小波变换试题答案
从傅里叶(Fourier)变换到伽柏(Gabor)变换再到小波(Wavelet)变换
题目：从傅里叶(Fourier)变换到伽柏(Gabor)变换再到小波(Wavelet)变换
本文是边学习边总结和摘抄各参考文献内容而成的，是一篇综述性入门文档，重点在于梳理傅里叶变换到伽柏变换再到小波变换的前因后果，对于一些概念但求多而全，所以可能会有些理解的不准确，后续计划分别再展开学习研究。通过本文可以了解到：
1）傅里叶变换的缺点；2）Gabor变换的概念及优缺点；3）什么是小波；4）小波变换的概念及优点。
一、前言
首先，我必须说一下，在此之前，虽然我听说过小波变换（具体是前几年听一位博士毕业答辩里提到了小波降噪）但就再也没什么了，虽然近一年来零零散散地在接触语音信号处理过程中用过短时傅里叶变换(Short Time FourierTransform, STFT)，但也就如此了，之于Gabor变换听都没有听过。这些天看稀疏基，其实也就是看各种变换了，前面看了离散余弦变换(Discrete CosineTransform, DCT)、离散正弦变换(Discrete Sine Transform, DST)、离散W 变换(DiscreteW Transform, DWT)、离散哈特莱变换(Discrete Hartley Transform, DHT)，总体来说理解个表皮还是比较容易的，于是打算继续学习，随便挑了一个Curvelet基打算学习一下，搜了一下资料才发现不能从这个开始学习，必须Gabor、Wavelet、Ridgelet、Curvelet、Wedgelet、Bandelet、Beamlet、Contourlet等慢慢开始学起，我知道我又陷入了一片沼泽，但或许是一片幸福的沼泽，一个做信号处理的人对这些是应该有一个基本的概念级了解的。这让我回忆起了几年前，我对移动通信一样，作为一名电子信息专业的大学生，居然不知道什么是TD-SCDMA，居然分不清GPS和GPRS，这一直是让我感觉很耻辱的一件事情，于是我开始看书、上网查资料，经过一段时间的努力，终于把基本的概念搞明白了，比如GSM、GPRS、EDGE、CDMA1x、CDMA2000、TD-SCDMA、WCDMA、HSPA、LTE、WiMax、wifi、Bluetooth、Zigbee、802.11、802.15.4、802.16、WLAN、WPAN、WMAN等等，感觉自己虽非身处移动通信行业，但毕竟学的这个专业，终于算是对各概念混个脸熟了。当然，对于那个冷笑话，就是GPS和GPRS的区别也就自然清楚了。而现今，当面临Gabor、Wavelet、Ridgelet、Curvelet、Wedgelet、Bandelet、Beamlet、Contourlet这么多概念时，当年的那种感觉又来了，我想我必须把这些东西的基本概念搞定，否则如何混迹于信号处理领域？！
二、傅里叶变换(Fourier Transform)
几乎从1822年Fourier发表他的“热传导理论”以来，傅氏分析便成为最完美的数学分析工具与最广泛、最有效地应用着的信号分析方法之一。傅里叶变换是大家最熟悉的变换了，所以在此也就不多描述了，它的优点就省略了，这里就只说它的缺点吧。
从傅里叶变换公式中我们知道，要从一个信号来得到其傅里叶变换(频谱)，必须取无限长的时间量（－∞，+∞），即必须要获得时域中的全部信息，反之要利用频谱来描述信号时，无论这个信号的时间多么短，都需要用整个频域来描述。在某一时间段[t1,t2]对应的频谱信息傅里叶变换无法给出，而这种局部信息又常常是我们十分感兴趣的。如对音乐信号，我们常常关心的是什么时候发出什么频率的音符，对地震信号我们关心的是什么空间位置出现什么频率的波等等，这些信号都是非平稳信号，它们的频域特性随时间变化，所以信号在任一时刻的频域特征都很重要，不能将时频两域完全分离。
即Fourier变换不具有局部性。它只适用于确定性信号及平稳信号，由于缺乏时间的
局部信息，对时变信号、非平稳信号，Fourier频率分析存在严重不足，它无法告知某些频
率成分发生在哪些时间内，无法表示某个时刻信号频谱的分布情况。信号在某时刻的一个小的邻域内发生变化，那么信号的整个频谱都要受到影响，而频谱的变化从根本上来说无法标定发生变化的时间位置和发生变化的剧烈程度。傅里叶变换的时域和频域是完全分割开来的。
