简介：本资源是一套基于Matlab实现的小波相干性（Wavelet Coherence）分析完整代码包，面向本科及硕士阶段的信号处理、地球物理、气候时序分析等方向的学习者与科研人员，用于量化两组非平稳时间序列在时频域内的协同变化特征。压缩包共含109个文件，主体为35个Matlab函数（.m）与15篇Markdown格式说明文档（.md），辅以12个文本参数配置（.txt）、11个示例数据（.sample）及11张结果可视化图（.png），整体大小3.08MB，结构清晰、模块分明，便于理解算法原理与复现实验流程。已有140人学习下载，内含Matlab 2014a/2019a双版本兼容代码、详细注释、运行截图及典型数据集（如sst_nino3.dat），支持开箱即用；对运行异常提供常见排错指引，适合作为课程设计、毕业论文或科研预研的可靠技术支撑。
1. 小波相干性到底是什么，为什么值得花时间研究
收到这份wavelet-coherence matlab代码.zip的时候，我第一反应是这哥们儿要么在做信号处理相关的课题，要么就是被导师逼着分析两串时间序列之间的关系。不管你是哪种情况，我都能确定一件事：你正在研究的东西，研究对了方向，但前面的路有不少坑在等着你。
小波相干性（Wavelet Coherence，简称 WTC）是时频分析领域里非常实用的一项技术。一句话说透它：它能告诉你两个信号在哪个时间段、哪个频率带上存在稳定的相关性，以及它们的相位关系是怎样的。普通的相关性分析只能给你一个笼统的数字，比如“相关系数0.8”，但小波相干性可以告诉你这个0.8是发生在第5秒到第10秒之间的高频段，还是发生在第30秒之后整个频谱都高度同步。这种精细程度对很多实际问题来说是决定性的。
小波相干性最典型的应用场景包括：
- 地球物理与气象研究：分析海表温度与气压指数、降水量与季风活动之间的关系，在哪个年代际尺度上耦合最强。
- 神经科学：分析脑电信号不同通道之间的功能连接，比如睡眠纺锤波频率（12-16Hz）上的同步性。
- 金融时间序列：研究股票指数与宏观经济变量在不同周期（短期、中期、长期）上的联动效应。
- 机械故障诊断：比较振动信号与噪声信号，定位故障特征频率，判断故障传播路径。
这套MATLAB代码能直接帮你省掉从头造轮子的时间。你拿到手之后，只要把数据整理成两个等长的时间序列，跑一遍示例脚本，就能得到一张典型的“小波相干谱图”——横轴是时间，纵轴是频率（或周期），颜色代表相干性强弱，箭头代表相位差。这张图背后承载的信息量远超传统的互相关分析。
适合谁来参考？我已经默认拿到这份代码的人至少会基础的MATLAB操作，会读矩阵，会跑脚本。如果你只是刚接触MATLAB连plot都写不利索，那建议你先把数据整理好，再找一段现成的示例数据跑通，之后再去逐步改参数。下面我详细拆解这套代码的核心逻辑和实际操作中会遇到的问题。
2. 小波相干性背后的数学原理，以及MATLAB实现的核心思路
2.1 从普通相干性到小波相干：为什么傅里叶不够用
我见过很多做信号处理的人，一上来就想着用互功率谱密度算相干函数相干系数Cxy(f)，公式是用两个信号的互功率谱密度除以各自自功率谱密度的平方根。这个方法的局限非常明显：它假设信号是平稳的，也就是统计特性不随时间变化。现实世界里的信号几乎没有平稳的——脑电信号会有事件相关电位，振动信号会因为转速变化而改变频率成分，气象信号更是有各种尺度的周期叠加。
小波变换的出现解决的就是这个问题。它用一组伸缩平移的小波基函数去匹配信号的局部特征，相当于在时间-频率平面上铺了一张网，每个网格点都代表时间位置和频率尺度上的局部能量。小波相干性的本质，就是在小波变换的基础上，对两个信号的互小波谱进行归一化，得到0到1之间的相干值。
如果你问为什么不用短时傅里叶变换（STFT）做同样的事？答案在于窗函数。STFT的窗口宽度固定，一旦选定，时间分辨率和频率分辨率就锁死了，也就是所谓的不确定性原理限制。而小波变换的窗口是可变的——分析高频成分时窗口自动变窄，获得更好的时间精度；分析低频成分时窗口自动变宽，获得更好的频率精度。这个自适应特性在处理宽频带非平稳信号时优势极其明显。
2.2 小波相干性的计算公式拆解
直接看公式可能有点劝退，但你花十分钟理解它，后面调参数心里就有底了。小波相干性R²(s, τ)的定义是：
R²(s, τ) = |S(s⁻¹ W_xy(s, τ))|² / ( S(s⁻¹ |W_x(s, τ)|²) × S(s⁻¹ |W_y(s, τ)|²) )
其中：
- s 是尺度参数，对应于频率（尺度越大频率越低）。
- τ 是时间平移参数。
- W_x(s, τ) 和 W_y(s, τ) 分别是两个信号x(t)和y(t)的连续小波变换结果。
- W_xy(s, τ) 是互小波谱（Cross-Wavelet Spectrum），等于 W_x 乘以 W_y 的共轭。
- S 表示平滑算子。
这个公式要表达的意思其实和普通相干系数类似——互谱的模平方除以各自功率谱的乘积。但关键在于那个平滑算子 S：它必须在时间维和尺度维上分别做平滑，否则分子分母会出现零的比值，导致任何两个信号算出来的相干性都恒等于1，那这指标就没意义了。套用我们行业里常用的说法：平滑窗口就是小波相干的“灵魂参数”，一不对，结论全崩。
2.3 MATLAB实现时的关键参数选择
不管是你自己写的代码，还是基于包里的现成脚本，以下几个参数必须搞清楚：
小波基的选择。绝大多数小波相干分析用的都是复数Morlet小波，核心参数ω₀（中心频率）默认取6。为什么是6？因为当ω₀=6时，Morlet小波的时间分辨率与频率分辨率乘积接近最优，而且小波函数的形状接近高斯包络下的正弦波，物理意义清晰。如果你把ω₀调小，时间分辨率变好但频率分辨率变差；反过来ω₀调大，频率分辨率变好但时间分辨率变差。我建议新手不要乱动这个参数，等把整套流程跑通了，再根据具体信号特征去尝试。
尺度（频率）范围的设置。代码里通常会用一个对数分布的尺度向量，最常见的是 s = s₀ × 2^(j × dj)，其中 s₀ 是最小尺度，dj 是尺度间隔，j 从0到J。dj一般取0.1或者0.125，对应频率轴大概每倍频程有几条线，间隔太密计算量暴增，间隔太疏图看起来像马赛克。J的选择则决定了最低频率，一般用最大频率除以最小频率的对数关系推导出来，代码里通常已经有默认计算，不用手动写死。
平滑窗口参数。这一点我要重点强调。平滑操作分为时间维和尺度维。时间维的平滑窗口宽度一般取与尺度成正比的高斯窗，这样低频段的平滑范围大、高频段平滑范围小，符合信号处理的直觉。尺度维的平滑通常用Boxcar窗口，宽度在0.6左右相对合适。你的代码包里如果没有暴露这个参数，那大概率写死了；如果你想微调，要找到对应的函数，把平滑窗口宽度改成一个输入变量，方便后期做参数敏感性分析。
显著性检验的设定。很多代码会在图上叠加细黑线，表示该区域的相干性通过了95%置信水平检验。显著性检验一般基于蒙特卡洛模拟：生成大量红噪声（或白噪声）序列对，计算它们的小波相干性分布，取95%分位数作为阈值。模拟次数太少（比如小于100次），置信线位置不稳；模拟次数太多，计算时间成倍增长。我的实测经验是300次是一个性价比不错的值，既能得到稳定的噪声背景分布，又不会让你在笔记本上等到怀疑人生。
3. 实操过程：如何跑通这套小波相干MATLAB代码
3.1 先看代码包的文件结构
拿到zip包之后，第一步不是直接双击运行，而是先看目录结构。通常一份完整的小波相干代码至少要包含以下几类文件：
- 主脚本（
demo.m或example.m）：跑通全流程的入口，包含数据生成或数据加载、参数设置、函数调用、出图命令。 - 核心函数（
wave_coherence.m或类似名称）：实现小波相干计算的核心逻辑。 - 辅助函数：小波变换计算、平滑函数、显著性检验函数、相位角计算函数。
- 测试数据文件（
.mat或.csv）：方便你直接看到预期效果。
用MATLAB打开主脚本，按F5之前仔细看一下文件路径设置。我遇到过太多人报错“未定义函数或变量”，最后发现是当前文件夹不对，或者数据文件不在搜索路径里。用which 函数名命令可以快速确认函数是否被MATLAB识别。
3.2 数据准备与导入：这一步做不好，后面全是白费
代码的核心输入是两组等长的一维时间序列。我刚拿到这类代码时会先做一个“造假数据”的验证实验：生成一段采样率1000Hz、时长5秒的模拟信号，第一段包含一个10Hz的振荡分量，第二段前半部分包含10Hz的振荡但与第一段相位差90°，后半部分换成20Hz的振荡。然后用这份代码跑一遍，看相干谱图能不能在预期的时间-频率位置出现高相干区，以及箭头方向是否和预设相位差一致。如果你用已知答案的数据来验证代码，后面分析真实数据时的信心就完全不一样了。
如果你的数据时间宽度不同，采样率不同，需要先处理成相同的长度和采样频率。MATLAB中常用的手段是resample函数或者interp1插值。注意，插值会引入虚假的低频成分，千万别在插值之后再去做小波分析，否则低频端出现的高相干完全可能是插值产生的假象。最好就是裁剪到相同时间段，然后统一采样率。
数据里如果有NaN值，必须先处理。MATLAB的快速傅里叶变换遇到NaN直接罢工，小波变换虽然不一定会报错，但计算出来的相干谱在NaN附近可能出现条带状异常。常用的处理方法是线性插值填充，或者把NaN对应的数据段直接标注出来，在解读结果时剔除。
3.3 主函数调用与关键参数调整
以我常用的代码路径为例，核心调用格式大致是：
% 输入数据：x, y 两个行向量或列向量，dt为采样间隔（秒） % 其中dt = 1/fs，fs为采样率 dt = 1/1000; % 核心调用，输出wtc为小波相干矩阵，period为周期向量，coi为锥形影响区域边界 [wtc, period, coi, phase] = wavelet_coherence(x, y, dt); % 绘制相干谱图 figure; imagesc(t, log2(period), abs(wtc).^2);这里我加了个.^2，代表取相干系数R的平方——很多论文里画的是R²，你自己出图的时候要明确画的是哪个量，别混着用。phase输出是每一点的相位差，单位是弧度，表示y相对于x在对应时频点上的相位领先/滞后。
这一步我会顺手做一次数据长度上的检查。小波变换要求数据长度至少能够容纳最低频率的几个完整周期，否则低频端的边界效应会非常夸张，整个图的下半部分基本不能看。经验公式是数据长度至少是最低周期的4到8倍。如果你的数据只有100个点，却想分析0.01Hz的周期成分，那结果没有任何可信度。
3.4 绘图细节与图形解读技巧
出图之后，第一眼看到的是下面这样的信息分层：
横轴是时间，纵轴是周期（注意小波分析里习惯用对数纵轴标注周期值而不是频率，因为这样低频部分能看得更清楚）。颜色从深蓝到深红表示相干性从0到1。白色或浅色区域表示相干性低。图中的细黑线表示95%显著性水平，黑线内部的区域才是置信的“有效强相干区”。
颜色的设置很有讲究。MATLAB自带的jet色图虽然好看，但在低频端容易出现色带过大、层次不分明的问题。我一般用parula或viridis这类感知均匀的色图，避免颜色深浅误导强弱判断。由于实际信号的标准谱图通常需要更直观地区分低相干和高相干，我会手动调整caxis的范围，比如默认的相干性由caxis([0 1])控制，但如果你的数据普遍偏低，可以缩到[0.4 1]，高亮有效区。
箭头方向是相位信息——右向箭头表示y与x同相，左向箭头表示反相180°，上箭头表示y领先x90°（也就是x滞后y90°），等等。在解读箭头时千万注意，相位差的解释周期依赖：在同一个时间点，如果你看的是高频成分和低频成分，它们的箭头方向可能截然不同，代表着不同频段上的领先-滞后关系完全不同。
4. 常见问题与排查技巧实录
4.1 图形上出现整条或整块的“红色珊瑚礁”是怎么回事
如果你跑出来的相干谱图整体通红，几乎所有区域都大于0.9，这大概率不是信号本身真的那么强相关，而是平滑参数设置出了问题。我遇到过的场景往往是把时间维平滑窗口设成了常数，而不是与尺度成比例，结果高频段的平滑窗口相对过大，相当于把相邻时频点的值糊成一团，相干性被“糊”高了。
另外还有一种情况：数据本身包含趋势项或均值不为零。小波变换对常数偏移非常敏感，低频端会出现一条高相干宽条带。处理办法是对数据做去均值，必要时做趋势去除（detrend函数），甚至可以加一个带通滤波预处理，把无关的极低频漂移滤掉。
4.2 低频段整片被锥形阴影覆盖，是不是没法用了
锥形影响区域（Cone of Influence，COI）在图上以白色半透明区域标出，表示该区域内的值受到边界效应污染严重，不能当作真实值来解读。很多新手拿到图之后，发现低频段一大半都在COI里，顿时觉得分析没法做了。
我的处理习惯是：低频端的结论宁可保守，也不要强行解读。如果你关心的频段正好落在COI内，说明数据长度不足以在该频率上给出可靠结论，这种情况下你应该考虑采集更长的数据，而不是尝试用代码去修补边界效应。如果只是为了参考趋势，COI内部还是可以看的，但任何结论都要在论文或报告里明确标注置信度存疑。
4.3 计算速度慢得离谱，怎么优化
小波相干计算涉及两个信号各自的小波变换、互谱计算、两次平滑、显著性检验的蒙特卡洛模拟，数据长度一上去（超过几万个点），耗时骤增。
几个实操优化手段：
- 如果只是为了快速预览效果，先把显著性检验关掉或把模拟次数从300降到50，出图确认形态之后再跑正式版。
- 适当增加尺度间隔
dj，从0.1改成0.2，频率轴上的分辨率降低一半，但计算量几乎减半。 - 用
tic/toc记录各段耗时，定位瓶颈函数。如果瓶颈在蒙特卡洛循环，考虑把它改成parfor并行循环 —— 前提是你装了Parallel Computing Toolbox。 - 不少代码包为了通用性，在函数内部绘制了大量辅助图。正式分析时关闭多余图窗，只保留核心相干谱，能省下不少时间。
4.4 箭头方向乱糟糟的，没有规律性，怎么解读
箭头方向看似随机，实际上它反映的是相位差在时频面上的局部变化。如果你预期某个频段上两个信号有稳定的相位差（比如y始终领先x约90°），但图上箭头忽左忽右，先别急着下“无相关性”的结论。检查一下这个频段是否在COI内，以及该区域的相干性是否达到显著水平，如果相关性本身就低于0.5，相位箭头参考意义有限。
如果想提取特定区域的平均相位差，不要直接对箭头角度做算术平均，因为角度有周期性（179°和-179°的平均值应该是180°而不是0°）。正确的做法是先把所有相位差转换为单位复数（exp(1i*angle)），求复数平均之后再转换回角度，这样才能得到正确的循环平均相位。
4.5 工具箱版本不同导致的兼容性问题
MATLAB官方自R2016b开始内置了wcoherence函数（需要Wavelet Toolbox），它可以直接替代第三方的自写代码，而且绘图样式更规范。如果你用的是官方工具箱版的代码，请注意wcoherence的输入变量和输出格式跟Grinsted等第三方工具包不完全一致——尤其是phase输出的单位是弧度还是角度、period列向量还是行向量，这两个最容易踩坑。
如果你拿到的zip包是第三方代码（比如经典的Grinsted工具包），在较新版本的MATLAB（R2022b及以后）上可能会出现不兼容警告，常见原因是老的绘图函数被官方废弃了。解决办法是把报错行里的plot、imagesc等老旧语法改成新语法，或者干脆转用官方wcoherence。
5. 进阶扩展：从双变量走向偏小波相干性
5.1 为什么需要偏小波相干
双变量小波相干分析只能告诉你x和y之间在何时何频上相关，但它无法排除第三个变量z的影响。举个具体例子：你想研究气温与降水量之间的关系，但它们都受到季节的影响。双变量相干分析会显示出强烈的年周期相干，这并不令人意外，但你需要知道的是扣除季节因素之后，气温与降水是否仍有额外的同步性。这就需要用偏小波相干（Partial Wavelet Coherence，PWC）分析。
偏小波相干的思路和非偏版本类似，但需要在三个变量的互谱之间做偏相关运算。数学上它是在复数域上做类似“偏相关系数”的运算：
R²_xy|z = |R_xy - R_xz × conj(R_yz)|² / ( (1 - |R_xz|²) × (1 - |R_yz|²) )
其中 R_xy、R_xz、R_yz 分别是两两之间的复相关系数（由平滑互谱计算得到），conj表示共轭。这个公式和统计学里的偏相关系数公式长得一模一样，只是全部换成了复数运算。
如果你的zip包里不包含偏小波相干的代码，自己在原基础上扩展也很快。关键点在于：将之前算好的互小波谱输出复用，而不是重新做变换。这样能省掉大量的重复计算。扩展时要注意平滑窗口参数保持一致，否则偏相干的结果和双变量结果之间不具备可比性。
5.2 时间-频率-空间多维度的网络分析思路
现在的信号分析早就不局限于两个通道了。比如脑电有几十个通道，你需要分析通道之间的同步网络，看哪些脑区在特定频段耦合紧密。此时单靠小波相干矩阵会生成海量的图，你需要把相干值压缩成网络指标：节点强度、特征路径长度、聚类系数等。这些指标可以随时间和频段变化，动态呈现大脑功能连接的演变。
在实现上，最直接的做法是分层处理：
- 先用小波相干计算每个通道对在目标频段上的平均相干值。
- 设定一个阈值（比如显著性水平的相干值），只保留超过阈值的连接。
- 将连接矩阵导入图分析工具（MATLAB的Graph and Network Algorithms工具箱，甚至可以直接用
graph函数），计算各种网络指标。
这种做法的好处是结论的可视化非常直观——你不再需要一张张翻相干图，而是看到网络拓扑结构随时频演变。缺点是要想结果稳定，数据量要求很高，通道数和时间点数都会影响网络指标的方差，需要足够长的数据才能得到可靠结论。
5.3 小波相位同步方法的替代
小波相干算的是幅度归一化后的互谱关系，它隐含了一种假设：两个信号在局部的幅度变化模式一致。但有些场景下，你更关心的是相位同步性——比如两个振荡器虽然有相同的振荡频率，但彼此的相位始终保持着稳定的锁定关系，此时无论幅度变化如何，你都想捕捉这种耦合。
这种情况下可以用相位锁定值（Phase Locking Value，PLV）。它直接由瞬时相位差计算：
PLV = |mean( exp(1i × (φ_x(t) - φ_y(t))) )|
在MATLAB中实现的时候，你可以复用已经算好的小波变换结果，提取特定频带的相位序列。平滑处理时，PLV的计算窗口长度决定了最终的结果稳定性：窗口太短，PLV虚高（因为点数少，相位差的随机波动也能得到较大的统计值）；窗口太长，时间分辨率损失。如果数据点很少，建议用复杂的全局PLV而不是滑动窗口PLV。
这里有一个反直觉的经验：小波相干性高并不代表相位锁定强，相位锁定强也不代表相干性一定高——因为相干性考虑了幅度的归一化，但PLV不考虑幅度的时变特性。两种方法结合着看，能更全面地描述两个非线性系统之间的耦合关系。
最后补一句实操心得
这份代码拿到手之后，别急着拿自己最宝贵的数据直接跑，先用造出来的简单信号验证一遍代码行为是否符合理论预期，再分析真实数据。我自己测试代码至少花掉一整个晚上，但这一步省下的排查时间远超过投入。遇到看不懂的中间变量就动手打印出来看尺寸、看数值范围，比翻手册效率高得多。小波相干分析不是那种“输进去就能出结论”的工具，它的每一步参数选择都要对数据特点有清醒的认识。祝你好运，跑图顺利。
本文还有配套的精品资源，点击获取
