小波变换特征：时频联合分析提取多尺度信号特性
小波变换特征：时频联合分析提取多尺度信号特性
小波变换被称为"数学显微镜"，它能同时在时间（或空间）和频率两个维度上揭示信号的结构。与传统的傅里叶变换不同，小波变换能够捕获信号的瞬态变化和局部特征，尤其适合处理非平稳信号。本教程将从基础概念出发，带你掌握如何利用小波变换提取多尺度特征。
1. 为什么需要时频联合分析？
在工程和科学领域，许多真实信号（如生物电信号、振动信号、语音）的频率成分是随时间变化的。傅里叶变换只能告诉我们信号包含哪些频率，却无法定位这些频率在时间上的出现位置。
短时傅里叶变换（STFT） 通过在信号上滑动固定大小的窗口来获得时频谱，但其分辨率是固定的：窗口窄则时间分辨率高但频率分辨率低，窗口宽则相反。这种矛盾由海森堡测不准原理决定。
小波变换 突破了固定分辨率的限制：它使用可伸缩的窗口，在低频部分采用宽的窗口获得高频率分辨率，在高频部分采用窄的窗口获得高时间分辨率。这种自适应多分辨率分析能力，使小波变换成为提取瞬态、边缘和纹理等多尺度特征的强大工具。
2. 小波变换的核心概念
2.1 母小波
小波变换的基函数由一个母小波经过缩放和平移生成。母小波必须满足振荡性和快速衰减的条件，即函数在时域和频域都具有局部化特性。常用的母小波有：
- Haar小波：最简单的不连续小波，适合演示原理。
- Daubechies小波 (dbN)：具有紧支撑和正交性，广泛用于信号处理。
- Morlet小波：复值小波，兼具良好的时频聚集性，常用于连续小波变换。
- Mexican hat小波：高斯函数的二阶导数，用于边缘检测。
2.2 尺度与平移
- 尺度因子 ( a )：控制小波的伸缩。尺度越大，小波被拉伸，对应低频分析；尺度越小，小波被压缩，对应高频分析。尺度与频率成反比关系。
- 平移因子 ( b )：控制小波在时间轴上的位置，通过移动小波覆盖整个信号。
通过对母小波 ( \psi(t) ) 进行缩放和平移，得到一族基函数： [ \psi_{a,b}(t) = \frac{1}{\sqrt{a}} \psi\left( \frac{t - b}{a} \right) ]
3. 连续小波变换
连续小波变换（CWT）将信号 ( x(t) ) 与所有尺度和所有平移的小波基进行内积，生成一个二维表示： [ W(a, b) = \int_{-\infty}^{\infty} x(t) \cdot \frac{1}{\sqrt{a}} \psi^* \left( \frac{t - b}{a} \right) dt ] 结果是一个尺度-时间（或频率-时间）的图谱，称为尺度图（scalogram）。尺度图的每一个点反映了信号在某一时刻、某一尺度上的能量大小。
CWT 常用于可视化和分析信号的时频结构，但由于其连续参数导致信息高度冗余，计算成本较高，实际特征提取更常使用离散形式。
4. 离散小波变换
离散小波变换（DWT）通过二进离散化尺度因子 ( a = 2^j ) 和平移因子 ( b = k \cdot 2^j ) 来降低冗余，实现快速计算。它利用Mallat算法，通过一系列高通和低通滤波器对信号进行分解。
4.1 多级分解
每一级分解将信号分为：
- 近似系数：低频分量，刻画信号的大致形状和趋势。
- 细节系数：高频分量，捕获信号的细节和瞬态变化。
对近似系数继续分解，就形成了小波分解树。例如，一个3层分解的结构如下：
原始信号
│
├─ cA1 (近似)
│ ├─ cA2
│ │ ├─ cA3
│ │ └─ cD3
│ └─ cD2
└─ cD1
不同级别的细节系数对应不同的频率带，级别越高，频率越低。这种多级分解天然适合提取多尺度特征。
4.2 小波包变换
标准DWT只对近似系数进行再分解。小波包变换则将分解拓展到细节系数，形成一个完整的二叉树结构，能够更精细地划分频率带，适合需要高频段细分特征的场景。
5. 小波特征的提取方法
从变换后的系数中，我们可以提炼出反映信号本质的数值特征，用于模式识别、故障诊断等任务。
5.1 各频带能量特征
