что такое автокорреляционная функция

Автокорреляционная функция

Автокорреляция — статистическая взаимосвязь между случайными величинами из одного ряда, но взятых со сдвигом, например, для случайного процесса — со сдвигом по времени.

Автокорреляционная функция (АКФ, ACF).

В обработке сигналов автокорреляционная функция (АКФ) определяется интегралом:

и показывает связь сигнала (функции ) с копией самого себя, смещённого на величину .

В теории случайных функций АКФ является корреляционным моментом двух значений одной случайной функции :

Здесь , а — математическое ожидание.

График автокорреляционной функции можно получить, отложив по оси ординат коэффициент корреляции двух функций (базовой и функции сдвинутой на величину ) а по оси абсцисс величину . Если исходная функция строго периодическая, то на графике автокорреляционной функции тоже будет строго периодическая функция. Таким образом, из этого графика можно судить о периодичности базовой функции, а следовательно, и о её частотных характеристиках. Это применяется для анализа сложных колебаний, например электроэнцефалограммы человека.

Содержание

Применение в технике

Корреляционные свойства кодовых последовательностей, используемых в широкополосных системах, зависят от типа кодовой последовательности, её длины, частоты следования её символов и от её посимвольной структуры.

Изучение АКФ играет важную роль при выборе кодовых последовательностей с точки зрения наименьшей вероятности установления ложной синхронизации.

Другие применения

Автокорреляционная функция играет важную роль в математическом моделировании и анализе временных рядов, показывая характерные времена для исследуемых процессов (см., например: Турчин П. В. Историческая динамика. М.: УРСС, 2007. ISBN 978-5-382-00104-3). В частности, циклам в динамике систем соответствуют максимумы на соответствующей автокорреляционной функции.

См. также

Ссылки

Полезное

Смотреть что такое «Автокорреляционная функция» в других словарях:

автокорреляционная функция — Фурье преобразование энергетического спектра заданной функции согласно теореме Винера Хинчина. [ГОСТ 24453 80] Тематики измерение лазерного излучения … Справочник технического переводчика

автокорреляционная функция — autokoreliacijos funkcija statusas T sritis automatika atitikmenys: angl. autocorrelation function vok. Autokorrelationsfunktion, f rus. автокорреляционная функция, f pranc. fonction d auto corrélation, f … Automatikos terminų žodynas

Автокорреляционная функция — 4. Автокорреляционная функция Фурье преобразование энергетического спектра заданной функции согласно теореме Винера Хинчина Источник: ГОСТ 24453 80: Измерения параметров и харак … Словарь-справочник терминов нормативно-технической документации

ФУНКЦИЯ, АВТОКОРРЕЛЯЦИОННАЯ — функция, характеризующая степень связи значений случайного процесса F(t) в моменты t1 и t2 … Большой экономический словарь

ФУНКЦИЯ СЛУЧАЙНОЙ ВЕЛИЧИНЫ, КОРРЕЛЯЦИОННАЯ — см. ФУНКЦИЯ, АВТОКОРРЕЛЯЦИОННАЯ … Большой экономический словарь

корреляционная функция — Ндп. автокорреляционная функция Функция, равная среднему значению произведения переменной составляющей случайного сигнала и такой же переменной составляющей, но запаздывающей на заданное время. Примечание Корреляционная функция характеризует… … Справочник технического переводчика

Корреляционная функция — 24. Корреляционная функция Ндп. Автокорреляционная функция Функция, равная среднему значению произведения переменной составляющей случайного сигнала и такой же переменной составляющей, но запаздывающей на заданное время. Примечание.… … Словарь-справочник терминов нормативно-технической документации

АКФ — Автокорреляционная функция. В обработке сигналов автокорреляционная функция (АКФ) определяется интегралом: и показывает связь сигнала (функции ) с копией самого себя, смещённого на величину τ. В теории случайных функций АКФ является… … Википедия

Источник

Что такое автокорреляционная функция

В обработке сигналов автокорреляционная функция (АКФ) определяется интегралом:

В теории случайных функций АКФ является корреляционным моментом двух значений одной случайной функции :

Здесь , а — математическое ожидание.

