1 基本概念
自相关函数用于刻画一个对象与其自身在不同时间间隔下的相似程度。它既可以针对确定性信号定义，也可以在随机过程框架下理解为某种期望意义上的相关度量。作为分析工具，自相关常被用来观察序列中的重复结构、延迟依赖和波动规律。
1.1 定义
自相关的核心思想是比较同一序列在两个时刻的取值，并考察它们随时间间隔变化的联系强弱。若间隔较小时，通常更容易观察到较强的相关性；间隔增大后，相关程度往往减弱，甚至接近于零。
1.1.1 确定性信号中的自相关
对于确定性信号，自相关函数通常定义为信号与其延迟版本的乘积积分或求和结果。它反映的是信号形状在平移后与原信号的重叠程度，常用于识别重复纹理、周期结构和对称特征。若信号具有有限能量，自相关还可用于估计其整体分布特征。
1.1.2 随机过程中的自相关
在随机过程情形下，自相关函数描述的是随机变量在不同时间点之间的期望乘积。若过程均值不为零，通常需要结合均值项一起处理；若关注波动本身，则常进一步引入自协方差。该定义更适合分析噪声、时间序列和稳定随机现象。
1.2 记号与表示方法
自相关函数的记号在不同学科中略有差异，但通常都会包含时间变量和时滞变量。为便于分析，常使用简洁的符号表示，并区分连续与离散两类对象。
1.2.1 连续时间形式
连续时间自相关一般写作 \(R_x(\tau)\) 或 \(R_{xx}(\tau)\)，其中 \(\tau\) 表示时间差。对于确定性信号，常通过积分定义；对于随机过程，则常以期望形式表示。连续形式广泛见于物理场、通信理论与模拟信号分析。
1.2.2 离散时间形式
离散时间序列的自相关通常记为 \(R_x[k]\) 或 \(R_{xx}[k]\)，其中 \(k\) 为样本间隔的整数倍。它适合处理数字信号、经济序列和采样数据。实际计算中，离散形式更便于编程实现，也更常见于计算机统计分析。
1.3 与相关函数的区别
相关函数是更宽泛的概念，自相关只是其中的一种特殊情形。二者都用于衡量联系，但对象是否相同、以及是否使用不同序列，是区分它们的关键。
1.3.1 自相关与互相关
自相关比较的是同一对象与自身不同延迟之间的关系；互相关则用于比较两个不同序列之间的对应程度。前者适合揭示内部周期和重复模式，后者则常用于寻找同步、匹配或时间对齐关系。两者在形式上相近，但应用重点不同。
1.3.2 样本自相关与理论自相关
理论自相关指总体或模型层面的理想相关结构，通常由概率模型或函数定义给出。样本自相关则由有限观测数据估计而来，受样本长度、噪声和边界处理影响较大。前者偏向理论分析，后者更贴近实际数据处理。
2 数学性质
自相关函数具有一系列稳定的数学特征，这些特征决定了它在分析和建模中的可用性。许多重要性质都与对称性、正定性和时间平移不变结构有关。
2.1 对称性
自相关函数通常不是任意形状的函数，而是受基本代数关系约束。对称性使其图像和数值结构具有明显规律，便于解释和验证。
2.1.1 实值函数的偶对称性质
对于实值信号或实值随机过程，自相关函数通常满足偶对称，即在正负相同时滞处取值相同。也就是说，向前延迟与向后延迟在相关程度上是等价的。这一性质常用于检查计算结果是否合理。
2.1.2 复值函数的共轭对称性质
当对象为复值信号时，自相关函数一般满足共轭对称关系。负时滞处的值通常是正时滞处的共轭复数。该性质在复基带信号、调制分析和频域计算中尤为重要。
2.2 非负定性
自相关函数不仅体现相关程度，还必须满足某些正定约束。这些约束保证了它能够对应某类真实的随机结构或内积结构。
2.2.1 协方差矩阵视角
若把多个时刻的随机变量组织成矩阵，自相关函数所构成的矩阵通常是半正定的。也就是说，对任意向量进行二次型计算时，结果不会为负。这一性质是统计建模、滤波设计和系统识别中的基础条件。
2.2.2 正定核与半正定核
从函数分析角度看，自相关可视为一种核函数。满足正定或半正定条件时，它才能作为合法的相关结构被使用。这个视角连接了概率论、机器学习和泛函分析，也便于构造带约束的模型。
2.3 峰值与归一化
自相关函数在零时滞附近往往最强，因此常将该点作为尺度基准。为了不同数据之间便于比较，常进一步采用归一化处理。
2.3.1 零时滞处的最大值
对于多数常见对象，自相关在零时滞处取到最大值或局部最大值，因为此时序列与自身完全对齐。随着时滞增加，重叠程度下降，相关值通常减小。这一特征常被用来判断数据是否存在明显的记忆长度。