对每一层（或每个节点）的系数计算能量，组成特征向量。 [ E_i = \sum_{k} |c_i(k)|^2 ] 各频带能量通常以归一化后的形式使用，反映信号能量在不同频率范围的分布。例如，一个3层DWT可提取4个能量特征（cA3, cD3, cD2, cD1）。该特征对非平稳变化鲁棒，是最常用的特征之一。
5.2 统计特征
基于每层系数，可以计算多种统计量：
- 均值、标准差、方差：描述系数的中心趋势和散布程度。
- 偏度、峭度：反映系数分布的形状，峭度对冲击性故障敏感。
- 峰值因子、波形因子：帮助区分信号的平稳性与脉冲性。
5.3 小波熵
熵衡量系统的紊乱程度。常用的小波熵有：
- 小波能量熵：基于各频带相对能量的香农熵，值越大表示能量分布越均匀。
- 小波奇异熵：对系数矩阵进行奇异值分解后计算熵，对信号突变敏感。
- 小波包熵：在小波包分解树上计算，可提供更细粒度的复杂度信息。
5.4 局部极值与过零率
从细节系数中提取局部极大值的位置、幅度，可以定位信号的突变点（如心电图的R波检测）。系数的过零率能粗略反映对应频带的主频变化。
5.5 小波域分形特征
对于具有自相似结构的信号（如机械设备摩擦、纹理图像），可在小波域计算分形维数，作为跨尺度的不变性特征。
6. 实战示例：基于Python的小波特征提取
以下代码片段使用 PyWavelets 库进行3层小波分解并提取各频带能量占比。
import pywt
import numpy as np
# 示例信号
fs = 1000
t = np.linspace(0, 1, fs)
signal = np.sin(2 * np.pi * 10 * t) + 0.5 * np.random.randn(fs)
# 选择小波基并做3层分解
coeffs = pywt.wavedec(signal, 'db4', level=3)
cA3, cD3, cD2, cD1 = coeffs
# 计算各层能量
energy = [np.sum(c**2) for c in coeffs]
total_energy = sum(energy)
energy_ratio = [e / total_energy for e in energy]
print("近似cA3能量占比:", energy_ratio[0])
print("细节cD3能量占比:", energy_ratio[1])
print("细节cD2能量占比:", energy_ratio[2])
print("细节cD1能量占比:", energy_ratio[3])
在此基础上，可扩展计算方差、熵等特征，构建最终的特征向量。
7. 选择合适的小波基与分解层数
- 小波基的选择：与信号形状相似的基函数可带来更稀疏的表示。分析瞬态冲击常选db4～db10；心电信号常用sym4或bior小波；Morlet适合连续谱分析。
- 分解层数的确定：层数过多会导致近似系数包含的信息过少，层数过少则频带划分不够精细。常用准则为 ( L = \lfloor \log_2(N) \rfloor - 1 )，其中 ( N ) 为信号长度，但实际应用中需要根据关心的最低频率成分来调整。
8. 小波特征的典型应用
- 机械故障诊断：通过分析振动信号各频带的能量分布和峭度变化，早期发现轴承、齿轮裂纹。
- 生物医学信号处理：脑电EEG信号的节律波提取（δ、θ、α、β、γ），心电ECG的QRS复合波检测，肌电信号的疲劳特征分析。
- 语音与声学分析：提取梅尔频率域小波系数作为音频分类特征。
- 图像纹理识别：2D小波分解得到水平、垂直、对角细节子带，从中获取均值和方差作为纹理特征。
- 电力系统扰动检测：利用离散小波变换定位电压骤降、暂态脉冲，提取扰动持续时间与强度特征。
9. 小结
小波变换通过多尺度分析实现了信号在时域和频域的双重定位，它生成的系数蕴藏着丰富的局部结构信息。围绕这些系数构造的能量特征、统计量、熵值等，能够刻画信号的平稳度、奇异性、复杂度以及频带分布，成为模式识别领域极其有效的前端。
掌握小波变换特征的提取流程后，建议在真实数据集上尝试对比不同的母小波、分解层数和特征组合，以找到针对具体问题的最优配置。