BiTCN-BiGRU基于双向时间卷积网络结合双向门控循环单元的数据多特征分类预测（多输入单输出）-优快云博客

本文链接：https://blog.youkuaiyun.com/j_jinger/article/details/145395661

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知，求助可私信。

🔥 内容介绍

本文深入探讨了小波同步压缩变换（Wavelet Synchrosqueezed Transform, WST）在将一维时域信号转化为二维时频图像的应用。WST作为一种先进的时频分析工具，在传统连续小波变换（Continuous Wavelet Transform, CWT）的基础上，通过重新分配时频系数，提高了时频分辨率，从而更清晰地揭示信号的瞬时频率变化。本文详细阐述了WST的理论基础、算法实现，并重点讨论了如何利用WST将一维信号转化为二维图像，用于信号特征的可视化分析。此外，本文还探讨了WST在信号去噪、特征提取等方面的潜在应用，并展望了其未来发展方向。

1. 引言

在信号处理领域，时频分析是理解非平稳信号的重要手段。传统傅里叶变换（Fourier Transform, FT）虽然在频域分析中具有广泛应用，但其固有的局限性在于无法提供时间定位信息，不适用于分析频率随时间变化的信号。为了克服这一不足，出现了短时傅里叶变换（Short-Time Fourier Transform, STFT）和小波变换（Wavelet Transform, WT）等时频分析方法。STFT虽然可以提供局部时频信息，但其分辨率受到海森堡不确定性原理的限制。而小波变换则凭借其多分辨率分析能力和良好的时域、频域局部化特性，在非平稳信号分析中得到了广泛应用。然而，传统连续小波变换（CWT）的时频表示仍然存在着一定的局限性，特别是对于频率分布较宽的信号，其时频表示往往较为模糊，难以清晰地展现信号的瞬时频率变化。

小波同步压缩变换（WST）正是为了解决CWT的这一不足而提出的。WST通过将CWT的时频系数沿频率方向重新分配，从而提高了时频分辨率，使得时频图更加清晰和紧凑，更能准确地反映信号的瞬时频率变化规律。本文旨在深入探讨WST的理论基础、算法实现，并着重研究如何利用WST将一维信号转化为二维图像，从而为信号特征的可视化分析提供新的方法。

2. 小波同步压缩变换的理论基础

2.1 连续小波变换（CWT）连续小波变换的定义为：

CWT(s, τ) = ∫ f(t) * ψ*((t - τ) / s) dt

其中，f(t) 为待分析的信号，ψ(t) 为母小波函数，s 为尺度参数，τ 为平移参数，ψ(*) 表示复共轭。CWT通过将母小波函数进行尺度伸缩和平移，与待分析信号进行卷积，从而得到信号在不同尺度和位置上的时频表示。

2.2 小波同步压缩变换（WST）

WST的核心思想是在CWT的基础上，对CWT系数进行重新分配，使其集中在信号的瞬时频率附近。其步骤如下：

计算瞬时频率：首先，计算CWT系数的瞬时频率（或伪频率）：

ω(s, τ) = -1 / (2πi) * (∂/ ∂τ CWT(s, τ) ) / CWT(s, τ)
重新分配时频系数：根据计算得到的瞬时频率，将CWT系数 CWT(s, τ) 从尺度 s 重新分配到对应的频率轴上，假设 ω(s, τ) 对应的频率为 ω'，则WST系数定义为：

其中，δ(x) 为狄拉克函数，实际计算中通常用合适的插值方法逼近。

2.3 WST的核心优势

与CWT相比，WST具有以下核心优势：

更高的时频分辨率：通过重新分配时频系数，WST能够有效地压缩时频能量，使得时频表示更加清晰和紧凑。
更精确的瞬时频率估计： WST能够更准确地估计信号的瞬时频率变化，尤其适用于分析具有快速变化频率的非平稳信号。
更好的时频可视化：更清晰的表示使得信号特征更容易被观察和分析，从而促进了对信号本质的理解。

3. WST将一维数据转化为二维图像的方法

WST本身得到的是一个二维的频率-时间矩阵，可以直接视为图像。将一维数据转化为二维图像的具体过程如下：

信号预处理：对原始的一维信号进行预处理，例如滤波、归一化等，以提高信号的质量和信噪比。
选择合适的母小波：根据信号的特点选择合适的母小波函数，常用的母小波函数包括Morlet小波、高斯小波等。
计算CWT系数：利用选定的母小波对一维信号进行CWT变换，得到时频系数矩阵。
计算瞬时频率：根据CWT系数计算出每一个时频点的瞬时频率。
计算WST系数：基于CWT系数和瞬时频率，进行同步压缩，得到WST系数矩阵。
生成时频图像：将WST系数矩阵映射到二维图像上，其中，横轴表示时间，纵轴表示频率，像素的亮度或颜色表示该时频点的WST系数幅值。通常可以使用灰度图或彩色图来表示，以便更好地展现信号的时频特征。

4. WST的应用

将一维信号转化为二维图像后，可以进行多种信号处理和分析，例如：

信号去噪：在WST时频图像中，噪声通常表现为随机的分布，而信号的能量则会集中在特定的时频区域。因此，可以通过阈值化处理等方法，对噪声进行有效抑制，提高信号质量。
特征提取：从WST时频图像中提取信号的特征，例如能量分布、瞬时频率轨迹、时频脊线等，这些特征可以用于信号识别、分类等应用。
故障诊断：通过分析设备运行时的振动信号或其他信号，利用WST的时频图像进行故障诊断，定位故障发生的时刻和频率。
生物医学信号分析：例如，心电信号(ECG)和脑电信号(EEG)中包含着丰富的生理信息，WST可以帮助分析这些信号的瞬时频率变化，有助于诊断疾病。

5. 讨论与展望

WST作为一种先进的时频分析工具，在处理非平稳信号方面具有显著优势。它不仅可以提供高分辨率的时频表示，还能够准确估计信号的瞬时频率变化，为信号的分析和理解提供了强大的工具。然而，WST仍存在一些挑战需要克服，例如：