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
1970
1975
1980
1985
1990
1995
20005
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)
020406080100120
1400
5
10
15
20
25
30
35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. 2
χ
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
《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 ）：
10.2小波变换的基本原理 地质雷达的电磁波信号和地震波信号都是非平稳随机时变信号，长期以来，因非平稳信号处理的理论不健全，只好将其作为平稳信号来处理，其处理结果当然不满意。近年来，随着科学技术的发展和进步，国内外学术界已将注意力转向非平稳随机信号分析与处理的研究上，其中非平稳随机信号的时频表示法是研究热点之一。在这一研究中，戈勃展开、小波变换、维格纳分布与广义双线性时频分布等理论发展起来，这些方法既可以处理平稳信号过程，也可以处理非平稳随机时变信号。 小波变换是上世纪80年代中后期逐渐发展起来的一种数学分析方法。1984年法国科学家J.M OLET在分析地震波的局部特性时首先使用了小波这一术语，并用小波变换对地震信号进行处理。小波术语的含义是指一组衰减震动的波形，其振幅正负相间变化，平均值为零，是具有一定的带宽和中心频率波组。小波变换是用伸缩和平移小波形成的小波基来分解（变换）或重构（反变换）时变信号的过程。不同的小波具有不同带宽和中心频率，同一小波集中的带宽与中心频率的比是不变的，小波变换是一系列的带通滤波响应。它的数学过程与傅立叶分析是相似的，只是在傅立叶分析中的基函数是单频的调和函数，而小波分析中的基函数是小波，是一可变带宽内调和函数的组合。 小波变换在时域和频域都具有很好的局部化性质，较好地解决了时域和频域分辨率的矛盾，对于信号的低频成分采用宽时窗，对高频成分采用窄时窗。因而，小波分析特别适合处理非平稳时变信号，在语音分析和图象处理中有广泛的应用，在地震、雷达资料处理中将有良好的应用前景。 下边就小波分析的基本原理、主要作用及在雷达资料处理中的应用三方面作以介绍。 10.2.1小波分析的基本原理 小波函数的数学表达
基于小波变换的人脸识别 近年来，小波变换在科技界备受重视，不仅形成了一个新的数学分支，而且被广泛地应用于模式识别、信号处理、语音识别与合成、图像处理、计算机视觉等工程技术领域。小波变换具有良好的时频域局部化特性，且其可通过对高频成分采取逐步精细的时域取样步长，从而达到聚焦对象任意细节的目的，这一特性被称为小波变换的“变聚焦”特性，小波变换也因此被人们冠以“数学显微镜”的美誉。 具体到人脸识别方面，小波变换能够将人脸图像分解成具有不同分辨率、频率特征以及不同方向特性的一系列子带信号，从而更好地实现不同分辨率的人脸图像特征提取。 4.1 小波变换的研究背景 法国数学家傅立叶于1807年提出了著名的傅立叶变换，第一次引入“频率”的概念。傅立叶变换用信号的频谱特性来研究和表示信号的时频特性，通过将复杂的时间信号转换到频率域中，使很多在时域中模糊不清的问题，在频域中一目了然。在早期的信号处理领域，傅立叶变换具有重要的影响和地位。定义信号(t)f 为在(-∞，+∞)内绝对可积的一个连续函数，则(t)f 的傅立叶变换定义如下： ()()dt e t f F t j ωω-? ∞ -∞ += (4-1) 傅立叶变换的逆变换为： ()()ωωπ ωd e F t f t j ? +∞ ∞ -= 21 (4-2) 从上面两个式子可以看出，式（4-1）通过无限的时间量来实现对单个频率
