Biorąc pod uwagę szablon i sygnał, powstaje pytanie, jak podobny jest sygnał do szablonu.
Tradycyjnie stosuje się proste podejście korelacyjne, w którym szablon i sygnał są wzajemnie skorelowane, a następnie cały wynik znormalizowany przez iloczyn obu ich norm. Daje to funkcję korelacji krzyżowej, która może wynosić od -1 do 1, a stopień podobieństwa jest podawany jako wynik w nim piku.
- Jak to się ma do wzięcia wartości tego szczytu i podzielenia przez średnią lub średnią funkcji korelacji krzyżowej?
- Co ja tu mierzę?
Załączony jest schemat jako mój przykład. 
Aby uzyskać najlepszą miarę podobieństwa, zastanawiam się, czy powinienem spojrzeć na:
Tylko szczyt znormalizowanej korelacji krzyżowej, jak pokazano tutaj?
Wziąć szczyt, ale podzielić przez średnią wykresu korelacji krzyżowej?
Moje szablony będą okresowymi falami kwadratowymi z pewnym cyklem roboczym, jak widać - więc czy nie powinienem w jakiś sposób wykorzystać pozostałych dwóch pików, które tu widzimy?
- Co dałoby najlepszą miarę podobieństwa w tym przypadku?
Dzięki!
EDYCJA Dla Dilip:
Wykreśliłem korelację krzyżową do kwadratu VS z korelacją krzyżową, która nie jest do kwadratu, i na pewno „wyostrza” główny pik w porównaniu z innymi, ale nie jestem pewna, jakie obliczenia powinienem zastosować, aby określić podobieństwo ...
Próbuję to rozgryźć:
Czy / Czy powinienem używać innych wtórnych pików w swoich obliczeniach podobieństwa?
Mamy teraz kwadrat kwadratu korelacji krzyżowej, który z pewnością wyostrza główny pik, ale jak to pomaga w określeniu ostatecznego podobieństwa?
Dzięki jeszcze raz.
EDYCJA Dla Dilip:
Mniejsze piki nie pomagają w obliczeniach podobieństwa; najważniejszy jest szczyt. Ale mniejsze piki zapewniają wsparcie dla przypuszczenia, że sygnał jest hałaśliwą wersją szablonu. „
- Dzięki Dilip, jestem trochę zdezorientowany tym stwierdzeniem - jeśli mniejsze szczyty faktycznie zapewniają wsparcie, że sygnał jest hałaśliwą wersją szablonu, to czy to również nie pomaga w podobieństwie?
Nie jestem pewien, czy powinienem po prostu wykorzystać szczyt znormalizowanej funkcji korelacji krzyżowej jako moją ostatnią miarę podobieństwa i „nie przejmować się” tym, jak reszta funkcji cross-corr robi / wygląda, LUB, czy powinienem również wziąć pod uwagę wartość szczytową i jakąś inną metrykę krzyża.
Jeśli tylko szczyt ma znaczenie, to w jaki sposób / dlaczego kwadratura funkcji byłaby pomocna, skoro tylko powiększa główny pik względem mniejszych? (Większa odporność na hałas?)
Długa i krótka: czy powinienem dbać o szczyt funkcji korelacji krzyżowej tylko jako moją ostateczną miarę podobieństwa, czy też powinienem również wziąć pod uwagę cały wykres korelacji krzyżowej? (Stąd moja myśl o spojrzeniu na jego średnią).
Dzięki jeszcze raz,
PS Opóźnienie czasowe w tym przypadku nie stanowi problemu, ponieważ nie dotyczy go ta aplikacja. PPS Nie mam kontroli nad szablonem.