类EMD的“信号分解方法”及MATLAB实现（第八篇）—

本文主要是介绍类EMD的“信号分解方法”及MATLAB实现（第八篇）——离散小波变换DWT（小波分解），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在之前的系列文章里，我们介绍了EEMD、CEEMD、CEEMDAN、VMD、ICEEMDAN、LMD、EWT，我们继续补完该系列。

今天要讲到的是小波分解，通常也就是指离散小波变换（Discrete Wavelet Transform, DWT）。在网上有一些介绍该方法的文章，但是总感觉不够通俗或不够透彻，希望读完这篇能让你有所收获。

一、从小波分析到小波分解

小波分析是一种时频域分析方法，该方法兼顾了信号在时域和频域的信息。知乎上有一篇文章对小波分析的理解进行了生动的讲解，建议对小波分析概念不熟的同学先看一下。咚懂咚懂咚：能不能通俗的讲解下傅立叶分析和小波分析之间的关系？这篇文章中最后给出的小波变换的结果是这样的：

图1 连续小波变换

看起来十分厉害，不过同时会发现两个问题：运算量很大；只有数值解，没有解析解。上述这种小波分析方法叫连续小波变换（continuous wavelet transform, CWT）。

为了减少变换运算量，去除不必要的重复的系数，实际中使用的通常是离散小波变换（discrete wavelet transform, DWT）。

这里的“离散”指的是什么呢？

让我们先回到小波基波（也叫母小波）的表达式：

其中s是尺度参数，表征频率；t是位移参数，表征时间。这部分在答友的连接里也提到了。再看上一张图，xy坐标分别是SCALE和TRANSLATION，也就是s和t，他们在连续小波变换中是连续的。

所以，在离散小波变换中，“离散”的就是参数s和t。此时小波表达式写为：

j和k都是整数，通常取s0=2，τ0=1。

可以看出，随着j取值的递增，我们可以得到一串不同的小波（子小波，也叫女儿小波...）。这些子小波的尺度参数以2的j次方的形式增长。当使用这一系列的子小波，对一个连续函数进行离散分析时，我们所获得的是一组小波分析的系数，这个分析过程称为小波系列分解。

上边说道，尺度参数表征的是频率，在子小波中尺度参数以2的倍数增长（即小波的“长度”被“拉长”了2倍），那么子小波对应能检测到的频率值也会以1/2的倍数缩小。母小波所对应的频谱位于频率谱的高端，具有最大的频率谱范围- 而其他的子小波的频率谱则依次向频谱图的低频端移动，同时它们所覆盖的频率谱范围也相应地递减。在理想的情况下，所有的滤波器应该首尾相接互相覆盖。

图2 不同尺度的子小波在小波频率谱上的覆盖

是的，每个子小波就相当于一个滤波器，离散小波变换的过程就是逐级滤波的过程。

具体流程是怎样的呢？

用一句话描述就是：一组离散信号通过一系列的低通和高通滤波器，分别可以得到近似信号（用字母A表示）和细节信号（用字母D表示）。

用一张图描述就是：

图3 LP为低通滤波器，HP为高通滤波器，B为带宽，2B为2倍带宽

用一个例子来描述就是：

这段合成信号是由多个成分叠加而成的：一个10 Hz的低频正弦波和一个振幅为0.5的50 Hz高频正弦波，这两者代表信号的周期性成分。同时，信号中还包括了一个线性趋势项，表示信号的非周期性变化。除此之外，信号还叠加了标准差为0.5的高斯白噪声，为信号添加了随机性。这里使用了 dB4（第4级Daubechies小波）作为去除噪音操作的母小波。

原始信号

一阶小波分解的结果为：

一阶小波分解的近似信号（低通结果）

一阶小波分解的细节信号（高通结果）

二阶小波分解的结果为（即对A1信号做分解）：

二阶小波分解的近似信号（低通结果）

二阶小波分解的细节信号（高通结果）

三阶小波分解的结果为（即对A2信号做分解）：

三阶小波分解的近似信号（低通结果）

三阶小波分解的细节信号（高通结果）

四阶小波分解的结果为（即对A3信号做分解）：

四阶小波分解的近似信号（低通结果）

至此我们已经能够得到较好的低通滤波结果了。可以看到原始信号被逐级的，无遗漏地进行了高、低通滤波，且越接近低频分段越细，几乎想要哪个频段的特征都能得到，因而这个方法有个霸气的名字，叫filter banks。

小波分解的多尺度可以类比为我们使用不同的“放大镜”去观察一个物体。想象一下你手里有一张非常复杂的画，画面上有大的物体，如山脉、树木，但也有非常细小的细节，如叶子上的纹理或昆虫的触角。
粗尺度（低分辨率）：当你使用低倍的放大镜（或者站得很远）去看这幅画时，你可以看到大的物体，如山脉和树木，但可能看不到细小的纹理或昆虫。 在小波分解中，这就像我们查看信号的低频部分，捕获其主要的、宽泛的特征。
细尺度（高分辨率）：现在，如果你换一个高倍的放大镜（或者走近一些）去看同一幅画，你可能会失去对整体的感知，但可以清晰地看到叶子上的纹理或昆虫的触角等细节。 在小波分解中，这就像我们查看信号的高频部分，捕获其细节和快速的变化。
小波分解的美妙之处在于，它同时提供了多个尺度的视角，让我们既可以看到信号的整体特征，又可以看到其细节。这就像我们可以同时拥有多个不同倍率的放大镜，让我们在需要的时候选择合适的一个来观察画面。