的频谱计算，该式表明()F ω这一频域过程的任一频率的值都是由整个时间域上的量所决定的。可见，式（4-1）和（4-2）只是同一能量信号的两种不同表现形式。 尽管傅立叶变换可以关联信号的时频特征，从而分别从时域和频域对信号进行分析，但却无法将两者有效地结合起来，因此傅立叶变换在信号的局部化分析方面存在严重不足。但在许多实际应用中，如地震信号分析、核医学图像信号分析等，研究者们往往需要了解某个局部时段上出现了哪个频率，或是某个频率出现在哪个时段上，即信号的时频局部化特征，傅立叶变换对于此类分析无能为力。 因此需要一种如下的数学工具：可以将信号的时域和频域结合起来构成信号的时频谱，描述和分析其时频联合特征，这就是所谓的时频局部化分析方法，即时频分析法。1964年，Gabor 等人在傅立叶变换的基础上引入了一个时间局部化“窗函数”g(t)，改进了傅立叶变换的不足，形成窗口化傅立叶变换，又称“Gabor 变换”。 定义“窗函数”(t)g 在有限的区间外恒等于零或很快地趋于零，用函数(t )g -τ乘以(t)f ，其效果等同于在t =τ附近打开一个窗口，即： ()()()dt e t g t f G t j f ωττω-+∞ ∞--=?, (4-3) 式（4-3）即为函数f(t)关于g(t)的Gabor 变换。由定义可知，信号(t)f 的Gabor 变换可以反映该信号在t =τ附近的频谱特性。其逆变换公式为： ()()()ττωτωπ ωd G t g e d t f f t j ,21 ? ?+∞ ∞ --- = (4-4) 可见()τω,f G 的确包含了信号(t)f 的全部信息，且Gabor 窗口位置可以随着 τ的变化而平移，符合信号时频局部化分析的要求。 虽然Gabor 变换一定程度上克服了傅立叶变换缺乏时频局部分析能力的不
“小波工程应用”实验报告 一维信号离散小波分解与重构（去噪）的VC实现 一、目的 在理解了离散小波变换的基本原理和算法的基础上，通过设计VC程序对简单的一维信号在加上了高斯白噪声之后进行Daubechies小波、Morlet小波和Haar小波变换，从而得到小波分解系数；再通过改变分解得到的各层高频系数进行信号的小波重构达到消噪的目的。在这一程序实现的过程中能直观地理解信号小波分解重构的过程和在信号消噪中的重要作用，以及在对各层高频系数进行权重处理时系数的选取对信号消噪效果的影响。 二、基本原理 1、信号的小波分解与重构原理 在离散小波变换(DWT)中，我们在空间上表示信号，也就是说对于每一个在上表示的信号能用在上面提到的两个空间中的基函数来表示。 Where and are the coefficients of the scale metric space (j-1) which are obtained after the Decomposing the coefficient of the scale metric space j . Analogously we could reconstruct the by and . 我们在尺度度量空间对系数进行分解得到在尺度度量空间的两个系数 和。同样的，我们也能从两个系数和通过重构得到系数。
如上图中的分解与重构我们可以通过一定的滤波器组来实现（也就是小波变换算法）。当小波和尺度在空间内是正交的，我们就可以用内积公式计算得到系数和: 下面是内积计算方法的具体公式： 具体的系数计算过程如下: 对于上面的小波分解过程，通过分别设计高通滤波器和低通滤波器两组滤波器的系数(数组g[]和h[])即可实现，特别是对于离散小波变换，程序算法相对简单。而重构也只是分解的逆过程，重构算法和分解的算法是相对应而互逆的。 2、小波去噪原理
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
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 ?，
小波变换的原理及m a t l a b仿真程序
