当前位置: 首页>>代码示例>>用法及示例精选>>正文


python scipy signal.correlate用法及代码示例

用法:

scipy.signal.correlate(in1, in2, mode='full', method='auto')

Cross-correlate两个N-dimensional阵列。

Cross-correlate in1和in2,输出大小由mode参数确定。

参数:

in1array_like

第一次输入。

in2array_like

第二输入。应具有与in1相同的尺寸数。

modestr {‘full’, ‘valid’, ‘same’}, 可选参数

指示输出大小的字符串:

full

输出是输入的完整离散线性cross-correlation。 (默认)

valid

输出仅包含不依赖zero-padding的那些元素。在‘valid’模式下,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相同,并且以‘full’输出为中心。

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

一个字符串,指示用于计算相关性的方法。

direct

相关性直接从求和即相关性的定义中确定。

fft

快速傅立叶变换用于更快地执行相关(仅适用于数字数组。)

auto

根据估计更快的速度自动选择直接或傅立叶方法(默认)。参考convolve有关更多详细信息的注释。

0.19.0版中的新函数。

返回值:

correlate数组

一个N-dimensional数组,其中包含in1与in2的离散线性cross-correlation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')然后

对于

其中是的长度x当m超出y的范围时为0。

method='fft'仅依赖于数字数组fftconvolve。在某些情况下(例如,对象数组或四舍五入的整数可能会失去精度),method='direct'一直使用。

例子:

使用cross-correlation实施匹配的滤波器,以恢复通过噪声通道的信号。

>>> from scipy import signal
>>> sig = np.repeat([0., 1., 1., 0., 1., 0., 0., 1.], 128)
>>> sig_noise = sig + np.random.randn(len(sig))
>>> corr = signal.correlate(sig_noise, np.ones(128), mode='same') / 128
>>> import matplotlib.pyplot as plt
>>> clock = np.arange(64, len(sig), 128)
>>> fig, (ax_orig, ax_noise, ax_corr) = plt.subplots(3, 1, sharex=True)
>>> ax_orig.plot(sig)
>>> ax_orig.plot(clock, sig[clock], 'ro')
>>> ax_orig.set_title('Original signal')
>>> ax_noise.plot(sig_noise)
>>> ax_noise.set_title('Signal with noise')
>>> ax_corr.plot(corr)
>>> ax_corr.plot(clock, 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()
../_images/scipy-signal-correlate-1.png

源码:

scipy.signal.correlate的API实现见:[源代码]

相关用法

注:本文由纯净天空筛选整理自 scipy.signal.correlate。非经特殊声明,原始代码版权归原作者所有,本译文的传播和使用请遵循“署名-相同方式共享 4.0 国际 (CC BY-SA 4.0)”协议。