尧图网站建设 
简介这份资源面向信号处理方向的学习者与科研工程人员聚焦时频分布与魏格纳分布Wigner Distribution的MATLAB实现帮助解决非平稳信号瞬时频率分析、时频分辨率优化及交叉项处理等实际问题。压缩包共96个文件全部为.m脚本整体约133KB涵盖信号源生成、时频变换、魏格纳分布计算、可视化绘图与示例教程等模块可支撑从短时傅里叶变换、小波变换到Wigner-Ville、平滑伪魏格纳分布的完整实验流程。目前已有292人学习下载。通过这批代码读者可复现典型信号的时频图对比不同分布的时频聚集性与交叉项表现并借助现成函数快速搭建自己的分析脚本适合作为课程设计、论文复现或工程调试的参考素材。1. 魏格纳分布到底解决什么问题从一段非平稳信号说起你手里有一段信号频率成分随时间在变——比如雷达回波、机械振动、脑电节律。傅里叶变换告诉你「有哪些频率」但不告诉你「这些频率什么时候出现」。短时傅里叶变换加了窗能给出时间-频率二维图可窗长一旦定死时间分辨率和频率分辨率就互相打架窗短了时间看得清、频率糊成一团窗长了频率分得开、时间又拖尾。魏格纳分布Wigner Distribution工程上常写 WVDWigner-Ville Distribution就是冲着这个矛盾来的。它不切窗而是用信号的瞬时自相关做傅里叶变换理论上能在时间和频率两个方向同时逼近最优联合分辨率。代价也很直接多分量信号会产生交叉项两个真实分量之间凭空多出一片虚假能量。这篇就围绕part3.zip里那套时频分布代码把魏格纳分布从公式、离散实现、参数设置到交叉项排查讲透让你拿到代码能跑、跑完能判断结果对不对。适合做雷达、声呐、机械故障诊断、生理信号分析的工程师也适合正在复现时频分布算法、需要一份能改能调参考实现的人。2. 魏格纳分布的数学骨架与离散化落地2.1 从连续定义到能写进代码的式子连续魏格纳分布的定义不复杂W(t, f) ∫ x(t τ/2) · x*(t − τ/2) · e^(−j2πfτ) dτ拆开看三块x(t τ/2) · x*(t − τ/2)是信号在时刻 t 附近、延迟 τ 下的瞬时自相关它同时保留了「现在」和「过去/未来」的相位关系e^(−j2πfτ)是对延迟 τ 做傅里叶变换外层积分把 τ 扫完。关键点在于那个 τ/2——信号被对称地劈成两半做相关这正是它能同时拿到高时间分辨率和高频率分辨率的原因也是它区别于短时傅里叶变换的根本。落到代码里连续积分要变成离散求和。设采样信号为 x[n]n 0, 1, …, N−1采样间隔 Ts离散魏格纳分布常见写法是W[n, k] 2 · Σ_m x[n m] · x*[n − m] · e^(−j2πkm/M)这里 m 是延迟索引k 是频率索引M 是频率方向的点数。注意系数 2 和对称求和范围m 从 −min(n, N−1−n) 到 min(n, N−1−n)边界处能取到的延迟点数会减少这就是后面要讲的边界效应来源。2.2 用 Python 把离散魏格纳分布跑起来下面这段是part3.zip里时频分布代码的核心思路我按可复现的方式重写了一遍去掉了对特定工具箱的依赖只用 numpyimport numpy as np def wigner_ville(x, fs, n_freqNone): x : 实或复信号一维 fs : 采样率 n_freq : 频率方向点数默认取信号长度 返回 W: 形状 (n_freq, N)行是频率列是时间 x np.asarray(x, dtypecomplex) N len(x) if n_freq is None: n_freq N # 解析信号实信号先转解析信号去掉负频率避免交叉项翻倍 if np.isrealobj(x): from scipy.signal import hilbert x hilbert(x) W np.zeros((n_freq, N), dtypecomplex) for n in range(N): # 边界处能取的最大延迟 m_max min(n, N - 1 - n) m