Ising模型Python中的自相关函数

发布于 2025-01-11 09:20:16 字数 1050 浏览 0 评论 0 原文

我正在尝试按照此 this 并且图表应类似于 具有较小的标准偏差。这是我的代码:

def computeAutocorrelation(Q_list,taunum,knum):
    A_list_tau = []
    A_std_tau = []
    
    for tau in range(taunum):
      
        A_list_k = [(Q_list[k]*Q_list[k+tau]- np.mean(Q_list[:knum-tau])**2)/variance(Q_list[:knum-tau]) for k in range(knum-tau)]

        A_list_tau.append(np.mean(A_list_k))
        A_std_tau.append(np.std(A_list_k))
        
        if A_list_tau[-1] <=0.01:
            A_list_tau.extend([np.nan]*(taunum-len(A_list_tau)))
            A_std1_tau.extend([np.nan]*(taunum-len(A_std_tau)))
            break

    return A_list_tau, A_std1_tau

但是,当我绘制这个函数时,我的图表看起来像 this 具有大标准偏差。

我在计算自相关函数或标准差时是否犯了任何错误?

I am trying to use Python to plot the graph of autocorrelation function of metropolis algorithm by following the methodology of this lecture note. Autocorrelation function in this lecture note are defined as this and the graph should look like this with small standard deviation. Here is my code:

def computeAutocorrelation(Q_list,taunum,knum):
    A_list_tau = []
    A_std_tau = []
    
    for tau in range(taunum):
      
        A_list_k = [(Q_list[k]*Q_list[k+tau]- np.mean(Q_list[:knum-tau])**2)/variance(Q_list[:knum-tau]) for k in range(knum-tau)]

        A_list_tau.append(np.mean(A_list_k))
        A_std_tau.append(np.std(A_list_k))
        
        if A_list_tau[-1] <=0.01:
            A_list_tau.extend([np.nan]*(taunum-len(A_list_tau)))
            A_std1_tau.extend([np.nan]*(taunum-len(A_std_tau)))
            break

    return A_list_tau, A_std1_tau

However when I plot this function, my graph look like this with large standard deviation.

Is there any mistake(s) I made in calculating autocorrelation function or standard deviation?

如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。

扫码二维码加入Web技术交流群

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。
列表为空,暂无数据
我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的 隐私政策 了解更多相关信息。 单击 接受 或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
原文