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 in1 和 in2 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，in1 或 in2 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 in1 与 in2 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()
