时间序列-小波分析
时间序列（Time Series ）是地学研究中经常遇到的问题。在时间序列研究中，时域和频域是常用的两种基本形式。其中，时域分析具有时间定位能力，但无法得到关于时间序列变化的更多信息；频域分析（如Fourier 变换）虽具有准确的频率定位功能，但仅适合平稳时间序列分析。然而，地学中许多现象（如河川径流、地震波、暴雨、洪水等）随时间的变化往往受到多种因素的综合影响，大都属于非平稳序列，它们不但具有趋势性、周期性等特征，还存在随机性、突变性以及“多时间尺度”结构，具有多层次演变规律。对于这类非平稳时间序列的研究，通常需要某一频段对应的时间信息，或某一时段的频域信息。显然，时域分析和频域分析对此均无能为力。
20世纪80年代初，由Morlet 提出的一种具有时-频多分辨功能的小波分析（Wavelet Analysis ）为更好的研究时间序列问题提供了可能，它能清晰的揭示出隐藏在时间序列中的多种变化周期，充分反映系统在不同时间尺度中的变化趋势，并能对系统未来发展趋势进行定性估计。
目前，小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学领域内得到了广泛的应。在时间序列研究中，小波分析主要用于时间序列的消噪和滤波，信息量系数和分形维数的计算，突变点的监测和周期成分的识别以及多时间尺度的分析等。
一、小波分析基本原理
1. 小波函数
小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。因此，小波函数是小波分析的关键，它是指具有震荡性、能够迅速衰减到零的一类函数，即小波函数)R (L )t (2∈ψ且满足：
?
+∞
∞
-=0dt )t (ψ （1）
式中，)t (ψ为基小波函数，它可通过尺度的伸缩和时间轴上的平移构成一簇函数系：
)a
b
t (
a
)t (2
/1b ,a -=-ψψ 其中，0a R,b a,≠∈ （2） 式中，)t (b ,a ψ为子小波；a 为尺度因子，反映小波的周期长度；b 为平移因子，反应时间上的平移。 需要说明的是，选择合适的基小波函数是进行小波分析的前提。在实际应用研究中，应针对具体情况选择所需的基小波函数；同一信号或时间序列，若选择不同的基小波函数，所得的结果往往会有所差异，有时甚至差异很大。目前，主要是通过对比不同小波分析处理信号时所得的结果与理论结果的误差来判定基小波函数的好坏，并由此选定该类研究所需的基小波函数。
2. 小波变换
若)t (b ,a ψ是由（2）式给出的子小波，对于给定的能量有限信号)R (L )t (f 2
∈，其连续小波变换（Continue Wavelet Transform ，简写为CWT ）为：
dt )a
b
t (
f (t)a
)b ,a (W R
2
/1-f ?
-=ψ （3） 式中，)b ,a (W f 为小波变换系数；f(t)为一个信号或平方可积函数；a 为伸缩尺度；b 平移参数；
)a b x (
-ψ为)a
b
x (-ψ的复共轭函数。地学中观测到的时间序列数据大多是离散的，设函数)t k (f ?，
（k=1,2,…,N; t ?为取样间隔），则式（3）的离散小波变换形式为：
)a
b
-t k (
t)f(k t a
)b ,a (W N
1
k 2
/1-f ???=∑=ψ
（4） 由式（3）或（4）可知小波分析的基本原理，即通过增加或减小伸缩尺度a 来得到信号的低频或高频信息，然后分析信号的概貌或细节，实现对信号不同时间尺度和空间局部特征的分析。
实际研究中，最主要的就是要由小波变换方程得到小波系数，然后通过这些系数来分析时间序列的时频变化特征。
3. 小波方差
将小波系数的平方值在b 域上积分，就可得到小波方差，即
db
)b a,(W )a (Var 2
f ?∞
∞
-=
(5)
小波方差随尺度a 的变化过程，称为小波方差图。由式(5)可知，它能反映信号波动的能量随尺度a 的分布。因此，小波方差图可用来确定信号中不同种尺度扰动的相对强度和存在的主要时间尺度，即主周期。
二、小波分析实例-时间序列的多时间尺度分析(Multi-time scale analysis)
例题
河川径流是地理水文学研究中的一个重要变量，而多时间尺度是径流演化过程中存在的重要特征。所谓径流时间序列的多时间尺度是指：河川径流在演化过程中，并不存在真正意义上的变化周期，而是其变化周期随着研究尺度的不同而发生相应的变化，这种变化一般表现为小时间尺度的变化周期往往嵌套在大尺度的变化周期之中。也就是说，径流变化在时间域中存在多层次的时间尺度结构和局部变化特征。
表1给出了某流域某水文观测站1966-2004年的实测径流数据。试运用小波分析理论，借助Matlab6.5、suffer8.0和相关软件（Excel 等），完成下述任务：⑴计算小波系数；⑵绘制小波系数图（实部、模和模方）、小波方差图和主周期变化趋势图，并分别说明各图在分析径流多时间尺度变化特征中的作用。
表1 某流域某水文观测站1966-2004年实测径流数据（×108m 3
） 年份 径流量 年份 径流量 年份 径流量 年份 径流量 年份 径流量 1966 1.438 1974 2.235 1982 0.774 1990 1.806 1998 1.709 1967 1.151 1975 4.374 1983 0.367 1991 0.449 1999 0.000 1968 0.536 1976 4.219 1984 0.562 1992 0.120 2000 0.000 1969 1.470 1977 2.590 1985 3.040 1993 0.627 2001 2.104 1970 3.476 1978 3.350 1986 0.304 1994 1.658 2002 0.009 1971 4.068 1979 2.540 1987 0.728 1995 1.025 2003 3.177 1972 2.147 1980 0.807 1988 0.492 1996 0.955 2004 0.921 1973 3.931
1981
0.573
1989
0.007
1997
1.341
分析
1. 选择合适的基小波函数是前提
在运用小波分析理论解决实际问题时，选择合适的基小波函数是前提。只有选择了适合具体问题的基小波函数，才能得到较为理想的结果。目前，可选用的小波函数很多，如Mexican hat 小波、Haar 小波、Morlet 小波和Meyer 小波等。在本例中，我们选用Morlet 连续复小波变换来分析径流时间序列的多时间尺度特征。原因如下：
1.1 径流演变过程中包含“多时间尺度”变化特征且这种变化是连续的，所以应采用连续小波变换来进行此项分析。
1.2实小波变换只能给出时间序列变化的振幅和正负，而复小波变换可同时给出时间序列变化的位相和振幅两方面的信息，有利于对问题的进一步分析。
1.3 复小波函数的实部和虚部位相差为π/2，能够消除用实小波变换系数作为判据而产生的虚假振荡，使分析结果更为准确。
2. 绘制小波系数图、小波方差图和主周期变化趋势图是关键
当选择好合适的基小波函数后，下一步的关键就是如何通过小波变换获得小波系数，然后利用相关软件绘制小波系数图、小波方差图和主周期变化趋势图，进而根据上述三种图形的变化识别径流时间序列中存在的多时间尺度。
具体步骤
1. 数据格式的转化
2. 边界效应的消除或减小
3. 计算小波系数
4. 计算复小波系数的实部
5. 绘制小波系数实部等值线图
6. 绘制小波系数模和模方等值线图
7. 绘制小波方差图
8. 绘制主周期趋势图
下面，我们以上题为例，结合软件Matlab 6.5、Suffer 8.0和Excel ，详细说明小波系数的计算和各图形的绘制过程，并分别说明各图在分析径流多时间尺度变化特征中的作用。
1. 数据格式的转化和保存
将存放在Excel 表格里的径流数据（以时间为序排为一列）转化为Matlab 6.5识别的数据格式（.mat ）并存盘。