np.arange(-m_max, m_max 1) # 瞬时自相关 r x[n m] * np.conj(x[n - m]) # 对延迟做 FFT补零到 n_freq 点 W[:, n] np.fft.fftshift(np.fft.fft(r, n_freq)) # 频率轴 freqs np.fft.fftshift(np.fft.fftfreq(n_freq, d1/fs)) return W, freqs逻辑说明先判断输入是不是实信号实信号用 Hilbert 变换转成解析信号这一步不做的话正负频率会各出一份交叉项直接翻倍。然后对每个时间点 n取对称延迟范围m_max算瞬时自相关r再对r做 FFT 得到该时刻的频率分布。fftshift是为了让频率轴从负到正排列方便画图。参数说明fs只影响频率轴刻度不影响分布形状n_freq决定频率分辨率取默认的 N 时频率和时间点数相同取 2N 或 4N 相当于在频率方向补零插值图更平滑但不增加真实信息。m_max随 n 变化信号两端能用的延迟少所以两端能量会偏低这是魏格纳分布的固有边界效应不是代码 bug。2.3 频率分辨率和时间分辨率的实际取舍魏格纳分布号称「最优联合分辨率」但离散实现里你仍然要面对点数选择。n_freq越大频率轴越细但每个时间点的 FFT 计算量也上去信号长度 N 越大时间轴越细但循环次数增加。我一般会先按 N 跑一遍看整体形态确认交叉项位置后再把n_freq提到 2N 或 4N 用于出图。如果信号本身很长比如几十万点直接全算内存吃不消常见做法是分段做魏格纳分布再拼接或者只对感兴趣的时间窗做局部魏格纳分布。分段时要注意段与段之间的边界同样有能量衰减拼接处会有缝通常加重叠再取中间段输出。3. 交叉项魏格纳分布最该盯住的坑3.1 交叉项从哪来、长什么样魏格纳分布是双线性变换双线性意味着「两个分量之和的分布」不等于「两个分量分布之和」。设信号 x x1 x2展开后除了 W(x1) 和 W(x2)还会多出 W(x1, x2) 和 W(x2, x1) 两个交叉项。交叉项的位置在两个真实分量连线的中点振荡方向垂直于连线幅度可能和真实分量相当甚至更大。这就是为什么很多人第一次跑魏格纳分布图上多出一堆看不懂的条纹——那不是信号是交叉项。用一段双分量信号验证一下import numpy as np from scipy.signal import hilbert fs 1000 t np.arange(0, 1, 1/fs) # 两个不同频率、不同时间出现的分量 x1 np.exp(1j*2*np.pi*100*t) * (t 0.5) x2 np.exp(1j*2*np.pi*200*t) * (t 0.5) x x1 x2 W, freqs wigner_ville(x, fs, n_freq512) # 画图时用 np.abs(W) 看能量分布跑完你会看到 100 Hz 和 200 Hz 两条真实能量带中间大约 150 Hz 附近出现一片振荡的交叉项。如果两个分量在时间上完全不重叠交叉项会出现在它们时间的中点如果频率上也不重叠交叉项就在时频平面的中间区域。3.2 抑制交叉项的几种工程手段完全消除交叉项和保留高分辨率是矛盾的工程上只能折中。常见做法有这么几类第一类是加核函数也就是所谓的平滑伪魏格纳分布SPWVD。在时间方向和频率方向各加一个窗交叉项被压下去代价是分辨率下降。核函数的选择直接决定压制效果和分辨率损失常用的有高斯核、汉宁核。第二类是先做信号分解再分别做魏格纳分布。比如把信号分成若干单分量每个单分量单独算魏格纳分布最后叠加。单分量信号没有交叉项叠加后也不会有。分解方法可以用经验模态分解、变分模态分解或者简单的带通滤波。第三类是改用其他时频分布比如 Choi-Williams 分布、Born-Jordan 分布它们本身就是为压制交叉项设计的。但既然标题锁定魏格纳分布这里只提一句作为备选。我一般先跑原始魏格纳分布看交叉项严重程度如果交叉项和真实分量在时频平面上分得开直接在图上看真实分量就行不必费劲压制如果交叉项和真实分量重叠再上平滑核或者先分解。