Vector julia中的3向量和n向量的广播向量乘法
我有一个3-向量Vector julia中的3向量和n向量的广播向量乘法,vector,julia,linear-algebra,Vector,Julia,Linear Algebra,我有一个3-向量c=[0.7,0.5,0.2],我想把它与n-向量x=rand(-1,1),n中的一切相乘,这样我得到一个结果n+2-向量y,其中y[I]==x[I]*c[3]+x[I-1]*c[2]+x[I-2]*c[1] 朱莉娅,我该怎么做?我觉得应该有办法将较小的3向量传播到n向量中的所有值。对于边缘情况,如果i-1或i-2超出边界,我只希望这些组件为零。这里有一种方法可以使用 创建带有初始零的滞后版本的x: x = 1:5 xminus1 = lag(x, 1, default=0) x
c=[0.7,0.5,0.2]
,我想把它与n-向量x=rand(-1,1),n
中的一切相乘,这样我得到一个结果n+2-向量y,其中y[I]==x[I]*c[3]+x[I-1]*c[2]+x[I-2]*c[1]
朱莉娅,我该怎么做?我觉得应该有办法将较小的3向量传播到n向量中的所有值。对于边缘情况,如果i-1或i-2超出边界,我只希望这些组件为零。这里有一种方法可以使用 创建带有初始零的滞后版本的
x
:
x = 1:5
xminus1 = lag(x, 1, default=0)
xminus2 = lag(x, 2, default=0)
水平连接向量并使用矩阵乘法与c
:
X = [xminus2 xminus1 x]
X * c
以下是REPL中的X
和X*c
的外观:
julia>X=[xminus2 xminus1 X]
5×3数组{Int64,2}:
0 0 1
0 1 2
1 2 3
2 3 4
3 4 5
朱莉娅>X*c
五元素数组{Float64,1}:
0.2
0.9
2.3
3.7
5.1
请注意,这将生成长度
length(x)
,而不是length(x)+2
的输出向量。我不确定输出的长度为length(x)+2是否有意义,正如您在问题中所要求的那样。如果我正确理解您的问题,您需要卷积,在标准卷积中,向量c
会反转。为此,您可以使用例如DSP.jl
这是你想要的吗
julia> using DSP
julia> c = [0.7, 0.5, 0.2]
3-element Array{Float64,1}:
0.7
0.5
0.2
julia> conv([10, 100, 1000, 10000], reverse(c))
6-element Array{Float64,1}:
1.9999999999996967
25.0
257.0000000000003
2569.9999999999995
5700.0
6999.999999999998
您也可以使用linearagebra
模块中的dot
手动实现它,如下所示:
julia> using LinearAlgebra
julia> x = [10, 100, 1000, 10000]
4-element Array{Int64,1}:
10
100
1000
10000
julia> y = [0;0;x;0;0]
8-element Array{Int64,1}:
0
0
10
100
1000
10000
0
0
julia> [dot(@view(y[i:i+2]), c) for i in 1:length(x)+2]
6-element Array{Float64,1}:
2.0
25.0
257.0
2570.0
5700.0
7000.0
julia> c = [0.7, 0.5, 0.2]; # from question
julia> x = [10, 100, 1000, 10_000]; # from another answer
julia> using Tullio, OffsetArrays
julia> @tullio y[i] := x[i]*c[3] + x[i-1]*c[2] + x[i-2]*c[1]
2-element OffsetArray(::Vector{Float64}, 3:4) with eltype Float64 with indices 3:4:
257.0
2570.0
julia> @tullio y[i] := x[i+k-3] * c[k] # sum over all k, range of i that's safe
2-element OffsetArray(::Array{Float64,1}, 3:4) with eltype Float64 with indices 3:4:
257.0
2570.0
我有一套做这种事的方法。最简单的用法如下:
julia> using LinearAlgebra
julia> x = [10, 100, 1000, 10000]
4-element Array{Int64,1}:
10
100
1000
10000
julia> y = [0;0;x;0;0]
8-element Array{Int64,1}:
0
0
10
100
1000
10000
0
0
julia> [dot(@view(y[i:i+2]), c) for i in 1:length(x)+2]
6-element Array{Float64,1}:
2.0
25.0
257.0
2570.0
5700.0
7000.0
julia> c = [0.7, 0.5, 0.2]; # from question
julia> x = [10, 100, 1000, 10_000]; # from another answer
julia> using Tullio, OffsetArrays
julia> @tullio y[i] := x[i]*c[3] + x[i-1]*c[2] + x[i-2]*c[1]
2-element OffsetArray(::Vector{Float64}, 3:4) with eltype Float64 with indices 3:4:
257.0
2570.0
julia> @tullio y[i] := x[i+k-3] * c[k] # sum over all k, range of i that's safe
2-element OffsetArray(::Array{Float64,1}, 3:4) with eltype Float64 with indices 3:4:
257.0
2570.0
由于eachindex(c)==1:3
,这就是它求和的k
-值的范围,i
的范围尽可能大,因此i+k-3
保持在eachindex(x)==1:4的范围内
要通过在每个方向上用两个零填充x
来扩展i
的范围,请写入pad(i+k-3,2)
。要计算生成一个普通的基于1的数组所需的i
的偏移量,请在左侧写入i+
(然后-3
没有任何区别)。然后:
在较大的阵列上,这不会很快(目前),因为它必须在每一步检查它是在x
内还是在填充中。很可能DSP.conv
在这方面更聪明一些。(编辑--DSP.jl对于这个c
,似乎从来没有更快过;对于长度为1000的内核,对于x
中的10^6个元素,它更快过)看起来像是DPS.jl函数可以xcorr(x,c;padmode=:longest)
,而不需要反转。的确,但似乎应该使用padmode=:none
。