简介本资源面向信号处理初学者与工程实践者聚焦非平稳信号的时频联合分析需求提供轻量级MATLAB实操脚本与合规使用指引。压缩包仅2个文件1KB含核心分析脚本stran.m与license.txt许可文件前者封装短时傅里叶变换、小波变换或经验模态分解等典型时频算法逻辑可直接调用实现信号局部化频谱可视化后者明确授权边界保障工具合法合规使用。已有465人学习下载适用于声学诊断、电力谐波监测、生物医学信号解析等场景。读者可快速部署该脚本结合MATLAB Signal Processing Toolbox与Wavelet Toolbox调用spectrogram、cwt等函数完成从时频谱绘制到瞬时频率提取的完整分析流程并深入理解窗长选择、小波基适配及EMD分解等关键参数影响。 做信号处理的人迟早都会撞上同一堵墙手里的信号明明“活蹦乱跳”频率成分随时间一直在变可一上傅里叶变换所有时间信息全被抹平只剩一张冷冰冰的平均频谱。我最早碰到这个问题是在处理旋转机械振动数据时——设备从启动到稳态转速从800转/分一路升到3000转/分用FFT跑出来的频谱上峰值一大堆但每个峰值对应哪个时间段、特征频率怎么随转速漂移完全看不出来。后来换用时频分析把信号投影到时间-频率平面上整个过程一目了然。这篇文章我就把MATLAB里做时频分析的完整技术栈梳理一遍覆盖短时傅里叶变换STFT、连续小波变换CWT、Wigner-Ville分布和Hilbert-Huang变换HHT的原理、核心函数用法、参数选择经验和实际踩过的坑适合做信号处理、故障诊断、语音分析、生物医学信号处理的工程师和学生参考。1. 为什么非平稳信号必须用时频分析时频分析不是“花活”它是被实际需求逼出来的。理解这一点比背十个函数都要重要。1.1 傅里叶变换的“平均主义”局限先聊一个最基础的问题傅里叶变换为什么处理不了非平稳信号数学上傅里叶变换把信号x(t)分解到一组无限长的复指数基函数e^(-jωt)上得到的结果X(ω)表示整个时间轴上的频率成分。这里的关键词是“整个时间轴”。如果你有一段10秒的信号第3秒出现了一个瞬态冲击第7秒才开始一段高频振荡FFT做出来的频谱会将两者混在一起——同一个频率成分的能量被平均分配频谱图上只能看出“这个信号曾包含某些频率”却完全不知道这些频率是什么时候出现的、持续了多久、先后顺序如何。我经常用一个生活类比来解释这个问题让FFT描述一段音乐等于让你把一首歌的所有音符按频段统计一遍告诉你“这首歌的音频成分集中在200Hz到3kHz之间”但节奏、旋律顺序、乐器进出场时间全丢了。对平稳信号比如稳定的50Hz工频电压来说丢失时间信息无所谓因为信号从头到尾都一样但对语音、振动、脑电这类非平稳信号时间信息恰恰是最关键的。1.2 时频分析在“解哪道题”时频分析的核心思想是把一维的时间信号x(t)映射到二维的时频平面t, f上用能量密度、幅度、相位等信息描述“每个时刻有哪些频率成分强度是多少”。最终产品通常是一张时频图——横轴是时间纵轴是频率颜色深浅代表能量。它的价值在于能揭示信号内部频率成分的演化过程。比如chirp信号频率线性扫描表达式为x(t)sin(2π(f0tkt²))频率随时间线性变化。用FFT看它是一条宽泛的平坦谱看不出频率扫描规律用时频分析看它在时频平面上呈现为一条清晰的斜线。再比如旋转机械的启停过程转频从低频逐步爬升时频图上会画出一条上升的轨迹线轴承一旦出现局部损伤时频图上会在转频轨迹之外冒出周期性冲击产生的多阶边带和共振频带。这些信息对故障诊断来说就是直接证据。所以如果你的信号满足下面任何一个特征就应该认真考虑使用时频分析频率成分随时间变化非平稳存在瞬态冲击、突变、跳变关心某个特征频率出现和消失的时刻需要在强噪声背景下提取局部特征了解“为什么要用”之后接下来就是“用哪种方法”。