具体操作为：在Matlab 6.5 界面下，单击“File-Import Data ”，出现文件选择对话框“Import ”后，找到需要转化的数据文件（本例的文件名为runoff.xls ），单击“打开”。等数据转化完成后，单击“Finish ”，出现图1显示界面；然后双击图1中的Runoff ，弹出“Array Editor: runoff ”对话框，选择File 文件夹下的“Save Workspace As ”单击，出现图2所示的“Save to MAT-File:”窗口，选择存放路径并填写文件名（runoff.mat ），单击“保存”并关闭“Save to MAT-File ”窗口。
2. 边界效应的消除或减小
图1 数据格式的转化
图2数据的保存
因为本例中的实测径流数据为有限时间数据序列，在时间序列的两端可能会产生“边界效用”。为消除或减小序列开始点和结束点附近的边界效应，须对其两端数据进行延伸。在进行完小波变换后，去掉两端延伸数据的小变换系数，保留原数据序列时段内的小波系数。本例中，我们利用Matlab 6.5小波工具箱中的信号延伸（Signal Extension ）功能，对径流数据两端进行对称性延伸。
具体方法为：在Matlab 6.5界面的“Command Window ”中输入小波工具箱调用命令“Wavemenu ”，按Enter 键弹“Wavelet Toolbox Main Menu ”（小波工具箱主菜单）界面（图３）；然后单击“Signal Extension ”，打开Signal Extension / Truncation 窗口，单击“File ”菜单下的“Load Signal ”，选择runoff.mat 文件单击“打开”，出现图4信号延伸界面。Matlab 6.5的Extension Mode 菜单下包含了6种基本的延伸方式（Symmetric 、Periodic 、Zero Padding 、Continuous 、Smooth and For SWT ）和Direction to extend 菜单下的3种延伸模式（Both 、Left and Right ），在这里我们选择对称性两端延伸进行计算。数据延伸的具体操作过程是：在Extension Mode 下选择“ Symmetric ”，Dircetion to extend 下选择“Both ”，单击“Extend ”按钮进行对称性两端延伸计算，然后单击“File ”菜单下的“Save Tranformed Signal ”，将延伸后的数据结果存为erunoff.mat 文件。
从erunoff 文件可知，系统自动将原时间序列数据向前对称延伸12个单位，向后延伸13个单位。
3. 计算小波系数
选择Matlab 6.5小波工具箱中的Morlet 复小波函数对延伸后的径流数据序列（erunoff.mat ）进行小波变换，计算小波系数并存盘。
小波工具箱主菜单界面见图3，单击“Wavelet 1-D ”下的子菜单“Complex Continuous Wavelet 1-D ”，打开一维复连续小波界面，单击“File ”菜单下的“Load Signal ”按钮，载入径流时间序列erunoff.mat （图5）。图5的左侧为信号显示区域，右侧区域给出了信号序列和复小波变换的有关信息和参数，主要包括数据长度（Data Size ）、小波函数类型（Wavelet ：cgau 、shan 、fbsp 和cmor ）、取样周期（Sampling Period ）、周期设置（Scale Setting ）和运行按钮（Analyze ），以及显示区域的相关显示设置按钮。本例中，我们选择cmor (1-1.5)、取样周期为1、最大尺度为32，单击“Analyze ”运行按钮，计算小波系数。然后单击“File ”菜单下的“Save
Coefficients ”，保存小波系数为cerunoff.mat 文件。
图3 小波工具箱主菜单
图4 径流时间序列的延伸
图5 小波变换菜单界面
注意：上面涉及到的数据保存，其格式均为.mat。
4. 计算Morlet复小波系数的实部
将复小波系数转存到Excel表格，去掉两端延伸数据的小波系数，并计算小波系数实部。
在Matlab 6.5界面下的Workspace中将cerunoff.mat文件导入，然后双击打开，全部复制到Excel 后去掉延伸数据的小波变换系数（本例中去掉前12列和后13列），或只复制原时间序列的小波变换系数到Excel，最后使用Excel中的IMREAL函数计算原时间序列的小波系数实部（图6）。
图6 复小波系数及实部计算示意图
Excel 中IMREAL函数的调用方法为：单击“插入”菜单下的“函数（F）”按钮，弹出图7所示的“插入函数”窗口，在“搜索函数（S）：”框中输入：“IMREAL”后单击“转到”，再单击“确定”，出现函数参数窗口（图8）。在“Inumber”一栏的空白处输入所要计算的数据（图6），单击“确定”即可得到小波系数实部值。
需要说明的是，从cerunoff.mat 文件中转到Excel 里的复小波系数，在其实部和虚部中间包含许多“空格”，在计算之前需要先将其去掉。
5. 借助Suffer 8.0，绘制小波系数实部等值线图 5.1 小波系数实部等值线图的绘制
首先，将小波系数实部数据按照图9格式排列，其中列A 为时间，列B 为尺度，列C 为不同时间和 尺度下所对应的小波系数实部值。
图9 小波系数实部数据格式
其次，将图9数据转化成Suffer 8.0识别的数据格式。具体操作为：在Suffer 8.0界面下，单击“网格”菜单下的“数据”按钮，在“打开”窗口选择要打开的文件（小波系数实部.xls ），单击“打开”后弹出“网格化数据”对话框（图10）。它给出了多种不同的网格化方法、文件输出路径及网格线索几何学等信息。这里我们选择“克里格“网格方法”，单击“确定”，完成数据格式的转化。
图7 IMEAL 函数调用
图8 IMEAL 函数参数
最后，绘制小波系数实部等值线图。在Suffer 8.0界面下，单击“地图”菜单下的“等值线图-新建等值线图”按钮，弹出“打开网格”窗口后，选择“小波系数实部.grd ”文件，单击“打开”，完成等值线图的绘制并存盘（图11）。
5.2 小波系数实部等值线图在多时间尺度分析中的作用
小波系数实部等值线图能反映径流序列不同时间尺度的周期变化及其在时间域中的分布，进而能判断在不同时间尺度上，径流的未来变化趋势。为能比较清楚的说明小波系数实部等值线图在径流多时间尺度分析中的作用，我们利用Suffer 8.0对其进一步处理和修
饰，得到图12显示的小波系数实部等值线图。其中，横坐标为时间（年份），纵坐标为时间尺度，图中的等值曲线为小波系数实部值。当小波系数实部值为正时，代表径流丰水期，在图中我们用实线绘出，“H ”表示正值中心；为负时，表示径流枯水期，用虚线绘出，“L ”表示负值中心。
由图12可以清楚的看到径流演化过程中存在的多时间尺度特征。总的来说，在流域径流演变过程中存在着18~32年，8~17年以及3~7年的3类尺度的周期变化规律。
其中，在18~32年尺度上出现了枯-丰交替的准两次震荡；
在8~17年时间尺度上存在准5次震荡。同时，还可以看出以上两个尺度的周期变化在整个分析时段表现的非常稳
定，具有全域性；而3~10年尺度的周期变化，在1980s 以后表现的较为稳定。
6. 绘制小波系数模和模方等值线图 6.1 小波系数模和模方等值线图的绘制
参考4、5两步，绘制小波系数模和模方等值线图（图13、14）。 说明：在Excel 中，复数模的计算函数为“IMABS ”。
图10 小波系数实部数据格式转化
图11 Suffer8.0中的小系数实部等值线图
19701975198019851990199520005
10
15
2025
30
(a)
年份H H H H H
H H H
L
L
L
L L L L
L
图12 小系数实部等值线图
1970
1975
1980
1985
1990
1995
200051015202530(b)
年份
19701975198019851990199520005
10
15
20
25
30
(c)
年份
图13 小波系数模等值线图 图14 小波系数模方等值线图
6.2 小波系数模等值线图在多时间尺度分析中的作用