2.3.2 归一化自相关函数
归一化自相关通常将零时滞处的值设为1，从而把原始幅度影响剥离出去。这样不同量纲、不同强度的数据可以在同一尺度上比较。该做法在模式识别、语音分析和实验数据对比中非常常见。
2.4 平稳性相关性质
平稳性决定了自相关函数能否仅由时滞描述，而不必关心具体时刻。许多经典结论都建立在平稳假设之上。
2.4.1 宽平稳条件下的简化形式
在宽平稳过程中，均值保持不变，且自相关只与时间差有关。这使分析大幅简化，因为无需为每个绝对时间单独建立相关函数。许多随机过程模型都以这一条件为基础。
2.4.2 依赖时间差而非绝对时间
若系统或过程具有时间平移不变的统计特征，那么自相关主要反映间隔长度，而不是发生时刻。此时不同时点的相关结构具有一致性，便于进行长期预测和频域推导。
3 计算方法
自相关函数既可以通过解析公式计算，也可以从数据样本中数值估计。实际工作中，算法选择通常取决于数据长度、精度要求和计算资源。
3.1 直接计算
直接计算方法思路清晰，适合公式推导、短序列和高精度验证。其基本做法是按定义逐项累加或积分。
3.1.1 连续积分法
对于连续信号，自相关可通过积分将信号与其延迟版本相乘后求积。若信号能量有限，这一方法可直接给出函数表达。它常见于理论分析和物理建模，但数值实现时往往需要离散化近似。
3.1.2 离散求和法
对离散序列，自相关可按样本点逐项相乘并累加得到。此法实现简单，适合小规模数据，但当序列很长时，计算量会快速增长。实际应用中常配合截断区间使用。
3.2 快速算法
当数据规模较大时，直接求和效率较低，因此需要更高效的计算策略。快速算法的核心通常是借助频域变换降低复杂度。
3.2.1 基于快速傅里叶变换的计算
利用快速傅里叶变换，可以先将序列变换到频域，再通过频域乘积和逆变换得到自相关结果。该方法在长序列处理上效率较高，广泛用于信号分析软件与科学计算库中。
3.2.2 频域与时域转换
自相关在时域中表现为延迟重叠，在频域中则对应谱信息的组合。通过时频域转换，可以在不同视角下选择更适合的计算方式。许多算法正是利用这种双域关系来提升速度和稳定性。
3.3 样本估计
现实中往往只能获得有限数据，因此需要从样本估计总体自相关。估计方法不同，结果在偏差和方差上也会有所差异。
3.3.1 无偏估计
无偏估计强调在统计意义上使期望值等于真实参数。它通常对较大滞后进行较小的修正，以避免因可配对样本减少而引入系统偏差。该方法更适合统计推断，但方差有时较大。
3.3.2 有偏估计
有偏估计通常采用统一的归一化方式，计算形式更简洁，数值上也较稳定。虽然严格意义上可能存在偏差，但在很多工程场景中表现良好，尤其适合频谱估计和实时处理。
3.3.3 截尾与窗口处理
样本有限时，较大时滞处的估计会变得不稳定，因此常采用截尾限制分析范围。窗口处理则通过加权减轻边界效应，使估计更平滑。二者常与快速算法配合使用，以提高结果的可读性。
4 频域关系
自相关函数与频谱之间存在深刻联系，这种联系使其不仅是时域工具，也是频域分析的重要入口。通过频域视角，可以更直观地理解重复结构和能量分布。
4.1 维纳-辛钦定理
维纳-辛钦定理是自相关分析中最重要的结论之一，它把时域相关与频域谱联系起来。该定理为许多谱估计方法提供了理论基础。
4.1.1 自相关与功率谱密度的傅里叶变换关系
对于适当的平稳过程，自相关函数与功率谱密度互为傅里叶变换。也就是说，一个函数的时域相关结构决定了其频域能量分布，而频域信息也可反推出相关特征。这个关系在随机信号与噪声分析中尤其关键。
4.1.2 频谱解释
从频谱角度看，相关性强的成分通常对应较集中的频率分量，而快速衰减的自相关则意味着频谱更分散。借助这一解释，可以从波形判断是否存在窄带、宽带或周期性成分。它为数据可视化和物理解释提供了统一语言。
4.2 互补分析工具
自相关虽然强调时域联系，但它常与其他频域量共同使用，以获得更完整的描述。不同工具之间并不替代，而是互补。
4.2.1 自相关与自功率谱
自功率谱是自相关在频域中的对应量，反映信号能量在频率上的分布。自相关关注延迟结构，自功率谱关注频率集中程度，二者合起来可以更全面地描述序列特征。实际分析中，常先看自相关再看谱图。
4.2.2 滤波器响应中的应用