3.3 解析信号与实信号的处理差异前面代码里有一句if np.isrealobj(x): x hilbert(x)这不是可选项。实信号的魏格纳分布会在正负频率各出一份对称的能量两个频率分量之间的交叉项也会成对出现图上一片混乱。转成解析信号后只保留正频率交叉项数量减半图干净很多。但要注意Hilbert 变换对非窄带信号有边缘效应信号两端会有瞬态做魏格纳分布前最好把两端各截掉一小段或者加窗渐变。另外如果原始信号已经是复信号比如雷达 I/Q 数据就不要再做 Hilbert 变换否则会把有用信息破坏掉。4. 避坑与排查魏格纳分布代码跑不通的五个典型场景4.1 现象图上全是条纹看不出任何频率结构原因最常见的是忘了转解析信号实信号的正负频率交叉项叠在一起其次是信号本身含直流或低频趋势魏格纳分布对直流分量极其敏感会在零频附近糊成一片。解决先确认输入是解析信号再做去均值或高通滤波去掉直流和低频趋势。如果信号有线性趋势先差分或去趋势再算。4.2 现象信号两端能量明显偏低像被削掉一块原因边界效应。前面讲过n 靠近 0 或 N−1 时能取到的延迟点数 m_max 很小瞬时自相关不完整能量自然低。解决如果两端不是关注重点直接截掉两端各 10% 再出图如果两端也要看用分段重叠的方式每段只取中间部分拼接。没有哪种方法能完全消除边界效应只能减轻。4.3 现象频率轴刻度不对峰值位置和理论值差一截原因fftfreq的d参数设错或者n_freq和实际 FFT 点数不一致。还有一种情况是信号采样率 fs 和实际不符比如数据是降采样过的但代码里还用原始 fs。解决核对fs和n_freq确保fftfreq(n_freq, d1/fs)里的 n_freq 和fft(r, n_freq)一致。用一段已知频率的单频信号验证输入 100 Hz看峰值是不是落在 100 Hz。4.4 现象计算特别慢长信号直接卡死原因逐点循环做 FFTPython 层循环开销大信号一长就慢。解决把逐点循环改成向量化或者用 Numba/Cython 加速。更实际的做法是只对感兴趣的时间段做魏格纳分布不要对整段长信号全算。如果必须全算分段并行每段独立算完再拼。4.5 现象交叉项和真实分量混在一起分不清哪个是真的原因信号分量在时频平面上靠得太近交叉项落在它们中间和真实分量重叠。解决换用平滑核压制交叉项或者先做信号分解再分别算。判断真假的一个经验真实分量的能量在时间方向和频率方向都是连续的交叉项往往在某个方向振荡剧烈。把图放大看纹理振荡的那片大概率是交叉项。5. 从能跑到能用魏格纳分布的验证习惯与进阶技巧代码跑通只是第一步真正难的是判断结果可不可信。我自己的习惯是每次改完参数先用一段合成信号验证一个单频信号看峰值位置对不对一个线性调频信号看时频脊线是不是一条斜线一个双分量信号看交叉项位置是否符合理论预测。这三步过了再上真实数据。真实数据没有理论真值只能靠合成信号建立的直觉去判断。进阶用法里最值得花时间的是「局部魏格纳分布 分解」这套组合。对机械振动信号先按转速做阶次跟踪把非平稳信号转成准平稳再做魏格纳分布交叉项会少很多。对雷达信号先做脉冲压缩再对每个距离单元做魏格纳分布能得到距离-时间-频率三维图。这些都不是魏格纳分布本身的功能而是把它嵌进具体处理链里。还有一个容易被忽略的点魏格纳分布的输出是复数画图时取模看能量但相位信息在某些应用里也有用比如瞬时频率估计。从 W[n, k] 沿频率方向找峰值位置峰值对应的频率就是该时刻的瞬时频率估计。这个方法在单分量信号上很准多分量信号上要先分解。参数设置上我一般把n_freq设为信号长度的 2 到 4 倍频率轴够细但不至于太慢时间方向不做插值保持原始采样率。如果信号长度不是 2 的幂FFT 会自动补零不影响结果但频率轴刻度要按实际n_freq算。最后说个血泪教训魏格纳分布对噪声很敏感信噪比低的时候交叉项和噪声混在一起图基本没法看。做之前先评估信噪比必要时先降噪再算。别指望魏格纳分布能帮你从噪声里捞出信号它只是把已有的时频结构画清楚不负责提纯。希望帮到你。本文还有配套的精品资源点击获取 魏格纳分布WVD从公式到代码：交叉项排查与工程实践
