Kreuzkorrelation: Muster in der Computer Vision entschlüsseln
Von Fouad Sabry
()
Über dieses E-Book
Was ist Kreuzkorrelation
In der Signalverarbeitung ist Kreuzkorrelation ein Maß für die Ähnlichkeit zweier Serien als Funktion der Verschiebung der einen relativ zur anderen. Dies wird auch als gleitendes Skalarprodukt oder gleitendes Innenprodukt bezeichnet. Es wird üblicherweise zum Durchsuchen eines langen Signals nach einem kürzeren, bekannten Merkmal verwendet. Es findet Anwendung in den Bereichen Mustererkennung, Einzelpartikelanalyse, Elektronentomographie, Mittelwertbildung, Kryptoanalyse und Neurophysiologie. Die Kreuzkorrelation ähnelt in ihrer Natur der Faltung zweier Funktionen. Bei einer Autokorrelation, also der Kreuzkorrelation eines Signals mit sich selbst, wird es immer eine Spitze mit einer Verzögerung von Null geben, und ihre Größe entspricht der Signalenergie.
Wie Sie wollen Nutzen
(I) Einblicke und Validierungen zu den folgenden Themen:
Kapitel 1: Kreuzkorrelation
Kapitel 2: Autokorrelation
Kapitel 3: Kovarianzmatrix
Kapitel 4: Schätzung von Kovarianzmatrizen
Kapitel 5: Kreuzkovarianz
Kapitel 6: Autokovarianz
Kapitel 7: Bayesianische Variationsmethoden
Kapitel 8: Normale Gammaverteilung
Kapitel 9: Erwartungsmaximierungsalgorithmus
Kapitel 10: Griffiths Ungleichheit
(II) Beantwortung der häufigsten öffentlichen Fragen zur Kreuzkorrelation.
(III) Beispiele aus der Praxis für die Verwendung der Kreuzkorrelation in vielen Bereichen.
An wen sich dieses Buch richtet
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die für jede Art von Kreuzkorrelation über das Grundwissen oder die Informationen hinausgehen möchten.
Mehr von Fouad Sabry lesen
Neue Technologien in den Neurowissenschaften [German]
Ähnlich wie Kreuzkorrelation
Titel in dieser Serie (100)
Affine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRetinex: Enthüllen Sie die Geheimnisse des computergestützten Sehens mit Retinex Bewertung: 0 von 5 Sternen0 BewertungenFilterbank: Einblicke in die Filterbanktechniken von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenLärmminderung: Verbesserung der Klarheit, fortschrittliche Techniken zur Rauschunterdrückung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenUnterwasser-Computervision: Erkundung der Tiefen der Computer Vision unter den Wellen Bewertung: 0 von 5 Sternen0 BewertungenGemeinsame Fotoexpertengruppe: Erschließen Sie das Potenzial visueller Daten mit dem JPEG-Standard Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHomographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenInpainting: Überbrückung von Lücken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenCanny Edge Detector: Enthüllung der Kunst der visuellen Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenDirekte lineare Transformation: Praktische Anwendungen und Techniken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAdaptiver Filter: Verbesserung der Computer Vision durch adaptive Filterung Bewertung: 0 von 5 Sternen0 BewertungenBildkompression: Effiziente Techniken zur visuellen Datenoptimierung Bewertung: 0 von 5 Sternen0 BewertungenVisuelle Wahrnehmung: Einblicke in die computergestützte visuelle Verarbeitung Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenFarbmodell: Das Spektrum des Computer Vision verstehen: Farbmodelle erkunden Bewertung: 0 von 5 Sternen0 BewertungenHadamard-Transformation: Enthüllung der Leistungsfähigkeit der Hadamard-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAktive Kontur: Weiterentwicklung der Computer Vision mit aktiven Konturtechniken Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenModell einer Lochkamera: Perspektive durch Computeroptik verstehen Bewertung: 0 von 5 Sternen0 BewertungenFarbmanagementsystem: Optimierung der visuellen Wahrnehmung in digitalen Umgebungen Bewertung: 0 von 5 Sternen0 BewertungenKonturerkennung: Enthüllung der Kunst der visuellen Wahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarberscheinungsmodell: Wahrnehmung und Darstellung in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenZufallsstichprobenkonsens: Robuste Schätzung in der Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Ähnliche E-Books
