CNN 深度学习框架下 CWT 时频图的特征映射机制研究

1. CWT 时频图基础

连续小波变换（CWT）将一维信号转换为二维时频表示： $$W(a,b) = \frac{1}{\sqrt{|a|}} \int_{-\infty}^{\infty} s(t) \psi^*\left(\frac{t-b}{a}\right) dt$$ 其中：

• $s(t)$ 为原始信号
• $\psi(t)$ 为小波母函数
• $a$ 为尺度参数（控制频率）
• $b$ 为平移参数（控制时间）

CWT 时频图本质是二维矩阵，横轴表示时间，纵轴表示尺度（对应频率），像素强度表示能量分布。

2. CNN 特征映射机制

在 CNN 框架下，特征映射通过卷积层实现：

import torch.nn as nn

class ConvBlock(nn.Module):
    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(2)
    
    def forward(self, x):
        x = self.conv(x)  # 特征提取
        x = self.relu(x)  # 非线性激活
        return self.pool(x)  # 降维

特征映射过程：

• 浅层卷积：提取局部特征（如时频图中的边缘、纹理）
• 深层卷积：组合低级特征形成高级特征（如频率模式、时间结构）
• 池化层：保留显著特征并降低维度

3. 特征映射特性分析

特征映射的核心优势：

• 平移不变性：卷积核在时频平面滑动检测特征
• 层次化抽象：从$低级纹理$到$高级语义$的渐进式提取
• 参数共享：相同卷积核处理所有时频区域

4. 优化策略

1. 多尺度卷积：

   nn.ModuleList([
       nn.Conv2d(1, 16, kernel_size=(5,20)),  # 宽时间核
       nn.Conv2d(1, 16, kernel_size=(20,5))   # 宽频率核
   ])
   

2. 注意力机制：
   • 通道注意力：增强重要频带响应
   • 空间注意力：聚焦关键时域区域

5. 实验验证方法

• 特征可视化：通过反卷积显示激活区域

  def visualize_activation(model, layer_idx, input):
      activation = model[:layer_idx](input)
      return torch.nn.functional.interpolate(activation, scale_factor=4)
  

• 消融实验：比较不同卷积核尺寸$(3\times3$ vs $5\times5)$对分类准确率的影响
• 敏感性分析：计算特征图对输入扰动的梯度$\frac{\partial \mathcal{L}}{\partial x}$

6. 应用场景

1. 故障诊断：轴承振动信号中冲击特征的映射
2. 生理信号分析：ECG 信号中 PQRST 波群的时空定位
3. 语音识别：共振峰结构的层次化提取

研究趋势：结合图卷积网络(GCN)处理非欧式时频结构，利用$图神经网络$建模时频点之间的拓扑关系。