numpy.correlate

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

两个1维序列的互相关。

该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序列在必要时被填零，conj是共轭。

参数：

a，v：array_like

输入序列。

mode：{'valid'，'same'，'full'}，可选

请参阅convolve文档字符串。请注意，默认值为“有效”，与使用“full”的convolve不同。

old_behavior：bool

在NumPy 1.10中删除了old_behavior。如果你需要旧的行为，使用multiarray.correlate。

返回：

out：ndarray

a和v的离散互相关。

也可以看看

convolve

离散，两个一维序列的线性卷积。

multiarray.correlate

老，没有共轭，correlate的版本。

笔记

上述相关性的定义不是唯一的，并且有时相关性可能被不同地定义。另一个常见的定义是：

c'_{av}[k] = sum_n a[n] conj(v[n+k])

其通过c'_ {av} [k] = c_与c_{av}[k]。

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 ])

注意，当两个输入序列改变位置时，你得到时间反转的复共轭结果，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])