Morlet 小波系数的模值是不同时间尺度变化周期所对应的能量密度在时间域中分布的反映，系数模值愈大，表明其所对应时段或尺度的周期性就愈强。从图13可以看出，在流域径流演化过程中，18~32年时间尺度模值最大，说明该时间尺度周期变化最明显，18~22年时间尺度的周期变化次之，其他时间尺度的周期性变化较小；
6.2 小波系数模方等值线图在多时间尺度分析中的作用
小波系数的模方相当于小波能量谱，它可以分析出不同周期的震荡能量。由图14知，25~32年时间尺度的能量最强、周期最显著，但它的周期变化具有局部性（1980s 前）；10~15年时间尺度能量虽然较弱，但周期分布比较明显，几乎占据整个研究时域(1974~2004年)。
7. 绘制小波方差图 7.1小波方差图的绘制
将不同时间尺度下的小波系数代入式(5)可得径流变化的小波方差，以小波方差为纵坐标，时间尺度a 为横坐标，可绘制小波方差图（图15）。
7.2小波方差图在多时间尺度分析中的作用
小波方差图能反映径流时间序列的波动能量随尺度a 的分布情况。可用来确定径流演化过程中存在的主周期。
流域径流的小波方差图中（图15）存在4个较为
明显的峰值，它们依次对应着28年、14年、8年和4
年的时间尺度。其中，最大峰值对应着28年的时间尺
度，说明28年左右的周期震荡最强，为流域年径流变化的第一主周期；14年时间尺度对应着第二峰值，为
径流变化的第二主周期，第三、第三峰值分别对应着
8年和4年的时间尺度，它们依次为流域径流的第三
和第四主周期。这说明上述4个周期的波动控制着流
域径流在整个时间域内的变化特征。
8. 主周期趋势图的绘制及其在多时间尺度分析中的作用 根据小波方差检验的结果，我们绘制出了控制流域径流演变的第一和第二主周期小波系数图（图16）。从主周期趋势图中我们可以分析出在不同的时间尺度下，流域径流存在的平均周期及丰-枯变化特征。图16a 显示，在14年特征时间尺度上，流域径流变化的平均周期为9.5年左右，大约经历了4个丰-枯转换
(d)0204060
80
100120
14005101520253035时间尺度/a
小波方差
图15 小波方差图
期；而在28年特征时间尺度上（图16b ），流域的平均变化周期为20年左右，大约2个周期的丰-枯变化。
a 14特征时间尺度
-1
-0.8-0.6-0.4-0.20
0.2
0.40.6
0.8
1196519701975198019851990199520002005年份小波系数
b 28特征时间尺度
-3
-2
-10
123
19651970197519801985199019952000
2005
年份小波系数
图16 大沽夹河流域年径流变化的13年和28年特征时间尺度小波实部过程线
参考文献
王文圣，丁晶，李耀清. 2005. 水文小波分析[M]. 北京：化学工业出版社
曹素华等. 1998. 实用医学多因素统计方法[M]. 上海：上海医科大学出版社 方开泰. 1989. 实用多元统计分析[M]. 上海：华东师范大学出版社
何清波，苏炳华，钱亢. 2002. 医学统计学及其软件包[M]. 上海：上海科学技术文献出版社 胡秉民. 1987. 微电脑在农业科学中的应用[M]. 北京：科学出版社
孙尚拱. 1990.. 实用多元变量统计方法与计算程序[M]. 北京：北京医科大学、中国协和医科大学联合出版社 唐守正. 1986. 多元统计分析方法[M]。北京：中国林业出版社 王学仁. 1982. 地址数据的多变量统计分析. 北京：科学出版社
徐振邦，金淳浩，娄元仁. 1986. 2χ距离系数和2
?距离系数尺度在聚类分析中的应用[M]. 赵旭东等主编，中国数学地质（1）. 北京：地质出
版社
於崇文. 1978. 数学地质的方法与应用[M]. 北京：冶金工业出版社
Anderson T. W. 1967. Introduction to multivariate statistical analysis, 2nd
[M]. New York: Wiley
Gauch H. G. J. 1982. Multivariate analysis in community ecology[M]. Britain: Cambridge University Press
Horel A. E. ,Wennard. R. W. and Baldwin K. F. 1975. regression: some simulations. Communications in Statistics[J], 4: 105~123
练习
试运用小波分析理论，分析某市年平均降水过程中存在的多时间尺度变化特征。
表2 某市1957-2004年实测年均降水量（mm ）
年份 降水量 年份 降水量 年份 降水量 年份 降水量
1957 320.0 1969 324.8 1981 506.0 1993 384.4 1958 481.2 1970 412.3 1982 282.1 1994 503.9 1959 522.6 1971 366.5 1983 508.6 1995 406.7 1960 339.3 1972 262.4 1984 523.9 1996 465.7 1961 719.9 1973 521.9 1985 518.9 1997 345.3 1962 373.5 1974 351.7 1986 320.1 1998 454.9 1963 332.9 1975 398.4 1987 340.0 1999 327.9 1964 741.2 1976 320.2 1988 478.5 2000 406.2 1965 454.3 1977 445.4 1989 402.4 2001
404.7
1966 604.3 1978 534.8 1990 552.4 2002 401.9 1967 451.9 1979 509.7 1991 313.9 2003 605.1 1968 424.3 1980 395.5 1992 591.0 2004 385.4
matlab小波变换 Matlab 1. 离散傅立叶变换的 Matlab实现 Matlab 函数 fft、fft2 和 fftn 分别可以实现一维、二维和 N 维 DFT 算法；而函数 ifft、ifft2 和 ifftn 则用来计算反 DFT 。这些函数的调用格式如下： A＝fft(X,N,DIM) 其中，X 表示输入图像；N 表示采样间隔点，如果 X 小于该数值，那么Matlab 将会对 X 进行零填充，否则将进行截取，使之长度为 N ；DIM 表示要进行离散傅立叶变换。 A＝fft2(X,MROWS,NCOLS) 其中，MROWS 和 NCOLS 指定对 X 进行零填充后的 X 大小。别可以实现一维、二维和 N 维 DFT A＝fftn(X,SIZE) 其中，SIZE 是一个向量，它们每一个元素都将指定 X 相应维进行零填充后的长度。 函数 ifft、ifft2 和 ifftn的调用格式于对应的离散傅立叶变换函数一致。 别可以实现一维、二维和 N 维 DFT 例子：图像的二维傅立叶频谱 1. 离散傅立叶变换的 Matlab实现% 读入原始图像 I＝imread('lena.bmp');函数 fft、fft2 和 fftn 分 imshow(I) % 求离散傅立叶频谱 J=fftshift(fft2(I)); figure;别可以实现一维、二维和 N 维 DFT imshow(log(abs(J)),[8,10]) 2. 离散余弦变换的 Matlab 实现 Matlab
