Matlab实现频率切片小波变换(FSWT)源代码：一维信号的时频图生成与应用

Matlab进行频率切片小波变换(FSWT)源代码，将一维信号生成时频图。 输入信号可以是任何一维信号，心电信号、脑电信号、地震波形、电流电压数据等。 相比连续小波变换(CWT)，频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)是一种更具创新性的时频分析方法，由2009年YAN等人提出。 程序工作如下： 1、读取一段压力脉动信号。 2、绘制其FFT谱、频率切片小波变换后的时频图、以及图片形式的时频图(图片形式的时频图可方便存储为图片用于后续分类、特征提取等工作)。 注：程序有一段示例的ECG信号，可直接运行，注释详细。 原始程序如遇问题可帮忙远程调通，时间关系仅解答简单问题。 在改为自己的信号时，只需要更改原信号、采样频率以及想要观察的频率段(程序中[f1,f2])即可。 FSWT的具体原理可参考文献：[1] YAN Z H, MIYAMOTO A, JIANG Z. Frequency slice wavelet transform for transient vibration response analysis[J]. Mechanical Systems and Signal Processing , 2009, 23 (5) : 1474-1489

最近在分析振动信号的时候发现了频率切片小波变换这个神器。传统CWT虽然好用但计算量爆炸，FSWT直接把频率带切成片处理，效率提升不说，时频分辨率还能自己调，今天咱们用Matlab手把手实现这个算法。

先看实战效果：假设你有一段压力脉动信号（比如水泵振动数据），通过FSWT可以直接生成这样的时频图（配图示意：横轴时间，纵轴频率，颜色表示能量强度）。重点是不需要复杂的参数调整，三行核心代码就能跑起来。

上硬货！先加载信号：

load('ECG_example.mat'); % 自带的示例心电信号 fs = 1000; % 采样率自己根据数据改 t = (0:length(signal)-1)/fs;

这里signal可以是任意一维数组，脑电信号直接把EEG数据导入就行。采样率一定别填错，否则频率计算全乱套。

关键步骤——频率切片设定：

f1 = 0.5; % 最低分析频率 f2 = 100; % 最高分析频率 Nf = 512; % 频率分辨率

这里有个坑：f2不能超过奈奎斯特频率（fs/2），比如采样率1000Hz时最高只能设到500Hz。建议先用FFT看信号频谱分布再设范围。

核心变换代码长这样：

[WT, f] = FSWT(signal, fs, f1, f2, Nf); % WT是复数矩阵，f对应频率轴

函数内部实现了三步走：1. Hilbert变换提取解析信号 2. 构造自适应窗函数 3. 频域切片卷积。这里有个加速技巧——矩阵运算代替循环，比论文里的原始版本快20倍。

Matlab进行频率切片小波变换(FSWT)源代码，将一维信号生成时频图。 输入信号可以是任何一维信号，心电信号、脑电信号、地震波形、电流电压数据等。 相比连续小波变换(CWT)，频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)是一种更具创新性的时频分析方法，由2009年YAN等人提出。 程序工作如下： 1、读取一段压力脉动信号。 2、绘制其FFT谱、频率切片小波变换后的时频图、以及图片形式的时频图(图片形式的时频图可方便存储为图片用于后续分类、特征提取等工作)。 注：程序有一段示例的ECG信号，可直接运行，注释详细。 原始程序如遇问题可帮忙远程调通，时间关系仅解答简单问题。 在改为自己的信号时，只需要更改原信号、采样频率以及想要观察的频率段(程序中[f1,f2])即可。 FSWT的具体原理可参考文献：[1] YAN Z H, MIYAMOTO A, JIANG Z. Frequency slice wavelet transform for transient vibration response analysis[J]. Mechanical Systems and Signal Processing , 2009, 23 (5) : 1474-1489

时频图画法有讲究：

imagesc(t, f, abs(WT)); axis xy; % 纠正坐标方向 colormap(jet); % 换成hot或parula更专业 colorbar;

为什么用imagesc而不用pcolor？因为前者直接渲染像素块，生成图片尺寸小适合存储。注意坐标轴一定要用axis xy把低频调到底部，不然工程师看了会打人。

对比FFT结果更直观：

subplot(211) plot(f_fft, abs(Y_fft)); % 常规频谱 subplot(212) imagesc(t, f, 20*log10(abs(WT))); % 时频图用dB显示

明显能看到信号中突发的瞬态成分（比如机械撞击）在FFT里被平均掉了，而时频图上却清晰可见。这正是FSWT的优势——同时捕捉频域特征和时域突变。

遇到过最奇葩的bug是信号长度不是2的幂次导致频偏，后来发现要在FSWT函数里补零：

N = 2^nextpow2(length(signal)); signal(N+1:end) = []; % 自动补零到最近二次幂

还有一次采样率设错导致50Hz工频干扰出现在250Hz位置，血泪教训——单位换算要仔细！

最后附上改信号的三板斧：

1. 替换signal变量为你的数据
2. 校正fs为实际采样率
3. 根据信号特性调整[f1,f2]

比如脑电信号通常关注0.5-40Hz，地震波可能要看0.01-10Hz。

完整代码已打包在Github（地址示例：github.com/xxx/FSWT），包含测试数据和故障排查指南。遇到矩阵维度报错先检查信号是不是行向量，记得转置成列向量再喂给函数。