matlab时频分析之连续小波变换cwt

（2020年7月更新，第3节绘制了一个实部、虚部的关系图）

1 小波分析简介

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。所以小波变换非定常信号的分析中有很大的作用。

有关短时傅里叶变换的文章，可以参见我之前写的：
matlab时频分析之短时傅里叶变换 spectrogram
https://blog.csdn.net/weixin_42943114/article/details/88735799

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，关心高频出现的时间，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。
但是，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。

在时间域上，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，则证明小波与该段信号的拟合程度越好。计算中用小波函数与该窗口信号的卷积，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：
$$scale\ast f=Fs\ast wcf$$
公式中，Fs代表信号的采样频率，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。
（我也不知道为什么会这样。。。-_-||）

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