Применение в технике

Корреляционные свойства кодовых последовательностей, используемых в ШПС системах, зависят от типа кодовой последовательности, её длины, частоты следования её символов и от её посимвольной структуры.

Изучение АКФ играет важную роль при выборе кодовых последовательностей с точки зрения наименьшей вероятности установления ложной синхронизации.

Другие применения

Автокорреляционная функция играет важную роль в математическом моделировании и анализе временных рядов, показывая характерные времена для исследуемых процессов (см., например: Турчин П. В. Историческая динамика. М.: УРСС, 2007).

См. также

Полезное

Смотреть что такое «АКФ» в других словарях:

АКФ — Ассоциация компьютерных фирм http://acf.kama.ru/​ г. Пермь, комп., организация АКФ автокорреляционная функция АКФ Ассоциация консалтинговых фирм http://akf.spb.ru/ … Словарь сокращений и аббревиатур

Акф-Ингибитор (Асе Inhibitor) — ингибитор ангиотензин конвертирующего фермента. Класс лекарственных веществ, используемых для лечения гипертонии и сердечной недостаточности. Данные препараты оказывают влияние на организм человека путем изменения активности фермента,… … Медицинские термины

АКФ-ИНГИБИТОР — (АСЕ inhibitor) ингибитор ангиотензин конвертирующего фермента. Класс лекарственных веществ, используемых для лечения гипертонии и сердечной недостаточности. Данные препараты оказывают влияние на организм человека путем изменения активности… … Толковый словарь по медицине

Бронекатер Проект «1125» — Бронекатер Проект «1125» БКА № 212 (до 1941 г. Б 212), с 22.02.1944 г. БК 212 Заводской № 299. Заложен в 1939 г. на заводе № 340 в Зеленодольске, спущен весной 1940 г., вступил в строй летом 1940 г., 12.07.1940 г.… … Военная энциклопедия

Бронекатер Проект «1124» — Бронекатер Проект «1124» БК 99 (до 2.12.1944 г. БКА № 99) Заводской № 99. 2.12.1944 г. включен в состав БФ (перечислен из ЛВФ). Входил в 1 й Петрозаводский дивизион БКА БФ. БК 100 (до 2.12.1944 г. БКА № 100) Заводской… … Военная энциклопедия

Торпедный катер Тип Г-5 — ТКА № 10 (до 13.11.1940 г. № 12), с 6.08.1942 г. № 71 Построен в 1938 г. 20.11.1938 г. включен в состав БФ. 39.05.1940 г. перечислен в ЧФ и в июне 1940 г. по железной дороге отправлен из Ленинграда в Севастополь. 10.09.1943 г.… … Военная энциклопедия

Евразийский банк развития — Деятельность региональный банк развития Год основания 2006 Расположение … Википедия

СПЕКЛ-ИНТЕРФЕРОМЕТРИЯ — в астрономии метод наземных оптич. наблюдений, основанный на анализе тонкой структуры «мгновенных» изображений космич. объектов. С. и. позволяет получать высокое угл. разрешение при наличии атм. искажений изображения. В отсутствие атмосферы… … Физическая энциклопедия

Автокорреляционная функция — График 100 случайных величин со скрытой синусоидой. Автокорреляционная функция позволяет увидеть периодичность в ряде данных. Автокорреляция статистическая взаимосвязь между случайными величинами из одного ряда, но взятых со сдвигом,… … Википедия

Бронекатер Тип «К» — Бронекатер Тип «К» БКА № 71 (до 15.04.1937 г. БК 105, до 21.08.1934 г. К 1, до 15.08.1929 г. КЛ № 1, до апреля 1920 г. сторожевое судно № 1, до 4.04.1919 г. «Интернационал», до 3.02.1919 г. КЛ № 1), с… … Военная энциклопедия

Источник

Что такое автокорреляционная функция

Автокорреляция означает корреляцию с самим собой. Иными словами, коэффициенты автокорреляции являются обычными коэффициентами линейной корреляции между временным рядом в данный момент времени и тем же временным рядом в последующий момент времени. Для практических целей коэффициенты автокорреляции определяют по формуле:

.

