averaging/filtering 自相关输入信号是否错误地改变了输出？
Does averaging/filtering an autocorrelation input signal wrongfully change the output?
我正在调查几天内大气中 NO2 的传感器测量值。我的第一个兴趣是找到我正在使用自相关的数据的周期性。
我的问题是，实践似乎是使用移动平均线以及过滤测量值；大约 10-50 个数据点和读数的移动平均值设置 以上 传感器最大读数 200µg/m³ 设置为 200µg/m³（据我所知理解继续下去）。
无论如何...在执行自相关时，我发现处理原始信号或 averaged/filtered 信号会给出截然不同的结果，如附加的自相关图（底部）所示，这使我想到了我的问题：
执行自相关时，我是否会通过使用 averaged/filtered 输入信号到我的自相关函数来错误地更改结果？如果是这样，"correct"?
是哪条路
对该图的评论：我知道它看起来 bad/weird 移动平均信号大部分时间是平坦的，而且这种平坦度不是恒定的 200（最大值）。这真的不是很感兴趣，自相关的行为是我关心的。
在自相关之前应用移动平均线与在自相关之后应用移动平均线两次（一次向前，一次向后）相同。
令*表示卷积，^R表示信号的时间反转。 x 和 m 是您的输入信号和移动平均滤波器
AutoCorrelate(x*m) = (x*m) * (x*m)^R
= x * m * x^R * m^R
= x * x^R * m * m^R
= AutoCorrelate(x) * (m * m^R)
请注意，移动平均滤波器的形状与其时间反转的形状相同，因此通过在自相关之前过滤信号，您已经过滤了两次自相关。
由于移动平均滤波器是低通滤波器，这就解释了为什么自相关中的曲线被平滑了。
这是否合适实际上取决于您的应用程序。如果移动平均滤波器仅去除噪声，那么它是个好主意。如果移动平均线去除了指示其时间的信号的重要部分，那么这不是一个好主意。
我正在调查几天内大气中 NO2 的传感器测量值。我的第一个兴趣是找到我正在使用自相关的数据的周期性。
我的问题是，实践似乎是使用移动平均线以及过滤测量值；大约 10-50 个数据点和读数的移动平均值设置 以上 传感器最大读数 200µg/m³ 设置为 200µg/m³（据我所知理解继续下去）。
无论如何...在执行自相关时，我发现处理原始信号或 averaged/filtered 信号会给出截然不同的结果，如附加的自相关图（底部）所示，这使我想到了我的问题：
执行自相关时，我是否会通过使用 averaged/filtered 输入信号到我的自相关函数来错误地更改结果？如果是这样，"correct"?
是哪条路
对该图的评论：我知道它看起来 bad/weird 移动平均信号大部分时间是平坦的，而且这种平坦度不是恒定的 200（最大值）。这真的不是很感兴趣，自相关的行为是我关心的。
在自相关之前应用移动平均线与在自相关之后应用移动平均线两次（一次向前，一次向后）相同。
令*表示卷积，^R表示信号的时间反转。 x 和 m 是您的输入信号和移动平均滤波器
AutoCorrelate(x*m) = (x*m) * (x*m)^R
= x * m * x^R * m^R
= x * x^R * m * m^R
= AutoCorrelate(x) * (m * m^R)
请注意，移动平均滤波器的形状与其时间反转的形状相同，因此通过在自相关之前过滤信号，您已经过滤了两次自相关。
由于移动平均滤波器是低通滤波器，这就解释了为什么自相关中的曲线被平滑了。
这是否合适实际上取决于您的应用程序。如果移动平均滤波器仅去除噪声，那么它是个好主意。如果移动平均线去除了指示其时间的信号的重要部分，那么这不是一个好主意。