Question sur la matrice de covariance de 2 signaux spatiaux

9

Chaque fois que je pense avoir compris la matrice de covariance, quelqu'un d'autre arrive avec une formulation différente.

Je lis actuellement cet article:

J. Benesty, «Algorithme adaptatif de décomposition de valeurs propres pour la localisation de source acoustique passive» , J. Acoust. Soc. Un m. Volume 107 , numéro 1, pp. 384-391 (2000)

et je suis tombé sur une formulation que je ne comprends pas très bien. Ici, l'auteur construit la matrice de covariance entre deux signaux, x1 et . Ces deux signaux proviennent de capteurs différents.x2

Pour la matrice de covariance d'un signal, je sais que nous pouvons l'obtenir en calculant la matrice de régression, puis en la multipliant par l'hermitien de cette même matrice et en divisant par la longueur du vecteur d'origine. La taille de la matrice de covariance ici peut être arbitraire, avec une taille maximale étant .NN×N

Pour la matrice de covariance de deux signaux spatiaux, si nous plaçons le premier signal dans la première ligne et le deuxième signal dans la deuxième ligne d'une matrice, puis multiplions par son hermitien et divisons également par N , nous obtenons alors un 2×2 matrice de covariance des deux signaux spatiaux.

Cependant, dans cet article, l'auteur calcule ce qui ressemble à quatre matricies, et R 2R11,R12,R21 , puis les met dans une super matrice et appelle cela la matrice de covariance.R22

Pourquoi cela est-il ainsi? Voici une image du texte:

entrez la description de l'image ici

Spacey
la source

Réponses:

6

Si vous avez deux vecteurs de signaux et x 2 [ n ] chacun de N éléments, alors nous pouvons considérer deux choses différentes.x1[n]x2[n]N

  1. Comment les quantités comparent? En particulier, lorsque les signaux sont bruyants et que les bruits peuvent être considérés comme étant conjointement stationnaires (ou conjointement stationnaires au sens large), ces quantités peuvent être utilisées pour estimer les variations de bruit dans les deux signaux ainsi que la covariance des bruits à tout temps d'échantillonnage fixe. Voici ce que vous obtenez du 2 × 2n=1Nxi[n]xj[n], i,j{1,2}2×2 matrice de covariance Le bruit dans x 1 [ n ] a une variance σ 2 1 = R 1 , 1 qui pourrait être différente de R 2 , 2 = σ 2 2 , la variance du bruit dans x 2 [ n ] . Mais les bruits sont corrélés à la covariance R 1.2

    R2×2=[σ12CCσ22].
    x1[n]σ12=R1,1R2,2=σ22x2[n] . Maintenant, si nous prévoyons de faire les choses avec exactement ce qui se passe à n , en ignorant tout ce qui pourrait se produire à n - 1 ou n + 1, etc., alors c'est toute l'information dont nous avons besoin.R1.2=R2,1=Cnn1n+1
  2. x1[n]x1[m]x1[n]x2[m]2N2N×2NRfull=E[XXT]

    X=(x1[1],x1[2],,x1[N],x2[1],x2[2],,x2[N])T=(x1,x2)T
    Rfull=[Rx1,x1Rx1,x2Rx2,x1Rx2,x2]
    Rxi,xj=E[xixjT]Rxi,xj(xi[1],xi[2],,xi[N])(xj[1],xj[2],,xj[N])iji=jn=m
    RfullRsimple=[σ12ICICIσ22I]
    IN×Nσ12,σ22C2N×2NRfull2×2R2×22N×2NRfullσ12,σ22CRfullRsimpleR2×2
Dilip Sarwate
la source
Merci. Premièrement, le sigma de (1) ne devrait-il pas dire de n = 0 à N-1? (Pas de i = 1 à n).
Spacey
Je ne suis pas sûr de toujours comprendre pourquoi / pourquoi nous procédons de cette façon. Voulez-vous dire que pour (1), puisque les bruits dans les deux vecteurs sont complètement indépendants l'un de l'autre, nous devons utiliser cette méthode, et donc obtenir une matrice de co-variance 2x2, mais cela dans le deuxième cas (2), puisque les bruits dans les vecteurs ne sont pas indépendants, faut-il concaténer les deux vecteurs puis calculer leur matrice de co-variance? Mais pourquoi? J'ai peur de ne toujours pas comprendre la motivation ici ...
Spacey
Merci je vais le relire. De plus, l'indice de sigma doit être 'n', pas 'i'.
Spacey
R2x2,RfullRsimple
x1x2