Numpy: correlación cruzada normalizada (Trac # 1714)
_Boleto original http://projects.scipy.org/numpy/ticket/1714 el 15-01-2011 por el usuario de trac bubla, asignado a unknown._
Hola,
Hice un parche que extiende la función correlate para que pueda calcular la correlación cruzada normalizada ahora
Consulte [ http://en.wikipedia.org/wiki/Cross-correlation#Normalized_cross -correlation el artículo de Wikipedia].
También he añadido documentación y un doctest simple, por supuesto.
El parche está contra el último maestro de Git.
numpy-gitbot
Todos 12 comentarios
Archivo adjunto agregado por el usuario de trac bubla el 15-01-2011: correlate.parch
numpy-gitbot
en 20 oct. 2012
_ @ rgommers escribió el 2011-03-29_
Dado que se trata de una nueva funcionalidad, debe preguntar en la lista de correo si se puede incluir.
Es necesaria una prueba unitaria, las pruebas de documentación no se ejecutan de forma predeterminada en el conjunto de pruebas.
numpy-gitbot
en 20 oct. 2012
Esto puede resultar útil.
charris
en 20 feb. 2014
¿Alguien puede verificar si esto es correcto?
plurch
en 6 abr. 2014
Me pregunto qué es lo correcto en combinación con mode='full' .
seberg
en 6 abr. 2014
Sucede que necesito esta función, pero no estoy seguro de que sea correcta, excepto cuando mode = 'válido' Y ambas matrices tienen el mismo tamaño. En otras palabras, creo que la normalización debe aplicarse a cada ventana.
jamessynge
en 19 jun. 2014
alguna actualización sobre el asunto?
¿Se ha probado el parche para todos los modos correlacionados?
VlamV
en 20 oct. 2014
@VlamV , como no hay nada aquí, no, no lo creo. Si tiene tiempo para arreglarlo para los otros modos, creo que podríamos agregarlo.
seberg
en 20 oct. 2014
Alguna noticia sobre esto ?
hadim
en 2 feb. 2015
¿No tendría más sentido dividir por la desviación estándar de la porción de a que se usa realmente (en el caso de mode=same o mode=full )
Además, ¿no tendría sentido usar las opciones bias y ddof de numpy.corrcoef lugar de simplemente dividir por len(a)
wilberth
en 1 oct. 2015
Hay una respuesta en SO que apunta aquí: https://stackoverflow.com/a/5639626/5392420
También tiene incluido el código más relevante. Como el archivo adjunto anterior ya no está disponible (al menos para mí), pensé que podría ser útil tener esto como un comienzo para la implementación.
También puedo confirmar que, al menos en mi caso, funciona para "normalizar" los vectores de entrada antes de usar np.correlate así y se devolverán valores razonables dentro de un rango de [-1,1]:
a = (a - np.mean(a)) / (np.std(a) * len(a))
b = (b - np.mean(b)) / (np.std(b))
c = np.correlate(a, b, 'full')
ElpyDE
en 11 jul. 2017
La normalización por la parte de la señal a que se usa realmente (ver el comentario de @wilberth ) se implementa con métodos numpy en la función correlate_template en este repositorio: https://github.com/trichter/xcorr
trichter
en 26 mar. 2019
Temas relacionados
amuresan
·
4Comentarios
perezpaya
·
4Comentarios
kevinzhai80
·
4Comentarios
Foadsf
·
3Comentarios
MorBilly
·
4Comentarios
Comentario más útil
Hay una respuesta en SO que apunta aquí: https://stackoverflow.com/a/5639626/5392420
También tiene incluido el código más relevante. Como el archivo adjunto anterior ya no está disponible (al menos para mí), pensé que podría ser útil tener esto como un comienzo para la implementación.
También puedo confirmar que, al menos en mi caso, funciona para "normalizar" los vectores de entrada antes de usar
np.correlateasí y se devolverán valores razonables dentro de un rango de [-1,1]: