小波分析入门_本人总结_

小波分析的基本知识屠2001.8.2A.基本知识A1.小波(WAVELET)分类1.原始小波:(1).高斯gaus, (2).莫来特morlet, (3).墨西哥帽mexihat2.无限正则小波浪:(4).梅耶meyr (5).离散梅耶dmey3.正交和紧支集小波:(6).达比切斯dbN(Daubechies), (7).对称symN(symlets), (8).coifN4.双正交和紧支集小波: (9).双正交biorNr (10). 逆双正交rbioNr.Nd5.复小波: (11).复高斯cgauN (12)复莫来特 cmor Fb-Fc (13)复香农shan Fb-Fc(14).复频率B样条 fbspM Fb-Fc注1:db1小波也称哈尔Harr小波,也是原始小波注2.symlet小波是Daubechies小波的改进,由不对称改成近似对称注3.紧支集即函数在有限区域内不为零A2.小波函数和尺度(SCALE)函数1.小波函数(psi)--由高通滤波器确定,产生小波分解的细节 D(detail,)2.尺度函数(phi)--由低通正交镜象滤波器确定, 产生小波分解的逼近 A(approximation)A3.小波分解:S(SIGNAL)=A1+D1=(A2+D2)+D1=(A3+D3)+D2+D1=(A4+D4)+D3+D2+D1=...A4.小波包(WP=Wavelet Packet)分解:S=A1+D1=(AA2+DA2)+(AD2+DD2)=(AAA3+DAA3)+(ADA3+DDA3)+(ADA3+DDA3)+...A5.WAVEMENU: 开始图象用户界面GUI工具A6.WAVEDEMO: 小波工具箱演示B小波变换B1.一维连续小波变换:CWT coefs=cwt(S,scales,"wname')coefs=cwt(S,scales,'wname','plot')coefs=cwt(S,scales,'wname','plotmode')scales--正实数,如1:32,[64 32 16:-2:2],...COLORMENU,COLORBARB2.单级一维离散小波变换:DWT,UPCOEF[Ca1,Cd1]=dwt(x,'wname'), Ca1--逼近系数 Cd1--细节系数[Ca1,Cd1]=dwt(x,Lo_D,Hi_D)a1=upcoef('a',Ca1,'wname',1,L); a1--逼近 L--length(x)d1=upcoef('d',Cd1,'wname',1,L); d1--细节 L--length(x)B3.单级一维逆离散小波变换:IDWT, x=idwt(Ca1,Cd1,'wname')B4.多级一维离散小波分解:WAVEDEC,APPCOEF,DETCOEF,WRCOEF[C,L]=wavedec(x,N,'wname'),N--级(LEVEL)数 C--分解(DECOMPOSITION)矢量L--辅助操作(Bookkeeping)矢量B5.APPCOEF:提取一维小波逼近系数,A=appcoef(C,L,'wname',N)B6.DETCOEF:提取一维小波细节系数,A=detcoef(C,L,'wname',N)B7.WRCOEF:X=wrcoef('type',C,L,'wname',N).type=a,逼近;type=d,细节B8.WAVEREC(多级一维离散小波重构) 重构--RECONSTRUCTIONx=waverec(C,L,'wname')x=waverec(C,L,Lo_R,Hi_R)B9.WFILTERS--小波滤波器[Lo_D,Hi_D,Lo_R,Hi_R]=wfilters('wname'),'wname'=db,coif,sym,bior,rbioB10.DYADDOWN:二进(Dyadic)降采样 Y=dyaddown(x,EVENODD)EVENODD--even,y(k)=x(2k), --odd,y(k)=x(2k-1)B11. DYADUP:二进增采样(填零), y=dyadup(x,EVENODD)B12. WKEEP:保留矢量或矩阵的一部分C.小波包变换C1. WPDEC一维离散小波包分解:[T,D]=wpdec(x,N,'wname',E,P), T--树结构Tree structure, D--数据结构E-熵 Entropy E='shannon','threshold','norm','log energy','user'P-附加参数'threshold' 'sure':P=threshold(0<=P)'norm':P=power,1<=P<2)C2. WPREC一维离散小波包重构x=wprec(T,D) T--小波包树(TREE) N—节点(NODE)C3. WPCOEF小波包系数x=wpcoef(S,D,N)D.MALLAT算法(FWT)E.