Direkte lineare Transformation: Praktische Anwendungen und Techniken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHomographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenDas Buch der Mathematik: Band 2 Bewertung: 0 von 5 Sternen0 BewertungenTrifokaler Tensor: Erforschung von Tiefe, Bewegung und Struktur in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenZweidimensionale Computergrafik: Erkundung des visuellen Bereichs: Zweidimensionale Computergrafiken in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenLevel-Set-Methode: Weiterentwicklung der Computer Vision, Erforschung der Level-Set-Methode Bewertung: 0 von 5 Sternen0 BewertungenBewegungsfeld: Erkundung der Dynamik von Computer Vision: Bewegungsfeld enthüllt Bewertung: 0 von 5 Sternen0 BewertungenGeschwindigkeitsmomente: Die Dynamik erfassen: Einblicke in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenMarkov-Zufallsfeld: Erforschung der Leistungsfähigkeit von Markov-Zufallsfeldern in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenJetzt lerne ich analytische Geometrie für die Oberstufe: www.alles-Mathe.de Bewertung: 0 von 5 Sternen0 BewertungenEinführung in die numerische Strömungsmechanik Bewertung: 1 von 5 Sternen1/5Übungen zu Vektoren und vektoriellen Räumen Bewertung: 0 von 5 Sternen0 BewertungenSkalieren Sie den Raum: Erforschung von Dimensionen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVerallgemeinerte Funktionen: Grundlagen und Anwendungsbeispiele Bewertung: 0 von 5 Sternen0 BewertungenÜbungen zur Fortgeschrittenen Statistik Bewertung: 0 von 5 Sternen0 BewertungenJavaScript für .NET-Entwickler Bewertung: 0 von 5 Sternen0 BewertungenGeraden und Ebenen im Raum: Klartext für Nichtmathematiker Bewertung: 0 von 5 Sternen0 BewertungenMinimaler Begrenzungsrahmen: Enthüllung der Leistungsfähigkeit der räumlichen Optimierung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenDokumentmosaikierung: Visuelle Einblicke durch Dokumentmosaikierung erschließen Bewertung: 0 von 5 Sternen0 BewertungenÜbungen zu Tensoren Bewertung: 0 von 5 Sternen0 BewertungenÜbungen zu Grenzen Bewertung: 0 von 5 Sternen0 BewertungenGeometrisches Hashing: Effiziente Algorithmen zur Bilderkennung und -anpassung Bewertung: 0 von 5 Sternen0 BewertungenBresenham-Linien-Algorithmus: Effiziente pixelgenaue Linienwiedergabe für Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenÜbungen zur Numerischen Analysis Bewertung: 0 von 5 Sternen0 BewertungenUeber Riemann's Theorie der Algebraischen Functionen Bewertung: 0 von 5 Sternen0 BewertungenBewegungsschätzung: Fortschritte und Anwendungen in der Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Künstliche Intelligenz (KI) & Semantik für Sie
ChatGPT: Begegnung mit einer neuen Welt: Lernen Sie Künstliche Intelligenz mit der Gratisversion ChatGPT 3.5 Bewertung: 0 von 5 Sternen0 BewertungenChatGPT – Für Einsteiger: Schreibprofi mit KI, Zeit und Geld sparen ohne peinliche Fehler Bewertung: 0 von 5 Sternen0 BewertungenDie Zukunft der Arbeit: Digitalisierung, Automatisierung, KI Bewertung: 0 von 5 Sternen0 BewertungenMeistern von ChatGPT: Entriegeln Sie die Kraft der KI für verbesserte Kommunikation und Beziehungen: German Bewertung: 0 von 5 Sternen0 BewertungenKI-Innovationen: Wie die Technologie die Grenzen verschiebt Künstliche Intelligenz verstehen und nutzen: Ein AI-Buch Bewertung: 0 von 5 Sternen0 BewertungenEinstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Medien-Gestaltung leicht gemacht: Von der Idee zum viralen Hit Bewertung: 0 von 5 Sternen0 BewertungenAufstieg der Roboter: Wie unsere Arbeitswelt gerade auf den Kopf gestellt wird - und wie wir darauf reagieren müssen Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz: Die vierte industrielle Revolution Bewertung: 0 von 5 Sternen0 BewertungenDie