基于小波变换的信号降噪研究 2 小波分析基本理论 设Ψ(t)∈L 2( R) ( L 2( R) 表示平方可积的实数空间，即能量有限的信号空间) ， 其傅立叶变换为Ψ(t)。当Ψ(t)满足条件[4,7]： 2 () R t dw w C ψψ =<∞? （1） 时，我们称Ψ(t)为一个基本小波或母小波，将母小波函数Ψ(t)经伸缩和平移后，就可以得到一个小波序列： ,()( )a b t b t a ψ -= ,,0a b R a ∈≠ （2） 其中a 为伸缩因子，b 为平移因子。 对于任意的函数f(t)∈L 2( R)的连续小波变换为： ,(,),()( )f a b R t b W a b f f t dt a ψψ-=<>= ? （3） 其逆变换为： 211()(,)()f R R t b f t W a b dadb C a a ψ ψ+-= ?? （4） 小波变换的时频窗是可以由伸缩因子a 和平移因子b 来调节的，平移因子b,可以改变窗口在相平面时间轴上的位置，而伸缩因子b 的大小不仅能影响窗口在频率轴上的位置,还能改变窗口的形状。小波变换对不同的频率在时域上的取样步长是可调节的，在低频时，小波变换的时间分辨率较低，频率分辨率较高：在高频时，小波变换的时间分辨率较高，而频率分辨率较低。使用小波变换处理信号时，首先选取适当的小波函数对信号进行分解，其次对分解出的参
数进行阈值处理，选取合适的阈值进行分析，最后利用处理后的参数进行逆小波变换，对信号进行重构。 3 小波降噪的原理和方法 3.1 小波降噪原理 从信号学的角度看 ,小波去噪是一个信号滤波的问题。尽管在很大程度上小波去噪可以看成是低通滤波 ,但由于在去噪后 ,还能成功地保留信号特征 ,所以在这一点上又优于传统的低通滤波器。由此可见 ,小波去噪实际上是特征提取和低通滤波的综合 ,其流程框图如图所示[6]： 小波分析的重要应用之一就是用于信号消噪 ,一个含噪的一维信号模型可表示为如下形式： (k)()()S f k e k ε=+* k=0.1…….n-1 其中 ,f( k)为有用信号,s(k)为含噪声信号,e(k)为噪声,ε为噪声系数的标准偏差。 假设e(k)为高斯白噪声,通常情况下有用信号表现为低频部分或是一些比较平稳的信号,而噪声信号则表现为高频的信号,下面对 s(k)信号进行如图结构的小波分解,则噪声部分通常包含在Cd1、Cd2、Cd3中,只要对 Cd1,Cd2,Cd3作相应的小波系数处理,然后对信号进行重构即可以达到消噪的目的。
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。
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。
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 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 1.概念：? +∞ ∞ --ψ= dt a b t t S a b a CWT )( *)(1),( 2.小波变换与STFT 用于时频分析的区别 小波 构造？ 1910 Harr 小波 80年代初兴起 Meyer —小波解析形式 80年代末 Mallat 多分辨率分析—WT 无须尺度和小波函数—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.WT 与STFT 对比举例（Fig 5–6, Fig 5–7） 二．WT 几个注意的问题 1.WT 与)(t ψ选择有关 — 应用信号分析还是信号复原 2.母小波)(t ψ必须满足容许性条件 ∞<ψ=? ∞ +∞ -ψdw w w C 2 )( ①隐含要求 )(,0)0(t ψ=ψ即具有带通特性 ②利用ψC 可推出反变换表达式 ??+∞∞-+∞ ∞-ψ -ψ= dadb a b t b a CWT a C t S )(),(11 )(2 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(2)()(1 )(2 ,22,,n t t a b t a t n b a m m n m b a m m -ψ=ψ?-ψ= ??==--ψ dt t t S n CWT d n m m m n m )(*)()2,2(,,?+∞ ∞ ---ψ=?= 5.小波变换具有时移不变性 ) ,()() ,()(00b b a C W T b t S b a C W T t S -?-? 6.用小波重构信号 ∑∑ ∑∑+∞-∞=+∞ -∞ =+∞-∞=+∞ -∞ =ψψ= m n m n n m n m n m n m t d t d t S )(?)(?)(,,,,正交小波 中心问题：如何构建对偶框架{} n m ,?ψ