其实根本原因是傅里叶变换的三角基是全域性的，其局部化性质不好，因而只能得到信号的整个频谱，难以在任何有限频段上确定任意小范围内信号的局部特征。
注：针对不同种类的信号共有四种基本傅里叶变换，分别是：针对连续周期信号的连续傅里叶级数(Continuous Fourier Series, CFS，一般直接简称为FS)、针对连续非周期信号的连续时间傅里叶变换(Continuous Time Fourier Transform, CTFT，一般直接简称为FT)、针对离散周期信号的离散傅里叶级数(Discrete Fourier Series, DFS)、针对离散非周期信号的离散
时间傅里叶变换(Discrete Time Fourier Transform, DTFT)，这四种基本傅里叶变换都不适合计算机处理（要求时域和变换域均为离散的、有限长的），因此把DFS进行变形，取其时域
和频域的主值区间定义出了离散傅里叶变换(Discrete Fourier Transform, DFT)，直接按照
DFT公式计算的话计算量太大，于是就又有了各种快速计算方法，统称为快速傅里叶变换(Fast Fourier Transform, FFT)。上面说的是CTFT。
为了解决这种局部性的问题，1946年，DennisGabor提出了“窗口Fourier变换”的概念，即Gabor变换。
三、Gabor变换
Gabor，一般音译为伽(gā)柏(bó)。简单了解一下Dennis Gabor这个人吧：
了解了Gabor其人，又知道了前面叙述的Fourier变换的诸多不足，于是：
窗口傅里叶变换或短时傅里叶变换(Short Time FourierTransform, STFT)（以下统一简称为STFT）能够完成局部分析的关键是“窗口”，窗口的尺度是局部性程度的表征。当窗函数取为高斯窗时一般称为Gabor变换。选高斯窗的原因在于：1）高斯函数的Fourier变换仍是高斯函数，这使得Fourier逆变换也用窗函数局部化了，同时体现了频率域的局部化；2）根据Heisenberg测不准原理，高斯函数窗口面积已达到测不准原理下界，是时域窗口面积达到最小的函数，即Gabor变换是最优的STFT。
注意STFT的公式输出有两个自变量，时间t和频率ω，即它是一种时频分析！但由于一旦窗口函数选定后，时频窗口的形状便保持不变，割断了频率与窗口宽度的内在联系，Gabor变换实质是具有单一分辨率的分析。
Gabor变换可以达到时频局部化的目的：它能够在整体上提供信号的全部信息而又能提供在任一局部时间内信号变化剧烈程度的信息。简言之，可以同时提供时域和频域局部化的信息。
这里提一下“紧支集”的概念，因为会经常见到这个术语，对于STFT的窗函数就要求是一个紧支集函数，百度知道里对“紧支集”有一个很通俗的解释：对于函数f(x)，如果自变量x在0附近的取值范围内，f(x)能取到值；而在此之外，f(x)取值为0。那么这个函数f(x)就是紧支撑函数，而这个0附近的取值范围就叫做紧支撑集。
四、Gabor变换的缺点
Gabor变换在一定程度上解决了局部分析的问题，但对于突变信号和非平稳信号仍难以得到满意的结果，即Gabor变换仍存在着较严重的缺陷。1）Gabor变换的时频窗口大小、形状不变，只有位置变化，而实际应用中常常希望时频窗口的大小、形状要随频率的变化而变化，因为信号的频率与周期成反比，对高频部分希望能给出相对较窄的时间窗口，以提高分辨率，在低频部分则希望能给出相对较宽的时间窗口，以保证信息的完整性，总之是希望能给出能够调节的时频窗；2）Gabor变换基函数不能成为正交系，因此为了不丢失信息，在信号分析或数值计算时必须采用非正交的冗余基，这就增加了不必要的计算量和存储量。
Gabor变换的时间-频率窗如下图所示：
即无论研究低频成分还是研究高频成分，Gabor变换所采用的时间-频率窗口的宽度和高度都不变，这对研究较高频率或者较低频率都不利。
我们更希望时间-频率窗如下图所示：
为了解决这些问题，小波(Wavelet)变换诞生了……
五、什么是小波(Wavelet)
小波，英文单词为Wavelet，这里的后缀-let即为“小”的意思，比如booklet（小册子），所以前面图中的Gaboret旁边我用红色字注了一下“应该是Gaborlet吧？”，因为有时也把Gabor变换归为小波变换之一（小波系列变换中所有单词一般均加后缀-let，如Ridgelet、Curvelet、Wedgelet、Bandelet、Beamlet、Contourlet等等），实际上我感觉它只能算是傅里叶变换与小波变换之间的一个过渡品。
什么是小波呢？所谓小波就是小的波形，“小”即具有衰减性，“波”是指具有波动性。
在说“小波(wavelet)”之前得先说“波(wave)”：
傅里叶变换就是基于这些“波”（正弦和余弦），它从负无穷到正无穷都存在，而小波变换则是基于以下的这种“小波”：
这是一个小波母函数，比较它和前面的“波”也就可以知道为什么称它为小波（只存在于一段时间内为非零值）。小波母函数经过尺度变换、时移等，可得到一系列小波函数，简称小波（前三个图是尺度变换的，后三个图是时移变换的）：
下面把“波”与“小波”作一个对比：
从数学上来说，小波是函数空间L2(R)中满足“容许性”条件（简单理论就是上面的wavelet的几个特点吧，详细请看参考文献）的一个函数或信号ψ(x)。对于任意实数对(a,b)，其中参数a必须为非零实数，称如下形式的函数：
为由小波母函数ψ(x)生成的依赖于参数(a,b)的连续小波函数，简称小波。小波母函数ψ(x)只有在原点的附近才会有明显偏离水平轴的波动，在远离原点的地方函数值将迅速衰减为零（从前面的小波母函数图中也可以看出来）。所以对于任意参数(a,b)，小波函数ψa,b(x)在x=b 附近存在明显的波动，远离x=b的地方迅速衰减到零（因为b是时移量，母小波是以原点为中心，时移就以b为中心了，如果有尺度变换的话再考虑进去就可以了）。
六、小波(Wavelet)变换
“小波”的概念是由法国地质学家J.Morlet在上个世纪八十年代(1984年)在研究地下岩石油层分布时提出的，并成功应用于地质数据处理中；其后数学家Meyer创造性地构造了第一个具有一定衰减性质的光滑小波；1987年，Matllat提出了多尺度分析思想和Mallat算法（Mallat算法在离散小波变换中的地位相当于FFT在Fourier变换中的地位），成功地统一了在此之前提出的各种具体小波函数的构造。小波变换继承和发展了Gabor变换的局部化思想，同时克服了傅里叶变换和Gabor变换的一些缺陷。最重要的是小波变换给出了一个可以调节的时频窗口，窗口的宽度随频率变化，频率增高时时间窗口的宽度自动变窄，以提高分辨率，“采用小波分析，就像使用一架可变焦距镜头的照相机一样，可以转向任一细节部分”。
设信号f(t)∈L2(R)，其连续小波变换(Continuous WaveletTransform, CWT)定义为
可见，信号f(t)的小波变换是一个二元函数。从形式上也可以看出，信号f(t)的小波变换本质上是原来的f(t)在t=b附近按ψa,b(t)进行加权平均，体现的是以ψa,b(t)为标准f(t)的快慢变化情况。这样，参数b表示分析的时间中心或时间点，而参数a体现的是以t=b为中心的附近范围的大小。所以，一般称参数a为尺度参数（即伽柏变换中的ω），而参数b为时间中心参数（即枷柏变换中的t）。因此小波变换也是时频分析（这似乎是废话，它比Gabor变换还牛，前者都已经是时频分析了，它能不是么？）
小波变换相比于STFT，优点是明显的：1）由于小波母函数ψa,b(t)相当于窗函数，但其窗宽是可变的，较好地解决了时间分辨率和频率分辨率的矛盾，其变化规律使得小波变换具有优良的局部化特性，对分析突变信号和奇异信号非常有效，充分体现了常相对带宽频率分析和自适应分析的思想；2）小波变换能将各种交织在一起的由不同频率组成的混合信号分解成不同频率的信号，并对频率大小不同的信号采用相应粗细的时空域取样步长，从而能够不断聚焦到对象的任意微小细节，对时变信号的频谱分析意义重大。3）并不要求小波变换基底是正交的，其时宽频宽乘积较小，因而展开系数的能量较为集中【8】。
