要回答您的第一个问题，
numpy.correlate(a, v,mode)是对进行反卷积
a，
v并给出由指定模式限制的结果。的卷积的定义，C（T）=＆Sigma;
-∞<I <∞一个我v吨+ I其中-∞<T
<∞，允许从结果-∞〜∞，但显然不能存储无限长的数组。因此必须对其进行裁剪，这就是该模式的用处。共有3种不同的模式：完全，相同和有效：
- “全”模式返回结果为每一个
t
地方都a
和v
有一定的重叠。 - “相同”模式返回的结果与最短向量（
a
或v
）的长度相同。 - 仅当
a
和v
完全重叠时，“有效”模式才返回结果。该文件为numpy.convolve
提供了有关模式的更多细节。
关于第二个问题，我想
numpy.correlate是在
给您自相关，也给您更多的相关性。自相关用于确定在某个时间差处信号或功能与自身的相似程度。在时间差为0的情况下，自相关应该是最高的，因为信号与其自身相同，因此您希望自相关结果数组中的第一个元素最大。但是，相关不是在时间差为0时开始的。它以负的时间差开始，接近0，然后变为正值。也就是说，您期望：
自相关（A）=＆Sigma; -∞<I <∞一个我v吨+ I其中0 <= T <∞
但是您得到的是：
自相关（A）=＆Sigma; -∞<I <∞一个我v吨+ I其中-∞<T <∞
您需要做的是获取相关结果的后半部分，这应该是您要寻找的自相关。一个简单的python函数可以做到：
def autocorr(x): result = numpy.correlate(x, x, mode='full') return result[result.size/2:]
当然，您将需要进行错误检查以确保它
x实际上是一维数组。另外，这种解释可能并不是最严格的数学解释。我一直在讨论无穷大问题，因为卷积的定义使用了无穷大，但这不一定适用于自相关。因此，这种解释的理论部分可能有点奇怪，但希望实际结果会有所帮助。这些
有关自相关的页面非常有用，如果您不介意使用符号和繁琐的概念，可以为您提供更好的理论背景。
