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])