一维试验信号(b1(t): b2(t): )oislop(ramp+color noise):1=<t<=499,(t/500)+b2(t);500=<t<=1000,1+b2(t)2.freqbrk:1=<t<=500,sin(0.03t);501=<t<=1000,sin(0.3t)3. heavysin4.nelec(2000 电力消耗)5.leleccum(4320分(72小时)电力消耗6.linchirp(线性快扫)7.mfreqbrk8.mishmash 9.nearbrk(1~499,511~1500)10.noisbloc 11.noisbump12.noischir 13.noisdopp 噪声多普勒14.noismima 15.noispol: 在[1 1000]间 t^2-t+1+b1(t) 16.noissin:sin(0.03t)+b1(t) 17.qdchirp18.quachip19.scddvbrk:二阶导数不连续,t<0,exp(-4t^2);t>=0,exp(-t^2),t=[-0.5 0.5]20.sinfract 21.sinper8 22.sumlichr23.sumsin:sin(3t)+sin(0.3t)+sin(0.03t)24.trsin:1=<t<=500,((t-1)/500)+sin(0.3t);501=<t<=1000,((1000-t)/500)+sin(0.3t)25.vonkoch:分形,科克雪花26.warma:AR(3),b2(t)=-1.5*b2(t-1)-0.75*b2(t-2)-0.125*b2(t-3)+b1(t)+0.527.wcantor:分形,康托(三分取一)曲线28.whitnois:在[-0.5 0.5]间的均匀白噪声29.wnoislop:1=<t<=499,(3t/500)+b1(t);500=<t<=1000,3+b1(t)30.wntrsin:1=<t<=500,((t-1)/500)+sin(0.3t)+b1(t);501=<t<=1000,((1000-t)/500)+sin(0.3t)+b1(t)31.wstep:1=<t<=500,s=0;501=<t<=1000,s=20.32.cuspamax(1024):x=linspace(0,1.1024);y=exp(-128*((X-0.3).^2))-3*(abs(x-0.7).^0.433.brkintri:顶端折线三角34.wcantsym(2188):对称康托集disp('******)*************MALLAT算法示例***********************************************')x=[1.8 1.0 -1.0 -1.8];[Lo_D,Hi_D]=wfilters('db1','d');tmpo1=conv(x,Lo_D); [1.8 1.0 -1.0 -1.8]*[0.7071 0.7071]tmpo2=conv(x,Hi_D);Ca1=dyaddown(tmpo1);Cd1=dyaddown(tmpo2);disp('低通分解滤波器系数Lo_D 高通分解滤波器系数Hi_D');disp( [(Lo_D)' (Hi_D)'] ),disp('卷积conv(x,Lo_D 卷积conv(x,Hi_D)');disp( [(tmpo1)’ (tmpo2)’] ),disp('一级逼近系数Ca1 一级细节系数Cd1');disp( [(Ca1)’ (Cd1)’] ),% Ca1=1.9799 -1.9799 Cd1= 0.5657 0.5657[Lo_R,Hi_R]=wfilters('db1','r');disp('低通重构滤波器系数Lo_R=');disp(Lo_R),disp('高通重构滤波器系数Hi_R=');disp(Hi_R),tmp1=dyadup(Cd1);tmpo3=conv(tmp1,Hi_R);d1=wkeep(tmpo3,4);tmp2=dyadup(Ca1);tmpo4=conv(tmp2,Lo_R);a1=wkeep(tmpo4,4);disp( '一级逼近a1 一级细节d1 ');DISP( [(a1)’ (d1)’] ),% 一级逼近a1= 1.4000 1.4000 -1.4000 -1.4000% 一级细节d1= 0.4000 -0.4000 0.4000 -0.4000figure(1),a0=a1+d1;subplot(521),bar(x,0.1),title('原始波形x=[1.8 1.0 -1.0 -1.8]'), grid,axis([0 5 -2 2]),subplot(522),bar(a0,0.1),title('分解后重构波形s=a1+d1'),grid,axis([0 5 -2 2])subplot(523),bar(Ca1,0.1),title(' 逼近系数Ca1=[1.98 -1.98]'),grid,axis([0 5 -2 2])subplot(524),bar(Cd1,0.1),title(' 细节系数Cd1=[0.566 0.566]'),grid,axis([0 5 0 1])subplot(525),bar(a1,0.1),title(' 一级逼近a1=[1.4 1.4 -1.4 -1.4]'),grid,axis([0 5 -2 2])subplot(526),bar(d1,0.1),title(' 一级细节d1=[0.4 -0.4 0.4 -0.4]'),grid,axis([0 5 -1 1])subplot(527),bar(Lo_D,0.1),title('低通分解滤波器系数Lo_D'),grid,axis([0 