小波模极大值实现奇异点检测：从Lipschitz指数到MATLAB实践

简介：这份资源面向需要掌握小波分析与信号奇异性检测的MATLAB使用者，围绕小波模极大值方法提供了可直接运行的实现脚本。资源聚焦连续高斯小波（cgau）在信号突变点提取与特征定位中的应用，适合科研入门者或工程开发人员理解模极大值的计算流程与作用。包内共1个文件，即qiyidian.m脚本，压缩包整体仅563B，脚本结构精简，便于快速调试与二次修改。内容涉及wavedec小波分解、各尺度系数绝对值极大值定位、阈值筛选以及基于极大值点的信号分析思路，可用于地震信号处理、故障诊断、医学成像特征检测等场景。目前已有227人学习浏览，对想快速上手小波模极大值算法并观察实测代码效果的读者而言，该脚本提供了一个轻量的参考起点，能帮助理解从分解到极大值提取再到后处理的完整链条，减少自行搭建实验的时间成本。

1. 小波模极大值为什么值得重新捡起来

一次旋转机械的振动监测里，某个测点连续几天出现间歇性冲击，频域总能量没有明显抬升，包络谱也看不出边频带。后来把信号做小波变换，沿尺度方向追踪系数模的局部极值，发现一条贯穿多个尺度的模极大值线，对应的时刻恰好是故障特征频率的倒数。这就是小波模极大值最典型的用途：把“信号在哪里突变”变成“小波系数随尺度怎么衰减”的定量问题，从而在噪声背景下同时给出奇异点的位置和奇异性强度。标题里的 qiyidian.rar 是常见的中文资源命名习惯，即“奇异点”的资源包，而小波模极大值正是处理奇异点检测、边缘定位、故障诊断这一类需求的标准工具。它的价值不只是定位突变，而是能用一个 Lipschitz 指数把阶跃、脉冲、噪声、斜坡这些容易被阈值法混淆的形态分开，这一点在 MATLAB 里用 Wavelet Toolbox 可以很干净地实现。

2. 小波模极大值的数学机制：从模板匹配到 Lipschitz 指数

2.1 小波系数如何“看见”突变

小波变换本质上是用一个带通特性的母函数去匹配信号局部形态。母函数 ψ(t) 通过尺度 a 伸缩、平移 b 得到一族基函数，信号 x(t) 在尺度 a、位置 b 上的小波系数写作：

Wf(a,b) = (1/√a) ∫ x(t) ψ*((t-b)/a) dt

系数绝对值越大，说明该位置的小波形状与信号局部形态越相似。突变点通常呈现阶跃、脉冲或斜坡特征，这些形态在不同尺度下与小波的重合程度不同：阶跃信号与一阶导数型小波（如 mexh、gaus1）在阶跃位置产生明显的对称响应，脉冲信号则在小波尺度接近脉冲宽度时达到峰值。平滑区段的信号与带通小波重叠小，系数接近零。这个机制决定了模极大值不依赖全局阈值，而是依赖局部极值的存在性，因此对背景电平不敏感，更适合处理含趋势项和缓变成分的实测信号。

2.2 模极大值、模极大值线与奇异性指数的对应关系

固定一个尺度 a，把 |Wf(a,b)| 看作位置 b 的一维序列，它的局部极大值被称为该尺度的模极大值。同一个奇异点会在相邻尺度上都产生极值，把不同尺度下位置相近的模极大值连接起来，就形成一条模极大值线。这条线从大尺度延伸到小尺度，在时间轴上收敛的位置就是奇异点所在处。模极大值线的价值在于它给每个奇异点建立了一条随尺度演化的轨迹，而不只是一个孤立的峰值点。

沿着这条线，模极大值随尺度 a 的变化满足一个近似幂律关系：|Wf(a,b)| ≤ K · a^α，其中 α 就是该点的 Lipschitz 指数（也称 Hölder 指数）。对阶跃信号，α ≈ 0；对脉冲或白噪声，α < 0；对可微的斜坡信号，α ≥ 1。实际估计时，对上述关系两边取对数，在双对数坐标下做直线拟合，斜率即为 α 的估计值。下面这张表整理了不同信号形态与 Lipschitz 指数的对应关系，便于在实际程序里直接对照。

工程里最容易混淆的是脉冲和噪声：两者 Lipschitz 指数都为负。区别在于白噪声在每个尺度上都密布模极大值，且极大值点位置不随尺度收敛到同一个时刻；而真实脉冲的模极大值线具有明确、稳定的收敛点。这个判别规则是模极大值方法的核心，也是后续程序里“去噪不误删突变”的根据。

