Мэйпл-х автокорреляционная функция, как представляется, используя определение
def AutoCorrelation(x):
x = np.asarray(x)
y = x-x.mean()
result = np.correlate(y, y, mode='full')
result = result[len(result)//2:]
result /= result[0]
return result
In [189]: AutoCorrelation([1,2,1,2,1,2,1,2])
Out[189]: array([ 1. , -0.875, 0.75 , -0.625, 0.5 , -0.375, 0.25 , -0.125])
Теперь, было бы интересно посмотреть, если мы можем воспроизвести этот результат с помощью быстрого преобразования Фурье. NumPy's np.fft.fft
- это periodic convolution, а np.correlate
- линейная свертка. Чтобы использовать np.fft.fft
, нам нужно добавить достаточно дополнения нулей, чтобы сделать расчет по существу линеен:
def autocorrelation(x):
"""
Compute autocorrelation using FFT
"""
x = np.asarray(x)
N = len(x)
x = x-x.mean()
s = fft.fft(x, N*2-1)
result = np.real(fft.ifft(s * np.conjugate(s), N*2-1))
result = result[:N]
result /= result[0]
return result
Вот некоторые тесты, которые подтверждают, что AutoCorrelation
и autocorrelation
согласны и возвращают то же значение, возвращаемой Maple-х Функция AutoCorrelation - по крайней мере, для ограниченных примеров, о которых я знаю.
import numpy as np
fft = np.fft
def autocorrelation(x):
"""
Compute autocorrelation using FFT
The idea comes from
http://dsp.stackexchange.com/a/1923/4363 (Hilmar)
"""
x = np.asarray(x)
N = len(x)
x = x-x.mean()
s = fft.fft(x, N*2-1)
result = np.real(fft.ifft(s * np.conjugate(s), N*2-1))
result = result[:N]
result /= result[0]
return result
def AutoCorrelation(x):
x = np.asarray(x)
y = x-x.mean()
result = np.correlate(y, y, mode='full')
result = result[len(result)//2:]
result /= result[0]
return result
def autocorrelate(x):
fftx = fft.fft(x)
fftx_mean = np.mean(fftx)
fftx_std = np.std(fftx)
ffty = np.conjugate(fftx)
ffty_mean = np.mean(ffty)
ffty_std = np.std(ffty)
result = fft.ifft((fftx - fftx_mean) * (ffty - ffty_mean))
result = fft.fftshift(result)
return [i/(fftx_std * ffty_std) for i in result.real]
np.set_printoptions(precision=3, suppress=True)
"""
These tests come from
http://www.maplesoft.com/support/help/Maple/view.aspx?path=Statistics/AutoCorrelation
http://www.maplesoft.com/support/help/Maple/view.aspx?path=updates%2fMaple15%2fcomputation
"""
tests = [
([1,2,1,2,1,2,1,2], [1,-0.875,0.75,-0.625,0.5,-0.375,0.25,-0.125]),
([1,-1,1,-1], [1, -0.75, 0.5, -0.25]),
]
for x, answer in tests:
x = np.array(x)
answer = np.array(answer)
# print(autocorrelate(x))
print(autocorrelation(x))
print(AutoCorrelation(x))
assert np.allclose(AutoCorrelation(x), answer)
print
"""
Test that autocorrelation() agrees with AutoCorrelation()
"""
for i in range(1000):
x = np.random.random(np.random.randint(2,100))*100
assert np.allclose(autocorrelation(x), AutoCorrelation(x))
Я имел в виду http://en.wikipedia.org/wiki/Autocorrelation. В этом определении указывается, что автокорреляция на основе статистики должна быть масштабирована с [1, -1], тогда как при обработке сигнала обычно предшествует это масштабирование. Я бы, однако, действительно хотел, чтобы это масштабирование, но все же поддерживало подход fft – Skazarok
И для дальнейшего объяснения: причина, по которой я спросил, - это то, что я не уверен, что «разрешено» масштабировать вывод функции fft, используя среднее значение уже преобразованный массив. Кажется, что я делаю то, что хочу, но я был в основном просто догадывался и не видел твердую причину, почему это не должно быть позволено ... – Skazarok
Я не уверен, как [Клен вычисляет автокорреляцию] (http : //www.maplesoft.com/support/help/Maple/view.aspx? path = Statistics/AutoCorrelation), но он говорит, что использует дискретный БПФ. В нем показаны некоторые примеры, результаты которых не соответствуют ни одному из наших определений автокорреляции. Я не знаю правильного решения вашего вопроса, но я был бы осторожен в том, чтобы продолжить определение, которое вы сейчас используете. – unutbu