scipy.signal.

oaconvolve#

scipy.signal.oaconvolve(in1, in2, mode='full', axes=None)[来源]#

使用重叠相加法对两个N维数组进行卷积。

使用重叠相加法对 in1in2 进行卷积,输出大小由 mode 参数决定。

对于大型数组 (n > ~500),它通常比 convolve 快得多;当一个数组比另一个大得多时,它通常比 fftconvolve 快得多;但是当只需要少数输出值或数组形状非常相似时,它可能会更慢,并且只能输出浮点数组(整数或对象数组输入将被转换为浮点数)。

参数:
in1类数组

第一个输入。

in2类数组

第二个输入。应与 in1 具有相同的维度数。

modestr {‘full’, ‘valid’, ‘same’}, 可选

指示输出大小的字符串

full

输出是输入的完整离散线性卷积。(默认)

valid

输出只包含不依赖于零填充的元素。在“valid”模式下,in1in2 必须在每个维度上至少与另一个一样大。

same

输出大小与 in1 相同,相对于“full”输出居中。

axesint 或 类整数数组 或 None, 可选

计算卷积的轴。默认在所有轴上计算。

返回:
out数组

一个N维数组,包含 in1in2 的离散线性卷积的子集。

另请参阅

convolve

根据哪个算法更快,使用直接卷积或 FFT 卷积算法。

fftconvolve

使用 FFT 的卷积实现。

备注

在版本 1.4.0 中添加。

参考文献

[1]

维基百科,“Overlap-add_method”。 https://en.wikipedia.org/wiki/Overlap-add_method

[2]

Richard G. Lyons。《理解数字信号处理,第三版》,2011年。第13.10章。ISBN 13: 978-0137-02741-5

示例

对一个100,000个样本的信号与一个512个样本的滤波器进行卷积。

>>> import numpy as np
>>> from scipy import signal
>>> rng = np.random.default_rng()
>>> sig = rng.standard_normal(100000)
>>> filt = signal.firwin(512, 0.01)
>>> fsig = signal.oaconvolve(sig, filt)
>>> import matplotlib.pyplot as plt
>>> fig, (ax_orig, ax_mag) = plt.subplots(2, 1)
>>> ax_orig.plot(sig)
>>> ax_orig.set_title('White noise')
>>> ax_mag.plot(fsig)
>>> ax_mag.set_title('Filtered noise')
>>> fig.tight_layout()
>>> fig.show()
../../_images/scipy-signal-oaconvolve-1.png