MATLAB的Signal Processing Toolbox信号处理工具箱和Wavelet Toolbox小波工具箱里已经内置了几乎全部主流方法关键是怎么选。2. 四种主流时频分析方法怎么选时频分析家族方法很多但工程上用到的核心也就那么几种。我把它们的原理、优缺点和适用场景一次说清楚。2.1 短时傅里叶变换STFT最稳的入门和主力方案STFT的思路非常朴素既然单次FFT会丢掉时间信息那就把信号切成一小段一小段假设每一小段内部近似平稳对每段分别做FFT再把结果按时间顺序拼接起来。数学表达式是X(m, ω) Σ x(n) w(n-mR) e^(-jωn)其中w(n)是窗函数m是帧索引R是帧移hop size。每一帧信号与窗函数相乘相当于截取信号片段并加权然后做傅里叶变换。MATLAB里直接调用spectrogram函数就能得到STFT结果。STFT的特点是好理解、计算快、结果稳定而且谱图spectrogram本身就是行业标准可视化方式。但它有一个绕不开的先天局限窗长一旦固定整个分析过程的时间分辨率和频率分辨率就定死了。窗越长频率分辨率越好频谱越细但窗口内包含的时间范围越大时间定位越模糊窗越短时间定位越准但频率展宽越严重。这就是海森堡测不准原理在信号处理中的体现——你不能同时获得任意高的时间分辨率和频率分辨率。工程上只能根据信号特征取一个折中值。2.2 连续小波变换CWT多分辨率分析的实用选择CWT通过一个可伸缩、可平移的小波基函数ψ(t)与信号做内积在不同尺度a下分析信号。通俗理解高频分析时使用压缩后的窄小波时间定位好、频率定位差低频分析时使用拉伸后的宽小波频率定位好、时间定位差。相当于给分析过程装了一个“自适应变焦镜头”——本质上还是在窗函数上做文章但窗宽随频率自动调节天然比STFT更适合处理“低频持续久、高频瞬态短”的复杂信号。CWT的定义为C(a, b) (1/√a) ∫ x(t) ψ*((t-b)/a) dt其中a是尺度参数对应频率b是平移参数对应时间。小波尺度与频率的对应关系为f fc / (a·Ts)fc是小波中心频率Ts是采样周期。MATLAB新版cwt函数会自动处理尺度到频率的转换直接返回频率轴。CWT的优点是时频分辨率随频率自适应低频段和高频段都能获得相对合理的刻画缺点是冗余度大相邻尺度信息高度相关、计算量比STFT大而且结果对母小波的选择有一定依赖。但总体而言CWT是工程实践里兼顾效果和易用性的上佳选择尤其在故障诊断领域小波时频图几乎成了标准输入特征。2.3 Wigner-Ville分布与Hilbert-Huang变换两个进阶方向WVDWigner-Ville分布是一种双线性时频分布理论上具有极高的时频聚集性对单分量信号能给出接近理想的时频聚焦。它的核心问题是交叉项干扰——当信号同时存在多个分量时时频图上会在各分量频率之间出现“幽灵”能量呈现在两个真实分量中间的位置造成虚假特征严重时完全淹没真实特征。MATLAB里可以用wvd函数并加smoothedPseudo选项来抑制交叉项但平滑又会导致聚集性下降需要权衡。HHTHilbert-Huang变换走的是完全不同的路线。它不需要预先选定基函数而是先用经验模态分解EMD把信号自适应地分解成若干个固有模态函数IMF再对每个IMF做Hilbert变换求瞬时频率和瞬时幅度最后画成Hilbert谱。好处是面对非线性、非平稳信号时完全由数据驱动能够提取时变的瞬时频率缺点是EMD存在模态混叠、端点效应等问题计算也比较耗时。MATLAB里可以直接用hht函数会内部调用emdR2020a之后的版本在Signal Processing Toolbox里已经很好用。