2.3 用 Lipschitz 指数分离信号与噪声的原理

小波去噪中常用的软阈值法默认一个重要假设：突变信号的小波系数幅值大于噪声的幅值。但低信噪比场景下这个假设经常不成立，噪声系数可能比弱突变还大。模极大值提供了第二个维度的判别依据——符号和趋势：真实突变的 |Wf(a,b)| 随尺度增大而增大或持平，噪声的 |Wf(a,b)| 随尺度增大而减小。哪怕某个细节尺度上的噪声峰值更大，只要在多个尺度上观察系数的演化方向，就能把两者分开。

在 MATLAB 里实现这一点，不需要直接调用某个“模极大值”函数，而是分三步：先做连续小波变换得到多尺度系数矩阵；再在每个尺度上提取局部极大值；最后把跨尺度的极大值连接成线，沿每条线拟合衰减斜率。这三个步骤能完整复现模极大值算法的全过程，也便于在每一步加入针对实际信号的约束。

3. 模极大值 MATLAB 实现：从 CWT 到奇异点定位

3.1 先构造一条已知奇异点的测试信号

实现前先准备一条包含阶跃、脉冲和噪声的合成信号，这样能验证每个步骤是否正确。采样率设为 1000 Hz，时长 2 秒，信号由 5 Hz 正弦背景、0.5 秒处的阶跃和 1.2 秒处的脉冲组成，最终叠加小幅高斯白噪声。

fs = 1000; t = (0:fs*2-1)/fs; % 基频信号，模拟旋转机械的转频成分 x = sin(2*pi*5*t); % 0.5s 处加入阶跃，模拟转速突变或负载跳变 x(t >= 0.5 & t < 0.55) = x(t >= 0.5 & t < 0.55) + 1; % 1.2s 处加入单个脉冲，模拟冲击故障 x(round(1.2*fs)+1) = x(round(1.2*fs)+1) + 2; % 叠加低强度噪声，模拟正常测试环境 rng(42); x = x + 0.05*randn(size(x));

设定随机种子是为了让结果可复现。阶跃宽度取 0.05 秒而不是理想阶跃，是为了模拟实际信号中的有限上升时间，避免边缘太理想导致后续模极大值线过于规整，失去调参参考价值。脉冲幅值取 2，是为了让它在多个大尺度上依然能产生可追踪的模极大值。

3.2 用 MATLAB 做连续小波变换与局部极值提取

连续小波变换（CWT）是可选的，离散小波变换（DWT）也可以做，但 CWT 的尺度轴更密，便于观察模极大值线的走向。老版本 MATLAB 中调用方式为cwt(x, scales, 'mexh')，较新版本的 Wavelet Toolbox 推荐用cwt(x, 'mexh')并配合cwtfreqbounds计算尺度范围。下面的代码先按自定义尺度做变换，再从每个尺度的系数绝对值里提取局部极大值。

% 尺度范围按 1~64 取，覆盖约 6 个倍频程 scales = 1:64; % 使用 mexh 小波（墨西哥帽），它是实值高斯二阶导数， % 对阶跃和脉冲都产生明显的模极大值响应 coefs = cwt(x, scales, 'mexh'); % 逐尺度提取局部极大值位置 min_dist = 5; % 同一尺度内两个极大值的最小采样点间隔 thresh = 0.01; % 剔除接近零的小系数，避免数值噪声干扰 max_locs = cell(size(scales)); for k = 1:length(scales) row = abs(coefs(k, :)); [~, locs] = findpeaks(row, 'MinPeakHeight', thresh, ... 'MinPeakDistance', min_dist); max_locs{k} = locs; end

findpeaks返回的是局部峰值的位置索引，不是峰值大小。之所以在每个尺度单独做，是因为模极大值的定义本来就是逐尺度的，不能跨尺度直接比较幅值。MinPeakDistance会过滤掉相邻过分密集的伪峰值，防止同一个奇异点因为小尺度细节振荡被拆成多个极值。MinPeakHeight的取值不需要太严格，它只剔除绝对幅值接近零的点，真正的筛选发生在后面跨尺度连线时。

3.3 跨尺度连接模极大值线：一个可演进的贪心算法

单看一个尺度只能得到候选点，无法判断哪些候选点属于同一个奇异点。常见做法是从最小的尺度开始，对每一个极大值点，在相邻更大尺度上搜索位置最接近、且幅值单调性合理的极大值，连成一条线。下面是一个足够工程使用的简化实现。