2.1. dct2 函数 功能：二维 DCT 变换 Matlab 格式：B=dct2(A) B=dct2(A,m,n) B=dct2(A,[m,n])函数 fft、fft2 和 fftn 分 说明：B＝dct2(A) 计算 A 的 DCT 变换 B ，A 与 B 的大小相同；B＝dct2(A,m,n) 和 B=dct2(A,[m,n]) 通过对 A 补 0 或剪裁，使 B 的大小为 m×n。 2.2. dict2 函数 功能：DCT 反变换 格式：B=idct2(A) B=idct2(A,m,n)别可以实现一维、二维和 N 维 DFT B=idct2(A,[m,n]) 说明：B＝idct2(A) 计算 A 的 DCT 反变换 B ，A 与 B 的大小相同；B＝idct2(A,m,n) 和 B=idct2(A,[m,n]) 通过对 A 补 0 或剪裁，使 B 的大小为m×n。 Matlab 2.3. dctmtx函数 功能：计算 DCT 变换矩阵 格式：D＝dctmtx(n) 说明：D＝dctmtx(n) 返回一个n×n 的 DCT 变换矩阵，输出矩阵 D 为double 类型。 1. 离散傅立叶变换的 Matlab实现 3. 图像小波变换的 Matlab 实现函数 fft、fft2 和 fftn 分 3.1 一维小波变换的 Matlab 实现 (1) dwt 函数 Matlab
《小波分析》试题 适用范围：硕士研究生 时 间：2013年6月 一、名词解释（30分） 1、线性空间与线性子空间 解释：线性空间是一个在标量域（实或复）F 上的非空矢量集合V ；设V1是数域K 上的线性空间V 的一个非空子集合，且对V 已有的线性运算满足以下条件 （1） 如果x 、y V1，则x ＋y V1； （2） 如果x V1，k K ，则kx V1， 则称V1是V 的一个线∈∈∈∈∈性子空间或子空间。2、基与坐标 解释：在 n 维线性空间 V 中，n 个线性无关的向量，称为 V 的一组n 21...εεε，，，基；设是中任一向量，于是 线性相关，因此可以被基αn 21...εεε，，，线性表出：，其中系数 αεεε，，，，n 21...n 21...εεε，，，n 2111an ...a a εεεα+++=是被向量和基唯一确定的，这组数就称为在基下的坐标，an ...a a 11，，，αn 21...εεε，，，记为 （） 。an ...a a 11，，，3、内积 解释：内积也称为点积、点乘、数量积、标量积。，()T n x x x x ,...,,21= ，令，称为x 与y 的内积。 ()T n y y y y ,...,,21=[]n n y x y x y x y x +++=...,2211[]y x ,4、希尔伯特空间 解释：线性 完备的内积空间称为Hilbert 空间。线性（linearity ）：对任意 f ， g ∈H ，a ，b ∈R ，a*f+b*g 仍然∈H 。完备（completeness ）：空间中的任何柯西序列都收敛在该空间之内。内积（inner product ）：
MATLAB小波变换指令及其功能介绍 1 一维小波变换的 Matlab 实现 (1) dwt函数 功能：一维离散小波变换 格式：[cA,cD]=dwt(X,'wname') [cA,cD]=dwt(X,Lo_D,Hi_D)别可以实现一维、二维和 N 维DFT 说明：[cA,cD]=dwt(X,'wname') 使用指定的小波基函数 'wname' 对信号X 进行分解，cA、cD 分别为近似分量和细节分量； [cA,cD]=dwt(X,Lo_D,Hi_D) 使用指定的滤波器组 Lo_D、Hi_D 对信 号进行分解。 (2) idwt 函数 功能：一维离散小波反变换 格式：X=idwt(cA,cD,'wname') X=idwt(cA,cD,Lo_R,Hi_R) X=idwt(cA,cD,'wname',L)函数 fft、fft2 和 fftn 分 X=idwt(cA,cD,Lo_R,Hi_R,L) 说明：X=idwt(cA,cD,'wname') 由近似分量 cA 和细节分量 cD 经 小波反变换重构原始信号 X 。 'wname' 为所选的小波函数 X=idwt(cA,cD,Lo_R,Hi_R) 用指定的重构滤波器 Lo_R 和 Hi_R 经小波反变换重构原始信号 X 。 X=idwt(cA,cD,'wname',L) 和 X=idwt(cA,cD,Lo_R,Hi_R,L) 指定返回信号 X 中心附近的 L 个点。 2 二维小波变换的 Matlab 实现 二维小波变换的函数别可以实现一维、二维和 N 维 DFT 函数名函数功能
--------------------------------------------------- dwt2 二维离散小波变换 wavedec2 二维信号的多层小波分解 idwt2 二维离散小波反变换 waverec2 二维信号的多层小波重构 wrcoef2 由多层小波分解重构某一层的分解信号 upcoef2 由多层小波分解重构近似分量或细节分量 detcoef2 提取二维信号小波分解的细节分量 appcoef2 提取二维信号小波分解的近似分量 upwlev2 二维小波分解的单层重构 dwtpet2 二维周期小波变换 idwtper2 二维周期小波反变换 ----------------------------------------------------------- (1) wcodemat 函数 功能：对数据矩阵进行伪彩色编码函数 fft、fft2 和 fftn 分 格式：Y=wcodemat(X,NB,OPT,ABSOL) Y=wcodemat(X,NB,OPT) Y=wcodemat(X,NB) Y=wcodemat(X) 说明：Y=wcodemat(X,NB,OPT,ABSOL) 返回数据矩阵 X 的编码矩阵 Y ；NB 伪编码的最大值，即编码范围为 0～NB，缺省值 NB＝16； OPT 指定了编码的方式（缺省值为 'mat'），即：别可以实现 一维、二维和 N 维 DFT OPT＝'row' ，按行编码 OPT＝'col' ，按列编码
第五章小波变换基本原理 问题 ①小波变换如何实现时频分析？其频率轴刻度如何标定？—尺度 ②小波发展史 1910 Harr 小波 80 年代初兴起Meyer—小波解析形式 小波80 年代末 Mallat 多分辨率分析— WT 无须尺度 构造？和小波函数—滤波器组实现 90 年代初 Daubechies 正交小波变换 90 年代中后期 Sweblews 第二代小波变换 ③小波变换与短时傅里叶变换比较 a．适用领域不同 b.STFT 任意窗函数WT（要容许性条件） ④小波相关概念，数值实现算法 多分辨率分析（哈尔小波为例）Daubechies正交小波构造 MRA 的滤波器实现 ⑤小波的历史地位仍不如FT，并不是万能的 5.1连续小波变换 一． CWT 与时频分析 1t b 1.概念： CWT (a, b)S(t) * ()dt a a 2.小波变换与 STFT 用于时频分析的区别 STFT小波变换 基函数 (t )(t mT )e jwt(t)1* ( t b ) a a 时频轴平移 +调制（线性频轴）平移+伸缩 a —尺度—对数频 轴 基函数特包络恒定，振荡不同振荡恒定，包络恒定 征
时频分辨(t mT )e jwt，[mT,w]附近w0 附近 b, 率 a 适用情况渐变信号突变信号 2 轴spectrogram scalogram 结果复数实数 3.WT 与 STFT 对比举例（ Fig5–6, Fig5–7） 二． WT 几个注意的问题 1.WT 与(t) 选择有关—应用信号分析还是信号复原 2.母小波(t ) 必须满足容许性条件 2 ( w) C dw w ①隐含要求(0) 0,即(t) 具有带通特性 ②利用 C可推出反变换表达式 S(t) 1 1 CWT (a,b) (t b )dadb C a 2 a 3.CWT 高度冗余（与 CSTFT 相似） 4.二进小波变换（对平移量 b 和尺度进行离散化） 2 m , b n 2 m 1 ( t b ) m (2m t n) a a, b (t ) m,n (t ) 2 2 a a d m,n CWT (2 m , n 2 m ) S(t ) m,n * (t) dt 5.小波变换具有时移不变性 S(t ) C W T(a, b) S(t b0 ) C WT(a,b b0 ) 6.用小波重构信号 S(t) ? ? d m,n m,n (t )正交小波 d m,n m,n (t ) m n mn 中心问题：如何构建对偶框架? m, n
题1：设{},j V j Z ∈是依尺度函数()x φ的多分辨率分析，101()0x x φ≤
11()3.k k h k p -=为高通分解滤波器,写出个双倍平移正交关系等式 题6：列出二维可分离小波的4个变换基。 题8：要得到“好”的小波，除要求滤波器0()h n 满足规范、双正交平移性、低通等最小条件外，还可以对0()h n 加消失矩条件来得到性能更优良的小波。 （1） 请写出小波函数()t ψ具有p 阶消失矩的定义条件： （2） 小波函数()t ψ具有p 阶消失矩，要求0()h n 满足等式： （3） 在长度为4的滤波器0()h n 设计中，将下面等式补充完整： 222200000000(0)(1)(2)(3)1 (0)(2)(1)(3)0 ,1 2h h h h h h h h n ?+++=???+==??? 规范性低通双平移正交阶消失矩
1 绪论 1.1概述 小波分析是近15年来发展起来的一种新的时频分析方法。其典型应用包括齿轮变速控制，起重机的非正常噪声，自动目标所顶，物理中的间断现象等。而频域分析的着眼点在于区分突发信号和稳定信号以及定量分析其能量，典型应用包括细胞膜的识别，金属表面的探伤，金融学中快变量的检测，INTERNET的流量控制等。 从以上的信号分析的典型应用可以看出，时频分析应用非常广泛，涵盖了物理学，工程技术，生物科学，经济学等众多领域，而且在很多情况下单单分析其时域或频域的性质是不够的，比如在电力监测系统中，即要监控稳定信号的成分，又要准确定位故障信号。这就需要引入新的时频分析方法，小波分析正是由于这类需求发展起来的。 在传统的傅立叶分析中，信号完全是在频域展开的，不包含任何时频的信息，这对于某些应用来说是很恰当的，因为信号的频率的信息对其是非常重要的。但其丢弃的时域信息可能对某些应用同样非常重要，所以人们对傅立叶分析进行了推广，提出了很多能表征时域和频域信息的信号分析方法，如短时傅立叶变换，Gabor变换，时频分析，小波变换等。其中短时傅立叶变换是在傅立叶分析基础上引入时域信息的最初尝试，其基本假定在于在一定的时间窗内信号是平稳的，那么通过分割时间窗，在每个时间窗内把信号展开到频域就可以获得局部的频域信息，但是它的时域区分度只能依赖于大小不变的时间窗，对某些瞬态信号来说还是粒度太大。换言之，短时傅立叶分析只能在一个分辨率上进行。所以对很多应用来说不够精确，存在很大的缺陷。 而小波分析则克服了短时傅立叶变换在单分辨率上的缺陷，具有多分辨率分析的特点，在时域和频域都有表征信号局部信息的能力，时间窗和频率窗都可以根据信号的具体形态动态调整，在一般情况下，在低频部分（信号较平稳）可以采用较低的时间分辨率，而提高频率的分辨率，在高频情况下（频率变化不大）可以用较低的频率分辨率来换取精确的时间定位。因为这些特定，小波分析可以探测正常信号中的瞬态，并展示其频率成分，被称为数学显微镜，广泛应用于各个时频分析领域。 全文介绍了小波变换的基本理论，并介绍了一些常用的小波函数，它们的主要性质包括紧支集长度、滤波器长度、对称性、消失矩等，都做了简要的说明。在不同的应用场合，各个小波函数各有利弊。 小波分析在图像处理中有非常重要的应用，包括图像压缩，图像去噪，图像融合，图像分解，图像增强等。文中给出了详细的程序范例，用MATLAB实现了基于小波变换的图像处理。
小波变换和motion信号处理（一） 这是《小波变换和motion信号处理》系列的第一篇，基础普及。第二篇我准备写深入小波的东西，第三篇讲解应用。 记得我还在大四的时候，在申请出国和保研中犹豫了好一阵，骨子里的保守最后让我选择了先保研。当然后来也退学了，不过这是后话。当时保研就要找老板，实验室，自己运气还不错，进了一个在本校很牛逼的实验室干活路。我们实验室主要是搞图像的，实力在全国也是很强的，进去后和师兄师姐聊，大家都在搞什么小波变换，H264之类的。当时的我心思都不在这方面，尽搞什么操作系统移植，ARM+FPGA 这些东西了。对小波变换的认识也就停留在神秘的“图像视频压缩算法之王”上面。 后来我才发现，在别的很广泛的领域中，小波也逐渐开始流行。比如话说很早以前，我们接触的信号频域处理基本都是傅立叶和拉普拉斯的天下。但这些年，小波在信号分析中的逐渐兴盛和普及。这让人不得不感到好奇，是什么特性让它在图象压缩，信号处理这些关键应用中更得到信赖呢？说实话，我还在国的时候，就开始好奇这个问题了，于是放狗搜，放毒搜，找遍了中文讲小波变换的科普文章，发现没几个讲得清楚的，当时好奇心没那么重，也不是搞这个研究的，懒得找英文大部头论文了，于是作罢。后来来了这边，有些项目要用信号处理，不得已接触到一些小波变换的东西，才开始硬着头皮看。看了一
些材料，听了一些课，才发现，还是那个老生常谈的论调：国外的技术资料和国真TNND不是一个档次的。同样的事情，别人说得很清楚，连我这种并不聪明的人也看得懂; 国的材料则绕来绕去讲得一塌糊涂，除了少数天才没几个人能在短时间掌握的。 牢骚就不继续发挥了。在这个系列文章里，我希望能简单介绍一下小波变换，它和傅立叶变换的比较，以及它在移动平台做motion detection的应用。如果不做特殊说明，均以离散小波为例子。考虑到我以前看中文资料的痛苦程度，我会尽量用简单，但是直观的方式去介绍。有些必要的公式是不能少的，但我尽量少用公式，多用图。另外，我不是一个好的翻译者，所以对于某些实在翻译不清楚的术语，我就会直接用英语。我并不claim我会把整个小波变换讲清楚，这是不可能的事，我只能尽力去围绕要点展开，比如小波变换相对傅立叶变换的好处，这些好处的原因是什么，小波变换的几个根本性质是什么，背后的推导是什么。我希望达到的目的就是一个小波变换的初学者在看完这个系列之后，就能用matlab或者别的工具对信号做小波变换的基本分析并且知道这个分析大概是怎么回事。 最后说明，我不是研究信号处理的专业人士，所以文中必有疏漏或者错误，如发现还请不吝赐教。 要讲小波变换，我们必须了解傅立叶变换。要了解傅立叶变换，我们先要弄清楚什么是”变换“。很多处理，不管是压缩也好，滤波也好，图形处理也好，本质都是变换。变换的是什么东西呢？是基，也就是
MATLAB 小波变换指令及其功能介绍 1 一维小波变换的 Matlab 实现 (1 dwt函数 功能：一维离散小波变换 格式：[cA,cD]=dwt(X,'wname' [cA,cD]=dwt(X,Lo_D,Hi_D别可以实现一维、二维和 N 维 DFT 说明：[cA,cD]=dwt(X,'wname' 使用指定的小波基函数 'wname' 对信号X 进行分解，cA 、cD 分别为近似分量和细节分量； [cA,cD]=dwt(X,Lo_D,Hi_D 使用指定的滤波器组 Lo_D、Hi_D 对信号进行分解。 (2 idwt 函数 功能：一维离散小波反变换 格式：X=idwt(cA,cD,'wname' X=idwt(cA,cD,Lo_R,Hi_R X=idwt(cA,cD,'wname',L函数 fft、fft2 和 fftn 分 X=idwt(cA,cD,Lo_R,Hi_R,L 说明：X=idwt(cA,cD,'wname' 由近似分量 cA 和细节分量 cD 经小波反变换重构原始信号 X 。 'wname' 为所选的小波函数 X=idwt(cA,cD,Lo_R,Hi_R 用指定的重构滤波器 Lo_R 和 Hi_R 经小波反变换重构原始信号 X 。
X=idwt(cA,cD,'wname',L 和 X=idwt(cA,cD,Lo_R,Hi_R,L 指定返回信号 X 中心附近的 L 个点。 2 二维小波变换的 Matlab 实现 二维小波变换的函数别可以实现一维、二维和 N 维 DFT 函数名函数功能 --------------------------------------------------- dwt2 二维离散小波变换 wavedec2 二维信号的多层小波分解 idwt2 二维离散小波反变换 waverec2 二维信号的多层小波重构 wrcoef2 由多层小波分解重构某一层的分解信号 upcoef2 由多层小波分解重构近似分量或细节分量 detcoef2 提取二维信号小波分解的细节分量 appcoef2 提取二维信号小波分解的近似分量 upwlev2 二维小波分解的单层重构 dwtpet2 二维周期小波变换 idwtper2 二维周期小波反变换 ----------------------------------------------------------- (1 wcodemat 函数 功能：对数据矩阵进行伪彩色编码函数 fft、fft2 和 fftn 分格式： Y=wcodemat(X,NB,OPT,ABSOL Y=wcodemat(X,NB,OPT Y=wcodemat(X,NB