下面这张表我把四种方法的关键差异整理在一起方便选型时对照方法原理基函数优点主要缺点MATLAB核心函数STFT固定窗长傅里叶基简单高效、结果直观、计算快时频分辨率固定、无法兼顾粗细spectrogramCWT可缩放小波基多分辨率自适应、适合非平稳信号计算量大、冗余度高cwtWVD双线性变换时频聚集性高交叉项干扰严重wvdHHT数据自适应EMD无需基函数、能刻画瞬时频率模态混叠、端点效应、较慢hht3. MATLAB实操核心函数与参数选型指南原理讲清楚了接下来就是动手。我给出一套可以直接拿走的实操流程和参数计算逻辑。3.1 spectrogram函数参数之间的“连环扣”spectrogram的基本调用形式是[s, f, t] spectrogram(x, window, noverlap, nfft, fs);如果不想接收输出s、f、t也可以直接调用spectrogram(x, window, noverlap, nfft, fs)它会弹出一张时频图但那样不方便后续处理。我习惯拿到s矩阵然后自己用imagesc或surf画图方便统一配色和坐标轴。参数之间是一组“连环扣”要一起考虑window窗函数向量。如果只给一个整数MATLAB会默认使用Hamming窗窗长就是这个值。窗长N直接决定频率分辨率Δf fs/N。比如fs1000Hz窗长取256点那么频率分辨率约为3.9Hz窗长取1024点频率分辨率提升到约0.98Hz。代价是时间分辨率变差——每帧跨度从256ms变成1024ms。noverlap相邻窗口之间的重叠样本数。不加重叠noverlap0时时间轴每个点间隔就是窗长N时频图看起来像马赛克。工程上一般取50%到75%的重叠重叠越多时频图越平滑也能减少“格栅”感但计算量相应增大。我常用的经验值是noverlap round(0.75*N)兼顾平滑度与速度。nfftFFT点数通常设为不小于窗长的2的幂。注意nfft只影响频谱插值密度不影响真实频率分辨率分辨率由窗长决定。很多初学者以为加大nfft能“看清”更细的频率其实是误解——nfft只是把频谱采样得更密本质的谱峰宽度还是窗长说了算。nfft取窗长的4倍到8倍足够再大只是浪费时间。一个具体的例子fs 1000Hz信号长度10秒分析频带20-200Hz的调速信号。我常用的参数组合fs 1000; N 256; % 窗长256点对应Δf ≈ 3.9Hz overlap round(0.75*N); % 192点重叠 nfft 1024; % FFT点数4倍于窗长 window hamming(N, periodic); [s, f, t] spectrogram(x, window, overlap, nfft, fs); figure; imagesc(t, f, 20*log10(abs(s))); set(gca, YDir, normal); xlabel(时间 (s)); ylabel(频率 (Hz)); colorbar;这里面有一个细节值得强调window用hamming还是periodic对结果影响不大但在做谱分析和滤波器设计时要区分“周期窗”和“对称窗”。MATLAB中periodic窗在谱分析里更常见因为它首尾近似相等加在帧数据上不会造成首尾突变。画图时记得set(gca, YDir, normal)因为imagesc默认y轴方向是从上到下不翻转会把频率轴画反。这个细节我第一次用时就栽过跟头图上看频率越高越往下研究半天才发现只是坐标方向问题。3.2 cwt函数一句话完成多分辨率分析MATLAB的连续小波变换现在已经非常“傻瓜化”。新版cwt函数最常用的是两参数版本[wt, f] cwt(x, fs);一行代码就能得到小波系数矩阵wt和对应的频率向量f。如果要画时频图t (0:numel(x)-1)/fs; % 构造时间轴 figure; imagesc(t, f, abs(wt)); set(gca, YDir, normal); xlabel(时间 (s)); ylabel(频率 (Hz));新版cwt默认使用Morse小波morse也可以指定amorMorlet小波或bump。