用python和FFT计算均方位移
给定一个二维数组,其中每行代表一个粒子的位置向量,如何有效地计算均方位移(使用FFT)? 均方位移定义为:用python和FFT计算均方位移,python,numpy,fft,physics,Python,Numpy,Fft,Physics,给定一个二维数组,其中每行代表一个粒子的位置向量,如何有效地计算均方位移(使用FFT)? 均方位移定义为: 其中r(m)是m行的位置向量,N是行数。以下msd的直接方法可行,但它是O(N**2)(我从中改编了代码) 但是,我们可以使用FFT使该代码更快。下面的考虑事项和生成的算法来自,我将只展示如何在python中实现它。 我们可以按以下方式拆分MSD 因此,S_2(m)只是位置的自相关。注意,在一些教科书中,S_2(m)表示为自相关(约定A),而在一些教科书中,S_2(m)*(N-m)表示
其中r(m)是m行的位置向量,N是行数。以下msd的直接方法可行,但它是O(N**2)(我从中改编了代码) 但是,我们可以使用FFT使该代码更快。下面的考虑事项和生成的算法来自,我将只展示如何在python中实现它。 我们可以按以下方式拆分MSD 因此,S_2(m)只是位置的自相关。注意,在一些教科书中,S_2(m)表示为自相关(约定A),而在一些教科书中,S_2(m)*(N-m)表示为自相关(约定B)。 根据维纳-金钦定理,函数的功率谱密度(PSD)是自相关的傅里叶变换。 这意味着我们可以计算信号的PSD并对其进行傅里叶逆变换,以获得自相关(在约定B中)。对于离散信号,我们得到循环自相关。 然而,通过对数据进行零填充,我们可以得到非循环自相关。算法如下所示
def autocorrFFT(x):
N=len(x)
F = np.fft.fft(x, n=2*N) #2*N because of zero-padding
PSD = F * F.conjugate()
res = np.fft.ifft(PSD)
res= (res[:N]).real #now we have the autocorrelation in convention B
n=N*np.ones(N)-np.arange(0,N) #divide res(m) by (N-m)
return res/n #this is the autocorrelation in convention A
对于术语S_1(m),我们利用一个事实,即可以找到(N-m)*S_1(m)的递归关系(这在第4.2节中解释)。
我们定义
并通过
这将产生以下均方位移代码
def msd_fft(r):
N=len(r)
D=np.square(r).sum(axis=1)
D=np.append(D,0)
S2=sum([autocorrFFT(r[:, i]) for i in range(r.shape[1])])
Q=2*D.sum()
S1=np.zeros(N)
for m in range(N):
Q=Q-D[m-1]-D[N-m]
S1[m]=Q/(N-m)
return S1-2*S2
您可以比较msd_straight_forward()和msd_fft(),并会发现它们产生相同的结果,尽管msd_fft()对于大N
一个小基准:使用
r = np.cumsum(np.random.choice([-1., 0., 1.], size=(N, 3)), axis=0)
对于N=100.000,我们得到
$ %timeit msd_straight_forward(r)
1 loops, best of 3: 2min 1s per loop
$ %timeit msd_fft(r)
10 loops, best of 3: 253 ms per loop
使用numpy.cumsum还可以避免S1计算中的范围(N)循环:
sq = map(sum, map(np.square, r))
s1 = 2 * sum(sq) - np.cumsum(np.insert(sq[0:-1], 0, 0) + np.flip(np.append(sq[1:], 0), 0))
非常好的实现。例如,您将如何修改
msd_fft()
以仅计算第100个第一延迟时间?@HadiM您的意思是更有效地计算msd_fft(r)[:100]
?准确地说,如果可能的话!Mhh,对不起,我认为不可能做得更有效(当然对于S1我们可以,但是对于S2,这是主要的工作,似乎不可能)。。。如果您只需要在前100个时间步中使用MSD,那么使用直接方法可能会更快,并且在循环中只会增加到100。你应该检查你的数据什么更快。好的。非常感谢。我会做更多的测试。为了记录在案,我询问了trackpy开发人员是否对您的算法感兴趣:
sq = map(sum, map(np.square, r))
s1 = 2 * sum(sq) - np.cumsum(np.insert(sq[0:-1], 0, 0) + np.flip(np.append(sq[1:], 0), 0))