Morlet小波变换实战指南：从热图解读到时频分析

1. 为什么你需要Morlet小波变换？一个信号分析老兵的视角

干了这么多年信号处理，我见过太多人一上来就抱着傅里叶变换不放，结果对着一个心电信号或者一段股票价格曲线，死活说不清那个异常波动到底发生在哪一秒。傅里叶变换就像给你一张乐谱，告诉你这首曲子用了哪些音符（频率），但它没法告诉你第二小节第三拍的那个高音“哆”具体是什么时候响起的。这时候，你就需要一件更趁手的兵器——小波变换，而Morlet小波，就是这件兵器里最经典、最常用的一把“瑞士军刀”。

简单来说，Morlet小波变换能帮你同时看清信号的“时间”和“频率”。想象一下你在观察一段河流的水流：傅里叶变换只能告诉你这条河总体上有多少湍流（高频）和多少平缓的暗流（低频）；而Morlet小波变换则像给你一部延时摄影机，不仅能告诉你湍流和平缓暗流各有多少，还能精确指出“下午3点05分，在河中央位置出现了一个持续2秒的漩涡（特定时间、特定频率的事件）”。这就是时频分析的魅力，它让你不再对信号的变化“睁眼瞎”。

那么，谁最需要这个工具呢？如果你是做机械故障诊断的工程师，想从振动信号里揪出轴承是哪一刻开始出现细微裂纹的；如果你是脑电波（EEG）或心电信号（ECG）的研究者，想定位某个特征波（比如α波）具体出现和消失的时间；或者你是在分析金融时间序列、气候变化数据、甚至音频信号，但凡你的数据随着时间变化，并且你想知道“什么时候发生了什么变化”，Morlet小波变换就是你工具箱里不可或缺的利器。它不挑食，对非平稳信号（统计特性随时间变化的信号）尤其友好，这也是它比传统傅里叶方法更强大的地方。

接下来，我不会跟你大谈特谈复杂的数学公式推导，那玩意儿留给教科书。咱们直接上手，用Python代码和真实的案例，一步步带你从生成数据、做变换、画图，到最终看懂那些令人眼花缭乱的热图和时频图，让你真正能把这套方法用在自己的项目里。我踩过的坑、总结的技巧，都会毫无保留地分享给你。

2. 动手之前：理解核心概念与准备工作

在敲代码之前，花几分钟把几个核心概念捋清楚，后面看图解读才能心里有底。不然，你面对输出结果，可能只是一脸茫然地看着一堆彩色格子。

2.1 尺度、频率与时间：小波变换的“三维眼镜”

首先，我们必须彻底弄懂“尺度”这个概念，它是小波变换的灵魂。你可以把“尺度”想象成一把可伸缩的“观测尺”或“时间窗口”。

• 尺度小（比如尺度=1）：这把观测尺在时间上“缩得很短”，只覆盖很短的一段时间。因为它看得细，所以对信号里快速变化的成分（高频）特别敏感。好比用放大镜看树叶的脉络，细节（高频波动）一览无余，但你看不到整棵树的轮廓。
• 尺度大（比如尺度=30）：这把观测尺在时间上“拉得很长”，覆盖了很长的时间段。因为它看得广，所以擅长捕捉信号里缓慢变化的趋势（低频）。好比退后几步看整棵树，你能看清树冠的形状（长期趋势），但看不清某片叶子的锯齿。

所以，尺度和频率是反比关系：尺度越小，对应的频率越高；尺度越大，对应的频率越低。Morlet小波变换就是同时使用无数把不同长度的“观测尺”，从最短到最长，对信号的每个时间点都量一遍，记录下每把尺子在该时间点“看到”的信号强度。这个强度，就是小波系数。

最终，我们得到一个三维的数据立方体：X轴是时间，Y轴是尺度（对应频率），Z轴是小波系数的强度（通常用颜色深浅表示）。我们平时看到的热图，就是这个三维立方体在“时间-尺度”平面上的俯视图，颜色代表高度（强度）。

2.2 环境搭建与数据准备

理论说再多不如跑行代码。我们使用Python，因为它有强大的科学计算生态。确保你安装了以下库：

pip install numpy matplotlib pywt scipy

• numpy: 数据处理基石。
• matplotlib: 画图神器，热图、等高线图都靠它。
• pywt: 专业的小波变换库，我们主要用它来生成Morlet小波函数。
• scipy: 这里我们主要用它的信号生成模块来创建示例信号。

为了演示，我们创建一个包含多种成分的合成信号，这样你能在结果中清晰地看到对应特征：

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

# 1. 设置基本参数
sampling_rate = 1000  # 采样率 1000 Hz
duration = 5          # 信号时长 5 秒
t = np.linspace(0, duration, int(sampling_rate * duration), endpoint=False) # 时间轴

# 2.