对大多数信号分析场景默认Morse小波表现已经足够好如果遇到冲击特征明显的数据可以试试Morlet小波它在时频聚集性上更贴合瞬态信号。比较关键的参数是voicesperoctave它决定每个倍频程内计算多少个尺度值。默认值是10也就是说在频率轴上每个倍频程内插入10个频率点。提高这个值比如设为32或48会让时频图更细腻代价是计算时间显著增加。我的经验快速浏览用10精细分析用32论文出图用48就差不多了。cwt返回的wt是复数矩阵查看幅度时要用abs(wt)不要直接用wt画图否则看到的是带相位调制的乱七八糟图案。这点挺多新手踩坑。需要说明的是cwt是基于小波滤波器组实现的对低频段的频率分辨率其实比STFT更细腻对高频段的时间定位更好但它的频率轴不是等间隔的而是对数分布在低频密、高频疏。画图时如果你习惯STFT式的等间隔频率轴可以用semilogy或者对f取对数后再画但一般直接用imagesc配等间隔轴也能接受个人觉得在工程报告里用小波时频图时保留原始频率轴更直观。3.3 hht函数与Hilbert谱绘制HHT的MATLAB实现也封装得很好了。两个函数配合使用[hs, f, t] hht(x, fs);hht函数内部会自动执行EMD分解也可以先用emd函数手动分解指定IMF个数等然后对每个IMF做Hilbert变换最终返回Hilbert谱hs、频率向量f和时间向量t。画谱图的代码figure; imagesc(t, f, hs); set(gca, YDir, normal); xlabel(时间 (s)); ylabel(频率 (Hz));hht函数输出的是已经网格化的Hilbert谱但这个谱的表面形态不像STFT那样平滑因为HHT的核心是估计每个时刻的瞬时频率当信号本身频率有抖动时Hilbert谱上会出现断续的条带痕迹不像STFT那样有稳定的能量聚集。看惯了STFT平滑谱图的人初次看到Hilbert谱可能会觉得“脏乱”但这恰恰是HHT擅长捕捉瞬时频率变化的表现。hht用起来方便但有几个现实问题一是EMD分解对噪声敏感信号噪声太大会导致模态混叠——一个物理成分被拆成两三个IMF或者两个成分混进同一个IMF。实操中我会先对原始信号做带通滤波或小波去噪再扔给hht。二是端点效应信号两端容易出现大幅伪振荡处理时可以先把信号扩展一段再切掉两端。三是计算速度长数据上EMD可能跑到分钟级如果数据量大建议先降采样或截取感兴趣的时间段。3.4 把时频分析封装成自己的小工具标题里强调“应用程序”其实不光是指用工具箱更有效的做法是把自己常用的时频分析代码封装成一个小工具下次拿到新数据直接导入、选方法、出图省得每次重复写脚本。MATLAB的App Designer是现在推荐的GUI方案替代老旧的GUIDE。我自己的做法很简单拖一个“文件选择”按钮一个“采样率”输入框一个“方法选择”下拉菜单STFT/CWT/HHT两个坐标区分别放原始波形和时频图再放一个“导出图像”按钮。按钮回调里调用前面写的spectrogram/cwt/hht核心代码几行就能串起来。这个方法最大的好处是调参方便。比如我把窗长、重叠率、voicesperoctave都做成可调输入框批量处理几十个文件时直接在界面上切参数比反复改脚本效率高一个量级。新同事接手项目也不需要看完整代码在界面上点一点就能出图。如果公司有内部信号分析需求这类小工具完全可以做成团队共用的分析平台。4. 三个典型应用场景完整走一遍方法不能只停留在函数调用层面下面我用三个实际场景把上面的工具串起来。4.1 轴承故障诊断从时频图里找故障特征旋转机械的故障诊断是我最常用的场景。以本文还有配套的精品资源点击获取 MATLAB时频分析方法详解：STFT、CWT、WVD与HHT实战指南