这是《小波变换和motion信号处理》系列的第二篇，深入小波。第一篇我进行了基础知识的铺垫，第三篇主要讲解应用。 在上一篇中讲到，每个小波变换都会有一个mother wavelet，我们称之为母小波，同时还有一个father wavelet，就是scaling function。而该小波的basis函数其实就是对这个母小波和父小波缩放和平移形成的。缩放倍数都是2的级数，平移的大小和当前其缩放的程度有关。 还讲到，小波系统有很多种，不同的母小波，衍生的小波基就完全不同。小波展开的近似形式是这样： 其中的就是小波级数，这些级数的组合就形成了小波变换中的基basis。和傅 立叶级数有一点不同的是，小波级数通常是orthonormal basis，也就是说，它们不仅两两正交，还归一化了。 我们还讲了一般小波变换的三个特点，就是小波级数是二维的，能定位时域和频域，计算很快。但我们并没有深入讲解，比如，如何理解这个二维？它是如何同时定位频域和时域的？ 在这一篇文章里，我们就来讨论一下这些特性背后的原理。 首先，我们一直都在讲小波展开的近似形式。那什么是完整形式呢？之前讲到，小波basis的形成，是基于基本的小波函数，也就是母小波来做缩放和平移的。但是，母小波并非唯一的原始基。在构建小波基函数集合的时候，通常还要用到一个函数叫尺度函数，scaling function，人们通常都称其为父小波。它和母小波一样，也是归一化了，而且它还需要满足一个性质，就是它和对自己本身周期平移的函数两两正交： 另外，为了方便处理，父小波和母小波也需要是正交的。可以说，完整的小波展开就是由母小波和父小波共同定义的。
小波分析 湍流实验数据的子波分析： 用子波分析研究湍流边界层的多尺度相干结构 一、 原理 1、 局部平均的结构函数 基于湍流局部平均概念粗粒化的速度结构函数： ],[],[)()(),(b a b x a b b x x u x u b a u -∈+∈-=δ （3-1-1） )(x u 表示在中心分别为2a b -和2 a b +，尺度为a 的两个相邻湍流结构中流体相对运动速度的局部平均，a 为湍流结构的空间尺度，b 为两个相邻湍流结构的接触点的空间位置。 2、 子波变换在湍流多尺度结构研究中的意义 连续Harr 子波变换为： ])()([1)()(1)()()(),(),(,,dt t u dt t u a dt a b t H t u a dt t H t u t H t u b a W b a b b b a b a b a H ?-?=?-=?>==<++-∞ +∞-+∞ ∞- （3-1-6） （3-1-6）式的物理意义是在时间段],[b b a t +-∈内热线探针测量到的流体的平均速度与在时间段],[b a b t +∈内热线探针测量到的流体的平均速度的差。 湍流中不同尺度流动结构的多尺度特征与子波变换的多分辨概念是一致的，可以用子波变换的多分辨分析理论研究湍流结构的多尺度特征，可以用（3-1-6）式定义一定尺度a 和一定位置b 下的局部平均的湍流速度结构函数。 3、 用子波分析检测湍流中多尺度相干结构的方法 采用了两种不同的检测准则来提取湍流中的相干结构,分别如下所述： 检测准则一：该检测准则的提出，主要基于尽可能完全、彻底地提取出湍流中全部相干结构的思想，其中瞬时平坦因子),(b a FF 的值以3做为判断界限。本方法主导思想比较简单，直观印象简单明了，即只要在单一尺度a 下点b 的瞬时平坦因子),(b a FF 值大于3就视其为该尺度下的一个相干结构。其检测过程为：分尺度计算各点b 的瞬时平坦因子),(b a FF ，如果),(b a FF 大于3，则认为检测到该尺度下的一个相干结构；如果),(b a FF 不大于3，则不视其为一个相干结构。 检测准则二：为了在所有的尺度中系统地选择事件，我们采取一种后验的选择门限值的
第一章图像边缘的定义 引言 在实际的图像处理问题中，图像的边缘作为图像的一种基本特征，被经常用于到较高层次的特征描述，图像识别。图像分割，图像增强以及图像压缩等的图像处理和分析中，从而可以对图像进行进一步的分析和理解。 由于信号的奇异点或突变点往往表现为相邻像素点处的灰度值发生了剧烈的变化，我们可以通过相邻像素灰度分布的梯度来反映这种变化。根据这一特点，人们提出了多种边缘检测算子：Roberts算子Prewitt算子Laplace算子等。 经典的边缘检测方法是构造出像素灰度级阶跃变化敏感的微分算子。这些算子毫无例外地对噪声较为敏感。由于原始图像往往含有噪声、而边缘和噪声在空间域表现为灰度有大的起落，在频域则反映为同是主频分量，这就给真正的边缘检测到来困难。于是发展了多尺度分析的边缘检测方法。小波分析与多尺度分析有着密切的联系，而且在小波变换这一统一理论框架下，可以更深刻地研究多尺度分析的边缘检测方法，Mallat S提出了一小波变换多尺度分析为基础的局部极大模方法进行边缘检测。 小波变换有良好的时频局部转化及多尺度分析能力，因此比其他的边缘检测方法更实用和准确。小波边缘检测算子的基本思想是取小波函数作为平滑函数的一阶导数或二阶导数。利用信号的小波变换的模值在信号突变点处取局部极大值或过零点的性质来提取信号的边缘点。常用的小波算子有Marr 算子Canny算子和Mallat算子等。
§1.1信号边缘特征 人类的视觉研究表明，信号知觉不是信号各部分简单的相加，而是各部分有机组成的。人类的信号识别（这里讨论二维信号即图像）具有以下几个特点：边缘与纹理背景的对比鲜明时,图像知觉比较稳定；图像在空间上比较接近的部分容易形成一个整体；在一个按一定顺序组成的图像中，如果有新的成份加入，则这些新的成份容易被看作是原来图像的继续；在视觉的初级阶段，视觉系统首先会把图像边缘与纹理背景分离出来，然后才能知觉到图像的细节，辨认出图像的轮廓，也就是说，首先识别的是图像的大轮廓；知觉的过程中并不只是被动地接受外界刺激，同时也主动地认识外界事物，复杂图像的识别需要人的先验知识作指导；图像的空间位置、方向角度影响知觉的效果。从以上这几点，可以总结出待识别的图像边缘点应具有下列特征即要素：具有较强的灰度突变，也就是与背景的对比度鲜明；边缘点之间可以形成有意义的线形关系，即相邻边缘点之间存在一种有序性；具有方向特征；在图像中的空间相对位置；边缘的类型，即边缘是脉冲型、阶跃型、斜坡型、屋脊型中哪一种。 §1.2图像边缘的定义 边缘检测是图像处理中的重要内容。而边缘是图像中最基本的特征，也是指周围像素灰度有变化的那些像素的集合。主要表现为图像局部特征的不连续性，也就是通常说的信号发生奇异变化的地方。奇异信号沿边缘走向的灰度变化剧烈，通常分为阶跃边缘和屋顶边缘两种类型。阶跃边缘在阶跃的两边的灰度值有明显的变化；屋顶边缘则位于灰度增加与减少的交界处。我们可以利用灰度的导数来刻画边缘点的变化，分别求阶跃边缘和屋顶边缘的一阶，二阶导数。如图可见，对于边缘点A，阶跃边缘的一阶导数在A点到最大值，二阶导数在A点过零点；屋顶边缘的一阶导数在A点过零点，二阶导数在A点有最大值。
小波分析及小波包分析 在利用matlab做小波分析时，小波分解函数和系数提取函数的结果都是分解系数。我们知道，复杂的周期信号可以分解为一组正弦函数之和，及傅里叶级数，而傅里叶变换对应于傅里叶级数的系数；同样，信号也可以表示为一组小波基函数之和，小波变换系数对应于这组小波基函数的系数。 多尺度分解是按照多分辨分析理论，分解尺度越大，分解系数的长度越小（是上一个尺度的二分之一）。我们会发现分解得到的小波低频系数的变化规律和原始信号相似，但要注意低频系数的数值和长度与原始信号以及后面重构得到的各层信号是不一样的。 小波分解：具体实现过程可以分别设计高通滤波器和低通滤波器，得到高频系数和低频系数，并且每分解一次数据的长度减半。小波重构，为分分解的逆过程，先进行增采样，及在每两个数之间插入一个0，与共轭滤波器卷积，最后对卷积结果求和。在应用程中，我们经常利用各层系数对信号进行重构（注意虽然系数数少于原信号点数，但是重构后的长度是一样的），从而可以有选择的观看每一频段的时域波形。从而确定冲击成分所在频率范围。便于更直观的理解，小波分解，利用各层系数进行信号重构过程我们可以认为是将信号通过一系列的不同类型的滤波器，从而得到不同频率范围内的信号，及将信号分解。 小波消噪:运用小波分析进行一维信号消噪处理和压缩处理，是小波分析的两个重要的应用。使用小波分析可以将原始信号分解为一系列的近似分量和细节分量，信号的噪声主要集中表现在信号的细节分量上。使用一定的阈值处理细节分量后，再经过小波重构就可以得到平滑的信号。 小波常用函数 [C,L]=wavedec(s,3,'db1');%用小波函数db1对信号s进行3尺度分解 其中C为分解后低频和高频系数，L存储低频和高频系数的长度。 X=wrcoef(‘type’,C,L,’wname’,N)%对一维小波系数进行单支重构，其中N表示对第几层的小波进行重构 X=wrcoef(‘a’,C,L,’wname’,3)%对第三层的低频信号进行重构，如果a变为d的话，表示对低频分量进行重构。注意重构后数据的长度于原来数据的长度一致。 ca1=appcoef(C,L,'db1',1);%从前面小波3尺度分解结构[C,L]中提取尺度1的低频系数 高频系数提取类似。 选择合适的阈值，小波分解后，重构可以达到去除噪声的目的。 小波包分解，可以将信号分在不同的频带，且不同的频带宽度是一样的。小波分析，只将低
https://www.doczj.com/doc/441181752.html,/forum-viewthread-tid-9141-extra-page%3D1-page-1.html（个人收集关于小波分析的matlab程序） 小波滤波器构造和消噪程序 (1) 小波谱分析mallat算法经典程序 (7) 小波包变换分析信号的MATLAB程序 (9) 利用小波变换实现对电能质量检测的算法实现 (15) 基于小波变换的图象去噪Normalshrink算法 (17) 小波滤波器构造和消噪程序 1．重构 % mallet_wavelet.m % 此函数用于研究Mallet算法及滤波器设计 % 此函数仅用于消噪 a=pi/8; %角度赋初值 b=pi/8; %低通重构FIR滤波器h0(n)冲激响应赋值 h0=cos(a)*cos(b); h1=sin(a)*cos(b); h2=-sin(a)*sin(b); h3=cos(a)*sin(b); low_construct=[h0,h1,h2,h3]; L_fre=4; %滤波器长度 low_decompose=low_construct(end:-1:1); %确定h0(-n)，低通分解滤波器 for i_high=1:L_fre; %确定h1(n)=(-1)^n,高通重建滤波器 if(mod(i_high,2)==0); coefficient=-1;
else coefficient=1; end high_construct(1,i_high)=low_decompose(1,i_high)*coefficient; end high_decompose=high_construct(end:-1:1); %高通分解滤波器h1(-n) L_signal=100; %信号长度 n=1:L_signal; %信号赋值 f=10; t=0.001; y=10*cos(2*pi*50*n*t).*exp(-20*n*t); figure(1); plot(y); title('原信号'); check1=sum(high_decompose); %h0(n)性质校验 check2=sum(low_decompose); check3=norm(high_decompose); check4=norm(low_decompose); l_fre=conv(y,low_decompose); %卷积 l_fre_down=dyaddown(l_fre); %抽取,得低频细节 h_fre=conv(y,high_decompose); h_fre_down=dyaddown(h_fre); %信号高频细节
离散小波变换的快速算法 Mallat算法[经典算法] 在小波理论中,多分辨率分析是一个重要的组成部分。多分辨率分析是一种对信号的空间分解方法,分解的最终目的是力求构造一个在频率上高度逼近L2(R)空间的正交小波基,这些频率分辨率不同的正交小波基相当于带宽各异的带通滤波器。因此,对于一个能量有限信号,可以通过多分辨率分析的方法把其中的逼近信号和细节信号分离开,然后再根据需要逐一研究。多分辨率分析的概念是S.Mallat在构造正交小波基的时候提出的,并同时给出了著名的Mallat 算法。Mallat算法在小波分析中的地位相当于快速傅立叶变换在经典傅立叶变换中的地位,为小波分析的应用和发展起到了极大的推动作用。 MALLAT算法的原理 在对信号进行分解时，该算法采用二分树结构对原始输入信号x(n)进行滤波和二抽取，得到第一级的离散平滑逼近和离散细节逼近x k1和d k1，再采用同样的结构对d k1进行滤波和二抽取得到第二级的离散平滑逼近和离散细节逼近x k2和d k2，再依次进行下去从而得到各级的离散细节逼近对x k1,x k2,x k3…，即各级的小波系数。重构信号时，只要将分解算法中的步骤反过来进行即可，但要注意，此时的滤波器与分解算法中的滤波器不一定是同一滤波器，并且要将二抽取装置换成二插入装置才行。 多孔算法 [小波变换快速算法及其硬件实现的研究毛建华] 多孔算法是由M.shen于1992年提出的一种利用Mallat算法结构计算小波变换的快速算法，因在低通滤波器h0(k)和高通滤波器h1(k)中插入适当数目的零点而得名。它适用于a=2j的二分树结构，与Mallat算法的电路实现结构相似。先将Mallat算法的电路实现的基本支路作一下变形。令h0k和h1(k)的z变换为H0（z）与H1（z），下两条支路完全等价，只不过是将插值和二抽取的顺序调换一下罢了。图中其它的上下两条支路也为等效支路，可仿照上面的方法证明。这样，我们便可由Mallat算法的二分树电路结构得出多孔算法的电路级联图，原Mallat算法中的电路支路由相应的等效支路所取代，所以整个电路形式与Mallat算法非常相似。如果舍去最后的抽取环节们实际上相当于把所有点的小波变换全部计算出来。 基干FFT的小波快速算法 [小波变换快速算法及其硬件实现的研究毛建华] Mallat算法是由法国科学家StephaneG.Mallat提出的计算小波分解与重构的快速算法，能大大降低小波分解与重构的计算量，因此在数字信号处理和数字通信领域中得到了广泛的应用。但是如果直接采用该算法计算信号的分解和重构，其运算量还是比较大。主要体现在信号长度较大时，与小波滤波器组作卷积和相关的乘加法的计算量很大，不利于信号的实时处理。
小波分析论文 姓名蒋喜尧 学号 1107110222 学院理学院 班级信息与计算科学11-2班 指导教师张慧 2014年11月 一.小波分析应用发展现状 1小波分析在信号与图像处理上的应用
电子信息技术是六大高新技术中重要的领域，它的重要方面是信号与图像处理．信号与图像处理的目的：准确地分析与诊断，编码压缩与量化。快速传递与储存。精确的重构(或恢复)．信号与图像处理可以统一地看作是信号处理(图像可以看作是二维信号1．对于信号与图像来说，由于要传递和储存，就需要快速传输．在同等通信容量下，如果信号与图像数据可以压缩后再传输．可使数据量变小，如用普通的电话线传输图像信息．这样我们就要寻找高压缩比的方法，且压缩后的信号与图像有合适的噪音比，在压缩传输后还要恢复原信号，且保持原图像特征不变．基于小波分析的压缩方法很多，比较成功的有小波包最好基方法，小波域纹理模型方法，小波变换零树压缩．小波变换向量量化压缩等． 1．1小波分析在常规滤波方面的应用 在信号分析中。当对信号进行采样后，就得到了在一个大的有限频带中的一个信号，对这个信号进行小波分析，就是把采到的信号分成两个信号。高频部分和低频部分，再对低频信号分解．这样就完成了滤波和检测的工作．常用的几种滤波有低通滤波、高通滤波、带通滤波等．低通滤波要求保持原信号中某个特定的低频范围的信号，正交小波的Mallat算法和正交小波包的分解对低通滤波是行之有效的．高通滤波要求保留信号中的高频量。去换特定的低频量，仍用正交小波包的分解、正交小波包的分解在频域方面表现，保留信号分解中对应于高频量的数据。用零代替低频量所对应的数据．这样就方便地实现了高通滤波．带通滤波要求保留信号的某个特定频带，据正交小波(包)分析方法在频域方面的表现，可实现非常细致的、清晰的带通滤波，若干频段的信息混叠后传输，小波(包)分析方法可把它们有效地分离出来．