一、小波分析基本原理： 信号分析是为了获得时间和频率之间的相互关系。傅立叶变换提供了有关频率域的信息，但有关时间的局部化信息却基本丢失。与傅立叶变换不同，小波变换是通过缩放母小波（Mother wavelet）的宽度来获得信号的频率特征，通过平移母小波来获得信号的时间信息。对母小波的缩放和平移操作是为了计算小波系数，这些小波系数反映了小波和局部信号之间的相关程度。相关原理详见附件资料和系统设计书。 注：小波分析相关数学原理较多，也较复杂，很多中文的著作都在讨论抽象让非数学相关专业人难理解的数学。本人找到了相对好理解些的两个外文的资料： Tutorial on Continuous Wavelet Analysis of Experimental Data.doc Ten.Lectures.of.Wavelets.pdf 二、搜索到的小波分析源码简介 （仅谈大体印象，还待继续研读）： １、83421119WaveletVCppRes.rar 源码类型：VC++程序 功能是：对简单的一维信号在加上了高斯白噪声之后进行Daubechies小波、Morlet小波和Haar小波变换，从而得到小波分解系数；再通过改变分解得到的各层高频系数进行信号的小波重构达到消噪的目的。 说明：在这一程序实现的过程中能直观地理解信号小波分解重构的过程和在信号消噪中的重要作用，以及在对各层高频系数进行权重处理时系数的选取对信号消噪效果的影响。但这是为专业应用写的算法，通用性差。 ２、WA.FOR（南京气象学院常用气象程序中的小波分析程序） 源码类型：fortran程序 功能是：对简单的一维时间序列进行小波分析。 说明：用的是墨西哥帽小波。程序短小，但代码写得较乱，思路不清，还弄不明白具体应用。 ３、中科院大气物理学所.zip（原作者是美国Climate Diagnostics Center的C. Torrence 等）源码类型：fortran和matlab程序各一份 功能是：气象应用。用小波分析方法对太平洋温度的南方涛动指数进行分析。 说明：用的是Morlet和墨西哥帽小波。程序编写规范，思路清晰，但这是为专业应用写的算法，通用性差。 ４、Morlet小波变换源程序.rar 源码类型：matlab程序 功能是：对简单的一维时间序列进行小波分析。 说明：用的是墨西哥帽小波。程序短小，但代码写得较乱，思路不清，还弄不明白具体应用。
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。
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。
给我们一个信号时，我们从时域中观察这个信号时，我们得到的信息是信号的持续的时间，随着时间的变化，信号的幅度起起伏伏。如果我们更进一步，就是起伏速度较快的部分对应着信号中高频部分。变换缓慢的部分对应着代表信号中的频率低频部分。我们也可以估算信号中直流分量的大小。当然这都是我们直观的理解。这种单纯的从时域中的信号的波形得到的信息是不全面的。有的时候我们想要知道我们的信号中含有那些频率成分，相应频率的强度，相位。这就是从从频域的角度来看待我们的信号。这就需要一个数学变换的工具，将我们的信号变换到频域。这个强大的数学工具就是傅里叶变换，变换后我们希望我们还可以回到时域中，也就是我们的变换是可可逆的，事实上，傅里叶变换就有这个信息不损失的性质。如今傅里叶变换已经成为一个体系。一切来自于数学中的分解思想，在这里我们选择一组正交基。