numpy.convolve¶

numpy.convolve(a, v, mode='full')[源代码]¶

返回两个一维序列的离散线性卷积。

卷积算子常出现在信号处理中，它模拟线性时不变系统对信号的影响。 [1]. 在概率论中，两个独立随机变量的和是根据它们各自分布的卷积分布的。

如果 v 长于 a ，在计算之前交换阵列。

参数

a（n）

第一个一维输入数组。

v（m，）数组

第二个一维输入数组。

mode'full'、'valid'、'same'，可选

“满”：: 默认情况下，模式为“满”。这将返回每个重叠点的卷积，输出形状为（n+m-1，）。在卷积的终点处，信号没有完全重叠，可能会出现边界效应。
“同一”：: “相同”模式返回长度的输出 max(M, N) . 边界效果仍然可见。
“有效”：: 模式“valid”返回长度的输出 max(M, N) - min(M, N) + 1 . 卷积积仅给出信号完全重叠的点。信号边界之外的值不起作用。

返回

参见

笔记

离散卷积运算定义为

$(a * v)[n] = \sum_{m = -\infty}^{\infty} a[m] v[n - m]$

可以证明卷积 $x(t) * y(t)$ 在时间/空间上等于乘法 $X(f) Y(f)$ 在傅立叶域中，在适当的填充之后（填充是防止循环卷积所必需的）。由于乘法比卷积更有效（更快），因此函数 scipy.signal.fftconvolve 利用FFT计算大数据集的卷积。

工具书类

实例

请注意卷积运算符如何在两个数组之间“滑动”之前翻转第二个数组：

>>> np.convolve([1, 2, 3], [0, 1, 0.5])
array([0. , 1. , 2.5, 4. , 1.5])

只返回卷积的中间值。包含边界效应，其中考虑零：

>>> np.convolve([1,2,3],[0,1,0.5], 'same')
array([1. ,  2.5,  4. ])

两个数组的长度相同，因此只有一个位置完全重叠：

>>> np.convolve([1,2,3],[0,1,0.5], 'valid')
array([2.5])

numpy.conjugate numpy.clip