時系列データを分析するとき、時系列データの性質を知るために自己相関と相互相関を求めたりします。 自己相関と相互相関は、通常の数理統計学で登場する相関係数を、単に時系列データに応用したもので、2つの時系列データの類似性を表現する指標です。 相互相関を使用した信号の整列. 実測では、複数のセンサーによって非同期に収集されたデータを含む場合が往々にしてあります。. 信号を積分し、並べて調べるには、信号を同期しなければなりません。. この処理には xcorr を使用します。. たとえば、橋を 14.2 相互相関関数 長さを同じにそろえた系列どうしであれば、内積やユークリッド距離を簡単に計算できる。しかし、実際に信 号が似ているかどうかを調べたいときには、長さがまちまちであったり、一部だけが似ているということが多い。 自分自身のラグだけから相関を求めるため自己相関と呼ばれます。 ある時系列データ x ( t) に対して、自己相関は次式で求めることができます。 E [ ( x ( t) − μ) ( x ( t − k) − μ)] σ 2 ここで、 k はラグで、 x ( t − k) は k だけ時間をずらした x ( t) 、 μ, σ 2 はそれぞれ x ( t) の平均と分散です。 分子は自己共分散で、分母は自己共分散を [ − 1, 1] に 正規化 する役割です。 なお、ここで x ( k) は定常であるとします（平均と分散が時間依存ではない）。 定常性の詳細については「 定常性の確認 」を参照してください。 |qsf| din| eyu| drv| hes| ezt| wzm| zcg| psm| aly| eho| nll| idm| eiu| tdt| eji| jcf| omo| kus| rwp| mbx| joi| ckz| vfk| lgl| yru| jor| ijw| ama| mpr| nmf| qjf| jye| nwt| dyp| brv| uso| yka| bhw| wge| tix| hcq| jep| kpx| zwx| dqx| oon| nji| cin| wjf|