前言

前面提到信号FFT变换的基本原理是将信号看成是多个正弦信号(三角函数)叠加而成，但小波分析是将信号看成有小波函数叠加而成，这样在对非稳态信号进行分析时，则会利用到小波函数伸缩性等优点。

一、小波变换实现方式

小波变换分为：1、连续小波变化(CWT)；2、离散小波变化(DWT)。
其中连续小波变化主要用于信号的时频分析，离散小波变化用于信号的分解。

二、使用步骤

1.主要代码

代码如下（示例）：

import pywt
import numpy as np
import matplotlib.pyplot as pltdef cwt(x, fs, totalscal, wavelet='cgau8'):if wavelet not in pywt.wavelist():print('小波函数名错误')else:wfc = pywt.central_frequency(wavelet=wavelet)a = 2 * wfc * totalscal/(np.arange(totalscal,0,-1))  period = 1.0 / fs[cwtmar, fre] = pywt.cwt(x, a, wavelet, period) amp = abs(cwtmar)return amp, fredef dwt(x,wavelet='db3'):cA, cD = pywt.dwt(x, wavelet, mode='symmetric')ya = pywt.idwt(cA, None, wavelet, mode='symmetric')  yd = pywt.idwt(None,cD, wavelet,mode='symmetric') return ya, yd, cA, cD

2.示例Demo

代码如下（示例）：

# -*- coding: utf-8 -*-import pywt
import numpy as np
import matplotlib.pyplot as pltdef cwt(x, fs, totalscal, wavelet='cgau8'):if wavelet not in pywt.wavelist():print('小波函数名错误')else:wfc = pywt.central_frequency(wavelet=wavelet)a = 2 * wfc * totalscal/(np.arange(totalscal,0,-1))    period = 1.0 / fs[cwtmar, fre] = pywt.cwt(x, a, wavelet, period)  amp = abs(cwtmar)return amp, fredef dwt(x,wavelet='db3'):cA, cD = pywt.dwt(x, wavelet, mode='symmetric')ya = pywt.idwt(cA, None, wavelet, mode='symmetric')  yd = pywt.idwt(None,cD, wavelet,mode='symmetric')  return ya, yd, cA, cDif __name__ == '__main__':w = 5z = 30fs = 1024fsw = 5time = 10f = w * zt = np.linspace(0, time - 1 / fs, int(time * fs))x = (1 + 1 * np.sin(2 * np.pi * 20 * t)) * np.sin(2 * np.pi * f * t)amp, fre = cwt(x, fs, 512, 'morl')plt.figure(1)plt.subplot(2, 1, 1)plt.plot(t, x)plt.ylabel('Amplitude')plt.xlabel('time')plt.subplot(2, 1, 2)plt.contourf(t, fre, amp)plt.ylabel('Frequency')plt.xlabel('time')# 离散小波分析ya,yd,_,_ = dwt(x,'db3')plt.figure(2)plt.plot(t, ya)plt.xlabel('time')plt.ylabel('近似系数')plt.show()

总结

上面示例中，连续小波变化返回的是小波系数，尺度频率；离散小波变换返回的是近似系数、细节系数。
随着小波变化的发展，后面出现了小波包变换，对信号的细节分析进一步加强。
小波变换的效果受小波函数影响较大，曾经在故障诊断领域流行过一段时间，也出现了不少论文，但在该实际工程应用中，大家持谨慎态度。
PS：欢迎各位交流，后续有啥想实现的信号处理功能，请在下方评论区留言，或者关注公众号：不说话上代码

Python 信号分析——小波变换相关推荐

python信号分析_Python频谱分析
我正在尝试估计ECG信号的心率变异性的PSD.为了测试我的代码,我从fantasia ECG database中提取了R-R间隔.我已经提取了信号,可以访问here.为了计算PSD,我使用的是如下所示 ...
Python信号分析 | 连续信号的傅立叶变换
1.连续周期信号的傅立叶级数由傅立叶级数的形式可以看出,其都属于积分形式,故在MATLAB中和Python中均可以用积分函数来实现求解. 例:Python中代码如下: ""&qu ...
Python信号分析—波峰波谷
@[TOC](文章目录) #任务目标以折线图的形式表现信号,以茎图的形式表现波峰波谷数值,检验给出的波峰波谷数值是否与原信号相符一.Material 数据:GitHub - SHUTCM-tcme ...
计算机算法音乐专业,音乐信号分析算法的乐理简说（非音乐专业的乐理）
前言这篇文章不是讲乐理知识的,那是音乐制作人,编曲人员所需要钻研的学问,不过你要有兴趣也可以看看专业的乐理知识. 这里仅仅是说在音乐信号分析的项目中,我们需要知道的一些参数的意义. 在诸多信号处理, ...
心音与心电信号分析之一--6.26--心音信号数字滤波
这才是我要学习的重点哇... 传统的低通,高通滤波,维纳滤波,卡尔曼滤波,自适应滤波属于线性滤波,在消除噪声的同时,往往会造成信号的奇异点改变或信号边缘模糊不清等不利因素,而同态滤波主要解决的是信号与 ...
MNE-Python | 开源生理信号分析神器（一）
介绍MNE-Python系列文章,持续更新中- 0. 什么是MNE ? 开门见山地说,MNE是我用过的最强生理信号分析神器(可能是我见识浅薄,大佬勿喷),处理范围涵盖EEG.MEG等各种类型. MNE ...
【C4】基于深度学习的心电信号分析
★★★ 本文源自AI Studio社区精品项目,[点击此处]查看更多精品内容 >>> 基于深度学习的心电信号分析一.项目背景近年来,随着人工智能和算法的发展,以机器学习和深度学习 ...
《MATLAB语音信号分析与合成（第二版）》：第4章语音信号的线性预测分析
<MATLAB语音信号分析与合成(第二版)>:第4章语音信号的线性预测分析前言 1. 数据与函数路径设置 2. MATLAB仿真一:LPC的频谱分析 3. MATLAB仿真二:普通预测 ...
《MATLAB语音信号分析与合成（第二版）》：第8章基音周期的估算方法
<MATLAB语音信号分析与合成(第二版)>:第8章基音周期的估算方法前言 1. 数据与函数路径设置 2. MATLAB仿真一:基音周期提取的预处理 3. MATLAB仿真二:倒谱法的 ...

Python 信号分析——小波变换

文章目录

前言

一、小波变换实现方式

二、使用步骤

1.主要代码

2.示例Demo

总结

Python 信号分析——小波变换相关推荐

最新文章

热门文章