简介本资源面向信号处理初学者与工程实践者聚焦非平稳信号的时频联合分析需求提供轻量级MATLAB实操脚本与合规使用指引。压缩包仅2个文件1KB含核心分析脚本stran.m与license.txt许可文件前者封装短时傅里叶变换、小波变换或经验模态分解等典型时频算法逻辑可直接调用实现信号局部化频谱可视化后者明确授权边界保障工具合法合规使用。已有465人学习下载适用于声学诊断、电力谐波监测、生物医学信号解析等场景。读者可快速部署该脚本结合MATLAB Signal Processing Toolbox与Wavelet Toolbox调用spectrogram、cwt等函数完成从时频谱绘制到瞬时频率提取的完整分析流程并深入理解窗长选择、小波基适配及EMD分解等关键参数影响。 做信号处理的人迟早都会撞上同一堵墙手里的信号明明“活蹦乱跳”频率成分随时间一直在变可一上傅里叶变换所有时间信息全被抹平只剩一张冷冰冰的平均频谱。我最早碰到这个问题是在处理旋转机械振动数据时——设备从启动到稳态转速从800转/分一路升到3000转/分用FFT跑出来的频谱上峰值一大堆但每个峰值对应哪个时间段、特征频率怎么随转速漂移完全看不出来。后来换用时频分析把信号投影到时间-频率平面上整个过程一目了然。这篇文章我就把MATLAB里做时频分析的完整技术栈梳理一遍覆盖短时傅里叶变换STFT、连续小波变换CWT、Wigner-Ville分布和Hilbert-Huang变换HHT的原理、核心函数用法、参数选择经验和实际踩过的坑适合做信号处理、故障诊断、语音分析、生物医学信号处理的工程师和学生参考。1. 为什么非平稳信号必须用时频分析时频分析不是“花活”它是被实际需求逼出来的。理解这一点比背十个函数都要重要。1.1 傅里叶变换的“平均主义”局限先聊一个最基础的问题傅里叶变换为什么处理不了非平稳信号数学上傅里叶变换把信号x(t)分解到一组无限长的复指数基函数e^(-jωt)上得到的结果X(ω)表示整个时间轴上的频率成分。这里的关键词是“整个时间轴”。如果你有一段10秒的信号第3秒出现了一个瞬态冲击第7秒才开始一段高频振荡FFT做出来的频谱会将两者混在一起——同一个频率成分的能量被平均分配频谱图上只能看出“这个信号曾包含某些频率”却完全不知道这些频率是什么时候出现的、持续了多久、先后顺序如何。我经常用一个生活类比来解释这个问题让FFT描述一段音乐等于让你把一首歌的所有音符按频段统计一遍告诉你“这首歌的音频成分集中在200Hz到3kHz之间”但节奏、旋律顺序、乐器进出场时间全丢了。对平稳信号比如稳定的50Hz工频电压来说丢失时间信息无所谓因为信号从头到尾都一样但对语音、振动、脑电这类非平稳信号时间信息恰恰是最关键的。1.2 时频分析在“解哪道题”时频分析的核心思想是把一维的时间信号x(t)映射到二维的时频平面t, f上用能量密度、幅度、相位等信息描述“每个时刻有哪些频率成分强度是多少”。最终产品通常是一张时频图——横轴是时间纵轴是频率颜色深浅代表能量。它的价值在于能揭示信号内部频率成分的演化过程。比如chirp信号频率线性扫描表达式为x(t)sin(2π(f0tkt²))频率随时间线性变化。用FFT看它是一条宽泛的平坦谱看不出频率扫描规律用时频分析看它在时频平面上呈现为一条清晰的斜线。再比如旋转机械的启停过程转频从低频逐步爬升时频图上会画出一条上升的轨迹线轴承一旦出现局部损伤时频图上会在转频轨迹之外冒出周期性冲击产生的多阶边带和共振频带。这些信息对故障诊断来说就是直接证据。所以如果你的信号满足下面任何一个特征就应该认真考虑使用时频分析频率成分随时间变化非平稳存在瞬态冲击、突变、跳变关心某个特征频率出现和消失的时刻需要在强噪声背景下提取局部特征了解“为什么要用”之后接下来就是“用哪种方法”。