互相关法对时序信号时域对齐（python实现）

参考文章：《使用相关性对齐信号》

文章目录

1、读取自己的信号数据：

2、读取两个信号之间的互相关数据

3、根据互相关及其最大值索引对两个信号对齐：

4、大功告成，画图看看

---

---

前言

在对数字时域信号进行操作时，有时需要在预处理的过程中，对自己的信号数据进行对齐操作，本文就用python实现该时域对齐操作，方便对时域信号进行下一步处理。

---

1、读取自己的信号数据：

我这里就用自己的信号数据来做演示：

（首先需要import的库有如下三个）

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

紧接着读取数据（因为我的信号数据有很多，这里读取其中两个信号s1、s2做演示）

data = pd.read_csv(r'C:\Users\xps\Desktop\radar\train_raw_data_las_2.csv')
data0 = data.values
s1 = data0[0]
s2 = data0[5]
s1 = list(s1)
s2 = list(s2)

plt.plot(range(len(s1)),s1,'r',label = 'x')
plt.plot(range(len(s2)),s2,'g',label = 'y')
plt.show()

两个信号画图如下，可以看出两个信号是不对齐的

2、读取两个信号之间的互相关数据

此处读取两个信号的互相关使用的是np里面的correlate函数，该函数和数字信号处理里面的卷积操作一样，即求两个信号s1和s2的卷积

具体操作如下：

c21 = np.correlate(s2,s1,mode='full')
t21 = np.argmax(c21)

c21为s1，s2两个信号的互相关

t21为互相关中最大值所在的索引：此处t21=518,可在下图横轴大致看出

c21画出的图如下：

3、根据互相关及其最大值索引对两个信号对齐：

原理大致解释如下：

对s1和s2求卷积时，是先将其中一个信号反转，再平移，计算二者重叠部分的和（具体可见信号课本求卷积的图示法）

互相关最大值处即是两个信号重叠最大的部分，其移动的间距即是我们在下面即将对其中一个信号移位的距离。

下面代码中的index即是s1和s2求得互相关最大值时的卷积移动间距

若index=0，则说明两个信号刚好对齐

若index>0，则说明s1信号领先s2信号index个距离

若index<0，则说明s2信号领先s1信号index个距离

此处咱们以s1信号为基准，让s2和s1对齐，对齐操作只需要对s2进行切片整合操作即可，如下代码所示

len_s = len(s1)
index = t21-len_s
if index > 0 :
    tt1 = s2[index:]
    tt2 = s2[0:index]
    s2_0 = tt1 + tt2
else:
    index = len_s + index
    tt1 = s2[0:index]
    tt2 = s2[index:]
    s2_0 = tt2 + tt1

4、大功告成，画图看看

plt.subplot(211)
plt.plot(range(len(s1)),s1,'r',label='x')
plt.plot(range(len(s2)),s2,'g',label='y')

plt.subplot(212)
plt.plot(range(len(s1)),s1,'r',label='x')
plt.plot(range(len(s2_0)),s2_0,'g',label='y')
plt.show()

从下图可以看出，两个信号已经对齐，可以进行其他信号处理操作