1. matlab中filter与conv的用法
1.1 filter函数
%% x:signal sequence h:impulse response
x = [2,0,0,0,1];
h = [1,0,-1,2];
%% filter
y1 = filter(h,1,x)
% y1 = [2,0,-2,4,1]
filter函数输出结果的长度与输入信号长度一致。
1.2 conv函数
%% conv
y2 = conv(x,h)
% y2 = [2,0,-2,4,1,0,-1,2]
conv函数输出结果的长度 = x的长度+h的长度-1。
2.torch.nn.functional.conv1d实现上述函数效果
pytorch和tensorflow中的卷积,实质上是相关运算,并不是信号处理中的卷积运算。但是巧妙运用padding,依然可以实现一样的效果。以pytorch中的torch.nn.functional.conv1d函数为例:
2.1 实现conv函数
(1)首先需要将h中的序列颠倒顺序(相关和卷积运算的区别)
(2)然后padding = M-1; M是h的长度
# x:signal sequence h:impulse response
import torch
import torch.nn.functional as F
x = torch.tensor([[[2,0,0,0,1]]])
h = torch.tensor([[[2,-1,0,1]]])
y = F.conv1d(x, h, stride=1, padding=4-1)
print(y)
# tensor([[[ 2, 0, -2, 4, 1, 0, -1, 2]]])
可见,结果与matlab的conv函数结果一致。
2.2 实现filter函数
大部分情况下,我们都希望输出信号长度与输入信号长度一致,即实现filter的效果。
仔细对比filter函数与conv函数的输出结果,就会发现,filter函数只是对conv的结果进行了截断,即取出conv前面N个数据(N是输入信号x的长度)。因此:
# x:signal sequence h:impulse response
import torch
import torch.nn.functional as F
x = torch.tensor([[[2,0,0,0,1]]])
h = torch.tensor([[[2,-1,0,1]]])
y = F.conv1d(x, h, stride=1, padding=4-1)
y = y[:,:,0:5]
print(y)
# tensor([[[ 2, 0, -2, 4, 1]]])
可见,结果与matlab的filter函数结果一致。