MATLAB的Signal Processing Toolbox信号处理工具箱和Wavelet Toolbox小波工具箱里已经内置了几乎全部主流方法关键是怎么选。2. 四种主流时频分析方法怎么选时频分析家族方法很多但工程上用到的核心也就那么几种。我把它们的原理、优缺点和适用场景一次说清楚。2.1 短时傅里叶变换STFT最稳的入门和主力方案STFT的思路非常朴素既然单次FFT会丢掉时间信息那就把信号切成一小段一小段假设每一小段内部近似平稳对每段分别做FFT再把结果按时间顺序拼接起来。数学表达式是X(m, ω) Σ x(n) w(n-mR) e^(-jωn)其中w(n)是窗函数m是帧索引R是帧移hop size。每一帧信号与窗函数相乘相当于截取信号片段并加权然后做傅里叶变换。MATLAB里直接调用spectrogram函数就能得到STFT结果。STFT的特点是好理解、计算快、结果稳定而且谱图spectrogram本身就是行业标准可视化方式。但它有一个绕不开的先天局限窗长一旦固定整个分析过程的时间分辨率和频率分辨率就定死了。窗越长频率分辨率越好频谱越细但窗口内包含的时间范围越大时间定位越模糊窗越短时间定位越准但频率展宽越严重。这就是海森堡测不准原理在信号处理中的体现——你不能同时获得任意高的时间分辨率和频率分辨率。工程上只能根据信号特征取一个折中值。2.2 连续小波变换CWT多分辨率分析的实用选择CWT通过一个可伸缩、可平移的小波基函数ψ(t)与信号做内积在不同尺度a下分析信号。通俗理解高频分析时使用压缩后的窄小波时间定位好、频率定位差低频分析时使用拉伸后的宽小波频率定位好、时间定位差。相当于给分析过程装了一个“自适应变焦镜头”——本质上还是在窗函数上做文章但窗宽随频率自动调节天然比STFT更适合处理“低频持续久、高频瞬态短”的复杂信号。CWT的定义为C(a, b) (1/√a) ∫ x(t) ψ*((t-b)/a) dt其中a是尺度参数对应频率b是平移参数对应时间。小波尺度与频率的对应关系为f fc / (a·Ts)fc是小波中心频率Ts是采样周期。MATLAB新版cwt函数会自动处理尺度到频率的转换直接返回频率轴。CWT的优点是时频分辨率随频率自适应低频段和高频段都能获得相对合理的刻画缺点是冗余度大相邻尺度信息高度相关、计算量比STFT大而且结果对母小波的选择有一定依赖。但总体而言CWT是工程实践里兼顾效果和易用性的上佳选择尤其在故障诊断领域小波时频图几乎成了标准输入特征。2.3 Wigner-Ville分布与Hilbert-Huang变换两个进阶方向WVDWigner-Ville分布是一种双线性时频分布理论上具有极高的时频聚集性对单分量信号能给出接近理想的时频聚焦。它的核心问题是交叉项干扰——当信号同时存在多个分量时时频图上会在各分量频率之间出现“幽灵”能量呈现在两个真实分量中间的位置造成虚假特征严重时完全淹没真实特征。MATLAB里可以用wvd函数并加smoothedPseudo选项来抑制交叉项但平滑又会导致聚集性下降需要权衡。HHTHilbert-Huang变换走的是完全不同的路线。它不需要预先选定基函数而是先用经验模态分解EMD把信号自适应地分解成若干个固有模态函数IMF再对每个IMF做Hilbert变换求瞬时频率和瞬时幅度最后画成Hilbert谱。好处是面对非线性、非平稳信号时完全由数据驱动能够提取时变的瞬时频率缺点是EMD存在模态混叠、端点效应等问题计算也比较耗时。MATLAB里可以直接用hht函数会内部调用emdR2020a之后的版本在Signal Processing Toolbox里已经很好用。