scipy.signal.

cwt#

scipy.signal.cwt(data, wavelet, widths, dtype=None, **kwargs)[源代码][源代码]#

连续小波变换。

自 1.12.0 版本弃用: scipy.signal.cwt 在 SciPy 1.12 中已被弃用，并将在 SciPy 1.15 中移除。我们建议使用 PyWavelets 替代。

对 data 执行连续小波变换，使用 wavelet 函数。CWT 使用 wavelet 函数对 data 进行卷积，该函数由宽度参数和长度参数表征。wavelet 函数可以是复数。

参数:

数据(N,) ndarray: 要执行变换的数据。
小波函数: 小波函数，它应该接受2个参数。第一个参数是返回向量的点数（len(wavelet(length,width)) == length）。第二个是宽度参数，定义小波的大小（例如，高斯的标准差）。请参阅 ricker，它满足这些要求。
宽度(M,) 序列: 用于变换的宽度。
dtype数据类型，可选: 输出所需的数据类型。如果 wavelet 的输出是实数，则默认为 float64；如果是复数，则默认为 complex128。

Added in version 1.4.0.
kwargs: 传递给小波函数的键值参数。

Added in version 1.4.0.

返回:

cwt: (M, N) ndarray: 将具有 (len(widths), len(data)) 的形状。

注释

Added in version 1.4.0.

对于非对称、复数值的小波，输入信号与小波数据的时反复共轭进行卷积 [1]。

length = min(10 * width[ii], len(data))
cwt[ii,:] = signal.convolve(data, np.conj(wavelet(length, width[ii],
                                **kwargs))[::-1], mode='same')

参考文献

[1]

S. Mallat, “A Wavelet Tour of Signal Processing (3rd Edition)”, Academic Press, 2009.

示例

>>> import numpy as np
>>> from scipy import signal
>>> import matplotlib.pyplot as plt
>>> t = np.linspace(-1, 1, 200, endpoint=False)
>>> sig  = np.cos(2 * np.pi * 7 * t) + signal.gausspulse(t - 0.4, fc=2)
>>> widths = np.arange(1, 31)
>>> cwtmatr = signal.cwt(sig, signal.ricker, widths)

备注

对于cwt矩阵绘图，建议翻转y轴

>>> cwtmatr_yflip = np.flipud(cwtmatr)
>>> plt.imshow(cwtmatr_yflip, extent=[-1, 1, 1, 31], cmap='PRGn', aspect='auto',
...            vmax=abs(cwtmatr).max(), vmin=-abs(cwtmatr).max())
>>> plt.show()