5 0 1])subplot(528),bar(Hi_D,0.1),title('高通分解滤波器系数Hi_D'),grid,axis([0 5 -1 1])subplot(5,2,9),bar(Lo_R,0.1), title('低通重构滤波器系数Lo_R'),grid,axis([0 5 0 1])subplot(5,2,10),bar(Hi_R,0.1),title('高通重构滤波器系数Hi_R'),grid,axis([0 5 -1 1])%******以上为MALLAT算法原理,实际上用简单命令DWT,UPCOEF计算如下************************** x=[1.8 1.0 -1.0 -1.8];length(x);[Ca1,Cd1]=dwt(x,'db1');a1=upcoef('a',Ca1,'db1',1,4);d1=upcoef('d',Cd1,'db1',1,4);x1=a1+d1;a0=idwt(Ca1,Cd1,'db1',4);------------------------------------------------------------------------------------ x=[1.8 -1.8 1.8 -1.8];x=[1.8 1.0 -1.0 -1.8];[Lo_D,Hi_D]=wfilters('db40','d');tmpo1=conv(x,Lo_D);tmpo2=conv(x,Hi_D);Ca1=dyaddown(tmpo1);Cd1=dyaddown(tmpo2);disp('低通分解滤波器系数Lo_D 高通分解滤波器系数Hi_D');disp( [(Lo_D)'(Hi_D)'] )disp('卷积conv(x,Lo_D)');disp(tmpo1),disp('卷积conv(x,Hi_D)');disp(tmpo2),disp('一级逼近系数Ca1=');disp(Ca1),disp('一级细节系数Cd1=');disp(Cd1),[Lo_R,Hi_R]=wfilters('db40','r');disp('低通重构滤波器系数Lo_R=');disp(Lo_R),disp('高通重构滤波器系数Hi_R=');disp(Hi_R),tmp1=dyadup(Cd1);tmpo3=conv(tmp1,Hi_R);d1=wkeep(tmpo3,4);tmp2=dyadup(Ca1);tmpo4=conv(tmp2,Lo_R);a1=wkeep(tmpo4,4);disp('一级逼近a1');disp(a1),disp('一级细节d1');disp(d1),figure(2),a0=a1+d1;subplot(521),bar(x,0.1),title('原始波形x=[1.8 1.0 -1.0 -1.8]'),subplot(521),bar(x,0.1),title('原始波形x=[1.8 -1.8 1.8 -1.8]'),grid,axis([0 5 -2 2]),subplot(522),bar(a0,0.1),title('分解后重构波形s=a1+d1'),grid,axis([0 5 -2 2]) subplot(523),bar(Ca1,0.1),title(' 逼近系数Ca1'),grid,axlimdlg, axis([0 5 -2 2]) subplot(524),bar(Cd1,0.1),title(' 细节系数Cd1'),grid,axlimdlg, axis([0 5 0 1])subplot(525),bar(a1,0.1),title(' 一级逼近a1=[1.296,0.911,-0.6502,-1.5585]'),subplot(525),bar(a1,0.1),title(' 一级逼近a1=[ ]'), axlimdlg,grid, axis([0 5 -2 2])subplot(526),bar(d1,0.1),title(' 一级细节d1=[0.504,0.089,-0.3498,-0.2415'), subplot(526),bar(d1,0.1),title(' 一级细节d1=[ ]'),axlimdlg,grid, axis([0 5 -1 1])subplot(527),bar(Lo_D,0.1),title('低通分解滤波器系数Lo_D'),grid, axis([0 5 0 1]) subplot(528),bar(Hi_D,0.1),title('高通分解滤波器系数Hi_D'),grid, axis([0 5 -1 1]) subplot(5,2,9),bar(Lo_R,0.1), title('低通重构滤波器系数Lo_R'),grid, axis([0 5 0 1]), axlimdlg,subplot(5,2,10),bar(Hi_R,0.1),title('高通重构滤波器系数Hi_R'),grid, axis([0 5 -1 1]) axlimdlg,k=[1.8 1.0 -1.0 -1.8];s=[1.296 0.911 -0.6502 -1.5585];t=[0.504 0.089 -0.3498 -0.2415];ss=abs(fft(s,21));tt=abs(fft(t,21));kk=abs(fft(k,21));subplot(311),plot(kk),grid,axlimdlg,subplot(312),plot(ss),grid,axlimdlg,subplot(313),plot(tt),grid,axlimdlg,k1=[1.8 1.0 -1.0 -1.8];s1=[1.4 1.4 -1.4 -1.4];t1=[0.4 -0.4 0.4 -0.4];k2=[1.8 1.0 -1.0 -1.8];s2=[1.296 0.911 -0.6502 -1.5585];t2=[0.504 0.089 -0.3498 -0.2415];S1=abs(fft(s1,21));T1=abs(fft(t1,21));K1=abs(fft(k1,21));S2=abs(fft(s2,21));T2=abs(fft(t2,21));K2=abs(fft(k2,21));subplot(321),plot(K1),grid,axis([1 11 0 6]),title('Harr')subplot(323),plot(S1),grid,axis([1 11 0 6]),title('Harr')subplot(325),plot(T1),grid,axis([1 11 0 2]),title('Harr')subplot(322),plot(K2),grid,axis([1 11 0 6]),title('db40')subplot(324),plot(S2),grid,axis([1 11 0 6]),title('db40')subplot(326),plot(T2),grid,axis([1 11 0 2]),title('db40')disp('**********MALLAT算法可用简单命令DWT,UPCOEF重算如下*******************')x=[1.8 1.0 -1.0 -1.8];length(x); =4[Ca1,Cd1]=dwt(x,'db1');a1=upcoef('a',Ca1,'db1',1,4);d1=upcoef('d',Cd1,'db1',1,4);disp('一级逼近系数Ca1=');disp(Ca1), disp('一级细节系数Cd1=');disp(Cd1),disp('一级逼近a1=');disp(a1), disp('一级细节d1=');disp(d1),x1=a1+d1;a0=idwt(Ca1,Cd1,'db1',4);figure(1),subplot(321),bar(x,0.1),title('x=a1+d1=[1.8 1.0 -1.0 -1.8]'),grid,axis([0 5 -2 2]),subplot(322),bar(a0,0.1),title('a0=idwt=x'),grid,axis([0 5 -2 2])subplot(323),bar(Ca1,0.1),title(' 逼近系数Ca1=[1.98 -1.98]'),grid,axis([0 5 -2 2])subplot(324),bar(Cd1,0.1),title(' 细节系数Cd1=[0.566 0.566]'),grid,axis([0 5 0 1]) subplot(325),bar(a1,0.1),title(' 一级逼近a1=[1.4 1.4 -1.4 -1.4]'),grid,axis([0 5 -1.5 1.5])subplot(326),bar(d1,0.1),title(' 一级细节d1=[0.4 -0.4 0.4 -0.4]'),grid,axis([0 5 -1 1])pausedisp(' *******************************************************************'), disp(' * *'), disp(' * *'), disp(' * 低通滤波器减低通滤波器等于带通滤波器 *'), disp(' * *'), disp(' *******************************************************************'), pause,f=-10:0.01:10;t=-50:1/20:50;y1=cos(2*pi*100*f);y2=cos(2*pi*100*t);y1(1:50)=zeros(1,50);y1(1952:2001)=zeros(1,50);y2(1:250)=zeros(1,250);y2(1752:2001)=zeros(1,250);yy=y1-y2;u=cos(2*pi*7*t);v=sinc(t);r=u.*v;U=fft(u);V=fft(v);R=fft(r);x1=real(ifft(y1));x2=real(ifft(y2));xx=real(ifft(yy));figure(2),subplot(331),plot(f,y1),axis([-12,12,0,1.1]),...title('低通(尺度) Y1(f),Fc=9.5Hz.'),subplot(332),plot(f,y2),axis([-12,12,0,1.1]),...title('低通(尺度) Y2(f),Fc=7.5Hz.'),subplot(333),plot(f,yy),axis([-12,12,0,1.1]),...title('带通(小波) YY(f),BW=2Hz.'),subplot(334),plot(t,ifftshift(x1)),axis([-5 5 -0.1 1.0]),...title('X1(t)=IFFT(Y1)'),xlabel('t(s)'),...subplot(335),plot(t,ifftshift(x2)),axis([-5 5 -0.3 0.8]),...title('X2(t)=IFFT(Y2)'),xlabel('t(s)'),subplot(336),plot(t,ifftshift(xx)),axis([-5 5 -0.1 0.16]),...title('X3(t)=IFFT(YY)'),xlabel('t(s)'),pausedisp(' ******************************************************************'), disp(' * *'), disp(' * 调制引起频移,低通变成带通 *'), disp(' * *'), disp(' ******************************************************************'), pause, figure(3),subplot(331),plot(t,u),axis([-2 2 -1.1 1.1]),title('u=cos(2pi*7t),t=-50~50'),subplot(332),plot(t,v),axis([-4 4 -0.3 1.1]),title('v=sinc(t),t=-50~50')subplot(333),plot(t,r),axis([-4 4 -0.9 1.1]),title('r=uv,t=-50~50')subplot(334),plot(f,abs(U)),axis([-5 5 0 900]),title('FFT(u),F=3Hz'),xlabel('Hz') subplot(335),plot(f,fftshift(abs(V))),axis([-5 5 0 23]),...title('V=FFT(v)),低通:Fc=0.5Hz'),xlabel('Hz')subplot(336),plot(f,abs(R)),axis([-5 5 0 11]),title('FFT(r),带通:BW=1Hz'),...xlabel('Hz'),pause,********************************************************************************* t1=-10:0.02:10;f1=0:0.05:50;ta=-20:0.02:20;tb=0:0.02:40;f1=0:1/40:50;x1=cos(2*pi*50*t1);x2=cos(2*pi*50*[0:0.02:20]);x3=cos(2*pi*50*[20:0.02:40]);xa=[zeros(1,500) x1 zeros(1,500)];xb=[x2 zeros(1,1000)];xc=[zeros(1,1000) x3]; fxa=fft(xa);fxb=fft(xb);fxc=fft(xc);subplot(531),plot(ta,xa),axis([-20 20 0 1.1]),title(''),subplot(532),plot(tb,xb),axis([0 40 0 1.1]),title(''),subplot(533),plot(tb,xc),axis([0 40 0 1.1]),title(''),subplot(534),plot(f1,abs(fxa)),grid,axlimdlg,title(''),subplot(535),plot(f1,abs(fxb)),grid,axlimdlg,title(''),subplot(536),plot(f1,abs(fxc)),grid,axlimdlg,title(''),subplot(537),plot(f1,angle(fxa)),grid,axlimdlg,title(''),subplot(538),plot(f1,angle(fxb)),grid,axlimdlg,title(''),subplot(539),plot(f1,angle(fxc)),grid,axlimdlg,title(''),subplot(5,3,10),plot(f1,unwrap(angle(fxa))),grid,axlimdlg,title(''),subplot(5,3,11),plot(f1,unwrap(angle(fxb))),grid,axlimdlg,title(''),subplot(5,3,12),plot(f1,unwrap(angle(fxc))),grid,axlimdlg,title(''),disp('**************************END***********************************'),。

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.docTen.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。

小波分析及其应用（学习总结）一、 初步认识小波小波(Wavelet)这一术语，顾名思义，是小的波形。

所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。

与Fourier 变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier 变换的困难问题，成为继Fourier 变换以来在科学方法上的重大突破。

小波变换被人们称为“数学显微镜”。

从数学的角度来看，小波实际上是在特定空间内按照称之为小波的基函数（通常具有鲜明的物理意义）对数学表达式的展开与逼近。

作为一种快速高效、高精度的近似方法，小波理论构成调和分析领域中Fourier 分析的重要发展。

与Fourier 变换由三角基函数构成相比，小波基函数大多具有快速衰减、充分光滑、能量集中在一个局部区域的函数()x ψ经过伸缩与平移得到的函数集合，其中b 起到平移的作用，而a 为伸缩因子（a 作为一种尺度在变化时产生多分辨特性）。

因此，从信号处理的角度来看，作为一种新的时频分析工具，小波克服了Fourier 分析方法表示信息时能够清晰的揭示出信号的频率特性而不能反映时间域上的局部信息的缺陷，而局部性质的描述无论是在理论上还是在实际应用方面都十分重要。

当利用小波实施视频分析时，由于同时具有时间和频率的局部特性以及多分辨分析特性，使得对非平稳信号的处理变得相对容易。

二、 第一代小波由L 2(R)空间的正交分解和变换相关知识，对于给定信号f(t)，关键是选择合适的标准正交基g i (t)，使得f(t)在这组基下的表现呈现出我们需要的特性，但是如果某一个基不满足要求，可通过变换将函数转换到另一个基下表示，才能得到我们需要的函数表示。

常用的变换有：(1) K-L 变换 (2) Walsh 变换 (3) Fourier 变换 (4) 小波变换如图1所示是信号f(t)的Fourier 变换示意图。

小波分析学习心得学习小波分析这门课程已经有一段时间了，我对于这一门课程已经有了一定程度的认识。

由于学科专业所限，我平时接触小波分析的机会并不是很多，很高兴在这个学期能够有机会专门学习小波分析。

经过这一段时间小波分析的学习，虽然我还不能说是精通小波分析，不过也是对其中的一些基本概念有了一定的理解。

后文中，我将会对在小波分析学习过程中所得到的一些学习心得进行总结。

我们通常说的波一般指的是物质的一种运动方式，在数学中它对应于时间域或空间域的震荡方程。

正弦波就是一种最为常见的波，它的振幅均匀的分布时域中，并不收敛，所具有的能量是无穷的。

小波，顾名思义，就是小的波，它的能量是有限的，相对于正弦波而言，它的振幅在时域上是收敛的，能量并不是无穷的。

傅里叶变换将函数投影到正弦波上，将函数分解成了不同频率的正弦波，这是一个非常伟大的发现，但是在大量的应用中，傅里叶变换的局限性却日趋明显，事实上在光滑平稳信号的表示中，傅里叶变换已经达到了近似最优表示，但是日常生活中的信号却并不是一直光滑的，傅里叶变换在奇异点的表现就令人非常不满意，从对方波的傅里叶逼近就可以看出来，用了大量不同频率的正弦波去逼近其系数衰减程度相当缓慢。

其内在的原因是其基底为全局性基底，没有局部化能力，以至局部一个小小的摆动也会影响全局的系数。

很多应用场合要求比较精确的时频定位，傅里叶变换的缺点就越来越突出了。

窗口傅里叶变换将信号乘上一个局部窗，然后再做傅里叶变换，获得比较好的时频定位特性，再沿时间轴滑动窗口，得到整个时间轴上的频率分布，似乎到这里就应该结束了，因为我们可以把窗设计小点获得较高的时间分辨率，并期望有同样高的频率分辨率，但测不准原理无情的告诉我们，没有这么好的窗能在时间和频率都任意小的，最优的就是高斯窗了（窗的选取还需满足频率域也为窗函数，并不是每个时窗都满足这个条件的）。

通过短时傅里叶变换我们可以画出时频图，但是存在问题：当我们分析频率较高部分信号时应该用更窄的窗，反之用宽窗，但短时傅里叶变换一旦选定窗过后，分辨率就固定了，若要其他分辨率则需要更换窗。

小波分析小结（小编整理）第一篇：小波分析小结小波分析的形成小波分析是一门数学分支，是继Fourier变换之后新的时频域分析工具。

小波理论的形成经历了三个发展阶段：Fourier变换阶段：Fourier变换是将信号在整个时间轴上进行积分，它将信号的时域特征和频域特征联系起来，分别进行分析。

设信号f(t)，其Fourier变换为：F(ω)=⎰f(t)e-iωtdt-∞∞F(ω)确定了f(t)在整个时间域上的频谱特性。

但Fourier变换不能对信号从时域和频域结合起来分析，它是一种全局变换，在时间域上没有任何分辨率。

例：f(t)=1,(-2<=t<=2)，其Fourier变换对应图如下：短时Fourier变换阶段：短时Fourier变换即加窗Fourier变换，其思想是把信号分成许多小的时间间隔，用Fourier分析每个时间间隔，以确定该间隔存在的频率，达到时频局部化目的。

