numpy.correlate#
- numpy.correlate(a, v, mode='valid')[source]#
两个一维序列的互相关。
此函数计算相关性,其定义通常出现在信号处理文本中 [1]
\[c_k = \sum_n a_{n+k} \cdot \overline{v}_n\]其中 a 和 v 序列在必要时进行零填充,\(\overline v\) 表示复共轭。
- 参数:
- 返回值:
- outndarray
a 和 v 的离散互相关。
另请参见
convolve
两个一维序列的离散线性卷积。
scipy.signal.correlate
使用 FFT,在大型数组上具有更好的性能。
注意
上面对相关的定义并不唯一,有时相关的定义可能会有所不同。另一个常见的定义是 [1]
\[c'_k = \sum_n a_{n} \cdot \overline{v_{n+k}}\]它与 \(c_k\) 相关联,由 \(c'_k = c_{-k}\) 给出。
numpy.correlate
在大型数组(例如 n = 1e5)中可能执行缓慢,因为它不使用 FFT 来计算卷积;在这种情况下,scipy.signal.correlate
可能是更好的选择。参考文献
示例
>>> import numpy as np >>> np.correlate([1, 2, 3], [0, 1, 0.5]) array([3.5]) >>> np.correlate([1, 2, 3], [0, 1, 0.5], "same") array([2. , 3.5, 3. ]) >>> np.correlate([1, 2, 3], [0, 1, 0.5], "full") array([0.5, 2. , 3.5, 3. , 0. ])
使用复数序列
>>> np.correlate([1+1j, 2, 3-1j], [0, 1, 0.5j], 'full') array([ 0.5-0.5j, 1.0+0.j , 1.5-1.5j, 3.0-1.j , 0.0+0.j ])
请注意,当两个输入序列 a 和 v 互换位置时,您会得到时间反转的复共轭结果 (\(\overline{c_{-k}}\))
>>> np.correlate([0, 1, 0.5j], [1+1j, 2, 3-1j], 'full') array([ 0.0+0.j , 3.0+1.j , 1.5+1.5j, 1.0+0.j , 0.5+0.5j])