简介这份资源面向信号处理方向的学习者与科研工程人员聚焦时频分布与魏格纳分布Wigner Distribution的MATLAB实现帮助解决非平稳信号瞬时频率分析、时频分辨率优化及交叉项处理等实际问题。压缩包共96个文件全部为.m脚本整体约133KB涵盖信号源生成、时频变换、魏格纳分布计算、可视化绘图与示例教程等模块可支撑从短时傅里叶变换、小波变换到Wigner-Ville、平滑伪魏格纳分布的完整实验流程。目前已有292人学习下载。通过这批代码读者可复现典型信号的时频图对比不同分布的时频聚集性与交叉项表现并借助现成函数快速搭建自己的分析脚本适合作为课程设计、论文复现或工程调试的参考素材。1. 魏格纳分布到底解决什么问题从一段非平稳信号说起你手里有一段信号频率成分随时间在变——比如雷达回波、机械振动、脑电节律。傅里叶变换告诉你「有哪些频率」但不告诉你「这些频率什么时候出现」。短时傅里叶变换加了窗能给出时间-频率二维图可窗长一旦定死时间分辨率和频率分辨率就互相打架窗短了时间看得清、频率糊成一团窗长了频率分得开、时间又拖尾。魏格纳分布Wigner Distribution工程上常写 WVDWigner-Ville Distribution就是冲着这个矛盾来的。它不切窗而是用信号的瞬时自相关做傅里叶变换理论上能在时间和频率两个方向同时逼近最优联合分辨率。代价也很直接多分量信号会产生交叉项两个真实分量之间凭空多出一片虚假能量。这篇就围绕part3.zip里那套时频分布代码把魏格纳分布从公式、离散实现、参数设置到交叉项排查讲透让你拿到代码能跑、跑完能判断结果对不对。适合做雷达、声呐、机械故障诊断、生理信号分析的工程师也适合正在复现时频分布算法、需要一份能改能调参考实现的人。2. 魏格纳分布的数学骨架与离散化落地2.1 从连续定义到能写进代码的式子连续魏格纳分布的定义不复杂W(t, f) ∫ x(t τ/2) · x*(t − τ/2) · e^(−j2πfτ) dτ拆开看三块x(t τ/2) · x*(t − τ/2)是信号在时刻 t 附近、延迟 τ 下的瞬时自相关它同时保留了「现在」和「过去/未来」的相位关系e^(−j2πfτ)是对延迟 τ 做傅里叶变换外层积分把 τ 扫完。关键点在于那个 τ/2——信号被对称地劈成两半做相关这正是它能同时拿到高时间分辨率和高频率分辨率的原因也是它区别于短时傅里叶变换的根本。落到代码里连续积分要变成离散求和。设采样信号为 x[n]n 0, 1, …, N−1采样间隔 Ts离散魏格纳分布常见写法是W[n, k] 2 · Σ_m x[n m] · x*[n − m] · e^(−j2πkm/M)这里 m 是延迟索引k 是频率索引M 是频率方向的点数。注意系数 2 和对称求和范围m 从 −min(n, N−1−n) 到 min(n, N−1−n)边界处能取到的延迟点数会减少这就是后面要讲的边界效应来源。2.2 用 Python 把离散魏格纳分布跑起来下面这段是part3.zip里时频分布代码的核心思路我按可复现的方式重写了一遍去掉了对特定工具箱的依赖只用 numpyimport numpy as np def wigner_ville(x, fs, n_freqNone): x : 实或复信号一维 fs : 采样率 n_freq : 频率方向点数默认取信号长度 返回 W: 形状 (n_freq, N)行是频率列是时间 x np.asarray(x, dtypecomplex) N len(x) if n_freq is None: n_freq N # 解析信号实信号先转解析信号去掉负频率避免交叉项翻倍 if np.isrealobj(x): from scipy.signal import hilbert x hilbert(x) W np.zeros((n_freq, N), dtypecomplex) for n in range(N): # 边界处能取的最大延迟 m_max min(n, N - 1 - n) m