基于自相关和归一化互相关方法的浊音基音周期检测

归一化互相关(NCC)在已知比例和方向的图像中查找给定模式时是一个优秀选择。Matlab的IP工具箱normxcorr2函数执行这一任务。然而，normxcorr2无法指定哪些像素是重要的，这在模式矩阵无意中指定了矩形ROI时特别成问题。为了减少这种情况的影响，可以考虑加权归一化互相关（WNCC），它使用加权方差而不是常规方差来计算相似度。这种方法能够更精确地识别图像中的模式，尤其是对于存在伪影的情况。注意：WNCC比normxcorr2更为昂贵，因为它在频域和空间域之间进行多次卷积。

给定信号向量“y”，计算其自相关函数的估计值。此方法从延迟1开始，直至延迟$p$，适用于实数或复数信号向量。

局部空间自相关分析方法主要包括以下三种： 空间联系的局部指标 (LISA) G 统计量 Moran 散点图

Matlab编程-循环互相关。用于估计循环互相关函数。

特里斯坦·乌塞尔在2018年8月提出了一种新的自相关计算方法，称为imageautocorr。这种方法可以对时序数据或图像进行自相关分析，输出归一化相关系数在-1到1之间的自相关矩阵。用户可以通过不同的输入方式调用imageautocorr函数，包括直接加载图像文件或数据路径。这种方法不仅适用于图像数据，也可以用于任何类型的有序数据，为研究和应用提供了广泛的可能性。

matlab自相关代码自述文件hBN纸张数字回购，最后编辑于2018年11月10日。此仓库包含用于制作NIR hBN纸图2-4的代码/文件。这些图是在以下脚本中生成的：hbnPaper_confocal_and_spectra.m、hbnPaper_g2_and_tau.m、plottingSherifsData.m。我使用export_fig包以高质量导出数字，因此只需确保在运行脚本时将两个文件夹添加到路径中。然后使用Inkscape添加无花果标签（a，b，...），并确保无花果具有正确的尺寸（宽度应为84mm）。从2018年10月11日起，Inkscape文件包含在子文件夹中。细节：hbnPaper_confocal_and_spectra.m（图2）所有数据都在仓库中的某个地方，只需运行脚本就可以找到它。更改第101行上的文件位置以将图像保存在所需位置。去做：放大显示次泊松子发射器的插入物（或至少圈出或强调它），添加比例尺（请参见hBN_NIRv2 ppt演示中的图像以获取比例尺大小）。删除860nm光谱，因为我们没有理论解释—只需

这个MATLAB练习项目设计并实现了基于SIFT（简单逆滤波跟踪）方法的基音周期检测器。该检测器利用LPC误差信号的自相关峰值来检测和跟踪浊音区间的基音周期。SIFT基音周期检测器通过二次自相关峰值来校正由于基音周期加倍和相关效应引起的检测误差。详细的用户指南可以在文件“4.6 LPC Sift Pitch Detector.pdf”中找到。

全局空间自相关的Moran指数反映了区域单元属性值的空间邻接程度。Geary系数与Moran指数存在负相关关系。Patrick A.P.Moran（1917-1988）提出了Moran指数和Geary系数，这两个指标用于度量空间自相关的全局性。全局空间自相关概念总结了在整个空间范围内的空间依赖程度。

数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲，这会影响数据分析结果。为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过标准化后，各指标处于同一数量级，适合进行综合对比评价。以下是三种常用的归一化方法： 1. Min-Max标准化，也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0, 1]之间。转换公式为： ( x_{norm} = \frac{x - min}{max - min} ) 其中，( x )是原始数据，( min )和( max )分别是数据集中的最小值和最大值。此方法简单易用，但当新数据加入时需重新计算( min )和( max )。在Python中，可以使用Numpy库或scikit-learn的MinMaxScaler类实现。 2. Z-score标准化，又称均值归一化，将数据标准化到均值为0，标准差为1的标准正态分布。转换公式为： ( x_{norm} = \frac{x - \mu}{\sigma} ) 其中，( \mu )是数据集的平均值，( \sigma )是标准差。这种方法在统计分析中常用，可减少异常值影响。在Python中同样可以使用Numpy或scikit-learn的StandardScaler类。 3. 对数归一化，适用于处理大范围值的数据。对数归一化可以缩小数值差距，特别是对于偏斜分布的数据，转换公式为： ( x_{norm} = \log(x + 1) ) 对数归一化有助于数据的比较，尤其在处理极端值时效果显著。