假設(shè)兩個(gè)平穩(wěn)信號(hào) $\textbf{x}$ 和 $\textbf{y}$ ，如果 $x\left(t+\tau\right)= y\left(t\right)$ ，則可通過(guò)互相關(guān)求 $\tau$ 。由于信號(hào)處理相關(guān)知識(shí)都蘸醬吃了，理論相關(guān)的部分咱們來(lái)日方長(zhǎng)(我一定可能會(huì)補(bǔ)充的)。

XCORR 實(shí)現(xiàn)

首先，通過(guò)實(shí)現(xiàn) xcorr 函數(shù)介紹互相關(guān)計(jì)算流程：

clc

clear

close

% 實(shí)現(xiàn) xcorr 函數(shù)

% 基本設(shè)置

T = 1; % [s] 總時(shí)間長(zhǎng)度

fs = 5000; % [Hz] 采樣頻率

t = 0:1/fs:T; % [s] 時(shí)間坐標(biāo)

N = length(t); % 信號(hào)個(gè)數(shù)

% 信號(hào)生成

tm = [ t(1:N) - T , t(2:N) ]; % 相關(guān)結(jié)果的時(shí)間延遲坐標(biāo)軸

td1 = 0.2*T; % x 信號(hào)時(shí)間延遲

td2 = 0.3*T; % y 信號(hào)時(shí)間延遲

noise = rand(1,2*N); % 生成了兩倍時(shí)間 T 長(zhǎng)度的噪聲 [0,1]噪聲

x = noise(1+round(td1*fs):N+round(td1*fs))-0.5*ones(1,N);

y = noise(1+round(td2*fs):N+round(td2*fs))-0.5*ones(1,N);

% 求取互相關(guān)

z1 = xcorr(x,y);　　　　 % Matlab 自帶函數(shù)

[~,I1] = max(abs(z1));　% 模仿 Matlab doc 給出延遲坐標(biāo)

z2 = zeros(1,N);　　　　 % 自編函數(shù)

for n = 1:length(tm)

z2(n) = sum( x( max(1,n-N+1):min(n,N) ).*y( max(1,N-n+1):min(2*N-n,N) ) );

end

[~,I2] = max(abs(z2));　% 模仿 Matlab doc 給出延遲坐標(biāo)

%---------------------計(jì)算說(shuō)明--------------------%

% case1： | case2: %

% .N | .2*N-n %

% y: .......... | y: .......... %

% .N-n+1 | .1 %

% .n | .N %

% x: .......... | x: .......... %

% .1 | .n-N+1 %

%------------------------------------------------%

err = z1-z2; % 兩種算法的差

% 繪圖

subplot(1,3,1)

plot(tm,z1)

title('Matlab function')

xlabel('time delay')

ylabel('Amp')

a1 = gca;

a1.XTick = sort([-1:0.5:1 tm(I1)]);

subplot(1,3,2)

plot(tm,z2)

title('My function')

xlabel('time delay')

ylabel('Amp')

a2 = gca;

a2.XTick = sort([-1:0.5:1 tm(I2)]);

subplot(1,3,3)

plot(tm,err,'.-')

title('error')

xlabel('time delay')

ylabel('Amp')

suptitle('xcorr realization')

以上 Matlab 代碼可以得到下面的結(jié)果。從左到右依次是 Matlab 自帶函數(shù)、我編的互相關(guān)函數(shù)、兩個(gè)函數(shù)的差值。不難發(fā)現(xiàn)：兩個(gè)函數(shù)十分接近，但是差值不為零。個(gè)人猜測(cè)是因?yàn)?xcorr 的求和和 sum 求和的截?cái)嗾`差不同所致。這個(gè)誤差的來(lái)源我懶得去編程序驗(yàn)證了——畢竟10-16量級(jí)的差別，沒(méi)多大深究的意義。但是可以注意到這個(gè)差值有四個(gè)特點(diǎn)：

- 小幅值時(shí)有固定幾個(gè)數(shù)值

- 每跑一次程序，rand 產(chǎn)生的噪聲數(shù)據(jù)不同，error 值不同

- 呈“紡錘型”，中間高，兩邊低

- 實(shí)際值大的數(shù)據(jù)點(diǎn)，error 值大

最后要談一下 xcorr 的噪聲問(wèn)題。我們通常使用的噪聲是白噪聲，或者高斯白，有一個(gè)很重要的特點(diǎn)就是均值為零，也就是說(shuō)沒(méi)有直流分量。但是當(dāng)我們的噪聲存在直流分量的時(shí)候(比如上面的噪聲信號(hào)直接使用rand(1,2*N)時(shí))，互相關(guān)就是一個(gè)類似等腰三角形的東西了(想想門函數(shù)卷積)。回憶一下，對(duì)于存在穩(wěn)定周期分量的兩組信號(hào) $\textbf{x}$ 、 $\textbf{y}$ 而言，互相關(guān)結(jié)果將會(huì)是一個(gè)幅度為“紡錘形”的周期震蕩的信號(hào)。由此可觀：互相關(guān)一方面可以得到非周期信號(hào)延遲結(jié)果，同時(shí)也能反映極端情況下，相同頻率成分的存在，這一點(diǎn)可以用來(lái)觀察工頻干擾程度。

XCORR 與 CONV

互相關(guān) xcorr 與 conv 的差別在于兩點(diǎn)：

- xcorr 在兩段信號(hào)較短者后補(bǔ)零，使兩段信號(hào)長(zhǎng)度一致

- xcorr 直接用兩個(gè)信號(hào)的各種延遲做相乘求和，conv 使用翻褶后的信號(hào)做相乘求和

這導(dǎo)致了：

1、xcorr(x,y) 中 (x,y) 順序有影響，而conv(x,y) 沒(méi)有

2、兩者在大部分情況下得到的結(jié)果是不一樣的，但是對(duì)于一些有趣的對(duì)稱信號(hào)是存在等價(jià)關(guān)系的。有興趣的讀者可以搞一搞，找找規(guī)律。因?yàn)楸救瞬⒉桓銓?duì)稱相關(guān)的研究，這點(diǎn)就不展開(kāi)了。下面的例子是有等價(jià)關(guān)系的。

clc

clear

close

% 比較 conv xcorr

% 例子

A = ones(1,12);　　% -3:3

B = 0:4;　　　　　　% 3:-1:-3

C = xcorr(A,B);

D = conv(A,B);

%繪圖

subplot(2,2,1)

plot(A,'.-')

ylim([ -0.1 5.1 ])

xlim([ 0.9 12.1])

title('A = ones(1,12)')

xlabel('n')

ylabel('Amp')

subplot(2,2,2)

plot(B,'.-')

ylim([ -0.1 5.1 ])

xlim([ 0.9 12.1])

title('B = 0:4')

xlabel('n')

ylabel('Amp')

subplot(2,2,3)

plot(C,'.-')

ylim([ -0.1 15.1 ])

xlim([ 0.9 25.1])

title('xcorr 結(jié)果')

xlabel('n')

ylabel('Amp')

subplot(2,2,4)

plot(D,'.-')

ylim([ -0.1 15.1 ])

xlim([ 0.9 25.1])

title('cone 結(jié)果')

xlabel('n')

ylabel('Amp')

suptitle('conv與xcorr對(duì)比')

有興趣的讀者可以試著用給定函數(shù)實(shí)現(xiàn)目標(biāo)函數(shù)：

- xcorr --> fliplr

- xcorr --> conv

- conv --> fliplr

- conv --> xcorr

END

總結(jié)

以上是生活随笔為你收集整理的matlab的xcorr函数,Matlab_xcorr_互相关函数的讨论的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。