Correlazione incrociata: Sbloccare i modelli nella visione artificiale
Di Fouad Sabry
()
Info su questo ebook
Cos'è la correlazione incrociata
Nell'elaborazione del segnale, la correlazione incrociata è una misura della somiglianza di due serie in funzione dello spostamento di una rispetto all'altra. Questo è noto anche come prodotto scalare o prodotto interno scorrevole. Viene comunemente utilizzato per cercare in un segnale lungo una caratteristica più breve e nota. Ha applicazioni nel riconoscimento di pattern, nell'analisi di singole particelle, nella tomografia elettronica, nella media, nella crittoanalisi e nella neurofisiologia. La correlazione incrociata è di natura simile alla convoluzione di due funzioni. In un'autocorrelazione, che è la correlazione incrociata di un segnale con se stesso, ci sarà sempre un picco con un ritardo pari a zero e la sua dimensione sarà l'energia del segnale.
Come farai beneficio
(I) Approfondimenti e convalide sui seguenti argomenti:
Capitolo 1: Correlazione incrociata
Capitolo 2: Autocorrelazione
Capitolo 3: Matrice di covarianza
Capitolo 4: Stima delle matrici di covarianza
Capitolo 5: Covarianza incrociata
Capitolo 6: Autocovarianza
Capitolo 7: Metodi bayesiani variazionali
Capitolo 8: Distribuzione gamma normale
Capitolo 9: Algoritmo di massimizzazione delle aspettative
Capitolo 10: Griffiths disuguaglianza
(II) Rispondere alle principali domande del pubblico sulla correlazione incrociata.
(III) Esempi reali dell'utilizzo della correlazione incrociata in molti campi.
A chi è rivolto questo libro
Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che desiderano andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di correlazione incrociata.
Leggi altro di Fouad Sabry
Tecnologie Emergenti Nella Scienza Dei Materiali [Italian]
Correlato a Correlazione incrociata
Titoli di questa serie (100)
Profilo colore: Esplorare la percezione visiva e l'analisi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevatore di bordi astuto: Svelare l'arte della percezione visiva Valutazione: 0 su 5 stelle0 valutazioniVisione computerizzata: Esplorare le profondità della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione stereoscopica del computer: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale subacquea: Esplorando le profondità della visione artificiale sotto le onde Valutazione: 0 su 5 stelle0 valutazioniRiduzione del rumore: Miglioramento della chiarezza, tecniche avanzate per la riduzione del rumore nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniMappatura dei toni: Mappatura dei toni: prospettive illuminanti nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniEqualizzazione dell'istogramma: Miglioramento del contrasto dell'immagine per una migliore percezione visiva Valutazione: 0 su 5 stelle0 valutazioniModello del sistema visivo umano: Comprendere la percezione e l'elaborazione Valutazione: 0 su 5 stelle0 valutazioniCompressione delle immagini: Tecniche efficienti per l'ottimizzazione dei dati visivi Valutazione: 0 su 5 stelle0 valutazioniCorrezione gamma: Migliorare la chiarezza visiva nella visione artificiale: la tecnica di correzione gamma Valutazione: 0 su 5 stelle0 valutazioniSistema di gestione del colore: Ottimizzazione della percezione visiva negli ambienti digitali Valutazione: 0 su 5 stelle0 valutazioniTrasformata del radon: Svelare modelli nascosti nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniTrasformazione affine: Sbloccare le prospettive visive: esplorare la trasformazione affine nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata di Hadamard: Svelare il potere della trasformazione Hadamard nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniDiffusione anisotropa: Miglioramento dell'analisi delle immagini attraverso la diffusione anisotropa Valutazione: 0 su 5 stelle0 valutazioniIstogramma dell'immagine: Svelare intuizioni visive, esplorare le profondità degli istogrammi delle immagini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevamento dei bordi: Esplorare i confini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRetinex: Svelare i segreti della visione computazionale con Retinex Valutazione: 0 su 5 stelle0 valutazioniMinimi quadrati: Tecniche di ottimizzazione per la visione artificiale: metodi dei minimi quadrati Valutazione: 0 su 5 stelle0 valutazioniRidipintura: Colmare le lacune nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniGruppo congiunto di esperti fotografici: Sfruttare la potenza dei dati visivi con lo standard JPEG Valutazione: 0 su 5 stelle0 valutazioniBanca filtri: Approfondimenti sulle tecniche del banco di filtri di Computer Vision Valutazione: 0 su 5 stelle0 valutazioniPercezione visiva: Approfondimenti sull'elaborazione visiva computazionale Valutazione: 0 su 5 stelle0 valutazioniOmografia: Omografia: trasformazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniFiltro adattivo: Migliorare la visione artificiale attraverso il filtraggio adattivo Valutazione: 0 su 5 stelle0 valutazioniContorno attivo: Avanzamento della visione artificiale con tecniche di contorno attivo Valutazione: 0 su 5 stelle0 valutazioniTrasformazione di Hough: Svelare la magia della trasformazione di Hough nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniSpazio colore: Esplorare lo spettro della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniModello di aspetto attivo: Sbloccare la potenza dei modelli di aspetto attivo nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioni
