Question

我想在Python中使用互相关函数计算某些信号之间的时滞。从numpy文档numpy.correlate()来看，这个函数究竟是做什么的还不是很清楚。因此，我首先尝试使用两个简单的方波信号，其代码如下：

import matplotlib.pyplot as plt
import numpy as np

frequency=100

x = np.linspace(1,2000,frequency)
time = np.arange(x.size)
time = time/(1.0*frequency) #Time in seconds

def func1(x):
    x = np.where((x < 500) | (x > 531), 1, 2)
    return x
y1 = func1(x)

def func2(x):
    x = np.where((x < 600) | (x > 631), 1, 2)
    return x
y2 = func2(x)

def func3(x):
    x = np.where((x < 700) | (x > 731), 1, 2)
    return x
y3 = func3(x)

xcorr12 = np.correlate(y1,y2, "full")
xcorr13 = np.correlate(y1,y3, "full")

lag12 = np.argmax(xcorr12)
lag13 = np.argmax(xcorr13)

print ("lag12:",lag12/frequency)
print ("lag13:",lag13/frequency)

当我改变信号的位置时，我希望时间延迟改变，但事实并非如此！我不明白为什么我得到y1和y2之间的时滞等于1和y3之间的滞后！？

你能帮我理解发生了什么吗？谢谢:)

Answer 1

我不确定y1和y2数组是否以您想要的方式计算

np.count_nonzero(y1)
20
np.count_nonzero(y2)
15

然后

xcorr = np.correlate(y1,y2, "full")
np.count_nonzero(xcorr)
34

对于几乎稀疏的矩阵（数组），滞后不会改变，你可以从信号处理和数学中知道这一点。看看这个小例子

y1 = [1,2,3,4]
y2 = [1.0,0.5,1.0,2.0]

我们得到了

xcorr = np.correlate(y1,y2, "full")
array([  2. ,   5. ,   8.5,  13. ,   7.5,   5. ,   4. ])

如果我们在第二个数组中移动值

y21= [0.0,1.0,0.5,1.0]

然后产生的xcorr看起来

array([ 1. ,  2.5,  5. ,  7.5,  5. ,  4. ,  0. ])

你遇到的问题是矩阵的稀疏性。它不需要对这个Python包做任何事情。你可以用R仔细检查结果，你会得到相同的值。

使用numpy.correlate（）的信号之间的时间延迟

1 个答案: