1. 小波外部包下載

要下載兩個包：

PyWavelets和Matplotlib(要運行PyWavelets的所有測試，您還需要安裝?Matplotlib軟件包。)

安裝方法：

pip install PyWavelets

pip install Matplotlib

相關鏈接：

PyWavelets官網：里面有很多的API文檔，有小波(小波家族，內置小波等)，離散小波變換，逆小波變換等等

小波包的相關用法實例

2. 小波包的使用

2.1 導入相關的包

下面的導入的包中主要是pywt和matplotlib

importnumpy as npimportmatplotlib.pyplot as pltimportosfrom sklearn importpreprocessingimportpywtimportpywt.dataimport pandas as pd

2.2??小波包各節點按照頻率由低到高

wp = pywt.WaveletPacket(data=tr, wavelet='db1',mode='symmetric',maxlevel=3)#根據頻段頻率(freq)進行排序

print([node.path for node in wp.get_level(1, 'freq')])print([node.path for node in wp.get_level(2, 'freq')])print([node.path for node in wp.get_level(3, 'freq')])

代碼中tr表示輸入的一維數據，執行結果如下

['a', 'd']

['aa', 'ad', 'dd', 'da']

['aaa', 'aad', 'add', 'ada', 'dda', 'ddd', 'dad', 'daa']

2.3 打印小波家族

pywt.families()#pywt.families(short=False)

執行結果如下：

['haar', 'db', 'sym', 'coif', 'bior', 'rbio', 'dmey', 'gaus', 'mexh', 'morl', 'cgau', 'shan', 'fbsp', 'cmor']

2.4 小波包的分解

(1)小波包分解中關鍵方法：

wp = pywt.WaveletPacket(data=tr, wavelet='db1',mode='symmetric',maxlevel=3)

該方法輸入原始信號tr， 小波函數'db1'，模式'symmetric'，以及最大的分解層數為3。返回wp是小波包樹，根據小波包樹我們可以提取分解系數。

(2)提取分解系數：

下面aaa是小波包變換第三層第一個的分解系數

aaa = wp['aaa'].data

所以可以使用下面的方法提取每一層的每個節點的小波系數，當然這個方法不太方便，需要一個一個的寫，后面有更好的方法：

a = wp['a'].data #第1個節點

d = wp['d'].data #第2個節點#第二層

aa = wp['aa'].data

ad= wp['ad'].data

dd= wp['dd'].data

da= wp['da'].data#第三層

aaa = wp['aaa'].data

aad= wp['aad'].data

ada= wp['add'].data

add= wp['ada'].data

daa= wp['dda'].data

dad= wp['ddd'].data

dda= wp['dad'].data

ddd= wp['daa'].data

(3) 作小波樹圖，下面代碼中沒有優化，后面做了優化：

plt.figure(figsize=(15, 10))

plt.subplot(4,1,1)

plt.plot(tr)#第一層

plt.subplot(4,2,3)

plt.plot(a)

plt.subplot(4,2,4)

plt.plot(d)#第二層

plt.subplot(4,4,9)

plt.plot(aa)

plt.subplot(4,4,10)

plt.plot(ad)

plt.subplot(4,4,11)

plt.plot(dd)

plt.subplot(4,4,12)

plt.plot(da)#第三層

plt.subplot(4,8,25)

plt.plot(aaa)

plt.subplot(4,8,26)

plt.plot(aad)

plt.subplot(4,8,27)

plt.plot(add)

plt.subplot(4,8,28)

plt.plot(ada)

plt.subplot(4,8,29)

plt.plot(dda)

plt.subplot(4,8,30)

plt.plot(ddd)

plt.subplot(4,8,31)

plt.plot(dad)

plt.subplot(4,8,32)

plt.plot(daa)

下圖中使用的是心電信號，需要注意的是有些圖形的刻度值太長嵌入了圖中，結果圖：

(4) 代碼優化，使用的wpd_plt(signal,n)將上面的代碼優化和封裝了，signal代表輸入信號，n代表分解層數：

defwpd_plt(signal,n):#wpd分解

wp = pywt.WaveletPacket(data=signal, wavelet='db1',mode='symmetric',maxlevel=n)#計算每一個節點的系數，存在map中，key為'aa'等，value為列表

map ={}

map[1] =signalfor row in range(1,n+1):

lev=[]for i in [node.path for node in wp.get_level(row, 'freq')]:

map[i]=wp[i].data#作圖

plt.figure(figsize=(15, 10))

plt.subplot(n+1,1,1) #繪制第一個圖

plt.plot(map[1])for i in range(2,n+2):

level_num= pow(2,i-1) #從第二行圖開始，計算上一行圖的2的冪次方

#獲取每一層分解的node：比如第三層['aaa', 'aad', 'add', 'ada', 'dda', 'ddd', 'dad', 'daa']

re = [node.path for node in wp.get_level(i-1, 'freq')]for j in range(1,level_num+1):

plt.subplot(n+1,level_num,level_num*(i-1)+j)

plt.plot(map[re[j-1]]) #列表從0開始

2.5 小波包能量特征提取

n = 3re= [] #第n層所有節點的分解系數

for i in [node.path for node in wp.get_level(n, 'freq')]:

re.append(wp[i].data)#第n層能量特征

energy =[]for i inre:

energy.append(pow(np.linalg.norm(i,ord=None),2))#for i in energy:#print(i)

繪制小波能量特征柱形圖，注意這里的節點順序不是自然分解的順序，而是頻率由低到高的順序：

#創建一個點數為 8 x 6 的窗口, 并設置分辨率為 80像素/每英寸

plt.figure(figsize=(10, 7), dpi=80)#再創建一個規格為 1 x 1 的子圖#plt.subplot(1, 1, 1)#柱子總數

N = 8values=energy#包含每個柱子下標的序列

index =np.arange(N)#柱子的寬度

width = 0.45

#繪制柱狀圖, 每根柱子的顏色為紫羅蘭色

p2 = plt.bar(index, values, width, label="num", color="#87CEFA")#設置橫軸標簽

plt.xlabel('clusters')#設置縱軸標簽

plt.ylabel('number of reviews')#添加標題

plt.title('Cluster Distribution')#添加縱橫軸的刻度

plt.xticks(index, ('7', '8', '9', '10', '11', '12', '13', '14'))#plt.yticks(np.arange(0, 10000, 10))#添加圖例

plt.legend(loc="upper right")

plt.show()

作圖如下：

總結

以上是生活随笔為你收集整理的python小波特征提取_Python 小波包变换，小波包能量特征提取 代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。