16×90000信号数组逐行匹配滤波：替代scipy.convolve2d高效无循环方案

你之前用scipy.signal.convolve2d的核心问题是：这个函数是做二维卷积，会对整个矩阵的行和列进行交叉运算，完全超出了“逐行对应互相关”的需求，自然效率极低。下面给出两种无循环的高效实现方案：

方案一：用Scipy原生函数直接指定轴运算 #

scipy.signal.correlate支持通过axis参数指定运算维度，直接实现逐行互相关，内部做了性能优化，是最简单高效的方式：

from scipy import signal
import numpy as np

A = np.random.rand(16, 90000)  # 16条长度90000的信号
B = np.random.rand(16, 90000)

# 指定axis=1，对每行执行互相关，mode='same'匹配需求
corr = signal.correlate(A, B, mode='same', axis=1)

该方法会自动选择最优运算逻辑（FFT或直接卷积），避免了不必要的行列间运算，速度比convolve2d快几个数量级。

方案二：基于FFT手动实现（适合自定义需求） #

如果需要更精细的控制，可以利用FFT卷积定理实现逐行互相关，借助numpy的广播和轴参数实现无循环：

import numpy as np

A = np.random.rand(16, 90000)
B = np.random.rand(16, 90000)

signal_len = A.shape[1]

# 逐行执行FFT
fft_A = np.fft.rfft(A, axis=1)
# 对B的FFT结果取共轭（互相关等价于A与翻转B的卷积，FFT域对应相乘共轭）
fft_B_conj = np.conj(np.fft.rfft(B, axis=1))

# 相乘后逆FFT得到全长度互相关结果
full_corr = np.fft.irfft(fft_A * fft_B_conj, axis=1)

# 截取到mode='same'的长度（取中间signal_len个点）
start = (full_corr.shape[1] - signal_len) // 2
corr_same = full_corr[:, start:start + signal_len]

内容的提问来源于stack exchange，提问作者Jack