下面这张表我把四种方法的关键差异整理在一起方便选型时对照方法原理基函数优点主要缺点MATLAB核心函数STFT固定窗长傅里叶基简单高效、结果直观、计算快时频分辨率固定、无法兼顾粗细spectrogramCWT可缩放小波基多分辨率自适应、适合非平稳信号计算量大、冗余度高cwtWVD双线性变换时频聚集性高交叉项干扰严重wvdHHT数据自适应EMD无需基函数、能刻画瞬时频率模态混叠、端点效应、较慢hht3. MATLAB实操核心函数与参数选型指南原理讲清楚了接下来就是动手。我给出一套可以直接拿走的实操流程和参数计算逻辑。3.1 spectrogram函数参数之间的“连环扣”spectrogram的基本调用形式是[s, f, t] spectrogram(x, window, noverlap, nfft, fs);如果不想接收输出s、f、t也可以直接调用spectrogram(x, window, noverlap, nfft, fs)它会弹出一张时频图但那样不方便后续处理。我习惯拿到s矩阵然后自己用imagesc或surf画图方便统一配色和坐标轴。参数之间是一组“连环扣”要一起考虑window窗函数向量。如果只给一个整数MATLAB会默认使用Hamming窗窗长就是这个值。窗长N直接决定频率分辨率Δf fs/N。比如fs1000Hz窗长取256点那么频率分辨率约为3.9Hz窗长取1024点频率分辨率提升到约0.98Hz。代价是时间分辨率变差——每帧跨度从256ms变成1024ms。noverlap相邻窗口之间的重叠样本数。不加重叠noverlap0时时间轴每个点间隔就是窗长N时频图看起来像马赛克。工程上一般取50%到75%的重叠重叠越多时频图越平滑也能减少“格栅”感但计算量相应增大。我常用的经验值是noverlap round(0.75*N)兼顾平滑度与速度。nfftFFT点数通常设为不小于窗长的2的幂。注意nfft只影响频谱插值密度不影响真实频率分辨率分辨率由窗长决定。很多初学者以为加大nfft能“看清”更细的频率其实是误解——nfft只是把频谱采样得更密本质的谱峰宽度还是窗长说了算。nfft取窗长的4倍到8倍足够再大只是浪费时间。一个具体的例子fs 1000Hz信号长度10秒分析频带20-200Hz的调速信号。我常用的参数组合fs 1000; N 256; % 窗长256点对应Δf ≈ 3.9Hz overlap round(0.75*N); % 192点重叠 nfft 1024; % FFT点数4倍于窗长 window hamming(N, periodic); [s, f, t] spectrogram(x, window, overlap, nfft, fs); figure; imagesc(t, f, 20*log10(abs(s))); set(gca, YDir, normal); xlabel(时间 (s)); ylabel(频率 (Hz)); colorbar;这里面有一个细节值得强调window用hamming还是periodic对结果影响不大但在做谱分析和滤波器设计时要区分“周期窗”和“对称窗”。MATLAB中periodic窗在谱分析里更常见因为它首尾近似相等加在帧数据上不会造成首尾突变。画图时记得set(gca, YDir, normal)因为imagesc默认y轴方向是从上到下不翻转会把频率轴画反。这个细节我第一次用时就栽过跟头图上看频率越高越往下研究半天才发现只是坐标方向问题。3.2 cwt函数一句话完成多分辨率分析MATLAB的连续小波变换现在已经非常“傻瓜化”。新版cwt函数最常用的是两参数版本[wt, f] cwt(x, fs);一行代码就能得到小波系数矩阵wt和对应的频率向量f。如果要画时频图t (0:numel(x)-1)/fs; % 构造时间轴 figure; imagesc(t, f, abs(wt)); set(gca, YDir, normal); xlabel(时间 (s)); ylabel(频率 (Hz));新版cwt默认使用Morse小波morse也可以指定amorMorlet小波或bump。