Python np.correlate()和signal.fftconvolve()给出了不同的答案
我在SigI中有10帧WCDMA复杂样本,带有置乱码——Matlab黄金码(1,1),变量为“sc”。correlate()提供了下面代码中预期的清晰的相关性峰值,但速度非常慢。尝试在同一代码中使用fftconvolve(),它未检测到任何峰值。fftconvolve()速度很快,希望它能正常工作。请告诉我为什么它不起作用Python np.correlate()和signal.fftconvolve()给出了不同的答案,python,Python,我在SigI中有10帧WCDMA复杂样本,带有置乱码——Matlab黄金码(1,1),变量为“sc”。correlate()提供了下面代码中预期的清晰的相关性峰值,但速度非常慢。尝试在同一代码中使用fftconvolve(),它未检测到任何峰值。fftconvolve()速度很快,希望它能正常工作。请告诉我为什么它不起作用 mat=scipy.io.loadmat('011.mat') SCR=mat['sc'] O1 = np.correlate(SigI,SCR,mode='valid')
mat=scipy.io.loadmat('011.mat')
SCR=mat['sc']
O1 = np.correlate(SigI,SCR,mode='valid')
# O1=signal.fftconvolve(SigI,SCR,mode='valid')
plot(abs(O1))
CC=max(abs(O1))
print ' Max Peak = ', CC
找到了答案。如果使用SCR的共轭,则np.correlation()和signal.fftconvolve()将给出相同的答案。但是我不明白原因是什么
SCR=np.conjugate(SCR[0,:])
O1=signal.fftconvolve(SigI,SCR[::-1],mode='valid')
给出了与以下相同的答案:
SCR=SCR[0,:]
O1=np.correlate(SigI,SCR,mode='valid')
至少,我的问题解决了。因为相关性和卷积不是一回事。通过其中一个输入的共轭,相关和卷积之间的关系是一个标准的数学性质。不过,在信号处理网站上解决这个问题可能会更好。