python correlate_Python numpy.correlate函数方法的使用

numpy.correlate

numpy.correlate(a, v, mode='valid')     [source]

两个一维序列的互相关。

此函数计算信号处理文本中通常定义的相关性：c_{av}[k] = sum_n a[n+k] * conj(v[n])

其中a和v序列在必要时进行零填充，而conj是共轭。

参数：a, v：array_like

输入序列。

mode：{‘valid’, ‘same’, ‘full’}, 可选

请参考convolve文档字符串。请注意，默认值为'valid'，与convolve使用'full'的不同。

old_behavior：bool

在NumPy 1.10中删除了old_behavior。如果您需要旧的行为，请使用multiarray.correlate。

返回值：out：ndarray

a和v的离散互相关。

Notes

上面相关性的定义不是唯一的，有时相关性可以不同地定义。另一个常见的定义是：c'_{av}[k] = sum_n a[n] conj(v[n+k])

通过c'_ {av} [k] = c_ {av} [-k]与c_ {av} [k]相关。

例子>>> np.correlate([1, 2, 3], [0, 1, 0.5])

array([3.5])

>>> np.correlate([1, 2, 3], [0, 1, 0.5], "same")

array([2. , 3.5, 3. ])

>>> np.correlate([1, 2, 3], [0, 1, 0.5], "full")

array([0.5, 2. , 3.5, 3. , 0. ])

使用复杂的序列：>>> np.correlate([1+1j, 2, 3-1j], [0, 1, 0.5j], 'full')

array([ 0.5-0.5j, 1.0+0.j , 1.5-1.5j, 3.0-1.j , 0.0+0.j ])

请注意，当两个输入序列更改位置时，您会得到时间倒转的复杂共轭结果，即 ：c_{va}[k] = c^{*}_{av}[-k]>>> np.correlate([0, 1, 0.5j], [1+1j, 2, 3-1j], 'full')

array([ 0.0+0.j , 3.0+1.j , 1.5+1.5j, 1.0+0.j , 0.5+0.5j])