别再被噪声搞晕了！用MATLAB的autocorr函数，5分钟看懂平稳与非平稳信号的区别

信号处理工程师最头疼的莫过于面对一段未知特性的噪声数据——它究竟是平稳的还是非平稳的？这个问题直接决定了后续分析方法的选取。今天我们不谈艰深的理论，而是用MATLAB的autocorr函数，带你在5分钟内通过图形化分析掌握判断技巧。

1. 准备工作：认识你的武器库

工欲善其事，必先利其器。我们先来快速配置MATLAB环境：

matlab复制% 基础环境配置
clear all; close all; clc;
rng(2023); % 固定随机种子保证结果可复现
fs = 1000; % 采样频率1kHz
t = 0:1/fs:1; % 1秒时间序列

关键工具解析：

• autocorr函数：本次分析的核心武器，计算并绘制信号自相关
• xcorr函数：更底层的互相关计算函数，可自定义归一化方式
• findpeaks函数：辅助识别自相关图中的特征峰

提示：建议在运行代码前先执行clear all清除工作区变量，避免旧数据干扰

2. 生成对比样本：亲手制造噪声

理解差异最好的方式就是自己创造差异。我们先生成典型的平稳和非平稳噪声样本：

2.1 平稳噪声生成

matlab复制% 高斯白噪声（典型平稳噪声）
stationary_noise = 0.5*randn(size(t)); 

figure;
subplot(2,1,1);
plot(t, stationary_noise);
title('平稳噪声时域波形');
xlabel('时间(s)'); ylabel('幅值');

subplot(2,1,2);
autocorr(stationary_noise);
title('自相关函数');

平稳噪声的特征：

• 时域波形：幅值波动无明显规律
• 自相关图：除零延迟外快速衰减到置信区间内

2.2 非平稳噪声生成

matlab复制% 时变均值噪声（典型非平稳噪声）
nonstationary_noise = sin(2*pi*2*t) + 0.3*randn(size(t));

figure;
subplot(2,1,1);
plot(t, nonstationary_noise);
title('非平稳噪声时域波形');
xlabel('时间(s)'); ylabel('幅值');

subplot(2,1,2);
autocorr(nonstationary_noise);
title('自相关函数');

非平稳噪声的特征：

• 时域波形：可见明显的周期性趋势
• 自相关图：呈现周期性波动，衰减缓慢

3. 实战分析：看图识噪声的技巧

现在进入最关键的部分——如何通过自相关图判断信号特性。我们通过几个典型案例来掌握这个技能。

3.1 经典模式识别

matlab复制% 混合信号分析案例
mixed_signal = filter(1,[1 -0.9], randn(size(t))); % 有色噪声

figure;
autocorr(mixed_signal);
title('有色噪声自相关图');

注意：当看到自相关图缓慢衰减时，可能是有色噪声（一种特殊的平稳噪声），需要结合其他特征判断

3.2 量化分析方法

除了肉眼观察，我们可以用代码量化分析：

matlab复制[acf, lags] = autocorr(mixed_signal, 'NumLags', 20);
acf_metrics = table(lags', acf, 'VariableNames', {'延迟点数','自相关系数'});
disp(acf_metrics);

% 计算衰减到0.2以内所需的延迟点数
decay_point = find(abs(acf)<0.2, 1);
disp(['衰减到0.2内所需延迟：' num2str(decay_point)]);

4. 进阶技巧：处理特殊场景

实际工程中常会遇到更复杂的情况，这里分享几个实用技巧：

4.1 短时自相关分析

对于时变特性明显的信号，可采用分段分析：

matlab复制segment_len = 100; % 每段100个采样点
for k = 1:floor(length(t)/segment_len)
    segment = nonstationary_noise((k-1)*segment_len+1:k*segment_len);
    [acf_seg] = autocorr(segment, 'NumLags', 15);
    % 存储各段acf特征进行分析...
end

4.2 结合频谱分析

自相关与FFT联合分析可提高判断准确度：

matlab复制figure;
subplot(1,2,1);
autocorr(nonstationary_noise);
title('自相关');

subplot(1,2,2);
pwelch(nonstationary_noise,[],[],[],fs);
title('功率谱');

典型关联特征：

• 自相关图中的周期性 ↔ 功率谱中的离散谱线
• 自相关慢衰减 ↔ 功率谱低频集中

5. 避坑指南：常见误判场景

即使是经验丰富的工程师也会掉进这些陷阱：

1. 周期性平稳信号：如正弦波+白噪声，自相关图也会呈现周期性

   • 鉴别关键：检查时域均值是否恒定

2. 瞬态干扰：短时脉冲会影响自相关计算

   • 解决方案：先做异常值检测和去除

3. 数据长度不足：短数据会导致自相关估计不准

   • 经验法则：数据长度至少是感兴趣最大延迟的10倍

matlab复制% 数据长度影响演示
short_signal = nonstationary_noise(1:50);
figure;
autocorr(short_signal);
title('短数据自相关（可能失真）');

在实际项目中，我经常遇到传感器数据因环境干扰表现出伪非平稳特性。有次花了三天时间设计复杂算法，最后发现只是传感器供电不稳导致的。这个教训让我养成了先检查硬件再分析数据的习惯——自相关分析虽然强大，但也要考虑数据采集环节可能引入的假象。