Ebook correlati
Trasformazione lineare diretta: Applicazioni pratiche e tecniche nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniMetodo di impostazione del livello: Avanzamento della visione artificiale, esplorazione del metodo dell'impostazione dei livelli Valutazione: 0 su 5 stelle0 valutazioniTrasformazione affine: Sbloccare le prospettive visive: esplorare la trasformazione affine nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniOmografia: Omografia: trasformazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniAnalisi matematica avanzata Valutazione: 5 su 5 stelle5/5Esercizi di matematica: funzioni reali a più variabili Valutazione: 0 su 5 stelle0 valutazioniTensore trifocale: Esplorare la profondità, il movimento e la struttura nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata del radon: Svelare modelli nascosti nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniInterpolazione bilineare: Miglioramento della risoluzione e della chiarezza dell'immagine tramite l'interpolazione bilineare Valutazione: 0 su 5 stelle0 valutazioniEsercizi di matematica: vettori e spazi vettoriali Valutazione: 0 su 5 stelle0 valutazioniRelatività, decadimenti e campi elettromagnetici Valutazione: 0 su 5 stelle0 valutazioniCampo casuale di Markov: Esplorazione della potenza dei campi casuali di Markov nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniScala dello spazio: Esplorare le dimensioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniComputer grafica bidimensionale: Esplorazione del regno visivo: computer grafica bidimensionale nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCampo di movimento: Esplorando le dinamiche della visione artificiale: svelato il campo del movimento Valutazione: 0 su 5 stelle0 valutazioniEsercizi di matematica: statistica avanzata Valutazione: 0 su 5 stelle0 valutazioniTrasformazione di Hough: Svelare la magia della trasformazione di Hough nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniEsercizi di matematica: studio di funzioni a variabile reale Valutazione: 0 su 5 stelle0 valutazioniEsercizi di matematica: calcolo tensoriale Valutazione: 5 su 5 stelle5/5Esercizi di matematica: distribuzioni Valutazione: 0 su 5 stelle0 valutazioniIl libro di matematica: volume 2 Valutazione: 0 su 5 stelle0 valutazioniLa matematica per la meccanica quantistica Valutazione: 0 su 5 stelle0 valutazioniEsercizi di matematica: calcolo integrale Valutazione: 0 su 5 stelle0 valutazioniLa relatività ristretta Valutazione: 0 su 5 stelle0 valutazioniMatematica: calcolo vettoriale e matriciale Valutazione: 5 su 5 stelle5/5Matematica vettoriale, matriciale e tensoriale Valutazione: 5 su 5 stelle5/5Esercizi di matematica: limiti e continuità Valutazione: 5 su 5 stelle5/5Imparare la fisica zero Valutazione: 0 su 5 stelle0 valutazioniEsercizi svolti di Matematica: Vettori Valutazione: 0 su 5 stelle0 valutazioniL'equazione di Dirac Valutazione: 0 su 5 stelle0 valutazioni
Intelligenza artificiale e semantica per voi
Guida Intelligenza Artificiale Valutazione: 0 su 5 stelle0 valutazioniANonniMus: Vecchi rivoluzionari contro giovani robot Valutazione: 0 su 5 stelle0 valutazioniIl Terzo Like Valutazione: 0 su 5 stelle0 valutazioniSelf-Publishing del Futuro per Scrittori 2.0: Self-Publishing Facile Valutazione: 0 su 5 stelle0 valutazioni
Recensioni su Correlazione incrociata
0 valutazioni0 recensioni
Anteprima del libro
Correlazione incrociata - Fouad Sabry
Capitolo 1: Correlazione incrociata
La correlazione incrociata viene utilizzata nell'elaborazione del segnale per quantificare il grado in cui due serie sono comparabili in funzione del loro spostamento relativo. Un prodotto scalare scorrevole (o prodotto interno scorrevole) è un altro nome per questo concetto. In genere viene impiegato per setacciare un segnale lungo alla ricerca di una caratteristica discreta e predeterminata. Può essere utilizzato in una varietà di campi, tra cui la neurofisiologia, la crittanalisi, la media e il riconoscimento di modelli. La convoluzione tra due funzioni è analoga alla correlazione incrociata. L'energia di un segnale è rappresentata da un picco a un ritardo pari a zero in un'autocorrelazione, che è la correlazione incrociata con se stesso.
