用法:
cusignal.convolution.correlate.correlate(in1, in2, mode='full', method='auto')
Cross-correlate 两个 N 维数组。
Cross-correlate
in1
和in2
,输出大小由mode
参数确定。- in1:array_like
第一个输入。
- in2:array_like
第二输入。应该具有与
in1
相同的维度数。- mode:str {‘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,
in1
或in2
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。
- method:str {‘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。
- correlate:数组
一个 N 维数组,包含
in1
与in2
的离散线性互相关的子集。
参数:
返回:
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。 是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
- Python cusignal.convolution.convolve.convolve2d用法及代码示例
- Python cusignal.convolution.convolve.fftconvolve用法及代码示例
- Python cusignal.convolution.convolve.convolve1d3o用法及代码示例
- Python cusignal.convolution.convolve.convolve1d2o用法及代码示例
- Python cusignal.convolution.convolve.choose_conv_method用法及代码示例
- Python cusignal.convolution.convolve.convolve用法及代码示例
- Python cusignal.windows.windows.hann用法及代码示例
- Python cusignal.windows.windows.general_gaussian用法及代码示例
- Python cusignal.waveforms.waveforms.chirp用法及代码示例
- Python cusignal.windows.windows.gaussian用法及代码示例
- Python cusignal.windows.windows.hamming用法及代码示例
- Python cusignal.windows.windows.get_window用法及代码示例
- Python cusignal.waveforms.waveforms.gausspulse用法及代码示例
- Python cusignal.peak_finding.peak_finding.argrelmin用法及代码示例
- Python cusignal.windows.windows.bartlett用法及代码示例
- Python cusignal.spectral_analysis.spectral.welch用法及代码示例
- Python cusignal.windows.windows.chebwin用法及代码示例
- Python cusignal.windows.windows.general_cosine用法及代码示例
- Python cusignal.peak_finding.peak_finding.argrelextrema用法及代码示例
- Python cusignal.filtering.resample.resample_poly用法及代码示例
- Python cusignal.waveforms.waveforms.unit_impulse用法及代码示例
- Python cusignal.spectral_analysis.spectral.spectrogram用法及代码示例
- Python cusignal.windows.windows.tukey用法及代码示例
- Python cusignal.waveforms.waveforms.square用法及代码示例
- Python cusignal.windows.windows.blackman用法及代码示例
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。