在滤波器分析中，自相关有助于评估输入输出关系和系统对特定结构的保留程度。若输入信号具有明显相关性，经过滤波后其相关结构可能被增强、削弱或平滑。该方法常见于系统辨识和信号恢复。
4.3 周期性与谱峰
自相关能够有效揭示周期模式，而这些模式往往在频谱中表现为峰值。时域与频域在此形成互证关系。
4.3.1 周期信号的相关结构
周期信号的自相关通常也呈周期变化，并在多个时滞处重复出现峰值。峰的位置往往对应周期或其整数倍。即使信号中含有噪声，相关图仍可能保留清晰的周期痕迹。
4.3.2 谐波成分的识别
当信号含有谐波时，自相关和频谱都可能出现相应特征。通过观察相关峰的间距与衰减情况，可以辅助判断谐波是否存在以及其稳定程度。这在音频分析、机械振动诊断中十分常见。
5 应用领域
自相关函数的用途十分广泛，几乎遍及所有处理序列和随机波动的学科。它既能用于理论研究，也能服务于实际检测和建模任务。
5.1 统计学
在统计学中，自相关是分析时间序列的重要工具，尤其适合刻画数据的记忆性和依赖结构。它常作为建模前的诊断步骤。
5.1.1 时间序列分析
时间序列中的自相关用于判断观测值是否相互独立，以及依赖关系延续了多长时间。若相关衰减缓慢，往往说明序列具有较强的惯性或趋势。该信息对后续预测模型的选择很有帮助。
5.1.2 模型识别与参数估计
自相关函数可用于识别序列更适合哪类模型，例如某些自回归或移动平均结构。通过拟合自相关形态，还可以辅助估计模型参数。它在统计建模工作中常作为初步筛选依据。
5.2 信号处理
在信号处理中，自相关是检测重复模式和分析噪声的重要工具。它在语音、图像和振动分析中都很常见。
5.2.1 模式检测
自相关能够放大周期重复的结构，因此常用于识别模板、同步脉冲和重复片段。相较于单纯观察波形，它更容易突出隐藏的规律。很多检测算法都把它作为前处理步骤。
5.2.2 噪声分析
噪声是否接近随机、是否存在颜色特征，常可通过自相关判断。若序列在多个非零时滞上仍有明显相关，说明噪声并非完全无记忆。该方法适合区分白噪声、有色噪声和带扰动信号。
5.3 物理学
物理学中的许多随机现象都依赖相关函数描述，自相关因此成为研究涨落、扩散和弛豫过程的重要工具。它有助于连接微观波动与宏观观测。
5.3.1 随机过程建模
在粒子运动、场涨落和热噪声研究中，自相关常用于构建随机过程模型。通过相关衰减形式，可以推测系统的记忆时间和稳定状态。许多理论模型都借助这一函数刻画动力学行为。
5.3.2 热涨落与相关衰减
热涨落往往会随时间逐步失去相关性，自相关函数则记录了这一衰减过程。衰减快慢反映系统内部机制和环境耦合强弱。通过测量相关衰减，研究者可以推断弛豫时间或扩散特性。
5.4 工程与计算科学
在工程和计算科学中，自相关不仅用于分析数据，还服务于系统设计、故障诊断和性能评估。它是许多自动化流程中的基础环节。
5.4.1 通信系统分析
通信系统中的接收信号常混有噪声和多径效应，自相关有助于识别序列同步和信道特征。它也可用于码序列设计和回波检测。通过相关峰位置，还可估计延迟与时延扩展。
5.4.2 控制系统中的特征识别
在控制与监测中，自相关可用于识别系统输出的惯性、滞后和周期扰动。若某些异常模式反复出现，相关分析往往能先于人工观察发现端倪。该方法常被用于状态监测和故障预警。
6 常见变体与扩展
围绕自相关函数，还发展出若干相关概念，用于更精细地描述依赖关系。它们在定义上相互联系，但关注点各有不同。
6.1 偏自相关函数
偏自相关用于衡量在排除中间滞后影响后，两个时刻之间的直接联系。它能帮助识别真正的直接依赖，而不是由间接传递造成的表面相关。
6.1.1 定义与用途
偏自相关函数通常表示在控制了较短滞后后，某一滞后项对当前值的独立贡献。它在时间序列阶数判断中很有用，常用于区分不同模型结构。相比普通自相关，它更强调“净效应”。
6.1.2 与自相关函数的关系
自相关反映总相关，包括直接和间接部分；偏自相关则尝试剔除中间层传递影响。两者配合使用，能更全面地理解序列依赖模式。前者看整体，后者看局部。
6.2 互相关函数
互相关函数研究的是两个不同对象之间的相似程度，与自相关在形式上相近。它在配准、同步和信号匹配中应用广泛。
6.2.1 与自相关的对应关系
若把两个对象设为同一个序列，互相关就退化为自相关。因此自相关可视为互相关的特殊情况。这种对应关系使很多计算与理论可以统一处理。
