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： 请参考convolve文档字符串。请注意，默认值为 old_behavior： 在NumPy 1.10中删除了old_behavior。如果您需要旧的行为，请使用 |
返回值： | out ：
|
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
import numpy as np # 基本示例 # 计算 [1, 2, 3] 和 [0, 1, 0.5] 的互相关 result_valid = np.correlate([1, 2, 3], [0, 1, 0.5]) print(result_valid) # 输出: array([3.5]) # 使用 'same' 模式 result_same = np.correlate([1, 2, 3], [0, 1, 0.5], "same") print(result_same) # 输出: array([2. , 3.5, 3. ]) # 使用 'full' 模式 result_full = np.correlate([1, 2, 3], [0, 1, 0.5], "full") print(result_full) # 输出: array([0.5, 2. , 3.5, 3. , 0. ]) # 使用复杂的序列 # 计算 [1+1j, 2, 3-1j] 和 [0, 1, 0.5j] 的互相关 complex_result_full = np.correlate([1+1j, 2, 3-1j], [0, 1, 0.5j], 'full') print(complex_result_full) # 输出: array([ 0.5-0.5j, 1.0+0.j , 1.5-1.5j, 3.0-1.j , 0.0+0.j ]) # 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 reverse_complex_result_full = np.correlate([0, 1, 0.5j], [1+1j, 2, 3-1j], 'full') print(reverse_complex_result_full) # 输出: array([ 0.0+0.j , 3.0+1.j , 1.5+1.5j, 1.0+0.j , 0.5+0.5j])