1. 时频分析基础与Matlab实现路径
信号处理工程师工具箱里最实用的两样东西是什么？一台性能还过得去的电脑，和一套熟练的时频分析技能。时频分析就像给信号做CT扫描，能同时观察信号在时间和频率上的变化特征。Matlab在这个领域简直就是天选之子——丰富的内置函数、直观的可视化效果，还有各种工具箱加持。
先明确几个核心概念：STFT（短时傅里叶变换）适合分析缓变信号，小波变换擅长捕捉瞬态特征，而Wigner-Ville分布虽然分辨率高但存在交叉项干扰。这几种方法各有所长，就像不同的手术刀，得根据病灶特点选择工具。
重要提示：时频分析前务必做好信号预处理！采样率不足会导致频率混叠，信号长度不够会影响频率分辨率，这些基础错误会直接毁掉分析结果。
2. STFT实战：时频窗口的艺术
2.1 窗口函数选型策略
STFT的核心在于窗口选择。矩形窗频率分辨率高但旁瓣泄漏严重，汉明窗能抑制泄漏但会加宽主瓣。Matlab里实现STFT最直接的方式就是spectrogram函数：
matlab复制[s,f,t] = spectrogram(x, hamming(256), 128, 1024, fs);
imagesc(t,f,20*log10(abs(s))); axis xy; colorbar;
这里有几个关键参数：
- 256点汉明窗（平衡分辨率和泄漏）
- 128点重叠（50%重叠率是常用起点）
- 1024点FFT（提升频率轴显示精度）
2.2 参数调优实战技巧
窗口长度选择有个经验法则：至少包含2-3个待分析信号的周期。比如分析50Hz工频干扰，采样率1kHz时，窗口应取40-60个采样点（对应2-3个周期）。
实测案例：分析电机振动信号时，发现用凯撒窗(β=5)比汉明窗更能突出轴承故障特征频率。这就是为什么我总在代码里保留参数调试接口：
matlab复制win = kaiser(300,5); % 随时可替换的窗口函数
[s,f,t] = spectrogram(x, win, 150, 2048, fs);
3. 小波变换：非平稳信号捕手
3.1 小波基选择方法论
morlet小波适合振荡信号分析，db4小波对突变信号更敏感。Matlab的cwt函数内置了40多种小波基，选择困难症患者慎入：
matlab复制[cfs,frq] = cwt(x, 'amor', fs);
contour(t,frq,abs(cfs)); grid on;
关键技巧：尺度选择决定频率范围。对于中心频率Fc的小波，实际分析频率为：
code复制f = Fc * fs / scale
建议先用cwtfreqbounds确定合理尺度范围，避免无意义的计算。
3.2 小波系数解读陷阱
小波系数的幅值并不直接对应信号能量！需要做尺度校正：
matlab复制cfs = cfs ./ sqrt(scales');
否则低频部分会显得异常突出。这个坑我踩过三次才明白过来。
4. 联合时频分析进阶技巧
4.1 重分配技术提升分辨率
spectrogram的'minthreshold'参数可以抑制噪声干扰：
matlab复制spectrogram(x, hann(128), 64, [], fs, 'minthreshold', -50);
但更高级的是时频重分配技术，能突破Heisenberg不确定性原理的限制：
matlab复制[tfr, rtfr, hat] = tfrrsp(x, 1:length(x), 512);
这个来自Time-Frequency Toolbox的函数，可以把模糊的能量点重新聚集到真实位置。
4.2 多信号对比分析
subplot不够直观？试试tiledlayout：
matlab复制t = tiledlayout(2,1);
nexttile; spectrogram(x1,...);
nexttile; spectrogram(x2,...);
linkaxes([ax1 ax2], 'xy'); % 关键！保证坐标统一
5. 避坑指南与性能优化
5.1 内存爆炸预防措施
处理长信号时一定要分段处理。我写过最惨痛的bug是直接对1小时EEG信号做cwt，结果16GB内存直接爆掉。现在都用这个套路：
matlab复制frameLen = 10000;
for k = 1:frameLen:length(x)
segment = x(k:min(k+frameLen-1,end));
% 分析代码...
end
5.2 计算加速黑科技
启用多核并行：
matlab复制parfor k = 1:N
cwt(x_segments{k},...);
end
或者更狠的——用GPU加速：
matlab复制x_gpu = gpuArray(x);
cfs = cwt(x_gpu, 'amor');
6. 工程应用案例实录
最近用时频分析诊断风机齿轮箱故障时，发现常规STFT看不出异常。改用同步压缩变换(SST)后，故障特征频率立刻现形：
matlab复制[tfr, f] = fsst(x, fs, hann(128));
关键是要在故障频带做局部放大：
matlab复制xlim([0 500]); % 聚焦在0-500Hz故障频带
还有个骚操作——时频矩阵聚类分析。先提取时频图纹理特征，再用kmeans分类正常/异常状态：
matlab复制features = [energy; entropy;...]; % 各种时频特征
[idx, C] = kmeans(features', 2);
7. 可视化美学与输出技巧
别再用默认的jet色图了！时频图推荐：
matlab复制colormap(parula); % 更好的颜色渐变
caxis([-40 0]); % 统一动态范围
set(gcf,'Position',[100 100 800 400]); % 适合论文的宽高比
导出矢量图别用png：
matlab复制exportgraphics(gcf,'tf_plot.pdf','ContentType','vector');
8. 工具箱生态深度利用
Signal Processing Toolbox是基础，但这些更专业：
- Wavelet Toolbox：提供逆小波变换等进阶功能
- Time-Frequency Toolbox：实现Cohen类时频分布
- Signal Analyzer App：交互式探索神器
比如用Wigner-Ville分布：
matlab复制[tfr, t, f] = tfrwv(x);
虽然交叉项干扰明显，但对线性调频信号的分析效果惊艳。
9. 从时频特征到故障诊断
时频矩阵本身就是个特征提取器。我常用的特征工程套路：
- 时频矩阵分块（比如8×8）
- 计算每个块的能量/熵等特征
- 构建特征向量输入SVM分类器
matlab复制features = [];
for i = 1:8
for j = 1:8
block = tfr(blk_indices...);
features = [features mean2(block)];
end
end
10. 硬件在环测试技巧
做实时分析时，一定要考虑算法延迟。实测发现：
- 256点STFT在i7处理器上约0.8ms
- 128点CWT约1.5ms
- 重分配算法可能超过10ms
所以电机控制这类实时系统，我宁愿牺牲分辨率也要用STFT而不用小波变换。
最后分享一个私藏技巧：时频分析前先做Teager能量算子(TEO)预处理，对冲击特征特别敏感：
matlab复制x_teo = teager(x);
spectrogram(x_teo,...);
时频分析就像做菜，同样的原料（信号），不同的刀工（分析方法）能做出完全不同的风味。关键是多实践——我硬盘里存了上百个测试信号，从ECG到轴承振动，没事就拿来练手。现在看到时频图，基本能直接判断信号里藏着什么妖魔鬼怪。