python correlate_python scipy signal.correlate用法及代码示例
Cross-correlate两个N-dimensional阵列。
Cross-correlate in1和in2，输出大小由mode参数确定。
参数：
in1：array_like第一次输入。
in2：array_like第二输入。应具有与in1相同的尺寸数。
mode：str {‘full’, ‘valid’, ‘same’}, 可选参数指示输出大小的字符串：
full输出是输入的完整离散线性cross-correlation。 (默认)
valid输出仅包含不依赖zero-padding的那些元素。在‘valid’模式下，in1或in2在每个维度上必须至少与另一个一样大。
same输出与in1相同，并且以‘full’输出为中心。
method：str {‘auto’, ‘direct’, ‘fft’}, 可选参数一个字符串，指示用于计算相关性的方法。
direct相关性直接从求和即相关性的定义中确定。
fft快速傅立叶变换用于更快地执行相关(仅适用于数字数组。)
auto根据估计更快的速度自动选择直接或傅立叶方法(默认)。参考convolve有关更多详细信息的注释。
0.19.0版中的新函数。
返回值：
correlate：数组一个N-dimensional数组，其中包含in1与in2的离散线性cross-correlation的子集。
注意：
两个d-dimensional数组x和y的相关性z定义为：
z[...,k,...] = sum[..., i_l, ...] x[..., i_l,...] * conj(y[..., i_l - k,...])
这样，如果x和y是一维数组，并且z = correlate(x, y, 'full')然后
对于
其中是的长度x，
和
当m超出y的范围时为0。
method='fft'仅依赖于数字数组fftconvolve。在某些情况下(例如，对象数组或四舍五入的整数可能会失去精度)，method='direct'一直使用。
例子：
使用cross-correlation实施匹配的滤波器，以恢复通过噪声通道的信号。
>>> from scipy import signal
>>> sig = np.repeat([0., 1., 1., 0., 1., 0., 0., 1.], 128)
>>> sig_noise = sig + np.random.randn(len(sig))
>>> corr = signal.correlate(sig_noise, np.ones(128), mode='same') / 128
>>> import matplotlib.pyplot as plt
>>> clock = np.arange(64, len(sig), 128)
>>> fig, (ax_orig, ax_noise, ax_corr) = plt.subplots(3, 1, sharex=True)
>>> ax_orig.plot(sig)
>>> ax_orig.plot(clock, sig[clock], 'ro')
>>> ax_orig.set_title('Original signal')
>>> ax_noise.plot(sig_noise)
>>> ax_noise.set_title('Signal with noise')
>>> ax_corr.plot(corr)
>>> ax_corr.plot(clock, corr[clock], 'ro')
>>> ax_corr.axhline(0.5, ls=':')
>>> ax_corr.set_title('Cross-correlated with rectangular pulse')
>>> ax_orig.margins(0, 0.1)
>>> fig.tight_layout()
>>> fig.show()