Интервал L называется запаздыванием. Если запаздывание равно нулю, то коэффициент автокорреляции равен единице. Если запаздывание мало, то в метеорологии коэффициенты корреляции обычно положительны. Другими словами, для метеорологических данных характерна устойчивость, т. е. если сегодня температура выше нормы, то и на следующий день она обычно тоже выше нормы. По мере увеличения запаздывания коэффициент автокорреляции уменьшается и может даже стать отрицательным. Это будет означать, например, что если сегодня температура выше нормы, то через определенное время она, вероятно, станет ниже нормы. Ясно, что такая информация обладает некоторой прогностической ценностью. Коррелограмма выражает зависимость между коэффициентом автокорреляции и периодом запаздывания. Типичная коррелограмма представлена на рис. 5.3.

Рис. 5.3. Типичная коррелограмма

Если построить коррелограмму идеального синусоидального временного ряда с периодом Р, то она дала бы косинусоидальную кривую с тем же периодом и амплитудой, равной единице (т. е. идеальную корреляцию с коэффициентом +1 для запаздывания на целый период и с коэффициентом – для запаздывания на полпериода). Первоначально коррелограммы использовались для оценки наиболее важных периодов временных рядов. Из схематического рисунка, приведенного выше, можно сделать вывод, что временной ряд имеет значимый период в шесть дней. Отсюда можно заключить, что спектр временного ряда, вероятно, имеет главный максимум около периода в шесть дней.

Обычно на автокоррелограмме флуктуации получаются с такими же периодами, что и в исходном временном ряду, но только фазы их таковы, что все они достигают максимума при нулевом запаздывании.

Источник

Курс лекций «Основы цифровой обработки сигналов»

Часто ко мне обращаются люди с вопросами по задачам из области цифровой обработки сигналов (ЦОС). Я подробно рассказываю нюансы, подсказываю нужные источники информации. Но всем слушателям, как показало время, не хватает практических задач и примеров в процессе познания этой области. В связи с этим я решил написать краткий интерактивный курс по цифровой обработке сигналов и выложить его в открытый доступ.

Большая часть обучающего материала для наглядного и интерактивного представления реализована с использованием Jupyter Notebook. Предполагается, что читатель имеет базовые знания из области высшей математики, а также немного владеет языком программирования Python.

Список лекций

Этот курс содержит материалы в виде законченных лекций по разным тематикам из области цифровой обработки сигналов. Материалы представлены с использованием библиотек на языке Python (пакеты numpy, scipy, matplotlib, и т.д.). Основная информация для этого курса взята из моих лекций, которые я, будучи аспирантом, читал студентам Московского Энергетического Института (НИУ МЭИ). Частично информация из этих лекций была использована на обучающих семинарах в Центре Современной Электроники, где я выступал в качестве лектора. Кроме того, в этот материал входит перевод различных научных статей, компиляция информации из достоверных источников и литературы по тематике цифровой обработки сигналов, а также официальная документация по прикладным пакетам и встроенным функциям библиотек scipy и numpy языка Python.

Для пользователей MATLAB (GNU Octave) освоение материала с точки зрения программного кода не составит труда, поскольку основные функции и их атрибуты во многом идентичны и схожи с методами из Python-библиотек.

Все материалы сгруппированы по основным тематикам цифровой обработки сигналов:

Список лекций — достаточный но, разумеется, неполный для вводного знакомства с областью ЦОС. При наличии свободного времени я планирую поддерживать и развивать этот проект.

Где найти?

Все материалы — абсолютно бесплатны и доступны в виде открытого репозитория на моем гитхабе как opensource проект. Материалы представлены в двух форматах — в виде тетрадок Jupyter Notebook для интерактивной работы, изучения и редактирования, и в виде скомпилированных из этих тетрадок HTML-файлов (после скачивания с гитхаба имеют вполне пригодный формат для чтения и для печати).