% 记录每条模极大值线：每条线有 scale 序列和 loc 序列 lines = {}; for k = 1:length(scales)-1 locs_small = max_locs{k}; locs_large = max_locs{k+1}; for li = 1:length(locs_small) cur_loc = locs_small(li); % 在相邻大尺度上找距离最近的极值点 [dist_min, idx_min] = min(abs(locs_large - cur_loc)); % 搜索半径：两个尺度采样点位置差不超过 8 点 if dist_min <= 8 matched_loc = locs_large(idx_min); % 检查幅值是否满足模极大值线约束： % 真实奇异点小波系数随尺度增大而增大或持平， % 因此大尺度幅值不应小于小尺度幅值的三分之一 amp_small = abs(coefs(k, cur_loc)); amp_large = abs(coefs(k+1, matched_loc)); if amp_large > amp_small * 0.3 % 将匹配结果存入 lines，这里用简单的追加方式 lines{end+1, 1} = [k, k+1]; % 尺度索引 lines{end, 2} = [cur_loc, matched_loc]; % 位置索引 end end end end

这段代码是一个逐尺度匹配过程，不是全局最优匹配，所以在两条模极大值线交叉时会存在竞争。这个简化版的局限在于：一旦某一层匹配失败，前面积累的轨迹就断了，且没有在多条候选之间做“谁更连续”的比较。实际项目中可以在这一步之后再补一个基于位置预测的回溯：从大尺度到小尺度按模极大值线的收敛方向细化位置。搜索半径 8 个采样点按 1000 Hz 采样率换算，允许相邻尺度间最大 8 ms 的位置漂移，这对机械振动信号通常足够。

3.4 沿模极大值线拟合 Lipschitz 指数

每一条模极大值线本质上记录了同一个奇异点在多个尺度上的系数幅值序列。对幅值取对数后与尺度对数做线性回归，斜率就是 Lipschitz 指数 α。这里的关键是对数基的选择，使用以 2 为底时，斜率直接与信号的尺度特性对应，便于解释。

% 假设已得到某条模极大值线：scales_used 和 amps_used scales_used = [2, 4, 8, 16]; % 示例尺度序列 amps_used = [0.35, 0.52, 0.78, 1.1]; % 同位置各尺度小波系数的模 log_s = log2(scales_used); log_a = log2(amps_used); % polyfit 一阶拟合返回 [斜率, 截距] p = polyfit(log_s, log_a, 1); alpha = p(1);

alpha 的解释规则：接近 0 对应阶跃，0 到 1 之间对应有限光滑度的突变，负值对应脉冲或噪声。需要说明的是，polyfit对测量噪声敏感，尤其当参与拟合的尺度点少于 4 个时，估计方差会显著增大。建议至少用 4 到 5 个尺度参与回归，且拟合优度 R² 低于 0.9 时，宁可不输出 Lipschitz 指数，只保留奇异点位置信息，避免误报。

4. 在低信噪比振动信号上定位 qiyidian 奇异点

4.1 真实测量场景里“奇异点”的工程约束

实验室合成信号可以随意挑剔参数，但实际采集的振动、电压、压力信号有四个现实约束：一是存在趋势项，缓变分量会在某些尺度上产生伪模极大值；二是信噪比随时变，噪声方差在不同时段不一样，单一固定阈值必然失效；三是采样率与故障特征频率之比决定尺度覆盖范围，尺度太少无法可靠估计 Lipschitz 指数；四是信号中的多个奇异点距离较近时，模极大值线会重叠或断裂。

因此在实际应用前，先做一次预处理：用平滑滤波或多项式拟合去除趋势项，然后把信号切段，每段单独计算噪声标准差 σ，再以 3σ 或 4σ 作为最小幅值门槛筛选候选极值。这个门槛不是去噪阈值，其作用是剔除噪声产生的、无法跨尺度持续存在的弱极值。真正的奇异性判据仍然是随尺度演化的趋势，这比单点幅值更稳定。

4.2 三个必调参数：尺度范围、小波类型、搜索半径

从工程经验看，只要把下面三个参数组装得当，模极大值算法在多数机械故障信号上都能直接工作。

这里特别强调尺度范围：最小尺度决定能捕捉到多快的突变，最大尺度决定能确认多慢的跃迁。如果一条模极大值线只在两三个尺度上出现，就不要输出 Lipschitz 指数，只保留“疑似奇异点”的位置。这就是模极大值方法诚实的一面：它对数据的要求不在于采样率多高，而在于尺度覆盖是否足够支撑结论。

4.3 信噪比低于 5 dB 时的噪声伪极值剔除

低信噪比场景下，噪声会在小尺度上制造大量模极大值，且这些极值也有向相邻尺度漂移的趋势。区分它们与真实奇异点的实用方法是检查两条统计特征：真实奇异点的模极大值线在最大尺度端仍然存在，且位置随尺度的偏移收敛到同一个时间点；噪声伪极值线的幅值随尺度增大而快速下降，通常在第三个或第四个尺度就跌到幅值门槛以下。