对大多数信号分析场景默认Morse小波表现已经足够好如果遇到冲击特征明显的数据可以试试Morlet小波它在时频聚集性上更贴合瞬态信号。比较关键的参数是voicesperoctave它决定每个倍频程内计算多少个尺度值。默认值是10也就是说在频率轴上每个倍频程内插入10个频率点。提高这个值比如设为32或48会让时频图更细腻代价是计算时间显著增加。我的经验快速浏览用10精细分析用32论文出图用48就差不多了。cwt返回的wt是复数矩阵查看幅度时要用abs(wt)不要直接用wt画图否则看到的是带相位调制的乱七八糟图案。这点挺多新手踩坑。需要说明的是cwt是基于小波滤波器组实现的对低频段的频率分辨率其实比STFT更细腻对高频段的时间定位更好但它的频率轴不是等间隔的而是对数分布在低频密、高频疏。画图时如果你习惯STFT式的等间隔频率轴可以用semilogy或者对f取对数后再画但一般直接用imagesc配等间隔轴也能接受个人觉得在工程报告里用小波时频图时保留原始频率轴更直观。3.3 hht函数与Hilbert谱绘制HHT的MATLAB实现也封装得很好了。两个函数配合使用[hs, f, t] hht(x, fs);hht函数内部会自动执行EMD分解也可以先用emd函数手动分解指定IMF个数等然后对每个IMF做Hilbert变换最终返回Hilbert谱hs、频率向量f和时间向量t。画谱图的代码figure; imagesc(t, f, hs); set(gca, YDir, normal); xlabel(时间 (s)); ylabel(频率 (Hz));hht函数输出的是已经网格化的Hilbert谱但这个谱的表面形态不像STFT那样平滑因为HHT的核心是估计每个时刻的瞬时频率当信号本身频率有抖动时Hilbert谱上会出现断续的条带痕迹不像STFT那样有稳定的能量聚集。看惯了STFT平滑谱图的人初次看到Hilbert谱可能会觉得“脏乱”但这恰恰是HHT擅长捕捉瞬时频率变化的表现。hht用起来方便但有几个现实问题一是EMD分解对噪声敏感信号噪声太大会导致模态混叠——一个物理成分被拆成两三个IMF或者两个成分混进同一个IMF。实操中我会先对原始信号做带通滤波或小波去噪再扔给hht。二是端点效应信号两端容易出现大幅伪振荡处理时可以先把信号扩展一段再切掉两端。三是计算速度长数据上EMD可能跑到分钟级如果数据量大建议先降采样或截取感兴趣的时间段。3.4 把时频分析封装成自己的小工具标题里强调“应用程序”其实不光是指用工具箱更有效的做法是把自己常用的时频分析代码封装成一个小工具下次拿到新数据直接导入、选方法、出图省得每次重复写脚本。MATLAB的App Designer是现在推荐的GUI方案替代老旧的GUIDE。我自己的做法很简单拖一个“文件选择”按钮一个“采样率”输入框一个“方法选择”下拉菜单STFT/CWT/HHT两个坐标区分别放原始波形和时频图再放一个“导出图像”按钮。按钮回调里调用前面写的spectrogram/cwt/hht核心代码几行就能串起来。这个方法最大的好处是调参方便。比如我把窗长、重叠率、voicesperoctave都做成可调输入框批量处理几十个文件时直接在界面上切参数比反复改脚本效率高一个量级。新同事接手项目也不需要看完整代码在界面上点一点就能出图。如果公司有内部信号分析需求这类小工具完全可以做成团队共用的分析平台。4. 三个典型应用场景完整走一遍方法不能只停留在函数调用层面下面我用三个实际场景把上面的工具串起来。4.1 轴承故障诊断从时频图里找故障特征旋转机械的故障诊断是我最常用的场景。以本文还有配套的精品资源点击获取