Ниже приводится очень краткое описание разделов курса с небольшими пояснениями, терминами и определениями. Основная информация доступна в исходных лекциях, здесь представлен лишь краткий обзор!

Сигналы. Z-преобразование

Вводный раздел, в котором содержится основная информация по типам сигналов. Вводится понятие дискретной последовательности, дельта-функции и функции Хевисайда (единичный скачок).

Для правильного восстановления аналогового сигнала из цифрового без искажений и потерь используется теорема отсчетов, известная как Теорема Котельникова (Найквиста-Шеннона).

Любой непрерывный сигнал с ограниченным спектром может быть восстановлен однозначно и без потерь по своим дискретным отсчетам, взятым с частотой строго больше удвоенной верхней частоты спектра непрерывного сигнала.

Такая трактовка справедлива при условии, что непрерывная функция времени занимает полосу частот от 0 до значения верхней частоты. Если шаг квантования и дискретизации выбраны неправильно, преобразование сигнала из аналоговой формы в дискретную будет происходить с искажениями.

Также в этом разделе описывается Z-преобразование и его свойства, показывается представление дискретных последовательностей в Z-форме.

Пример конечной дискретной последовательности:
.
Пример этой же последовательности в Z-форме:

Преобразование Фурье. Свойства. ДПФ и БПФ

В этом разделе описывается понятие временной и частотной области сигнала. Вводится определение дискретного преобразования Фурье (ДПФ). Рассмотрены прямое и обратное ДПФ, их основные свойства. Показан переход от ДПФ к алгоритму быстрого преобразования Фурье (БПФ) по основанию 2 (алгоритмы децимации по частоте и по времени). Отражена эффективность БПФ в сравнении с ДПФ.

В частности, в этом разделе описывается Python пакет scipy.ffpack для вычисления различных преобразований Фурье (синусное, косинусное, прямое, обратное, многомерное, вещественное).

Преобразование Фурье позволяет представить любую функцию в виде набора гармонических сигналов! Преобразование Фурье лежит в основе методов свертки и проектировании цифровых корреляторов, активно применяется при спектральном анализе, используется при работе с длинными числами.

Особенности спектров дискретных сигналов:
1. Спектральная плотность дискретного сигнала – периодическая функция с периодом, равным частоте дискретизации.
2. Если дискретная последовательность вещественная, то модуль спектральной плотности такой последовательности есть четная функция, а аргумент – нечетная функция частоты.

Спектр гармонического сигнала:

Сравнение эффективности ДПФ и БПФ

Эффективность алгоритма БПФ и количество выполняемых операций линейно зависит от длины последовательности N:

Как видно, чем больше длина преобразования, тем больше экономия вычислительных ресурсов (по скорости обработки или количеству аппаратных блоков)!

Любой сигнал произвольной формы можно представить в виде набора гармонических сигналов разных частот. Иными словами, сигнал сложной формы во временной области имеет набор комплексных отсчетов в частотной области, которые называются *гармоники*. Эти отсчеты выражают амплитуду и фазу гармонического воздействия на определенной частоте. Чем больше набор гармоник в частотной области, тем точнее представляется сигнал сложной формы.

Свертка и корреляция

В этом разделе вводится понятие корреляции и свертки для дискретных случайных и детерминированных последовательностей. Показана связь автокорреляционной и взаимнокорреляционной функций со сверткой. Описываются свойства свертки, в частности, рассмотрены методы линейной и циклической свертки дискретного сигнала с подробным разбором на примере дискретной последовательности. Кроме того, показан метод вычисления «быстрой» свертки с помощью алгоритмов БПФ.

В реальных задачах часто ставится вопрос о степени похожести одного процесса на другой или же о независимости одного процесса от другого. Иными словами, требуется определить взаимосвязь между сигналами, то есть найти корреляцию. Методы корреляции используются в широком диапазоне задач: поиск сигналов, компьютерное зрение и обработка изображений, в задачах радиолокации для определения характеристик целей и определения расстояния до объекта. Кроме того, с помощью корреляции производится поиск слабых сигналов в шумах.

