当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python cusignal.convolution.correlate.correlate用法及代码示例


用法:

cusignal.convolution.correlate.correlate(in1, in2, mode='full', method='auto')

Cross-correlate 两个 N 维数组。

Cross-correlate in1in2 ,输出大小由 mode 参数确定。

参数

in1array_like

第一个输入。

in2array_like

第二输入。应该具有与 in1 相同的维度数。

modestr {‘full’, ‘valid’, ‘same’},可选

指示输出大小的字符串:

full

输出是输入的完全离散线性互相关。 (默认)

valid

输出仅包含那些不依赖零填充的元素。在‘valid’ 模式中,in1in2 在每个维度上必须至少与另一个一样大。

same

输出与 in1 大小相同,以 ‘full’ 输出为中心。

methodstr {‘auto’, ‘direct’, ‘fft’},可选

一个字符串,指示使用哪种方法来计算相关性。

direct

相关性由总和(相关性的定义)直接确定。

fft

快速傅立叶变换用于更快地执行相关(仅适用于数值数组。)

auto

根据更快的估计自动选择直接或傅立叶方法(默认)。有关更多详细信息,请参阅convolve 注释。

返回

correlate数组

一个 N 维数组,包含 in1in2 的离散线性互相关的子集。

注意

两个d-dimensional 数组 x 和 y 的相关性 z 定义为:

z[...,k,...] =
    sum[..., i_l, ...] x[..., i_l,...] * conj(y[..., i_l - k,...])

这样,如果 x 和 y 是一维数组并且 z = correlate(x, y, 'full') 那么

对于

其中 x 的长度,当 m 超出 y 范围时, 为 0。

method='fft' 仅适用于数值数组,因为它依赖于 fftconvolve 。在某些情况下(即对象数组或舍入整数可能会丢失精度),始终使用method='direct'

例子

使用互相关实现匹配滤波器,以恢复通过噪声通道的信号。

>>> import cusignal
>>> import cupy as cp
>>> sig = cp.repeat(cp.array([0., 1., 1., 0., 1., 0., 0., 1.]), 128)
>>> sig_noise = sig + cp.random.randn(len(sig))
>>> corr = cusignal.correlate(sig_noise, cp.ones(128), mode='same') / 128
>>> import matplotlib.pyplot as plt
>>> clock = cp.arange(64, len(sig), 128)
>>> fig, (ax_orig, ax_noise, ax_corr) = plt.subplots(3, 1, sharex=True)
>>> ax_orig.plot(cp.asnumpy(sig))
>>> ax_orig.plot(cp.asnumpy(clock), cp.asnumpy(sig[clock]), 'ro')
>>> ax_orig.set_title('Original signal')
>>> ax_noise.plot(cp.asnumpy(sig_noise))
>>> ax_noise.set_title('Signal with noise')
>>> ax_corr.plot(cp.asnumpy(corr))
>>> ax_corr.plot(cp.asnumpy(clock), cp.asnumpy(corr[clock]), 'ro')
>>> ax_corr.axhline(0.5, ls=':')
>>> ax_corr.set_title('Cross-correlated with rectangular pulse')
>>> ax_orig.margins(0, 0.1)
>>> fig.tight_layout()
>>> fig.show()

相关用法


注:本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cusignal.convolution.correlate.correlate。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。