KI Bibel, mit künstlicher Intelligenz Geld verdienen: Echte Fallbeispiele und Anleitungen zum Umsetzen Bewertung: 1 von 5 Sternen1/5Psychologie des Sozialismus Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz in Sozialen Medien Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Epische Reise des Erfolgs - 'Steigern Sie Ihren Reichtum': Mit Screenshots aus dem echten Leben - Erreichen Sie finanzielle Höhen Bewertung: 0 von 5 Sternen0 BewertungenRoboter im Alltag: Maschinen (beinahe) wie Menschen Bewertung: 0 von 5 Sternen0 BewertungenMenschlicher Geist und Künstliche Intelligenz: Die Entwicklung des Humanen inmitten einer digitalen Welt Bewertung: 0 von 5 Sternen0 BewertungenDigitalotopia: Sind wir bereit für die (R)Evolution der Wirklichkeit? Bewertung: 0 von 5 Sternen0 BewertungenWissen statt Glauben!: Das Weltbild des neuen Humanismus Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Landingpages: Wie du deine Konkurrenz in den digitalen Staub schicken Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Kreuzkorrelation
0 Bewertungen0 Rezensionen
Buchvorschau
Kreuzkorrelation - Fouad Sabry
Kapitel 1: Kreuzkorrelation
Die Kreuzkorrelation wird in der Signalverarbeitung verwendet, um den Grad der Vergleichbarkeit zweier Reihen in Abhängigkeit von ihrer relativen Verschiebung zu quantifizieren. Ein gleitendes Punktprodukt (oder gleitendes Innenprodukt) ist ein anderer Name für dieses Konzept. Es wird typischerweise verwendet, um ein langes Signal auf der Suche nach einem diskreten, vorgegebenen Merkmal zu durchsuchen. Es kann in einer Vielzahl von Bereichen eingesetzt werden, darunter Neurophysiologie, Kryptoanalyse, Mittelwertbildung und Mustererkennung. Die Faltung zwischen zwei Funktionen ist analog zur Kreuzkorrelation. Die Energie eines Signals wird durch einen Peak mit einer Verzögerung von Null in einer Autokorrelation dargestellt, die die Kreuzkorrelation mit sich selbst darstellt.
Statistik und Wahrscheinlichkeit, der Begriff Kreuzkorrelationen bezieht sich auf die Korrelationen zwischen den Einträgen zweier Zufallsvektoren \mathbf {X} und \mathbf {Y} , während die Korrelationen eines Zufallsvektors \mathbf {X} die Korrelationen zwischen den Einträgen \mathbf {X} von sich selbst sind, die die Korrelationsmatrix von bilden \mathbf {X} .
Wenn jedes von \mathbf {X} und \mathbf {Y} eine skalare Zufallsvariable ist, die wiederholt in einer Zeitreihe realisiert wird, dann werden die Korrelationen der verschiedenen zeitlichen Instanzen von \mathbf {X} als Autokorrelationen von bezeichnet \mathbf {X} , und die Kreuzkorrelationen von \mathbf {X} mit \mathbf {Y} über die Zeit sind zeitliche Kreuzkorrelationen.
Statistik und Wahrscheinlichkeit, Korrelationen sind immer standardisiert, so dass sie Werte zwischen 1 und +1 als Teil ihrer Definition annehmen können.
Wenn X und Y zwei unabhängige Zufallsvariablen mit Wahrscheinlichkeitsdichtefunktionen f bzw g . sind, dann ist die Wahrscheinlichkeitsdichte der Differenz Y-X formal durch die Kreuzkorrelation (im Sinne der Signalverarbeitung) gegeben; f\star g in den Bereichen Wahrscheinlichkeit und Statistik verwenden wir diese Sprache jedoch nicht.
Im Gegensatz dazu ergibt die Faltung f*g (äquivalent zur Kreuzkorrelation von f(t) und {\displaystyle g(-t)} ) die Wahrscheinlichkeitsdichtefunktion der Summe X+Y .
Für stetige Funktionen f und g , Definition der Kreuzkorrelation:
{\displaystyle (f\star g)(\tau )\ \triangleq \int _{-\infty }^{\infty }{\overline {f(t)}}g(t+\tau )\,dt}was dasselbe ist wie
{\displaystyle (f\star g)(\tau )\ \triangleq \int _{-\infty }^{\infty }{\overline {f(t-\tau )}}g(t)\,dt}wobei {\displaystyle {\overline {f(t)}}} das komplexe Konjugat von f(t) bezeichnet wird und \tau als Verschiebung oder Verzögerung bezeichnet wird.
Für hochkorrelierte f und g die eine maximale Kreuzkorrelation zu einem bestimmten haben \tau , tritt ein Merkmal in f at t auch später in g at auf t+\tau , daher g könnte beschrieben werden, dass es f durch \tau verzögert ist.