Свертка описывает взаимодействие сигналов между собой. Если один из сигналов — импульсная характеристика фильтра, то свертка входной последовательности с импульсной характеристикой есть ни что иное, как реакция цепи на входное воздействие. Иными словами, результирующий сигнал отражает прохождение сигнала через фильтр.

Автокорреляционная функция (АКФ) находит применение в кодировании информации. Выбор кодирующей последовательности по параметрам длины, частоты и формы во многом обусловлен корреляционными свойствами этой последовательности. Наилучшая кодовая последовательность обладает наименьшим значением вероятности ложного обнаружения или срабатывания (для детектирования сигналов, для пороговых устройств) или ложной синхронизации (для передачи и приема кодовых последовательностей).

В этом разделе представлена таблица сравнения эффективности быстрой свертки и свертки, вычисляемой по прямой формуле (по числу вещественных умножений).

Как видно, для длин БПФ до 64, быстрая свёртка проигрывает у прямого метода. Однако, при увеличении длины БПФ результаты меняются в обратную сторону — быстрая свертка начинает выигрывать у прямого метода. Очевидно, чем больше длина БПФ, тем лучше выигрыш частотного метода.

Случайные сигналы и шум

В этом разделе вводится понятие случайных сигналов, плотности распределения вероятностей, закона распределения случайной величины. Рассматриваются математические моменты — среднее (математическое ожидание) и дисперсия (или корень этой величины — среднеквадратическое отклонение). Также в этом разделе рассматривается нормальное распределение и связанное с ним понятие белого шума, как основного источника шумов (помех) при обработке сигналов.

Случайным сигналом называют функцию времени, значения которой заранее неизвестны и могут быть предсказаны лишь с некоторой вероятностью. К основным характеристикам случайных сигналов относятся:

В задачах ЦОС случайные сигналы делятся на два класса:

С помощью случайных величин можно моделировать воздействие реальной среды на прохождение сигнала от источника к приёмнику данных. При прохождении сигнала через какое-то шумящее звено, к сигналу добавляется так называемый белый шум. Как правило, спектральная плотность такого шума равномерно (одинаково) распределена на всех частотах, а значения шума во временной области распределены нормально (Гауссовский закон распределения). Поскольку белый шум физически добавляется к амплитудам сигнала в выбранные отсчеты времени, он называется аддитивный белый гауссовский шум (AWGN — Additive white Gaussian noise).

Сигналы, модуляция и манипуляция

В этом разделе показаны основные способы изменения одного или нескольких параметров гармонического сигнала. Вводятся понятия амплитудной, частотной и фазовой модуляции. В частности, выделяется линейная частотная модуляция, применяемая в задачах радиолокации. Показаны основные характеристики сигналов, спектры модулированных сигналов в зависимости от параметров модуляции.

Для удобства на языке Python создан набор функций, осуществляющих перечисленные виды модуляции. Пример реализации ЛЧМ-сигнала:

Также в этом разделе из теории передачи дискретных сообщений описаны виды цифровой модуляции — манипуляции. Как и в случае с аналоговыми сигналами, цифровые гармонические последовательности могут быть манипулированы по амплитуде, фазе и частоте (либо по нескольким параметрам сразу).

Цифровые фильтры — БИХ и КИХ

Достаточно большой раздел, посвященный вопросам цифровой фильтрации дискретных последовательностей. В задачах цифровой обработки сигналов данные проходят через цепи, которые называются фильтрами. Цифровые фильтры, как и аналоговые, обладают различными характеристиками — частотные: АЧХ, ФЧХ, временная: импульсная характеристика, а также передаточная характеристика фильтра. Цифровые фильтры используются в основном для улучшения качества сигнала — для выделения сигнала из последовательности данных, либо для ухудшения нежелательных сигналов — для подавления определенных сигналов в приходящих последовательностях отсчетов.