np.arange(-m_max, m_max 1) # 瞬时自相关 r x[n m] * np.conj(x[n - m]) # 对延迟做 FFT补零到 n_freq 点 W[:, n] np.fft.fftshift(np.fft.fft(r, n_freq)) # 频率轴 freqs np.fft.fftshift(np.fft.fftfreq(n_freq, d1/fs)) return W, freqs逻辑说明先判断输入是不是实信号实信号用 Hilbert 变换转成解析信号这一步不做的话正负频率会各出一份交叉项直接翻倍。然后对每个时间点 n取对称延迟范围m_max算瞬时自相关r再对r做 FFT 得到该时刻的频率分布。fftshift是为了让频率轴从负到正排列方便画图。参数说明fs只影响频率轴刻度不影响分布形状n_freq决定频率分辨率取默认的 N 时频率和时间点数相同取 2N 或 4N 相当于在频率方向补零插值图更平滑但不增加真实信息。m_max随 n 变化信号两端能用的延迟少所以两端能量会偏低这是魏格纳分布的固有边界效应不是代码 bug。2.3 频率分辨率和时间分辨率的实际取舍魏格纳分布号称「最优联合分辨率」但离散实现里你仍然要面对点数选择。n_freq越大频率轴越细但每个时间点的 FFT 计算量也上去信号长度 N 越大时间轴越细但循环次数增加。我一般会先按 N 跑一遍看整体形态确认交叉项位置后再把n_freq提到 2N 或 4N 用于出图。如果信号本身很长比如几十万点直接全算内存吃不消常见做法是分段做魏格纳分布再拼接或者只对感兴趣的时间窗做局部魏格纳分布。分段时要注意段与段之间的边界同样有能量衰减拼接处会有缝通常加重叠再取中间段输出。3. 交叉项魏格纳分布最该盯住的坑3.1 交叉项从哪来、长什么样魏格纳分布是双线性变换双线性意味着「两个分量之和的分布」不等于「两个分量分布之和」。设信号 x x1 x2展开后除了 W(x1) 和 W(x2)还会多出 W(x1, x2) 和 W(x2, x1) 两个交叉项。交叉项的位置在两个真实分量连线的中点振荡方向垂直于连线幅度可能和真实分量相当甚至更大。这就是为什么很多人第一次跑魏格纳分布图上多出一堆看不懂的条纹——那不是信号是交叉项。用一段双分量信号验证一下import numpy as np from scipy.signal import hilbert fs 1000 t np.arange(0, 1, 1/fs) # 两个不同频率、不同时间出现的分量 x1 np.exp(1j*2*np.pi*100*t) * (t 0.5) x2 np.exp(1j*2*np.pi*200*t) * (t 0.5) x x1 x2 W, freqs wigner_ville(x, fs, n_freq512) # 画图时用 np.abs(W) 看能量分布跑完你会看到 100 Hz 和 200 Hz 两条真实能量带中间大约 150 Hz 附近出现一片振荡的交叉项。如果两个分量在时间上完全不重叠交叉项会出现在它们时间的中点如果频率上也不重叠交叉项就在时频平面的中间区域。3.2 抑制交叉项的几种工程手段完全消除交叉项和保留高分辨率是矛盾的工程上只能折中。常见做法有这么几类第一类是加核函数也就是所谓的平滑伪魏格纳分布SPWVD。在时间方向和频率方向各加一个窗交叉项被压下去代价是分辨率下降。核函数的选择直接决定压制效果和分辨率损失常用的有高斯核、汉宁核。第二类是先做信号分解再分别做魏格纳分布。比如把信号分成若干单分量每个单分量单独算魏格纳分布最后叠加。单分量信号没有交叉项叠加后也不会有。分解方法可以用经验模态分解、变分模态分解或者简单的带通滤波。第三类是改用其他时频分布比如 Choi-Williams 分布、Born-Jordan 分布它们本身就是为压制交叉项设计的。但既然标题锁定魏格纳分布这里只提一句作为备选。我一般先跑原始魏格纳分布看交叉项严重程度如果交叉项和真实分量在时频平面上分得开直接在图上看真实分量就行不必费劲压制如果交叉项和真实分量重叠再上平滑核或者先分解。