6.2.2 多变量扩展
在多变量场景中，可把多个序列之间的相关结构组织成矩阵或张量。这样不仅能观察单个序列的内部关系，也能分析变量间的耦合。多变量扩展在金融、气象和系统辨识中较常见。
6.3 自协方差函数
自协方差函数与自相关密切相关，但它更强调去除均值后的波动联系。对于非零均值数据，这一点尤为重要。
6.3.1 与均值校正的关系
自协方差通常由原始相关减去均值乘积得到，因此更能反映纯波动部分的联系。若均值较大而变化不明显，使用自协方差往往比直接看自相关更有解释力。它特别适合处理带趋势或偏移的数据。
6.3.2 在建模中的作用
在统计建模中，自协方差常用于构建协方差结构、估计误差项相关性以及设计最优预测器。它是许多线性模型和高斯过程方法的基础组成部分。与自相关相比，它在参数化时更具统计含义。
7 相关概念
自相关函数与一系列基础概念相互交织，理解这些概念有助于把握其适用范围和解释方式。它们共同构成时间序列与随机分析的核心框架。
7.1 平稳过程
平稳过程是自相关理论最常见的背景之一。没有平稳性假设时，自相关的形式和解释往往会变得更复杂。
7.1.1 弱平稳与严格平稳
弱平稳关注均值、方差和二阶相关结构是否随时间不变；严格平稳则要求所有阶联合分布在平移下保持不变。自相关通常主要依赖弱平稳条件即可讨论。两者层级不同，但都与时间一致性有关。
7.1.2 自相关的适用条件
若过程不满足平稳条件，自相关仍可定义，但其意义可能随时间改变。此时需要更谨慎地解释图形结果，必要时可采用局部化方法或分段分析。适用条件的判断直接影响结论可靠性。
7.2 白噪声
白噪声是自相关分析中的典型参照对象。它代表在理想情况下不含时间依赖的随机波动。
7.2.1 理想白噪声的自相关
理想白噪声在零时滞处具有尖峰，而在其他时滞处自相关通常为零。这一特征意味着各时刻之间没有线性相关。由于其简单结构，白噪声常被作为基准模型。
7.2.2 近似白噪声的判别
实际数据很少完全符合理论白噪声，但可以通过观察自相关图判断其是否“近似无相关”。若除零时滞外的相关值都较小且无明显模式，通常可认为其接近白噪声。该方法常用于残差诊断。
7.3 卷积与系统响应
自相关和卷积在数学形式上存在紧密联系，因此常被同时讨论。在线性系统中，这种联系尤其明显。
7.3.1 线性时不变系统中的相关分析
在线性时不变系统里，输入输出关系可通过卷积描述，而相关函数则帮助分析系统如何保留或改变输入结构。若输入具有已知自相关，输出相关可据此推导。该思路常用于系统辨识和响应估计。
7.3.2 自相关与卷积的联系
从形式上看，自相关可视为信号与其时间反转版本的一种卷积运算。这个联系使得许多性质可以借助卷积理论来证明。也因此，相关分析与滤波理论之间存在天然桥梁。
8 历史与发展
自相关概念并非突然出现，而是在统计学、物理学和工程分析中逐步形成并成熟的。它的演进反映了现代数据分析方法的发展过程。
8.1 理论起源
早期的相关思想主要来自对重复现象和随机波动的观察，随后逐渐被数学化。随着概率论和信号理论的发展，自相关才成为规范的分析对象。
8.1.1 早期统计学中的相关思想
在早期统计学中，研究者已经注意到样本之间并非完全独立，某些序列会表现出连续性的影响。围绕这种现象，相关思想逐渐形成，并被用于解释观测数据中的依赖结构。虽然当时术语未必统一，但基本思路已经出现。
8.1.2 信号分析中的形式化
随着电信、声学和工程测量的发展，自相关被明确写入数学表达，并与傅里叶分析建立联系。形式化定义使其可以用于更复杂的系统分析，也推动了频谱理论的发展。由此，自相关成为现代信号处理的标准工具之一。
8.2 现代发展
进入现代计算时代后，自相关分析在算法、软件和应用广度上都有显著扩展。它不再局限于理论模型，而是深入到大规模数据处理中。
8.2.1 计算方法的进步
随着计算机性能提升和快速算法成熟，自相关的高效估计变得更加可行。FFT 等方法大幅减少了运算时间，使长序列分析和实时处理成为可能。算法改进也提升了估计的稳定性和可重复性。
8.2.2 在数据分析中的广泛应用
如今，自相关已广泛用于经济数据、传感器信号、生物医学记录和实验测量等领域。它既是探索性分析工具，也是许多模型和检测流程的基础组件。随着数据规模持续增长，其应用范围仍在扩展。