В разделе перечислены основные преимущества и недостатки цифровых фильтров (в сравнении с аналоговыми). Вводится понятие импульсной и передаточной характеристик фильтра. Рассматривается два класса фильтров — с бесконечной импульсной характеристикой (БИХ) и конечной импульсной характеристикой (КИХ). Показан способ проектирования фильтров по канонической и прямой форме. Для КИХ фильтров рассматривается вопрос о способе перехода к рекурсивной форме.

Для КИХ фильтров показан процесс проектирования фильтра от стадии разработки технического задания (с указанием основных параметров), до программной и аппаратной реализации — поиска коэффициентов фильтра (с учетом формы представления числа, разрядности данных и т.д.). Вводятся определения симметричных КИХ фильтров, линейной ФЧХ и её связи с понятием групповой задержки.

Оконные функции в задачах фильтрации

Чем сильнее подавление боковых лепестков спектра, тем шире главный лепесток спектра и наоборот.

Одно из применений оконных функций: обнаружение слабых сигналов на фоне более сильных путём подавления уровня боковых лепестков. Основные оконные функции в задачах ЦОС — **треугольное, синусоидальное, окно Ланцоша, Ханна, Хэмминга, Блэкмана, Харриса, Блэкмана-Харриса, окно с плоской вершиной, окно Наталла, Гаусса, Кайзера** и множество других. Большая часть из них выражена через конечный ряд путём суммирования гармонических сигналов с определенными весовыми коэффициентами. Такие сигналы отлично реализуются на практике на любых аппаратных устройствах (программируемые логические схемы или сигнальные процессоры).

Ресемплинг. Децимация и интерполяция

В этом разделе рассматриваются вопросы многоскоростной обработки сигналов — изменения частоты дискретизации. Многоскоростная обработка сигналов (multirate processing) предполагает, что в процессе линейного преобразования цифровых сигналов возможно изменение частоты дискретизации в сторону уменьшения или увеличения, либо в дробное число раз. Это приводит к более эффективной обработке сигналов, так как открывается возможность использования минимально допустимых частот дискретизации и, как следствие, значительного уменьшения требуемой вычислительной производительности проектируемой цифровой системы.

Децимация (прореживание) – понижение частоты дискретизации. Интерполяция – повышение частоты дискретизации.

Также в разделе рассматривается класс однородных КИХ фильтров, которые называются интегрально-гребенчатыми фильтрами (CIC, Cascaded integrator–comb). Показана реализация, основные свойства и особенности CIC фильтров. В силу линейности математических операций, происходящих в CIC фильтре возможно каскадное соединение нескольких фильтров подряд, что дает пропорциональное уменьшение уровня боковых лепестков, но также увеличивает «завал» главного лепестка амплитудно-частотной характеристики.

График АЧХ фильтра в зависимости от коэффициента децимации:

Также в этом разделе обсуждается вопрос увеличения разрядности данных на выходе CIC фильтра в зависимости от его параметров. Это особенно важно в задачах программной реализации, в частности на ПЛИС.

Для практической реализации CIC фильтров на Python разработан отдельный класс CicFilter, реализующий методы децимации и интерполяции. Также показаны примеры изменения частоты дискретизации с помощью встроенных методов из scipy пакета Python.

Наконец, в этом разделе приведен особый класс фильтров — скользящего среднего. Показано три способа реализации: через свертку сигналов, с помощью КИХ-фильтра и БИХ-фильтра.

Заключение

Надеюсь, этот курс лекций в совокупности с моими предыдущими статьями по цифровой обработке сигналов на ПЛИС принесет практическую пользу и поможет читателю лучше понять основы цифровой обработки сигналов. Этот проект будет улучшаться и дополняться новым полезным и не менее интересным материалом. Следите за развитием!

Дополнительно к этому материалу я поддерживаю и развиваю свой проект по основным модулям ЦОС (на языке Python). Он содержит пакет генерации различных сигналов, класс CIC фильтров для задач децимации и интерполяции, алгоритм расчета коэффициентов корректирующего КИХ-фильтра, фильтр скользящего среднего, алгоритм вычисления сверх-длинного БПФ через методы двумерного преобразования (последнее очень пригодилось в работе при аппаратной реализации на ПЛИС).

UPD: 20.04.2020

Источник