Dado um modelo e um sinal, surge a questão de quão semelhante o sinal é ao modelo.
Tradicionalmente, é usada uma abordagem de correlação simples, na qual o modelo e um sinal são correlacionados e, em seguida, todo o resultado é normalizado pelo produto de ambas as suas normas. Isso fornece uma função de correlação cruzada que pode variar de -1 a 1, e o grau de similaridade é dado como a pontuação do pico nela.
- Como isso se compara a pegar o valor desse pico e dividir pela média ou média da função de correlação cruzada?
- O que estou medindo aqui?
Em anexo está um diagrama como meu exemplo.
Para obter a melhor medida de sua semelhança, pergunto-me se devo olhar para:
Apenas o pico da correlação cruzada normalizada, como mostrado aqui?
Tome o pico, mas divida pela média do gráfico de correlação cruzada?
Meus modelos serão ondas quadradas periódicas com algum ciclo de trabalho, como você pode ver - então eu também não deveria explorar os outros dois picos que vemos aqui?
- O que daria a melhor medida de semelhança nesse caso?
Obrigado!
EDIT Para Dilip:
Plotei a correlação cruzada ao quadrado VS uma correlação cruzada que não é ao quadrado, e certamente 'afia' o pico principal sobre os outros, mas estou confuso quanto ao cálculo que devo usar para determinar a similaridade ...
O que estou tentando descobrir é:
Posso / devo usar os outros picos secundários em meus cálculos de similaridade?
Agora temos um gráfico de correlação cruzada ao quadrado agora, e certamente aguça o pico principal, mas como isso ajuda a determinar a similaridade final?
Obrigado novamente.
EDIT Para Dilip:
Os picos menores realmente não ajudam nos cálculos de similaridade; é o principal pico que importa. Mas os picos menores fornecem suporte para a conjectura de que o sinal é uma versão barulhenta do modelo. "
- Obrigado Dilip, estou um pouco confuso com essa afirmação - se os picos menores de fato fornecem suporte de que o sinal é uma versão barulhenta do modelo, isso também não ajuda em uma certa semelhança?
O que me deixa confuso é se devo simplesmente usar o pico da função de correlação cruzada normalizada como minha única e última medida de similaridade e 'não me importo' com o que o resto da função de correção cruzada se parece, OU, devo levar em consideração o valor de pico e algum outro parâmetro do cross-cor.
Se apenas o pico importa, como / por que a função quadrática ajudaria, uma vez que apenas amplia o pico principal em relação aos menores? (Mais imunidade ao ruído?)
Longo e curto: devo me preocupar com o pico da função de correlação cruzada apenas como minha medida final de similaridade, ou devo também levar em consideração todo o gráfico de correlação cruzada? (Daí o meu pensamento sobre olhar para a sua média).
Obrigado novamente,
PS O atraso de tempo, neste caso, não é um problema, pois "não se importa" com este aplicativo. PPS Não tenho controle sobre o modelo.