Matlab时频分析之连续小波变换CWT

1. 小波分析介绍

和傅里叶变换比，小波变换和短时傅里叶变换都有着相同的优点，就是可以同时在时域和频域观察信号。所以小波变换在非定常信号的分析中有很大的作用。

和短时傅里叶变换相比，小波变换有着窗口自适应的特点，即高频信号分辨率高（但是频率分辨率差），低频信号频率分辨率高（但是时间分辨率差），而在工程中常常比较关心低频的频率和高频出现的时间，所以近些年用途比较广泛。

在数学上，小波还有正交化等优点，应用领域广泛。
本文只讨论如何利用matlab实现cwt的时频分析

2. 小波分析基本原理

小波的含义，即为时间上衰减快，和傅里叶的正弦波相比要短。
一个典型的morlet小波如下图：

matlab有很多自带的小波函数，利用wavemngr(‘read’,1)可以进行小波的查看，利用waveinfo可以查看小波的相关信息。

在时域上，可以通过小波在时间上的移动，逐一比较不同位置的窗口信号，得到小波系数。小波系数越大，则小波与该段信号的拟合程度越好。计算时用小波函数与该窗口的信号卷积，作为该窗口下的小波系数。窗口的长度和小波的长度是相同的。

在频率域上，通过拉伸或压缩小波的长度，来改变小波的长短和频率，实现不同频率下的小波系数。相应的，窗口长度也会随着小波长度变化。由于高频处小波被压缩，时间窗变窄，使得时间分辨率更高。

将不同频率下的小波系数组合起来，便得到了时频变换的小波系数图。

从图上可以看到，低频处频率分辨率要好于高频处的。小波时频图的特点为整体呈现高频处高而瘦，低频处矮而宽。

小波中，一般用尺度scale来衡量小波的频率f，
两者之间的转换关系为：

        scale * f=Fs * wcf

公式中，Fs代表信号采样率，wcf为小波的中心频率（wave central freq），在matlab里可以用 centfrq(wavename) 来查询。

3. cwt的Matlab实现

matlab自带的有两种实现方式，一种是2006年版本推出的函数cwt，一种是2016年版本推出的函数cwt。两个函数名称相同，用法不同。

由于名称一样，在使用中，要想调用不同的版本，只能用输入输出格式来区分。

旧版本cwt用法为：

coefs = cwt(x,scales,'wname')

新版本cwt用法为：

[wt,f] = cwt(x,wname,fs)

最明显的区别在于，新版本取消了自定义尺度函数scales的功能。同时新版本还更新替换了一部分小波函数。旧版本支持 ‘haar’， ‘db’， ‘sym’， ‘cmor’，‘mexh’，‘gaus’，‘bior’等小波，新版本支持’morse’， 'amor’和 'bump’小波。
新版小波的介绍可以参见：
https://ww2.mathworks.cn/help/wavelet/gs/choose-a-wavelet.html

新版本的小波函数用法如下：

% 定义信号信息
fs=2^6;    %采样频率
dt=1/fs;    %时间精度
timestart=-8;
timeend=8;
t=(0:(timeend-timestart)/dt-1)*dt+timestart;
L=length(t);z=4*sin(2*pi*linspace(6,12,L).*t);%matlab自带的小波变换
%新版本
figure(1)
[wt,f,coi] = cwt(z,'amor',fs);
pcolor(t,f,abs(wt));shading interp

旧版本的小波函数用法如下：
这里用到了cmor小波，以及频率转尺度的方法。

% 定义信号信息
fs=2^6;    %采样频率
dt=1/fs;    %时间精度
timestart=-8;
timeend=8;
t=(0:(timeend-timestart)/dt-1)*dt+timestart;
L=length(t);z=4*sin(2*pi*linspace(6,12,L).*t);
%旧版本
wavename='cmor1-3'; %可变参数，分别为cmor的
%举一个频率转尺度的例子
fmin=2;
fmax=20;
df=0.1;f=fmin:df:fmax-df;%预期的频率
wcf=centfrq(wavename); %小波的中心频率
scal=fs*wcf./f;%利用频率转换尺度
coefs = cwt(z,scal,wavename);
figure(2)
pcolor(t,f,abs(coefs));shading interp

对于cmor小波Fc和Fb的选取，可以认为最终结果只与Fc*√Fb的乘积大小有关就行。实际应用中具体值需要根据最终效果选择。

cmor小波最终得到的coefs小波系数，是一个复数矩阵，绝对值abs()代表信号的幅值，角度angle()代表信号的相位。一般用小波系数的实部real()来同时表示信号正负变化。

其实cwt的原理很简单，就是用不同尺度的小波逐个窗口去卷积，得到小波系数矩阵。所以根据原理，可以自己编程实现小波变换。

自己编程的cwt函数如下，这里主要算法参考了matlab官方的文档。这里依然用的是cmor小波作为例子，morlet函数公式可以查询到，也可以用cmorwavf()函数调用：

fs=2^6;    %采样频率
dt=1/fs;    %时间精度
timestart=-8;
timeend=8;
t=(0:(timeend-timestart)/dt-1)*dt+timestart;
L=length(t);
z=4*sin(2*pi*linspace(6,12,L).*t);%定义计算范围和精度
fmin=2;
fmax=20;
df=0.1;
totalscal=(fmax-fmin)/df;
f=fmin:df:fmax-df;%预期的频率%自己实现的小波函数
coefs2=cwt_cmor(z,1,3,f,fs);
figure(3)
pcolor(t,f,abs(coefs2));shading interp%后面是函数
function coefs=cwt_cmor(z,Fb,Fc,f,fs)
%1 小波的归一信号准备
z=z(:)';%强行变成y向量，避免前面出错
L=length(z);
%2 计算尺度
scal=fs*Fc./f;%3计算小波
shuaijian=0.001;%取小波衰减长度为1%
tlow2low=sqrt(Fb*log(1/shuaijian));%单边cmor衰减至1%时的时间长度，惨叫cmor的表达式%3小波的积分函数
iter=10;%小波函数的区间划分精度
xWAV=linspace(-tlow2low,tlow2low,2^iter);
stepWAV = xWAV(2)-xWAV(1);
val_WAV=cumsum(cmorwavf(-tlow2low,tlow2low,2^iter,Fb,Fc))*stepWAV;
%卷积前准备
xWAV = xWAV-xWAV(1);
xMaxWAV = xWAV(end);
coefs     = zeros(length(scal),L);%预初设coefs%4小波与信号的卷积
for k = 1:length(scal)    %一个scal一行a_SIG = scal(k); %a是这一行的尺度函数j = 1+floor((0:a_SIG*xMaxWAV)/(a_SIG*stepWAV));%j的最大值为是确定的，尺度越大，划分的越密。相当于把一个小波拉伸的越长。if length(j)==1 , j = [1 1]; endwaveinscal = fliplr(val_WAV(j));%把积分值扩展到j区间，然后左右颠倒。f为当下尺度的积分小波函数%5 最重要的一步 wkeep1取diff(wconv1(ySIG,f))里长度为lenSIG的中间一段%conv(ySIG,f)卷积。coefs(k,:) = -sqrt(a_SIG)*wkeep1(diff(conv2(z,waveinscal, 'full')),L);%
end
end

输出的结果如下，可以看到和matlab自带的函数得到的结果基本相同。