小波分析 python实例

以下是一个小波分析的Python示例代码：

import numpy as np
import pywt  #需要安装pywt库

#生成一个测试信号
t = np.linspace(0, 1, 200, endpoint=False)
sig1 = np.sin(2*np.pi*7*t) + np.cos(2*np.pi*3*t)
sig2 = np.sin(2*np.pi*2*t) + np.cos(2*np.pi*5*t)
sig = sig1 + sig2

#进行小波分解
w = pywt.Wavelet('db1')  #选择小波基
coeffs = pywt.wavedec(sig, w, level=4)

#对各层系数进行绘图
import matplotlib.pyplot as plt
fig, axarr = plt.subplots(nrows=5, ncols=1, figsize=(6, 6))
axarr[0].plot(sig)
axarr[0].set_title('Original signal')
for ii in range(4):
    axarr[ii+1].plot(coeffs[ii])
    axarr[ii+1].set_title('Level %d coefficients' % (ii+1))
plt.tight_layout()
plt.show()

这段代码生成了一个测试信号，然后使用db1小波基进行4层小波分解，并将各层系数绘制出来。您可以根据需要更改小波基和分解的层数。

相关问题

小波分析python代码

当然，我可以提供一个简单的例子来演示一下小波分析的Python代码。小波分析是一种用于信号处理和数据分析的方法，它可以将信号分解成不同尺度的频率成分。

首先，我们需要导入相关的库。在这个例子中，我们使用`pywt`库来进行小波分析。

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

# 生成一个示例信号
fs = 1000  # 采样率
t = np.linspace(0, 1, num=fs, endpoint=False)  # 时间序列
f1 = 10  # 第一个频率成分
f2 = 50  # 第二个频率成分
signal = np.sin(2 * np.pi * f1 * t) + np.sin(2 * np.pi * f2 * t)

# 进行小波分解
wavelet = 'db4'  # 小波基函数
level = 5  # 分解层数
coeffs = pywt.wavedec(signal, wavelet, level=level)

# 绘制小波系数图
plt.figure()
for i, coeff in enumerate(coeffs):
    plt.subplot(level+1, 1, i+1)
    plt.plot(coeff)
    plt.title(f"Level {i+1}")
plt.tight_layout()

# 展示原始信号和重构信号
reconstructed_signal = pywt.waverec(coeffs, wavelet)
plt.figure()
plt.plot(t, signal, label='Original')
plt.plot(t, reconstructed_signal, label='Reconstructed')
plt.legend()

plt.show()

在这个例子中，我们首先生成了一个示例信号，该信号由两个频率成分的正弦波叠加而成。然后，我们使用`pywt.wavedec`函数对信号进行小波分解，指定了小波基函数（这里使用了db4小波基函数）和分解层数。接下来，我们绘制了各个分解层的小波系数图。最后，使用`pywt.waverec`函数对小波系数进行重构，绘制了原始信号和重构信号的对比图。

这只是一个简单的示例，你可以根据具体的需求和数据进行相应的调整和扩展。希望对你有所帮助！

小波分析Python代码

小波分析是一种数学工具，用于信号处理和数据分析，特别是在非平稳信号处理中特别有效。在Python中，有许多库支持小波分析，如`pywt`（wavelet toolbox）和`scipy.signal`。

使用`pywt`进行小波分析的一个基本示例可能会涉及以下几个步骤：

# 首先安装所需的库
pip install pywt

import numpy as np
from pywt import wavedec, wavedec2

# 创建一个简单的信号作为示例
signal = np.sin(2 * np.pi * 5 * np.arange(1000)) + 0.5 * np.sin(2 * np.pi * 10 * np.arange(1000))

# 对信号进行小波分解（Haar小波为例）
(cA, cD) = wavedec(signal, 'haar')  # cA包含低频信息，cD包含高频细节

# 可视化系数
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.plot(cA)
plt.title('Approximation Coefficients')

plt.subplot(1, 2, 2)
plt.plot(cD)
plt.title('Detail Coefficients')
plt.show()

在这个例子中，`wavedec()`函数用于对信号进行一阶分解，返回的是两个数组`cA`（近似系数）和`cD`（细节系数）。你可以根据需要选择不同的小波基（如Daubechies、Mexican Hat等），并通过递归调用`wavedec2()`进行多级分解。