复数小波包能量矩熵的可视化应用

出现这个错误是因为pywt.WaveletPacket类只适用于离散小波，而'cmor'是连续小波。对于连续小波包变换，需要使用不同的方法来实现。

以下是修正后的代码，使用连续小波变换（CWT）来替代小波包变换，并对结果进行可视化。

import numpy as np
import pywt
import matplotlib.pyplot as plt

def complex_wavelet_transform(signal, wavelet, scales):
    # 复数小波变换
    coeffs, freqs = pywt.cwt(signal, scales, wavelet)
    return coeffs, freqs

def energy_moment_entropy(coeffs):
    # 计算能量矩熵
    energy = np.sum(np.abs(coeffs)**2, axis=1)
    energy_norm = energy / np.sum(energy)
    entropy = -np.sum(energy_norm * np.log(energy_norm + 1e-10))  # 加入1e-10防止对数零
    return energy_norm, entropy

# 示例信号
np.random.seed(42)
signal = np.sin(2 * np.pi * 5 * np.linspace(0, 1, 128)) + np.random.randn(128) * 0.1

# 复数小波变换
scales = np.arange(1, 64)
coeffs, freqs = complex_wavelet_transform(signal, 'cmor', scales)

# 计算能量矩熵
energy_norm, entropy = energy_moment_entropy(coeffs)
print("Energy Moment Entropy:", entropy)

# 可视化
plt.figure(figsize=(12, 8))

# 原始信号
plt.subplot(3, 1, 1)
plt.plot(signal)
plt.title('Original Signal')
plt.xlabel('Time')
plt.ylabel('Amplitude')

# 复数小波变换后的系数
plt.subplot(3, 1, 2)
plt.imshow(np.abs(coeffs), extent=[0, 1, scales[-1], scales[0]], cmap='jet', aspect='auto')
plt.colorbar(label='Coefficient Magnitude')
plt.title('Complex Wavelet Transform Coefficients')
plt.xlabel('Time')
plt.ylabel('Scale')

# 能量分布
plt.subplot(3, 1, 3)
plt.bar(np.arange(len(energy_norm)), energy_norm)
plt.title('Energy Distribution')
plt.xlabel('Scale Index')
plt.ylabel('Normalized Energy')

plt.tight_layout()
plt.show()

解释

1. 复数小波变换：使用pywt.cwt函数进行连续小波变换，将信号分解为不同尺度（频带）。
2. 能量矩熵计算：计算各尺度上的能量，并基于能量分布计算熵值。
3. 可视化：
   • 第一幅图显示了原始的示例信号。
   • 第二幅图显示了信号经过连续小波变换后的系数图，颜色表示系数的大小。
   • 第三幅图显示了各尺度上的归一化能量分布。

通过这种方法，可以直观地看到信号在不同尺度上的能量分布，以及复数小波变换后的系数变化，有助于理解信号的特征和复杂性。