其表达式为：Gf(ω,τ)=〈f(t),g(t-τ)ejωt〉=⎰f(t)g(t-τ)e-jωtdtR式中，g(t)为时限函数，即窗口函数，e-jωt起频限作用，Gf(ω,τ)大致反映了f(t)在τ时、频率为ω的信号成分含量。

由上式，短时Fourier变换能实现一定程度上的时频局部化，但窗口函数确定时，窗口大小和形状固定，所得时频分辨率单一。

小波分析阶段：为了克服上述缺点，小波变换应运而生。

小波变换在研究信号的低频成分时其窗函数在时间窗长度上增加，即在频率宽上减小；在研究信号的高频成分时其窗函数在时间窗长度上减小，而在频率宽上增加。

对信号可以进行概貌和细节上的分析。

小波的定义：∝(ω)，若满足设ψ(t)∈L2(R)（为能量有限的空间信号），其Fourier变换为ψ容许条件：|ψ(ω)|2⎰-∞|ω|dω<+∞∞∝∝(0)=∞ψ(t)dt=0，说明ψ(t)具有波动则称ψ(t)为母小波，由容许条件可得：ψ⎰-∞性，在有限区间外恒为0或快速趋近于0.t-12以Marr小波ψ(t)=(1-t)e2为例，如下图：2π2将母小波进行伸缩平移所得小波系列称为子小波，定义式如下:ψb,a(t)=1t-bψ(),a>0aa其中a为伸缩因子，b为平移因子。

小波分析小结小波分析的形成小波分析是一门数学分支，是继Fourier 变换之后新的时频域分析工具。

小波理论的形成经历了三个发展阶段：Fourier 变换阶段：Fourier 变换是将信号在整个时间轴上进行积分，它将信号的时域特征和频域特征联系起来，分别进行分析。

设信号()f t ，其Fourier 变换为：()()i tF f t e dt ωω∞--∞=⎰()F ω确定了()f t 在整个时间域上的频谱特性。

但Fourier 变换不能对信号从时域和频域结合起来分析，它是一种全局变换，在时间域上没有任何分辨率。

例：()1,(22)f t t =-<=<=，其Fourier 变换对应图如下：短时Fourier 变换阶段：短时Fourier 变换即加窗Fourier 变换，其思想是把信号分成许多小的时间间隔，用Fourier 分析每个时间间隔，以确定该间隔存在的频率，达到时频局部化目的。

其表达式为：(,)(),()()()j t j t f RG f t g t e f t g t e dtωωωτττ-=〈-〉=-⎰式中，()g t 为时限函数，即窗口函数，j te ω-起频限作用，(,)fGωτ大致反映了()f t 在τ时、频率为ω的信号成分含量。

由上式，短时Fourier 变换能实现一定程度上的时频局部化，但窗口函数确定时，窗口大小和形状固定，所得时频分辨率单一。

小波分析阶段：为了克服上述缺点，小波变换应运而生。

小波变换在研究信号的低频成分时其窗函数在时间窗长度上增加，即在频率宽上减小；在研究信号的高频成分时其窗函数在时间窗长度上减小，而在频率宽上增加。

对信号可以进行概貌和细节上的分析。

小波的定义：设2()()t L R ψ∈ （为能量有限的空间信号），其Fourier 变换为µ()ψω，若满足容许条件：·2|()|||d ψωωω∞-∞<+∞⎰则称()t ψ为母小波，由容许条件可得：µ(0)()0t dt ψψ∞-∞==⎰，说明()t ψ具有波动性，在有限区间外恒为0或快速趋近于0.以Marr 小波222())2tt t e ψπ-=-为例，如下图：将母小波进行伸缩平移所得小波系列称为子小波，定义式如下:,()(),0b a t b t a a aψψ-=>其中a 为伸缩因子，b 为平移因子。

