互相关以及自相关算法的c++代码实现，包括原理说明，代码实现

相关分析（correlation analysis） 研究两个或两个以上随机变量之间相互依存关系的方向和密切程度的方法。 线性相关关系主要采用皮尔逊（Pearson）相关系数r来度量连续变量之间线性相关强度； r>0,线性正相关；r<0,线性负相关； r=0,两个变量之间不存在线性关系，并不代表两个变量之间不存在任何关系。 相关分析函数 DataFrame.corr() Series.corr(other) 函数说明： 如果由数据框调用corr函数，那么将会计算每个列两两之间的相似度 如果由序列调用corr方法，那么只是该序列与传入的序列之间的相关度 返回值： DataFrame调用；返回D

the phase correlation method in the matlab

PIVlab：用于Matlab的粒子图像测速技术，官方资料库

Casuality, Correlation and Artificial Intelligence for Rational Decision Making By 作者: Tshilidzi Marwala ISBN-10 书号: 9814630861 ISBN-13 书号: 9789814630863 Release Finelybook 出版日期: March 5, 2015 pages 页数: (208)

特征融合是将两个特征向量组合得到单个特征向量的过程，它比任何一个输入特征向量都更具判别力。 DCAFUSE 使用基于判别相关分析 (DCA) 的方法应用特征级融合。 它从两个模态 X 和 Y 中获取训练和测试数据矩阵，以及它们对应的类标签，并将它们合并到一个单一的特征集 Z 中。 详情可见： M. Haghighat、M. Abdel-Mottaleb、W. Alhalabi，“判别相关分析：用于多模态生物特征识别的实时特征级融合”，IEEE 信息取证和安全交易，卷。 11号9，第 1984-1996 页，2016 年 9 月。 http://dx.doi.org/10.1109/TIFS.2016.2569061 和M. Haghighat、M. Abdel-Mottaleb W. Alhalabi，“特征级融合的判别相关分析与多模态生物识别的应用”，IEEE 国际声学、语音和信号处理会

Mechanism Design via Correlation Gap

大多数现代跟踪器的核心部件是识别分类器，其任务是区分目标和周围环境。为了应对自然图像的变化，这个分类器通常使用翻译和缩放的样本补丁进行训练。这样的样本集充满了冗余——任何重叠的像素都被限制为相同的。基于这个简单的观察，我们提出了一个分析模型的数据集的数千个翻译补丁。通过证明所得到的数据矩阵是循环的，我们可以用离散傅立叶变换对其进行对角化，从而将存储和计算都减少了几个数量级。有趣的是，对于线性回归，我们的公式相当于一些最快的竞争跟踪者使用的相关滤波器。然而，对于核回归，我们推导了一种新的核相关滤波器（KCF），它与其他核算法不同，具有与线性相关滤波器完全相同的复杂性。在此基础上，我们还提出了一种基于线性核的线性相关滤波器的快速多通道扩展，我们称之为双相关滤波器（DCF）。KCF和DCF在50个视频基准测试中都优于诸如strike或tld之类的顶级追踪器，尽管它们以每秒数百帧的速度运行，并且在几行代码中实现（算法1）。为了鼓励进一步的发展，我们的跟踪框架是开源的。

MOSSE原文翻译

tdoa-evaluation-rtlsdr：用于评估基于RTL-SDR的TDOA系统的Matlab脚本