本实验的目的是演示如何使用 Python 的 Matplotlib 库绘制互相关和自相关图。互相关和自相关是用于测量两个信号之间相似度的数学工具。互相关测量两个不同信号之间的相似度，而自相关测量一个信号与其自身的时延版本之间的相似度。这些工具常用于信号处理、图像分析和时间序列分析。
虚拟机启动完成后，点击左上角切换到“笔记本”标签页，以访问 Jupyter Notebook 进行练习。
有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。
如果你在学习过程中遇到问题，随时向 Labby 提问。课程结束后提供反馈，我们会及时为你解决问题。
首先，我们需要导入必要的库。在本实验中，我们将使用 NumPy 和 Matplotlib。
import matplotlib.pyplot as plt
import numpy as np接下来，我们将使用 NumPy 生成两个随机数据数组。我们将使用这些数组来演示互相关和自相关。
np.random.seed(19680801)
x, y = np.random.randn(2, 100)现在我们将使用 Matplotlib 中的 xcorr 函数绘制这两个数组之间的互相关。
fig, ax = plt.subplots()
ax.xcorr(x, y, usevlines=True, maxlags=50, normed=True, lw=2)
ax.grid(True)
plt.show()xcorr 函数接受以下参数：
x：第一个数据数组y：第二个数据数组usevlines：布尔值，是否绘制从 0 到相关值的垂直线maxlags：整数，计算相关性的最大滞后数normed：布尔值，是否对相关值进行归一化lw：整数，绘图的线宽现在我们将使用 Matplotlib 中的 acorr 函数绘制 x 数组的自相关。
fig, ax = plt.subplots()
ax.acorr(x, usevlines=True, normed=True, maxlags=50, lw=2)
ax.grid(True)
plt.show()acorr 函数接受以下参数：
x：要计算自相关的数据数组usevlines：布尔值，是否绘制从 0 到相关值的垂直线normed：布尔值，是否对相关值进行归一化maxlags：整数，计算相关性的最大滞后数lw：整数，绘图的线宽在本实验中，我们学习了如何在 Python 的 Matplotlib 中使用互相关和自相关图。我们首先导入了必要的库，然后使用 NumPy 生成了随机数据。接着，我们使用 Matplotlib 中的 xcorr 和 acorr 函数绘制了数据的互相关和自相关。这些工具对于测量两个信号之间的相似性很有用，并且常用于信号处理、图像分析和时间序列分析。