如何基于自相关矩阵代码实现实值一维数组的自协方差矩阵计算？

对于实值序列，自协方差矩阵本质是去均值后序列的自相关矩阵。基于你提供的自相关矩阵计算代码，只需要增加去均值步骤，就能得到自协方差矩阵，具体实现如下：

完整代码示例 #

import numpy as np
from numpy.linalg import toeplitz

# 1. 定义实值输入数组并计算均值
x = np.asarray([1, 2, 3])  # 替换为你的实值数组
x_mean = np.mean(x)
x_centered = x - x_mean  # 生成去均值的零均值序列

# 2. 计算零均值序列的自协方差函数（等价于该序列的自相关函数）
# 实值序列无需共轭，直接反转后卷积
acf = np.convolve(x_centered, x_centered[::-1])
# 提取有效自协方差值：从卷积结果的中心位置开始取N个值（N为原数组长度）
Rxx = acf[len(x_centered)-1:]

# 3. 构造Toeplitz矩阵得到自协方差矩阵
# 实值序列无需对后半部分取共轭，直接拼接即可
Cxx = toeplitz(Rxx, np.hstack((Rxx[0], Rxx[1:])))

print("自协方差矩阵：")
print(Cxx)

关键步骤说明 #

1. 去均值处理：自协方差衡量的是序列偏离自身均值的波动相关性，因此必须先将原序列转换为零均值序列（x_centered = x - np.mean(x)）。
2. 卷积计算自协方差函数：实值序列的自协方差函数可以通过零均值序列与自身反转后的卷积得到，卷积结果的中心段对应所有滞后阶数的自协方差值。
3. 构造Toeplitz矩阵：自协方差矩阵是Toeplitz结构（沿对角线元素相等），用提取到的自协方差值即可构造出对称的自协方差矩阵（实值序列的自协方差矩阵天然对称）。

示例输出验证 #

对于输入数组[1,2,3]，去均值后为[-1,0,1]，计算得到的自协方差矩阵为：

[[ 1. -1.  0.]
 [-1.  1. -1.]
 [ 0. -1.  1.]]

该结果符合理论计算的自协方差值。

内容的提问来源于stack exchange，提问作者Bharat Sharma