Statistica e probabilità, il termine correlazioni incrociate si riferisce alle correlazioni tra le entrate di due vettori casuali \mathbf {X} e \mathbf {Y} , mentre le correlazioni di un vettore casuale \mathbf {X} sono le correlazioni tra le voci di \mathbf {X} se stesso, quelle che formano la matrice di correlazione di \mathbf {X} .
Se ciascuna di \mathbf {X} e \mathbf {Y} è una variabile casuale scalare che si realizza ripetutamente in una serie temporale, allora le correlazioni delle varie istanze temporali di \mathbf {X} sono note come autocorrelazioni di \mathbf {X} , e le correlazioni incrociate di \mathbf {X} con \mathbf {Y} attraverso il tempo sono correlazioni incrociate temporali.
Statistica e probabilità, Le correlazioni sono sempre standardizzate in modo che possano assumere valori compresi tra 1 e +1 come parte della loro definizione.
Se X e Y sono due variabili aleatorie indipendenti con funzioni di densità di probabilità f e g , rispettivamente, allora la densità di probabilità della differenza Y-X è formalmente data dalla correlazione incrociata (nel senso dell'elaborazione del segnale); f\star g tuttavia, nei campi della probabilità e della statistica, non utilizziamo questo linguaggio.
Al contrario, la convoluzione f*g (equivalente alla correlazione incrociata di f(t) e {\displaystyle g(-t)} ) fornisce la funzione di densità di probabilità della somma X+Y .
Per le funzioni continue f e g , definizione di correlazione incrociata:
{\displaystyle (f\star g)(\tau )\ \triangleq \int _{-\infty }^{\infty }{\overline {f(t)}}g(t+\tau )\,dt}che è lo stesso di
{\displaystyle (f\star g)(\tau )\ \triangleq \int _{-\infty }^{\infty }{\overline {f(t-\tau )}}g(t)\,dt}dove {\displaystyle {\overline {f(t)}}} denota il complesso coniugato di f(t) , ed \tau è detto spostamento o ritardo.
Per altamente correlati f e g che hanno una massima correlazione incrociata in un particolare \tau , una caratteristica in f at t si verifica anche più tardi in g at t+\tau , quindi g potrebbe essere descritta come lag f da \tau .