二、小波分解更深一步的理解

我们先看一下下边这张图：

小波分解中的c与l

乍一看这张图与图3比较相像，不过仔细看下边的两个方框，即左侧分别标识了c和l的位置。

（一）关于小波分解系数

c的那一行是指的就是小波分解的向量。需要注意这个向量并不是上边几张图里的近似信号和细节信号，这里边存储的是小波分解的系数。小波系数是没有量纲单位的结果，需要经过重构这些系数得到实际有量纲的信号。

在我们之前讲过的小波阈值去噪方法就是针对这些小波系数，c这行的每个独立的方框（比如cA3）都可以重构到时域成为对应的滤波后的信号，也可以几个方框共同重构，这就是小波分解分量的筛选重构过程，这个过程是有实际工程应用意义的，比如可以实现滤波。

（二）小波分解和“其他类EMD分解方法”的区别

这里指的“其他类EMD方法”包括了EMD、EEMD、CEEMD、CEEMDAN、ICEEMDAN等。

小波分解与EMD分解最大的不同是源于分解机理的。

小波分解的分解结构是有包含关系的，每一层级的近似信号都要再分解为下一级的近似信号和细节信号，（这也直接导致在信号重构时不是那么随意），下图是一个典型信号的分解结果，我用红色箭头标出了其包含关系。

主要低频信号出现在每一个近似信号里

EMD通过连续地提取信号的局部极值，然后求解其上下包络，进而得到IMFs。这些IMFs是并列的关系，可以直接对选定的分量进行相加来实现重构，这种操作就比较直观了。

每个IMF分量都是由原始信号直接分解而来

那么这种分解机理的区别，会带来分解效果和应用上的什么不同呢？

我认为有以下几点：

上边讲到小波分解方法是多尺度的，高频分量在多个层级上被逐步细化剥离开来，让我们可以用更精准的手术刀切割出特征信号段，这是EMD所不具备的特点。
EMD可能会受到模态混叠的影响，导致不同模式的信号成分被混在一起；小波分解方法不同层级覆盖的频率范围不同，模态混叠现象会大大减少。
EMD的分解阶数是自适应的，换句话说无法人为干预；小波分解的分解层数是可以指定的，这方面灵活性更强。

三、小波分解DWT的MATLAB代码实现

小波分解的代码在网上可以找到一些，但是用起来不太趁手。

按照“类EMD”系列的代码的统一风格，笔者进行了封装，封装后的函数有三个，分别用于实现绘制小波分解图、小波分解各分量及频谱对应图，以及重构信号并绘制信号重构图。

（一）生成仿真信号

%% 1.生成仿真信号
Fs = 1000; % 采样频率
t = 0:1/Fs:1-1/Fs; % 时间向量
% 创建一个合成信号：包含不同频率的正弦波、趋势和噪声
signal = cos(2*pi*10*t) + 0.5*sin(2*pi*50*t) + t + 0.5*randn(size(t));
figure('color','white')
plot(t,signal,'k');xlabel('时间');ylabel('幅值') %绘制原始信号

待分解的原始信号

（二）小波分解图

%% 2.绘制DWT分解图
waveletType = 'db4';    %小波名称,可选范围参考这里：https://ww2.mathworks.cn/help/wavelet/ref/wfilters.html?searchHighlight=wname&s_tid=srchtitle_wname_2#d123e130597
decompositionLevel = 4; %小波分解水平，正整数
[a,d] = pDWT(signal, decompositionLevel, waveletType); % 调用函数进行分解和画图

只需要设置小波名称和小波分解水平，然后调用pDWT函数即可（函数获取方法见文末）

此时可以画出如下图：

（三）小波分解及频谱图

%% 3.绘制DWT分解图及频谱图
waveletType = 'db4';    %小波名称,可选范围参考这里：https://ww2.mathworks.cn/help/wavelet/ref/wfilters.html?searchHighlight=wname&s_tid=srchtitle_wname_2#d123e130597
decompositionLevel = 4; %小波分解水平，正整数
[a,d] = pDWTandFFT(signal, decompositionLevel, waveletType); % 调用函数进行分解和画图（及频谱图）

只需要设置小波名称和小波分解水平，然后调用pDWTandFFT函数即可（函数获取方法见文末）

此时可以画出如下图：

（四）小波分解重构及画图

%% 4.重构信号并绘制DWT重构图
waveletType = 'db4';    %小波名称,可选范围参考这里：https://ww2.mathworks.cn/help/wavelet/ref/wfilters.html?searchHighlight=wname&s_tid=srchtitle_wname_2#d123e130597
decompositionLevel = 4; %小波分解水平，正整数
approxLevels = 4;%所选的近似分量
detailLevels = [3 4];%所选的细节分量
combined_signal = rDWT(signal, waveletType, decompositionLevel, approxLevels, detailLevels);

为了应用小波分解结果（比如滤波），很多时候要对分解结果重构。

重构的操作相对复杂一些，一来这部分代码一不小心可能就会写错；二来重构选择分量的时候也容易出错。

对于第一个问题，我写了一个重构的封装函数（就是上边这段演示的，封装函数为rDWT），只需要选择想要重构的近似分量和细节分量就行。

对于第二个问题，大家只需要注意两个问题：1.重构选择近似分量的时候，近似分量approxLevels只能选择一个层级，比如可以让approxLevels=3或者=4，但是不能=[3,4]，否则低频分量就被重构了两次，重构后的数据会超出原始数据大小；2.选择了高层级的近似分量后，就不能在选择低于他的层级的细节分量，比如如果设置了approxLevels=3，就不能再选择让detailLevels =4。

调用上述分解重构及画图函数，需要设置小波名称和小波分解水平，然后调用pDWTandFFT函数即可（函数获取方法见文末）

此时可以画出如下图：