小波分析的要点：1.目的小波分析是一个强有力的统计工具，最早使用在信号处理与分析领域中，通过对声音、图像、地震等信号进行降噪、重建、提取，从而确定不同信号的震动周期出现在哪个时间或频域上。

现在广泛的应用于很多领域。

在地学中，各种气象因子、水文过程、以及生态系统与大气之间的物质交换过程都可以看作是随时间有周期性变化的信号，因此小波分析方法同样适用于地学领域，从而对各种地学过程复杂的时间格局进行分析。

如，温度的日变化周期、年变化周期出现在哪些事件段上，在近100年中，厄尔尼诺-拉尼娜现象的变化周期及其出现的时间段，等等。

2.方法小波变换具有多分辨率分析的特点，并且在时频两域都具有表征信号局部特征的能力。

小波变换通过将时间系列分解到时间频率域内，从而得出时间系列的显著的波动模式，即周期变化动态，以及周期变化动态的时间格局（Torrence and Compo, 1998）。

小波（Wavelet），即小区域的波，是一种特殊的、长度有限，平均值为零的波形。

它有两个特点：一是“小”，二是具有正负交替的“波动性”，即直流分量为零。

小波分析是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，能自动适应时频信号分析的要求，可聚焦到信号的任意细节。

小波分析将信号分解成一系列小波函数的叠加，而这些小波函数都是由一个母小波（mother wavelet）函数经过平移与尺度伸缩得来的。

用这种不规则的小波函数可以逼近那些非稳态信号中尖锐变化的部分，也可以去逼近离散不连续具有局部特性的信号，从而更为真实的反映原信号在某一时间尺度上的变化。

小波分析这种局部分析的特性使其成为对非稳态、不连续时间序列进行量化的一个有效工具（Stoy et al., 2005）。

小波是一个具有零均值且可以在频率域与时间域内进行局部化的数学函数（Grinsted et al., 2004）。

一个小波被称为母小波（mother wavelet），母小波可沿着时间指数经过平移与尺度伸缩得到一系列子小波。

小波分析知识点总结小波分析的基本思想是利用小波函数对信号进行分解，得到不同尺度和频率的成分，然后对这些成分进行分析。

小波函数通常具有局部化特性，能够反映信号的局部特征，在时域和频域上都具有一定的分辨率，因此可以更准确地描述信号的时频特性。

小波分析主要包括小波变换、小波系数的选择、小波包分析、小波域滤波等内容。

下面将从这些方面对小波分析进行介绍。

1. 小波变换小波变换是小波分析的核心内容，它将信号分解成不同尺度和频率的成分。

小波变换包括连续小波变换和离散小波变换两种形式。

连续小波变换将信号分解成不同尺度和频率的成分，并且可以实现任意精细程度的分解。

但是由于小波函数是连续的，计算复杂度较高，因此应用较为有限。

离散小波变换是将连续小波变换进行离散化处理，从而降低计算复杂度。

离散小波变换可以通过小波分解和小波重构过程来实现信号的分解和重构，具有较好的实用性和计算效率。

小波变换具有多重分辨率分析的特点，可以在不同尺度和频率上对信号进行分析，具有较好的时频局部化特性。

2. 小波系数的选择小波系数对信号的分解和重构效果具有重要影响。

通常情况下，小波系数是由小波函数的形状和尺度决定的，不同的小波函数对信号的分解和重构效果有一定的影响。

常用的小波函数包括哈尔小波、Daubechies小波、Meyer小波、Gabor小波等。

这些小波函数具有不同的形状和尺度特性，可以适用于不同类型的信号。

在选择小波系数时，需要考虑信号的特点和分析的目的，选择合适的小波函数和尺度参数，以实现更好的分解效果。

3. 小波包分析小波包分析是小波变换的一种扩展形式，它能够对信号进行更为细致的分解。

小波包分析将信号进行逐层分解，得到更为丰富的频率成分，能够更准确地描述信号的时频特性。

小波包分析通常采用二叉树结构进行信号分解，在每层分解中都能够获得更为细致的频率分量。

小波包分析可以实现任意精细程度的频率分解，能够更充分地利用小波函数的局部化特性，对信号进行更为全面的时频分析。