对我们信号函数的分解就像是对空间中某一一向量分解到三个坐标系一样，只不过函数的坐标是傅里叶系数而已。这样，我们经过傅里叶变换就可以知道我们的信号中含有的频率成分。但是这里有一个隐含的假设，或者说是傅里叶变换的致命弱点，那就是他潜在的假设了我们的信号是平稳信号。何为平稳信号？所谓的平稳信号就是信号的各种频率成分在信号的全部持续时间中都存在。举个例子，假如我们对一个持续时间在[0,100s]的平稳信号做傅里叶变换，得出信号中有59HZ，那么就说明，对该平稳信号，59HZ从0开始，在这100s中的任何一个时刻都存在。 可是，当我们的信号不是平稳信号时，例如59HZ产生50s 处，强度和上一个信号的完全相同，其他频率也完全相同，如果我们对这一个信号做傅里叶变换，由于傅里叶变换的积分域是从负无穷到正无穷，所以不幸的是，我们得到了和上一信号完全一样的结果，我们无法再从频域回到时域了。也就是FT并没有告诉我们非平稳信号的各种频率分别出现在那个时间段上。 事实上，在现实生活中，非平稳信号和平稳信号交织在一起的。例如 心电图(ECG)、脑电图(EEG)和肌电图(EMG)。所以知道哪些频率出现在何种时间段的需求是那么的紧迫。换句话说，就是我们想要同时知道信号的时间信息和频率信息。解决方案就是FT的改进版：STFT（短时傅里叶变换）。 小波变换： 小波（wavelet）的意思是:a small wave。FT中，我们选用的是exp（jwt）函数作为我们变换空间的一组标准正交基，exp（jwt）函数在时间轴上一直存在，从-∞到+∞上均存在的信号，不会衰减，而我们在小波变换中选用的小波不仅持续时间是有限的，即只在某一个时间段内存在，而且小波的频率也是有限的，即超过一定的频率之外，该频率的强度（幅度）会逐渐衰减到0。小波变换较之于傅里叶变换的优点可以归结为如下方面：1）使得信号的存储较之于傅里叶变换后再去存储更加的有效，也就是更易于压缩，进而传输图像。2）方便了对信号的分析，因为能够更好地去近似现实中的信号（non stationary signal）。3）当信号函数中有不连续的点的时候，如果用FT得到信号的近似，会有吉布斯现象（虽然在功率上会很好的近似，但是在不连续点附近却有一个固定的误差，无法进一步减小），比之于FT的这个缺点，我们的小波变换能够更好的对数据中的不连续点进行近似。
由于小波变换的知识涵盖了调和分析，实变函数论，泛函分析及矩阵论，所以没有一定的数学基础很难学好小波变换．但是对于我们工科学生来说，重要的是能利用这门知识来分析所遇到的问题．所以个人认为并不需要去详细学习调和分析，实变函数论，泛函分析及矩阵论等数学知识．最重要是的理解小波变换的思想！从这个意义上说付立叶变换这一关必需得过！因为小波变换的基础知识在付立叶变换中均有提及，我觉得这也就是很多小波变换的书都将付立叶分析作为其重要内容的原因．所以我认为学习小波应从＜数字信号处理＞中的付立叶分析开始．当然也可从＜信号与系统＞这本书开始．然后再看杨福生老师的小波变换书．个人觉得他的书最能为工科学生所接受． ２信号的分解 付立叶级数将周期信号分解为了一个个倍频分量的叠加，基函数是正交的，也就是通常所说的标准正交基．通过分解我们就能将特定的频率成分提取出来而实现特定的各种需要，如滤波，消噪等．付立叶变换则将倍频谱转换为了连续谱，其意义差不多．小波变换也是一种信号分解思想：只不过它是将信号分解为一个个频带信号的叠加．其中的低频部分作为信号的近似，高频部分作为信号的细节．所谓的细节部分就是一组组小波分量的叠加，也就是常说的小波级数． ３小波变换的时频分析思想 付立叶变换将信号从时域变换到了频域，从整体上看待信号所包含的频率成分．对于某个局部时间点或时间段上信号的频谱分析就无能为力了，对于我们从事信号的奇异性检测的人来说，付立叶变换就失去了意义（包括加窗付立叶变换）．因为我们要找的是信号的奇异点（时域方面）和奇异点处所包含的频带（频域方面）也就是说需要一种时频分析方法．当然能有纯时域的分析方法更好！（据说数学形态学能达到这种效果）．小波变换之所以可以检测信号的奇异点，正在于它的＂小＂．因为用小的波去近似奇异信号要比正弦波要好的多． ４小波变换的实质 小波变换的公式有内积形式和卷积形式，两种形式的实质都是一样的．它要求的就是一个个小波分量的系数也就是＂权＂．其直观意义就是首先用一个时窗最窄，频窗最宽的小波作为尺子去一步步地＂量＂信号，也就是去比较信号与小波的相似程度．信号局部与小波越相似，则小波变换的值越大，否则越小！当一步比较完成后，再将尺子拉长一倍，又去一步步地比
