Die Dezimierung vor der Berechnung der Autokorrelation bei Vorhandensein von Rauschen ist der Berechnung der Autokorrelation unter Verwendung des vollständigen Datensatzes unterlegen. Angenommen, das interessierende Signal ist in weißes Rauschen eingebettet. Der Vektor besteht aus Abtastwerten eines diskreten Zufallsprozesses. Die Autokorrelationsfunktion des Vektors ist:x [ n ]x [ n ] , n = 0 , 1 , . . . , N.- 1x [ n ]
EINx[ k ] = 1N.- k∑i = 0N.- 1 - kx [ i ] x [ i + k ]
Das heißt, ist die Verzögerung, die für die Autokorrelationsberechnung verwendet wird. In Ihrem vorgeschlagenen Szenario werden Sie durch einen Faktor , der die Autokorrelationsfunktion Ausgang dezimieren (dh kalkulieren Sie nur die Funktion für Lags ) und das Ergebnis an die Autokorrelationsfunktion des Vergleichens dezimiert um den gleichen Faktor . Sei die dezimierte Folge; seine Autokorrelationsfunktion ist:D 0 , D , 2 D , . . . x [ n ] D x d [ n ]kD.0 , D , 2 D , . . .x [ n ]D.xd[ n ]
EINxd[ k ] = D.N.- k∑i = 0N.- 1 - kD.x [ i D ] x [ ( i + k ) D ]
(Der Einfachheit halber habe ich hier angenommen, dass ein Faktor von in der obigen Gleichung ist)N.D.N.
Ihre Anfrage kann geschrieben werden als:
EINx[ k D ] ≈?EINxd[ k ]
1N.- k D.∑i = 0N.- 1 - k D.x [ i ] x [ i + k D ] ≈?D.N.- k∑i = 0N.- 1 - kD.x [ i D ] x [ ( i + k ) D ]
Wenn man dies qualitativ betrachtet, hat die Summation auf der linken Seite mehr Begriffe als ihr Gegenstück auf der rechten Seite. Wenn stationär zweiter Ordnung ist, ist der erwartete Wert jedes Terms in jeder Summe der gleiche; Durch die Mittelung mehrerer Abtastwerte mit demselben erwarteten Wert wird das Signal-Rausch-Verhältnis erhöht. Etwas anders ausgedrückt können Sie sich die Begriffe in jeder Summe als Stichproben aus einem neuen zufälligen Prozess vorstellen:x[n]
y[n]=x[n]x[n+kD]
Da das in vorhandene Rauschen weiß ist, ist der erwartete Wert von die wahre Autokorrelation des interessierenden Signals bei Verzögerung . Daher möchten wir den erwarteten Wert von genau schätzen . Unsere Methode hierfür ist die Berechnung eines Stichprobenmittelwerts. Es kann leicht gezeigt werden, dass die Varianz im Stichprobenmittelwertschätzer bei einer größeren Stichprobengröße abnimmt und gegen den tatsächlich erwarteten Wert konvergiert, wenn die Anzahl der Stichproben dazu neigt, sich zu .y [ n ] k D y [ n ] ∞x[n]y[n]kDy[n]∞
Wenn also weißes Rauschen im Signal vorhanden ist (was häufig der Fall ist), erhalten Sie eine bessere Schätzung der Statistiken zweiter Ordnung des zugrunde liegenden Signals, indem Sie eine größere Stichprobengröße in der Berechnung verwenden (dies klingt möglicherweise intuitiv offensichtlich). Im Kontext Ihrer beiden Ansätze wird dies erreicht, indem das vollständige, nicht dezimierte Signal in der Autokorrelationsberechnung verwendet und anschließend dezimiert wird (dh nur das Ergebnis für bestimmte Verzögerungswerte berechnet wird).