Wenn f g und beide kontinuierliche periodische Funktionen der Periode sind T , wird die Integration von -\infty bis \infty durch die Integration über ein beliebiges Längenintervall ersetzt {\displaystyle [t_{0},t_{0}+T]} T :
{\displaystyle (f\star g)(\tau )\ \triangleq \int _{t_{0}}^{t_{0}+T}{\overline {f(t)}}g(t+\tau )\,dt}was dasselbe ist wie
{\displaystyle (f\star g)(\tau )\ \triangleq \int _{t_{0}}^{t_{0}+T}{\overline {f(t-\tau )}}g(t)\,dt}Die Kreuzkorrelation wird für diskrete Funktionen auf ähnliche Weise definiert:
{\displaystyle (f\star g)[n]\ \triangleq \sum _{m=-\infty }^{\infty }{\overline {f[m]}}g[m+n]}was dasselbe ist wie:
{\displaystyle (f\star g)[n]\ \triangleq \sum _{m=-\infty }^{\infty }{\overline {f[m-n]}}g[m]}Für endliche diskrete Funktionen {\displaystyle f,g\in \mathbb {C} ^{N}} ist die Definition der (zirkulären) Kreuzkorrelation wie folgt:
{\displaystyle (f\star g)[n]\ \triangleq \sum _{m=0}^{N-1}{\overline {f[m]}}g[(m+n)_{{\text{mod}}~N}]}was dasselbe ist wie:
{\displaystyle (f\star g)[n]\ \triangleq \sum _{m=0}^{N-1}{\overline {f[(m-n)_{{\text{mod}}~N}]}}g[m]}Für endliche diskrete Funktionen {\displaystyle f\in \mathbb {C} ^{N}} , {\displaystyle g\in \mathbb {C} ^{M}} , Definition der Kernel-Kreuzkorrelation:
{\displaystyle (f\star g)[n]\ \triangleq \sum _{m=0}^{N-1}{\overline {f[m]}}K_{g}[(m+n)_{{\text{mod}}~N}]}wobei
{\displaystyle K_{g}=[k(g,T_{0}(g)),k(g,T_{1}(g)),\dots ,k(g,T_{N-1}(g))]}ein Vektor von Kernelfunktionen und {\displaystyle k(\cdot ,\cdot )\colon \mathbb {C} ^{M}\times \mathbb {C} ^{M}\to \mathbb {R} } {\displaystyle T_{i}(\cdot )\colon \mathbb {C} ^{M}\to \mathbb {C} ^{M}} eine affine Transformation ist.
Insbesondere kann es sich um {\displaystyle T_{i}(\cdot )} eine kreisförmige Translationstransformation, eine Rotationstransformation, eine Umkehrung der Skalen usw. handeln.
Die Kreuzkorrelation wird durch die Kernkreuzkorrelation vom linearen in den Kernraum erweitert.
Äquivarianz zwischen Kreuzkorrelation und Translation; Jede affine Transformation hat keine Auswirkungen auf die Kreuzkorrelation des Kernels, einschließlich Translation, Rotation und Skalierung usw.
Betrachten Sie zur Veranschaulichung zwei reellwertige Funktionen, f g die sich nur durch eine unbekannte Verschiebung entlang der x-Achse unterscheiden.
Man kann die Kreuzkorrelation verwenden, um herauszufinden, um wie viel g entlang der x-Achse verschoben werden muss, um sie identisch mit f zu machen.
Die Formel schiebt die Funktion im Wesentlichen g entlang der x-Achse, die Integration ihrer Waren an jeder Position erfordert.
Wenn ihre Zwecke kongruent sind, wird der Wert von (f\star g) maximiert.
Denn wenn die Höhepunkte (die positiven Bereiche) hintereinander auftreten, haben sie einen erheblichen Einfluss auf das Integral.
Ähnlich verhält es sich, wenn Tiefpunkte (Täler) zusammenfallen, Da das Produkt zweier negativer Zahlen positiv ist, tragen sie ebenfalls positiv zum Integral bei.
Mit komplexwertigen Funktionen f und g stellt die Konjugation von f sicher, dass ausgerichtete Spitzen (oder ausgerichtete Täler) mit imaginären Komponenten positiv zum Integral beitragen.
In der Ökonometrie wird die verzögerte Kreuzkorrelation manchmal als Kreuzautokorrelation bezeichnet.: S.
⁷⁴
Die Kreuzkorrelation von Funktionen f(t) und g(t) ist äquivalent zur Faltung (bezeichnet durch * ) von {\displaystyle {\overline {f(-t)}}} und g(t) .