% 用“存活尺度数”过滤噪声伪极值线 % 假设 lines 是已知的模极大值线集合，line_scales 记录每条线的尺度索引数 min_survive = 4; % 至少连续存活 4 个尺度才保留 valid_lines = {}; for li = 1:size(lines, 1) sc = lines{li, 1}; if length(sc) >= min_survive valid_lines{end+1} = lines(li, :); end end % 对保留的行再按 Lipschitz 指数分类： % alpha < -0.5 且位置处无物理意义时判为干扰，丢弃 % alpha 在 [-0.5, 0.5] 视为突变事件，输出位置用于告警

min_survive取 4 是经验下限。如果连续 4 个尺度上模极大值都能连接起来并且幅值不衰减，它来自真实奇异点的概率已经足够高。配合位置收敛性检验，可以进一步把噪声伪线去掉：计算一条线在不同尺度上的位置索引标准差，如果超过 6 个采样点，说明这条极值线没有收敛到单一时刻，更像噪声的随机漂移，不应作为奇异点输出。

4.4 批量处理多个事件：从模极大值线集合到告警列表

实际操作中，一个测点数据里通常同时存在多组奇异点，它们距离可能只有几十个采样点。此时建议保留所有有效模极大值线，而不做“每时间窗只取最强突变”的局部抑制。在 MATLAB 中收集并输出告警列表的常见做法如下：

event_table = table(); cnt = 0; for li = 1:length(valid_lines) sc = valid_lines{li, 1}; locs = valid_lines{li, 2}; % 取最大尺度上的位置作为奇异点最终时刻估计 [~, midx] = max(sc); event_time = (locs(midx) - 1) / fs; amp_series = zeros(size(sc)); for si = 1:length(sc) amp_series(si) = abs(coefs(sc(si), locs(si))); end ps = polyfit(log2(sc), log2(amp_series), 1); cnt = cnt + 1; event_table(cnt, :) = table(event_time, ps(1), length(sc), ... 'VariableNames', {'Time', 'Alpha', 'LiveScales'}); end % 按时间排序，输出所有候选奇异点 event_table = sortrows(event_table, 'Time'); disp(event_table);

这段逻辑把每条模极大值线压缩成一行记录：发生时刻、Lipschitz 指数、存活尺度数。排序后就能对照原始信号逐条确认。要注意的是，当两个事件距离过近时，它们的模极大值线可能共用中间某一层的极值点，导致两条线被合并或断裂，这时需要回到可视化界面逐个核对，不能完全自动化。

5. 用解析 Hölder 信号自检模极大值程序：三个边界与四个易错点

要验证程序是否可靠，最快的方法是构造一条解析形式已知的 Hölder 连续信号 x(t)=|t-t0|^α，让程序反推 α。将 t0 设在 0.37 秒处，α 分别为 0.3、0.7、1.2，用前面 3.4 节的拟合流程估计。偏差在 ±0.15 以内说明尺度选择和小波类型匹配；若系统性偏低，通常是最小尺度取得太小导致噪声干扰。这个自检步骤应该固化成一个独立脚本，每次更换数据源前先跑一遍。

三个边界条件值得反复确认：一是信噪比边界，低于 0 dB 时任何模极大值程序都无法同时保证误检率和漏检率，此时应当改做多次平均或提高采样率，而不是继续调阈值；二是事件间隔边界，两个奇异点间距小于最小尺度对应的小波支撑长度时，无法分辨，必须提高采样率；三是尺度边界，最大尺度若超过了信号中缓变趋势的尺度，Lipschitz 指数拟合会混入趋势项的贡献，输出 alpha 偏大。

最后列出四个高频易错点。其一，直接用findpeaks找极大值却不设最小间距，会导致一个光滑的阶跃被拆成若干个相邻极值，后续连线全乱。其二，把幅值阈值设得过高，在低信噪比时丢掉了真实弱脉冲，模极大值线因此断掉，应该让阈值只负责过滤超小数值，把主要筛选交给存活尺度数。其三，拟合 Lipschitz 指数时把尺度 1 包含进去，这个尺度上的系数受离散化误差影响严重，一般从尺度 2 开始取点。其四，忽略了边界处理，信号首尾的小波系数本身存在边缘效应，会产生假的模极大值线，检测前应先丢弃首尾各 10% 的分析区间，或使用wextend对信号做对称延拓后再计算。把这几条写进代码注释里，比事后调参数更省时间。

本文还有配套的精品资源，点击获取