scipy.signal.oaconvolve¶

scipy.signal.oaconvolve(in1, in2, mode='full', axes=None)[源代码]¶

使用重叠相加方法对两个N维数组进行卷积。

卷积 in1 和 in2 使用重叠添加方法，输出大小由 mode 论点。

这通常比 convolve 对于大型阵列(n>~500)，通常比 fftconvolve 当一个数组比另一个数组大得多，但当只需要几个输出值时，或者当数组在形状上非常相似并且只能输出浮点数组(整数或对象数组输入将强制转换为浮点数组)时，速度可能会较慢。

参数

in1array_like

第一次输入。

in2array_like

第二个输入。应具有与的维度数量相同的维度 in1 。

modestr{‘完整’，‘有效’，‘相同’}，可选

指示输出大小的字符串：

full: 输出是输入的全离散线性卷积。(默认)
valid: 输出只包含那些不依赖于补零的元素。在“有效”模式下， in1 或 in2 必须在每个维度上至少与其他维度一样大。
same: 输出的大小与 in1 ，相对于“完整”输出居中。

axesINT的INT或ARRAY_LIKE或NONE，可选

要在其上计算卷积的轴。默认值为所有轴。

退货

out阵列: 包含以下项的离散线性卷积的子集的N维数组 in1 使用 in2 。

参见

convolve: 使用直接卷积或FFT卷积算法，具体取决于哪个更快。
fftconvolve: 一种用FFT实现卷积的方法。

注意事项

1.4.0 新版功能.

参考文献

1: 维基百科，“重叠-添加_方法”。https://en.wikipedia.org/wiki/Overlap-add_method
2: 理查德·G·莱昂斯。“理解数字信号处理”，2011年第三版。第13.10章。ISBN13：978.0137.02741-5

示例

将100,000个样本的信号与512个样本的过滤进行卷积。

>>> from scipy import signal
>>> rng = np.random.default_rng()
>>> sig = rng.standard_normal(100000)
>>> filt = signal.firwin(512, 0.01)
>>> fsig = signal.oaconvolve(sig, filt)

>>> import matplotlib.pyplot as plt
>>> fig, (ax_orig, ax_mag) = plt.subplots(2, 1)
>>> ax_orig.plot(sig)
>>> ax_orig.set_title('White noise')
>>> ax_mag.plot(fsig)
>>> ax_mag.set_title('Filtered noise')
>>> fig.tight_layout()
>>> fig.show()

../../_images/scipy-signal-oaconvolve-1.png

scipy.signal.fftconvolve

scipy.signal.convolve2d