Das heißt:
{\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).}Wenn f eine hermitesche Funktion ist, dann {\displaystyle f\star g=f*g.}
Wenn beide f und g hermitesch sind, dann . 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)}.
Ähnlich wie der Faltungssatz besagt der Kreuzkorrelationssatz, dass
{\displaystyle {\mathcal {F}}\left\{f\star g\right\}={\overline {{\mathcal {F}}\left\{f\right\}}}\cdot {\mathcal {F}}\left\{g\right\},}wobei {\mathcal {F}} die Fourier-Transformation bezeichnet und an {\overline {f}} wiederum das komplexe Konjugat von f , da {\displaystyle {\mathcal {F}}\left\{{\overline {f(-t)}}\right\}={\overline {{\mathcal {F}}\left\{f(t)\right\}}}} .
Zusammen mit effizienten Implementierungen der Fourier-Transformation wird diese Eigenschaft häufig verwendet, um numerische Kreuzkorrelationsberechnungen zu beschleunigen (siehe zirkuläre Kreuzkorrelation).
Nach dem Wiener-Khinchin-Theorem kann die Kreuzkorrelation aus der spektralen Dichte berechnet werden.
Die Kreuzkorrelation einer Faltung von f und h mit einer Funktion g ist die Faltung der Kreuzkorrelation von g und f mit dem Kern h :
{\displaystyle g\star \left(f*h\right)=\left(g\star f\right)*h} .
Für Zufallsvektoren {\displaystyle \mathbf {X} =(X_{1},\ldots ,X_{m})} und {\displaystyle \mathbf {Y} =(Y_{1},\ldots ,Y_{n})} , bestehend aus Zufallskomponenten mit bekanntem Mittelwert und Standardabweichung, ist die Kreuzkorrelationsmatrix von \mathbf {X} und \mathbf {Y} definiert durch: S.337
{\displaystyle \operatorname {R} _{\mathbf {X} \mathbf {Y} }\triangleq \ \operatorname {E} \left[\mathbf {X} \mathbf {Y} \right]}und hat Abmessungen m\times n .
Komponentenbasiertes Schreiben:
{\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}}}Die Zufallsvektoren \mathbf {X} und \mathbf {Y} müssen nicht die gleiche Dimension haben, beide können die Form von skalaren Werten annehmen.
Wenn {\displaystyle \mathbf {X} =\left(X_{1},X_{2},X_{3}\right)} zum Beispiel {\displaystyle \mathbf {Y} =\left(Y_{1},Y_{2}\right)} und Zufallsvektoren sind, dann {\displaystyle \operatorname {R} _{\mathbf {X} \mathbf {Y} }} ist eine {\displaystyle 3\times 2} Matrix, deren (i,j) --ter Eintrag ist {\displaystyle \operatorname {E} [X_{i}Y_{j}]} .
Wenn {\displaystyle \mathbf {Z} =(Z_{1},\ldots ,Z_{m})} und {\displaystyle \mathbf {W} =(W_{1},\ldots ,W_{n})} komplexe Zufallsvektoren sind, die Zufallsvariablen mit bekannten Werten und Verteilungen umfassen, ist die Kreuzkorrelationsmatrix von \mathbf {Z} und \mathbf {W} definiert durch
{\displaystyle \operatorname {R} _{\mathbf {Z} \mathbf {W} }\triangleq \ \operatorname {E} [\mathbf {Z} \mathbf {W} ^{\rm {H}}]}wobei die {\displaystyle {}^{\rm {H}}} hermitesche Transposition bezeichnet.
Statistik und Zeitreihenanalyse, Die Kreuzkorrelation zwischen zwei Zufallsprozessen misst die Beziehung zwischen ihren Werten im Laufe der Zeit relativ zum Intervall zwischen den beiden.
Sei {\displaystyle (X_{t},Y_{t})} ein Paar zufälliger Prozesse und t sei ein beliebiger Zeitpunkt ( t kann eine ganze Zahl für einen zeitdiskreten Prozess oder eine reelle Zahl für einen zeitkontinuierlichen Prozess sein).
Dann X_{t} ist der Wert (oder die Realisierung), der durch einen bestimmten Durchlauf des Prozesses zum Zeitpunkt erzeugt t wird.
Angenommen, der Prozess hat Mittelwerte {\displaystyle \mu _{X}(t)} und {\displaystyle \mu _{Y}(t)} und Varianzen {\displaystyle \sigma _{X}^{2}(t)} und {\displaystyle \sigma _{Y}^{2}(t)} zum Zeitpunkt t , für jeden t .
Dann ist die Definition