如果x是一个多维数组吗希科夫跨所有维度按列操作,并将每个自协方差和互协方差作为矩阵的列返回。

数据类型:单一的|
复数支持:金宝app

输入数组,指定为向量。

数据类型:单一的|
复数支持:金宝app

最大延迟,指定为整数标量。如果您指定maxlag,返回的互协方差序列的范围为-maxlagmaxlag.默认情况下,延迟范围等于2N- 1,N是输入长度中的较大值xY

数据类型:单一的|

标准化选项,指定为以下选项之一。

  • “没有”-原始的、未标度的互协方差。“没有”是输入时唯一有效的选项xY有不同的长度。

  • “有偏见的”-交叉协方差的有偏估计。

  • “公正”-交叉协方差的无偏估计。

  • “正常化”“科夫”-对序列进行归一化,使零延迟时的自协方差等于1。

输出参数

全部折叠

交叉协方差或自协方差,返回为向量或矩阵。

如果x是一个M×N矩阵,然后xcov(x)返回一个(2M- 1)×N2.列的自协方差和互协方差矩阵x.如果You specify a maximum lagmaxlag,然后是输出C尺寸为(2倍)maxlag+ 1) ×N2.

例如,如果s有三个列, s = ( x 1. x 2. x 3. ) ,然后是C=xcov(S)被组织为

C = ( C x 1. x 1. C x 1. x 2. C x 1. x 3. C x 2. x 1. C x 2. x 2. C x 2. x 3. C x 3. x 1. C x 3. x 2. C x 3. x 3. )

滞后指数,作为矢量返回。

更多关于

全部折叠

互协方差与自协方差

希科夫计算其输入的平均值,减去平均值,然后调用互相关系数

的结果希科夫可以解释为两个随机序列之间协方差的估计或两个确定性信号之间的确定性协方差。

两个联合平稳随机过程的真交叉协方差序列,xNYN,是平均移除序列的互相关,

ϕ x Y ( M ) = E { ( x N + M μ x ) ( Y N μ Y ) ) } ,

哪里μxμY是两个平稳随机过程的平均值,星号表示复共轭,和E是期望值运算符。希科夫我们只能估计序列,因为在实践中,只有无限长随机过程的一个实现的有限段可用。

默认情况下,希科夫计算原始协方差,无需标准化:

C x Y ( M ) = { N = 0 N M 1. ( x N + M 1. N = 0 N 1. x ) ( Y N 1. N = 0 N 1. Y ) , M 0 , C Y x ( M ) , M < 0.

输出向量C元素由

c(m) = C x Y ( M N ) , M = 1. , , 2. N 1.

协方差函数需要标准化才能正确估计函数。您可以使用输入参数控制相关的标准化scaleopt

参考文献

索福克勒斯·奥法尼迪斯最佳信号处理:导论第二版。纽约:麦格劳·希尔,1996年。

[2] Larsen, Jan.《相关函数和功率谱》2009年11月。https://www2.imm.dtu.dk/pubdb/edoc/imm4932.pdf

扩展能力

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。