scipy 二维阵列的一维卷积

chy5wohz 于 2022-12-04 发布在其他

关注(0)|答案(1)|浏览(201)

我有两个由信号集组成的阵列，都是16x90000阵列。换句话说，两个阵列中的每个阵列都有16个信号。我想对信号执行匹配滤波，逐行进行，将阵列1的第1行与阵列2的第1行进行相关，以此类推。我尝试使用scipy的signal.convolve2D，但速度非常慢。即使是一个2x90000的数组，也要花费几十秒的时间来卷积。我不确定是我的实现方式不对，还是有更有效的方法来实现我想要的结果。我知道数组很长，但我觉得它应该仍然是可以实现的。我有一种感觉convolve2d实际上是卷积到一个平方因子高于我想要的，并卷积行列太多，但我可能是误解了。
我的实现：

A.shape = (16,90000) # an array of 16 signals each 90000 samples long
B.shape = (16,90000) # another array of 16 signals each 90000 samples long

corr = sig.convolve2d(A,B,mode='same')

我还没喝多少咖啡所以我现在很可能是在犯傻。
请不要使用for循环。

scipy

来源：https://stackoverflow.com/questions/74625948/1d-convolution-of-2d-arrays

1条答案

按热度按时间

siotufzp1#

由于您需要逐行关联信号，因此最基本的解决方案是：

import numpy as np
from scipy.signal import correlate

# sample inputs: A and B both have n signals of length m

n, m = 2, 5
A = np.random.randn(n, m)
B = np.random.randn(n, m)

C = np.vstack([correlate(a, b, mode="same") for a, b in zip(A, B)])

# [[-0.98455996  0.86994062 -1.1446486  -2.1751074  -0.59270322]
#  [ 1.7945015   1.51317292  1.74286042 -0.57750712 -1.9178488 ]]]

避免循环解决方案的一种方法是盗版深度学习库，比如PyTorch。Torch的Conv1d（虽然名为conv，但它可以有效地执行交叉相关）可以处理这种情况。

import torch
import torch.nn.functional as F

# Convert A and B to torch tensors
P = torch.from_numpy(A).unsqueeze(0) # (1, n, m)
Q = torch.from_numpy(B).unsqueeze(1) # (n, 1, m)

# Use conv1d --- with groups = n
def torch_correlate(A, B, n):
    with torch.no_grad():
        return F.conv1d(A, B, bias=None, stride=1, groups=n, padding="same").squeeze(0).numpy()

R = torch_correlate(P, Q, n)
# [[-0.98455996  0.86994062 -1.1446486  -2.1751074  -0.59270322]
#  [ 1.7945015   1.51317292  1.74286042 -0.57750712 -1.9178488 ]]

然而，我相信结果不会有任何显著的差异，因为分组可能也在内部使用了某种形式的迭代。（另外，从torch转换到numpy，再转换回来需要考虑的开销）。
我建议一般使用第一种方法。除非你正在处理非常大的信号，那么理论上你可以使用PyTorch版本在GPU上运行它非常快，这是你不能用常规的scipy版本做到的。

赞(0）回复(0）举报 2022-12-04

我来回答

scipy 二维阵列的一维卷积

1条答案

相关问题

热门标签

最新问答