3.3 解析信号与实信号的处理差异前面代码里有一句if np.isrealobj(x): x hilbert(x)这不是可选项。实信号的魏格纳分布会在正负频率各出一份对称的能量两个频率分量之间的交叉项也会成对出现图上一片混乱。转成解析信号后只保留正频率交叉项数量减半图干净很多。但要注意Hilbert 变换对非窄带信号有边缘效应信号两端会有瞬态做魏格纳分布前最好把两端各截掉一小段或者加窗渐变。另外如果原始信号已经是复信号比如雷达 I/Q 数据就不要再做 Hilbert 变换否则会把有用信息破坏掉。4. 避坑与排查魏格纳分布代码跑不通的五个典型场景4.1 现象图上全是条纹看不出任何频率结构原因最常见的是忘了转解析信号实信号的正负频率交叉项叠在一起其次是信号本身含直流或低频趋势魏格纳分布对直流分量极其敏感会在零频附近糊成一片。解决先确认输入是解析信号再做去均值或高通滤波去掉直流和低频趋势。如果信号有线性趋势先差分或去趋势再算。4.2 现象信号两端能量明显偏低像被削掉一块原因边界效应。前面讲过n 靠近 0 或 N−1 时能取到的延迟点数 m_max 很小瞬时自相关不完整能量自然低。解决如果两端不是关注重点直接截掉两端各 10% 再出图如果两端也要看用分段重叠的方式每段只取中间部分拼接。没有哪种方法能完全消除边界效应只能减轻。4.3 现象频率轴刻度不对峰值位置和理论值差一截原因fftfreq的d参数设错或者n_freq和实际 FFT 点数不一致。还有一种情况是信号采样率 fs 和实际不符比如数据是降采样过的但代码里还用原始 fs。解决核对fs和n_freq确保fftfreq(n_freq, d1/fs)里的 n_freq 和fft(r, n_freq)一致。用一段已知频率的单频信号验证输入 100 Hz看峰值是不是落在 100 Hz。4.4 现象计算特别慢长信号直接卡死原因逐点循环做 FFTPython 层循环开销大信号一长就慢。解决把逐点循环改成向量化或者用 Numba/Cython 加速。更实际的做法是只对感兴趣的时间段做魏格纳分布不要对整段长信号全算。如果必须全算分段并行每段独立算完再拼。4.5 现象交叉项和真实分量混在一起分不清哪个是真的原因信号分量在时频平面上靠得太近交叉项落在它们中间和真实分量重叠。解决换用平滑核压制交叉项或者先做信号分解再分别算。判断真假的一个经验真实分量的能量在时间方向和频率方向都是连续的交叉项往往在某个方向振荡剧烈。把图放大看纹理振荡的那片大概率是交叉项。5. 从能跑到能用魏格纳分布的验证习惯与进阶技巧代码跑通只是第一步真正难的是判断结果可不可信。我自己的习惯是每次改完参数先用一段合成信号验证一个单频信号看峰值位置对不对一个线性调频信号看时频脊线是不是一条斜线一个双分量信号看交叉项位置是否符合理论预测。这三步过了再上真实数据。真实数据没有理论真值只能靠合成信号建立的直觉去判断。进阶用法里最值得花时间的是「局部魏格纳分布 分解」这套组合。对机械振动信号先按转速做阶次跟踪把非平稳信号转成准平稳再做魏格纳分布交叉项会少很多。对雷达信号先做脉冲压缩再对每个距离单元做魏格纳分布能得到距离-时间-频率三维图。这些都不是魏格纳分布本身的功能而是把它嵌进具体处理链里。还有一个容易被忽略的点魏格纳分布的输出是复数画图时取模看能量但相位信息在某些应用里也有用比如瞬时频率估计。从 W[n, k] 沿频率方向找峰值位置峰值对应的频率就是该时刻的瞬时频率估计。这个方法在单分量信号上很准多分量信号上要先分解。参数设置上我一般把n_freq设为信号长度的 2 到 4 倍频率轴够细但不至于太慢时间方向不做插值保持原始采样率。如果信号长度不是 2 的幂FFT 会自动补零不影响结果但频率轴刻度要按实际n_freq算。最后说个血泪教训魏格纳分布对噪声很敏感信噪比低的时候交叉项和噪声混在一起图基本没法看。做之前先评估信噪比必要时先降噪再算。别指望魏格纳分布能帮你从噪声里捞出信号它只是把已有的时频结构画清楚不负责提纯。希望帮到你。本文还有配套的精品资源点击获取