Se f e g sono entrambe funzioni periodiche continue di periodo T , l'integrazione da -\infty a \infty è sostituita dall'integrazione su qualsiasi intervallo {\displaystyle [t_{0},t_{0}+T]} di lunghezza T :
{\displaystyle (f\star g)(\tau )\ \triangleq \int _{t_{0}}^{t_{0}+T}{\overline {f(t)}}g(t+\tau )\,dt}che è lo stesso di
{\displaystyle (f\star g)(\tau )\ \triangleq \int _{t_{0}}^{t_{0}+T}{\overline {f(t-\tau )}}g(t)\,dt}La correlazione incrociata è definita in modo simile per le funzioni discrete:
{\displaystyle (f\star g)[n]\ \triangleq \sum _{m=-\infty }^{\infty }{\overline {f[m]}}g[m+n]}che è la stessa cosa di:
{\displaystyle (f\star g)[n]\ \triangleq \sum _{m=-\infty }^{\infty }{\overline {f[m-n]}}g[m]}Per le funzioni discrete finite {\displaystyle f,g\in \mathbb {C} ^{N}} , la definizione di correlazione incrociata (circolare) è:
{\displaystyle (f\star g)[n]\ \triangleq \sum _{m=0}^{N-1}{\overline {f[m]}}g[(m+n)_{{\text{mod}}~N}]}che è la stessa cosa di:
{\displaystyle (f\star g)[n]\ \triangleq \sum _{m=0}^{N-1}{\overline {f[(m-n)_{{\text{mod}}~N}]}}g[m]}Per funzioni discrete finite {\displaystyle f\in \mathbb {C} ^{N}} , {\displaystyle g\in \mathbb {C} ^{M}} , definizione di correlazione incrociata del kernel:
{\displaystyle (f\star g)[n]\ \triangleq \sum _{m=0}^{N-1}{\overline {f[m]}}K_{g}[(m+n)_{{\text{mod}}~N}]}dove
{\displaystyle K_{g}=[k(g,T_{0}(g)),k(g,T_{1}(g)),\dots ,k(g,T_{N-1}(g))]}è un vettore di funzioni del kernel {\displaystyle k(\cdot ,\cdot )\colon \mathbb {C} ^{M}\times \mathbb {C} ^{M}\to \mathbb {R} } e {\displaystyle T_{i}(\cdot )\colon \mathbb {C} ^{M}\to \mathbb {C} ^{M}} è una trasformata affine.
In particolare, {\displaystyle T_{i}(\cdot )} può essere la trasformazione di traslazione circolare, la trasformazione di rotazione, l'inversione delle scale, ecc.
La correlazione incrociata viene espansa dallo spazio lineare a quello del kernel per mezzo della correlazione incrociata del kernel.
Equivarianza tra correlazione incrociata e traduzione; Qualsiasi trasformazione affine non ha alcun effetto sulla correlazione incrociata del kernel, inclusa la traslazione, la rotazione, la scala, ecc.
A titolo illustrativo, si considerino due funzioni a valori reali f che g differiscono solo per uno spostamento sconosciuto lungo l'asse x.
Si può usare la correlazione incrociata per trovare quanto g deve essere spostato lungo l'asse x per renderlo identico a f .
La formula essenzialmente fa scorrere la g funzione lungo l'asse x, integrando i loro prodotti in ogni posizione richiesta.
Quando i loro scopi sono congruenti, il valore di (f\star g) è massimizzato.
Perché quando i punti più alti (le aree positive) si verificano di fila,, Hanno un impatto significativo sull'integrale.
Allo stesso modo, quando i punti bassi (depressioni) coincidono, poiché il prodotto di due numeri negativi è positivo, contribuiscono anche positivamente all'integrale.
Con funzioni a valori complessi f e g , prendendo il coniugato di f si assicura che i picchi allineati (o depressioni allineate) con componenti immaginarie contribuiranno positivamente all'integrale.
In econometria, la correlazione incrociata ritardata è talvolta indicata come autocorrelazione incrociata.: pag.
⁷⁴
La correlazione incrociata delle funzioni f(t) e g(t) è equivalente alla convoluzione (indicata con * ) di {\displaystyle {\overline {f(-t)}}} e g(t) .
Cioè:
{\displaystyle [f(t)\star g(t)](t)=[{\overline {f(-t)}}*g(t)](t).}{\displaystyle [f(t)\star g(t)](t)=[{\overline {g(t)}}\star {\overline {f(t)}}](-t).}Se f è una funzione hermitiana, allora {\displaystyle f\star g=f*g.}
Se entrambi f e g sono hermitiani, allora f\star g=g\star f .
{\displaystyle \left(f\star g\right)\star \left(f\star g\right)=\left(f\star f\right)\star \left(g\star g\right)}.
