3
我注意到numpy.convolve
在足够复杂的信号上产生了奇怪的结果。下面是一个简单的测试,例如:Numpy卷积(卷积)似乎在复杂信号上产生巨大误差
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal
def conv_np(x, win):
return np.convolve(x, win, 'valid')
def conv_dot(x, win):
Z = np.asarray([x[cnt:cnt+win.shape[0]] for cnt in range(x.shape[0]-win.shape[0]+1)])
return np.dot(Z, win)
# test 1
x = np.repeat([0., 1., 0.], 300)
win = signal.hamming(50)
plt.subplot(2,1,1)
plt.plot(conv_np(x, win) - conv_dot(x, win))
# test 2
x = np.random.random(size=(10000,))
win = x[4000:5000]
plt.subplot(2,1,2)
plt.plot(conv_np(x, win) - conv_dot(x, win))
plt.show()
该图显示numpy.convolve
和直接执行使用点产生卷积之间的差异。顶部图是一个简单的信号和窗口(一个步骤和一个汉恩窗口)。底部图是一个随机信号,窗口只是这个信号的一部分。
因此,对于简单的信号/窗口,卷积产品和卷积的numpy
实现几乎没有区别,但复杂信号/窗口存在巨大差异。
由于点积实现可以被认为是一个基本事实,我把这个差异解释为numpy
的错误。请让我知道如果我错了,或者如果有办法使numpy
产生与点积相同的结果。
确实。非常感谢! – alex