小波分析理论简介 （一） 傅立叶变换伟大的历史贡献及其局限性 1 Fourier 变换 1807年，由当年随拿破仑远征埃及的法国数学、物理学家傅立叶（Jean Baptistle Joseph Fourier ,1786-1830),提出任意一个周期为T (=π2)的函数 )(t f ，都可以用三角级数表示： )(t f = ∑∞ -∞=k ikt k e C = 20 a + ∑∞=1cos k k kt a + ∑∞ =1 sin k k kt b (1) k C = π 21 ? -π 20 )(dt e t f ikt = * ikt e f , (2) k k k C C a -+= )(k k k C C i b --= (3) 对于离散的时程 )(t f ，即 N 个离散的测点值 m f ，=m 0,1，2，……,N-1, T 为测量时间： )(t f =2 0a + )sin cos (12 1∑-=+N k k k k k t b t a ωω+t a N N 2 2cos 21 ω=∑-=1 0N k t i k k e C ω （4） 其中 ∑-== 1 02cos 2 N m m k N km x N a π ，=k 0，1，2，…,2N (5) ∑-== 1 2sin 2N m m k N km x N b π , =k 1,2,…, 2N -1 (6) ∑-=-= 1 )/2(1N m N km i m k e x N C π ，=k 0，1，2，…,N-1 (7) t N k k ?=π ω2 ，N T t =? (8) 当T ∞→ 时，化为傅立叶积分（即 Fourier 变换）： ? ∞ ∞ --= dt e t f f t i ωω)()( =t i e f ω, （9） ωωπ ωd e f t f t i )(21 )(? ∞ ∞ -= (10)
第六章 时间序列的小波分析 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：
小波变换matlab总结
目录 一、预置工具 (4) 1.预置信号 (4) 2.预置小波 (4) 3.滤波器函数 (6) wfilters函数 (6) 4.量化编码 (6) wcodemat函数 (6) 5.阈值获取 (6) ddencmp函数 (6) thselect函数 (7) wbmpen函数 (7) wdcbm函数 (7) 6.阈值去噪 (8) wden函数 (8) wdencmp函数 (8) wthresh函数 (9) wthcoef函数 (9) wpdencmp函数 (9) 二、小波变换函数 (12) 单尺度一维小波变换 (12) cwt一维连续小波变换 (12) dwt一维离散小波变换 (12) idwt一维离散小波逆变换 (13) upcoef 一维小波系数重构 (13) 多尺度一维小波变换 (14) wavedec多尺度一维分解 (14) waverec多尺度一维重构 (15) appcoef低频系数提取 (16) detcoef高频系数提取 (16) wrcoef多尺度小波系数重构 (17) 一维静态（平稳）小波变换 (18) swt一维平稳小波变换 (18) iswt一维平稳小波逆变换 (18) 实例 (19) 单尺度二维小波变换 (19) dwt2二维离散小波变换 (19) idwt2二维离散小波逆变换 (20) upcoef2二维系数重构 (20) 多尺度二维小波变换 (21) wavedec2多尺度二维分解 (21) waverec2多尺度二维重构 (22) appcoef2低频系数提取 (23) detcoef2高频系数提取 (23)