时间序列-小波分析 时间序列（Time Series ）是地学研究中经常遇到的问题。在时间序列研究中，时域和频域是常用的两种基本形式。其中，时域分析具有时间定位能力，但无法得到关于时间序列变化的更多信息；频域分析（如Fourier 变换）虽具有准确的频率定位功能，但仅适合平稳时间序列分析。然而，地学中许多现象（如河川径流、地震波、暴雨、洪水等）随时间的变化往往受到多种因素的综合影响，大都属于非平稳序列，它们不但具有趋势性、周期性等特征，还存在随机性、突变性以及“多时间尺度”结构，具有多层次演变规律。对于这类非平稳时间序列的研究，通常需要某一频段对应的时间信息，或某一时段的频域信息。显然，时域分析和频域分析对此均无能为力。 20世纪80年代初，由Morlet 提出的一种具有时-频多分辨功能的小波分析（Wavelet Analysis ）为更好的研究时间序列问题提供了可能，它能清晰的揭示出隐藏在时间序列中的多种变化周期，充分反映系统在不同时间尺度中的变化趋势，并能对系统未来发展趋势进行定性估计。 目前，小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学领域内得到了广泛的应。在时间序列研究中，小波分析主要用于时间序列的消噪和滤波，信息量系数和分形维数的计算，突变点的监测和周期成分的识别以及多时间尺度的分析等。 一、小波分析基本原理 1. 小波函数 小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。因此，小波函数是小波分析的关键，它是指具有震荡性、能够迅速衰减到零的一类函数，即小波函数)R (L )t (2∈ψ且满足： ? +∞ ∞ -=0dt )t (ψ （1） 式中，)t (ψ为基小波函数，它可通过尺度的伸缩和时间轴上的平移构成一簇函数系： )a b t ( a )t (2 /1b ,a -=-ψψ 其中，0a R,b a,≠∈ （2） 式中，)t (b ,a ψ为子小波；a 为尺度因子，反映小波的周期长度；b 为平移因子，反应时间上的平移。 需要说明的是，选择合适的基小波函数是进行小波分析的前提。在实际应用研究中，应针对具体情况选择所需的基小波函数；同一信号或时间序列，若选择不同的基小波函数，所得的结果往往会有所差异，有时甚至差异很大。目前，主要是通过对比不同小波分析处理信号时所得的结果与理论结果的误差来判定基小波函数的好坏，并由此选定该类研究所需的基小波函数。 2. 小波变换 若)t (b ,a ψ是由（2）式给出的子小波，对于给定的能量有限信号)R (L )t (f 2 ∈，其连续小波变换（Continue Wavelet Transform ，简写为CWT ）为： dt )a b t ( f (t)a )b ,a (W R 2 /1-f ? -=ψ （3） 式中，)b ,a (W f 为小波变换系数；f(t)为一个信号或平方可积函数；a 为伸缩尺度；b 平移参数； )a b x ( -ψ为)a b x (-ψ的复共轭函数。地学中观测到的时间序列数据大多是离散的，设函数)t k (f ?，
1、 选择()t ?或?()? ω，使{}()k Z t k ?∈-为一组正交归一基； 2、 求n h 。 1,(),()n n h t t ??-= 或??()(2)/()H ω? ω?ω= 3、 由n h 求n g 。 1(1)n n n g h -=- 或()()i G e H t ωωωπ-= 4、 由n g ，()t ?构成正交小波基函数()t φ 1,()()n n t g t φ?-=∑ 或??()(/2)(/2)G φ ωω?ω= Haar 小波的构造 1）、选择尺度函数。 101()0t t ? ≤≤?=? ?其他 易知(n)t ?-关于n 为一正交归一基。 2）、求n h 1,(),()n n h t t ??- =()2t-n)t dt ??（ 其中 11(2)220n n t t n ?+? ≤≤?-=?? ?其他 当n=0时， 11(2)20t t ?? 0≤≤?=?? ?其他 当n=1时，
111(21)20t t ?? ≤≤?-=?? ?其他 故，当n=0，n=1时 1()(2)0n n t t n ?? =0,=1??-=? ? 其他 当n=0时， ()(2)t t n ???-1120t ? 0≤≤?=?? ?其他 当n=1时， ()(2)t t n ???-11120t ? ≤≤?=?? ?其他 故 n h ()2t-n)t dt ?? （1/0n n ?=0,=1?=? ?? 其他 3）、求n g 。 11/0(1)1/10n n n n g h n -?=??=-=-=?? ?? 其他 4）、求()t φ。 1,()()n n t g t φ?-=∑ =0-1,011,1()()g t g t ??-+ (2)(21)t t - =110211120t t ? ≤≤???- ≤≤?? ??? 其他
一、叙述小波分析理论发展的历史和研究现状 答：傅立叶变换能够将信号的时域和特征和频域特征联系起来，能分别从信号的时域和频域观察，但不能把二者有机的结合起来。这是因为信号的时域波形中不包含任何频域信息，而其傅立叶谱是信号的统计特性，从其表达式中也可以看出，它是整个时间域内的积分，没有局部化分析信号的功能，完全不具备时域信息，也就是说，对于傅立叶谱中的某一频率，不能够知道这个频率是在什么时候产生的。这样在信号分析中就面临一对最基本的矛盾——时域和频域的局部化矛盾。 在实际的信号处理过程中，尤其是对非常平稳信号的处理中，信号在任一时刻附近的频域特征很重要。如柴油机缸盖表明的振动信号就是由撞击或冲击产生的，是一瞬变信号，单从时域或频域上来分析是不够的。这就促使人们去寻找一种新方法，能将时域和频域结合起来描述观察信号的时频联合特征，构成信号的时频谱，这就是所谓的时频分析，亦称为时频局部化方法。 为了分析和处理非平稳信号，人们对傅立叶分析进行了推广乃至根本性的革命，提出并开发了一系列新的信号分析理论：短时傅立叶变换、时频分析、Gabor 变换、小波变换Randon-Wigner变换、分数阶傅立叶变换、线形调频小波变换、循环统计量理论和调幅—调频信号分析等。其中，短时傅立叶变换和小波变换也是因传统的傅立叶变换不能够满足信号处理的要求而产生的。 短时傅立叶变换分析的基本思想是：假定非平稳信号在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱。但从本质上讲，短时傅立叶变换是一种单一分辨率的信号分析方法，因为它使用一个固定的短时窗函数，因而短时傅立叶变换在信号分析上还是存在着不可逾越的缺陷。 小波变换是一种信号的时间—尺度（时间—频率）分析方法，具有多分辨率分析（Multi-resolution）的特点，而且在时频两域都具有表征信号局部特征的能力，使一种窗口大小固定不变，但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。小波变换在低频部分具有较高的频率分辨率和较低的时间分辨率。在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合于探测正常信号中夹带的瞬态反常现象并展示其成分，所以被誉为分析信号的显微镜。 小波分析最早应用在地震数据压缩中, 以后在图像处理、故障诊断等方面取得了传统方法根本无法达到的效果. 现在小波分析已经渗透到了自然科学、应用