自我相關函數

自我相關（英語：Autocorrelation），也叫序列相關，是一個訊號於其自身在不同時間點的互相關。非正式地來說，它就是兩次觀察之間的相似度對它們之間的時間差的函數。它是找出重複模式（如被噪聲掩蓋的週期訊號），或識別隱含在訊號諧波頻率中消失的基頻的數學工具。它常用於訊號處理中，用來分析函數或一系列值，如時域訊號。

摺積、互相關和自我相關的圖示比較。運算涉及函數$f$，並假定$f$的高度是1.0，在5個不同點上的值，用在每個點下面的陰影面積來指示。

上面：100個隨機數序列的圖，其中隱含了一個正弦函數。下面：自我相關函數產生的相關圖顯示出的正弦函數。

定義

自我相關函數在不同的領域的定義不完全等價。在某些領域，自我相關函數等同於自共變異數。

統計學

將一個有序的隨機變數序列與其自身相比較，這就是自我相關函數在統計學中的定義。每個不存在相位差的序列，都與其自身相似，即在此情況下，自我相關函數值最大。如果序列中的組成部分相互之間存在相關性（不再是隨機的），則由以下相關值方程式所計算的值不再為零，這樣的組成部分為自我相關。

$R(k)={\frac {E[(X_{i}-\mu _{i})(X_{i+k}-\mu _{i+k})]}{\sigma ^{2}}}$

$E$ ......... 期望值。

$X_{i}$ ........ 在t(i)時的隨機變數值。

$\mu _{i}$ ........ 在t(i)時的預期值。

$X_{i+k}$ .... 在t(i+k)時的隨機變數值。

$\mu _{i+k}$ .... 在t(i+k)時的預期值。

$\sigma ^{2}$ ......... 為變異數。

所得的自我相關值R的取值範圍為[-1,1],1為最大正相關值，-1則為最大負相關值，0為不相關。

訊號處理

在訊號處理中，上面的定義通常不進行歸一化，即不減去均值並除以變異數。當自我相關函數由均值和變異數歸一化時，有時會被稱作自我相關係數。

給定一個訊號 $f(t)$，連續自我相關函數 $R_{ff}(\tau )$ 通常定義為 $f(t)$ 與其自身延遲 $\tau$ 的連續互相關。

$R_{ff}(\tau )=(f*g_{-1}({\overline {f}}))(\tau )=\int _{-\infty }^{\infty }f(u+\tau ){\overline {f}}(u)\,{\rm {d}}u=\int _{-\infty }^{\infty }f(u){\overline {f}}(u-\tau )\,{\rm {d}}u$

其中 ${\overline {f}}$ 表示共軛複數，$g_{-1}$ 是對函數 $f$ 操作的一個函數，定義為 $g_{-1}(f)(u)=f(-u)$ 而 $*$ 表示摺積。

對於實值函數，${\overline {f}}=f$。

注意積分中的參數 $u$ 是一個虛變量，並且只對計算積分有用。沒有具體含義。

離散訊號 $y(n)$ 的延遲為 $l$ 的離散自我相關 $R$ 是

$R_{yy}(l)=\sum _{n\in Z}y(n)\,{\overline {y}}(n-l).$

上述定義在訊號平方可積或平方可和（即有限能量）的前提下才成立。但「永遠持續」的訊號被處理成隨機過程，就需要使用基於期望值的與之不同的定義。對於寬平穩隨機過程，自我相關函數定義為

$R_{ff}(\tau )=\operatorname {E} \left[f(t){\overline {f}}(t-\tau )\right]$

$R_{yy}(l)=\operatorname {E} \left[y(n)\,{\overline {y}}(n-l)\right].$

對於非平穩過程，這些也會是 $t$ 或者 $n$ 的函數。

對於還是可遍歷的過程, 期望值會被換成時間平均的極限。各態歷經過程的自我相關函數有時定義為或等於

$R_{ff}(\tau )=\lim _{T\rightarrow \infty }{\frac {1}{T}}\int _{0}^{T}f(t+\tau ){\overline {f}}(t)\,{\rm {d}}t$

$R_{yy}(l)=\lim _{N\rightarrow \infty }{\frac {1}{N}}\sum _{n=0}^{N-1}y(n)\,{\overline {y}}(n-l).$

這些定義的優點是，它們合理定義了週期函數的單變量結果，甚至當那些函數不是平穩各態歷經過程時。

此外，「永遠持續」的訊號可以通過短時距自我相關函數使用有限時間積分來處理（相關過程參見短時距傅立葉變換。）

多維自我相關定義類似。例如，在三維中， 平方可和的離散訊號的自我相關就會是

$R(j,k,\ell )=\sum _{n,q,r}x_{n,q,r}\,x_{n-j,q-k,r-\ell }.$

若在求自我相關函數之前從訊號中減去均值，得出的函數通常稱為自共變異數函數。

自我相關函數的性質

以下以一維自我相關函數為例說明其性質，多維的情況可方便地從一維情況推廣得到。

• 對稱性：從定義顯然可以看出R(i) = R(−i)。連續型自我相關函數為偶函數

當f為實函數時，有：

$R_{f}(-\tau )=R_{f}(\tau )\,$

當f是複函數時，該自我相關函數是厄米函數，滿足：

$R_{f}(-\tau )=R_{f}^{*}(\tau )\,$

其中星號表示共軛。

• 連續型實自我相關函數的峰值在原點取得，即對於任何延時 τ，均有 $|R_{f}(\tau )|\leq R_{f}(0)$。該結論可直接有柯西-施瓦茨不等式得到。離散型自我相關函數亦有此結論。

• 週期函數的自我相關函數是具有與原函數相同週期的函數。

• 兩個相互無關的函數（即對於所有 τ，兩函數的互相關均為0）之和的自我相關函數等於各自自我相關函數之和。

• 由於自我相關函數是一種特殊的互相關函數，所以它具有後者的所有性質。

• 連續時間白噪聲訊號的自我相關函數是一個δ函數，在除 τ = 0 之外的所有點均為0。

• 維納-辛欽定理表明，自我相關函數和功率譜密度函數是一對傅立葉轉換對：

$R(\tau )=\int _{-\infty }^{\infty }S(f)e^{j2\pi f\tau }\,df$

$S(f)=\int _{-\infty }^{\infty }R(\tau )e^{-j2\pi f\tau }\,d\tau .$

• 實值、對稱的自我相關函數具有實對稱的轉換函數，因此此時維納-辛欽定理中的複指數項可以寫成如下的餘弦形式：

$R(\tau )=\int _{-\infty }^{\infty }S(f)\cos(2\pi f\tau )\,df$

$S(f)=\int _{-\infty }^{\infty }R(\tau )\cos(2\pi f\tau )\,d\tau .$

自我相關函數舉例

白噪聲的自我相關函數為δ函數：

$r_{nn}=\mathbb {E} \{n(t)n(t-\tau )\}=\delta (\tau )$

應用

• 訊號處理中，自我相關可以提供關於重複事件的資訊，例如音樂節拍（例如，確定節奏）或脈波星的頻率（雖然它不能告訴我們節拍的位置）。另外，它也可以用來估計樂音的音高。