numpy.
correlate
两个一维序列的互相关。
此函数计算信号处理文本中一般定义的相关性:
c_{av}[k] = sum_n a[n+k] * conj(v[n])
其中a和v序列在必要时是零填充的,conj是共轭的。
输入序列。
参考 convolve 文档字符串。请注意,默认值是“有效的”,与 convolve ,使用“full”。
convolve
old_behavior 在numpy 1.10中移除。如果你需要旧的行为,使用 multiarray.correlate .
离散互相关 a 和 v .
参见
两个一维序列的离散线性卷积。
multiarray.correlate
旧的,没有共轭的,相关的版本。
笔记
上述相关性的定义并不唯一,有时相关性的定义可能不同。另一个常见的定义是:
c'_{av}[k] = sum_n a[n] conj(v[n+k])
与…有关 c_{{av}}[k] 通过 c'_{{av}}[k] = c_{{av}}[-k] .
c_{{av}}[k]
c'_{{av}}[k] = c_{{av}}[-k]
实例
>>> 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. ])
使用复杂序列:
>>> 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 ])
注意,当两个输入序列发生变化时,会得到时间反转的复杂共轭结果,即, c_{{va}}[k] = c^{{*}}_{{av}}[-k] :
c_{{va}}[k] = c^{{*}}_{{av}}[-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])