In modo simile al teorema della convoluzione, il teorema della correlazione incrociata afferma che
{\displaystyle {\mathcal {F}}\left\{f\star g\right\}={\overline {{\mathcal {F}}\left\{f\right\}}}\cdot {\mathcal {F}}\left\{g\right\},}dove {\mathcal {F}} denota la trasformata di Fourier, e an {\overline {f}} indica ancora il complesso coniugato di f , poiché {\displaystyle {\mathcal {F}}\left\{{\overline {f(-t)}}\right\}={\overline {{\mathcal {F}}\left\{f(t)\right\}}}} .
Insieme a implementazioni efficienti della trasformata di Fourier, questa caratteristica è spesso utilizzata per velocizzare i calcoli numerici di correlazione incrociata (vedi correlazione incrociata circolare).
Secondo il teorema di Wiener-Khinchin, la correlazione incrociata può essere calcolata dalla densità spettrale.
La correlazione incrociata di una convoluzione di f e h con una funzione g è la convoluzione della correlazione incrociata di g e f con il kernel h :
{\displaystyle g\star \left(f*h\right)=\left(g\star f\right)*h} .
Per i vettori casuali {\displaystyle \mathbf {X} =(X_{1},\ldots ,X_{m})} e {\displaystyle \mathbf {Y} =(Y_{1},\ldots ,Y_{n})} , costituiti da componenti casuali con media e deviazione standard note, la matrice di correlazione incrociata di \mathbf {X} e \mathbf {Y} è definita da: p.337
{\displaystyle \operatorname {R} _{\mathbf {X} \mathbf {Y} }\triangleq \ \operatorname {E} \left[\mathbf {X} \mathbf {Y} \right]}e ha dimensioni m\times n .
Scrittura basata su componenti:
{\displaystyle \operatorname {R} _{\mathbf {X} \mathbf {Y} }={\begin{bmatrix}\operatorname {E} [X_{1}Y_{1}]&\operatorname {E} [X_{1}Y_{2}]&\cdots &\operatorname {E} [X_{1}Y_{n}]\\\\\operatorname {E} [X_{2}Y_{1}]&\operatorname {E} [X_{2}Y_{2}]&\cdots &\operatorname {E} [X_{2}Y_{n}]\\\\\vdots &\vdots &\ddots &\vdots \\\\\operatorname {E} [X_{m}Y_{1}]&\operatorname {E} [X_{m}Y_{2}]&\cdots &\operatorname {E} [X_{m}Y_{n}]\end{bmatrix}}}I vettori \mathbf {X} casuali e \mathbf {Y} non devono necessariamente avere la stessa dimensione, entrambi possono assumere la forma di valori scalari.
Ad esempio, se {\displaystyle \mathbf {X} =\left(X_{1},X_{2},X_{3}\right)} e {\displaystyle \mathbf {Y} =\left(Y_{1},Y_{2}\right)} sono vettori casuali, allora {\displaystyle \operatorname {R} _{\mathbf {X} \mathbf {Y} }} è una {\displaystyle 3\times 2} matrice la cui (i,j) -esima voce è {\displaystyle \operatorname {E} [X_{i}Y_{j}]} .
Se {\displaystyle \mathbf {Z} =(Z_{1},\ldots ,Z_{m})} e {\displaystyle \mathbf {W} =(W_{1},\ldots ,W_{n})} sono vettori casuali complessi, comprendenti variabili aleatorie con valori e distribuzioni note, la matrice di correlazione incrociata di \mathbf {Z} e \mathbf {W} è definita da
{\displaystyle \operatorname {R} _{\mathbf {Z} \mathbf {W} }\triangleq \ \operatorname {E} [\mathbf {Z} \mathbf {W} ^{\rm {H}}]}dove {\displaystyle {}^{\rm {H}}} denota la trasposizione hermitiana.
Statistica e analisi delle serie temporali, La correlazione incrociata tra due processi casuali misura la relazione tra i loro valori nel tempo, rispetto all'intervallo tra i due.
Sia {\displaystyle (X_{t},Y_{t})} una coppia di processi casuali, e t sia un punto qualsiasi nel tempo ( t può essere un numero intero per un processo a tempo discreto o un numero reale per un processo a tempo continuo).
Allora X_{t} è il valore (o realizzazione) prodotto da una data esecuzione del processo al tempo t .
Supponiamo che il processo abbia