比较一下小波变换、伽柏变换、傅里叶变换可以发现：傅里叶变换不具有局部性；伽柏变换有局部性，但有一些缺点（如前所述）；而小波变换不但具有局部性，而且尺度参数a可以改变频谱结构和窗口的形状，起到“变焦”的作用，因此小波分析可能达到多分辨率分析的效果（小变波换被誉为数学显微镜）。从信号分析方法的理论发展过程可能看出：傅里叶分析特别适合分析长时间内较稳定的信号；STFT也有其一定的应用场合，但其效果取决于适当地选取窗函数；小波分析特别适合分析突变信号和奇异信号。
学习小波变换时会发现有一大堆形形色色的小波变换，这是因为小波变换与小波母函数ψ(x)有关，不同的小波母函数ψ(x)则对应着不同种类的小波变换了，比如Haar小波、Shannon小波、墨西哥草帽状小波等等。可以证明，ψa,b(x)的时频窗口面积与参数a和b无关，仅于ψ (x)的选取有关，所以不能通过选择参数a和b使时域和频域窗口的半径同时缩小，时域和频域上的分辨率相互牵制，要想使两者的分辨率同时提高，就必须选择适当的小波母函数ψ(x)，小波母函数趋向于零的速度是衡量小波母函数性质好坏的一个重要标志。
经常见到正交小波、半正交小波、双正交小波的概念，文献【6】中有解释如下：
一般说来，常见的小波基有：Haar小波基、db系列小波基(Daubechies小波)、Biorthogonal(biorNr.Nd)小波系、Coiflet(coifN)小波系、SymletsA(symN)小波系、Molet(morl)小波、MexicanHat (mexh)小波、Meyer小波、DOG(Differenceof gaussian)小波。
小波变换的基本原理
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
(完整版)小波原理课件
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。 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basis。如果你暂时有些遗忘了basis的定义，那么简单说，在线性代数里，basis是指空间里一系列线性独立的向量，而这个空间里的任何其他向量，都可以由这些个向量的线性组合来表示。那basis在变换里面啥用呢？比如说吧，傅立叶展开的本质，就是把一个空间中的信号用该空间的某个basis的线性组合表示出来，要这样表示的原因，是因为傅立叶变换的本质，是。小波变换自然也不例外的和basis有关了。再比如你用Photoshop去处理图像，里面的图像拉伸，反转，等等一系列操作，都是和basis的改变有关。 既然这些变换都是在搞基，那我们自然就容易想到，这个basis的选取非常重要，因为basis的特点决定了具体的计算过程。一个空间中可能有很多种形式的basis，什么样的basis比较好，很大程度上取决于这个basis服务于什么应用。比如如果我们希望选取有利于压缩的话，那么就希望这个basis能用其中很少的向量来最大程度地表示信号，这样即使把别的向量给砍了，信号也不会损失很多。而如果是图形处理中常见的线性变换，最省计算量的完美basis就是eigenvector basis了，因为此时变换矩阵T对它们的作用等同于对角矩阵( Tv_n = av_n，a是eigenvalue )。总的来说，抛开具体的应用不谈，所有的basis，我们都希望它们有一个共同的特点，那就是，容易计算，用最简单的方式呈现最多的信号特性。 好，现在我们对变换有了基本的认识，知道他们其实就是在搞基。当然，搞基也是分形式的，不同的变换，搞基的妙处各有不同。接下来先看看，傅立叶变换是在干嘛。 傅立叶级数最早是Joseph Fourier 这个人提出的，他发现，这个basis不仅仅存在与vector space，还存在于funct ion space。这个function space本质上还是一个linear vector space，可以是有限的，可以是无限的，只不过在这个空间里，vector就是function了，而对应的标量就是实数或者复数。在vector space里，你有vector v可以写成vector basis的线性组合，那在function space里，function f(x)也可以写成对应function basis的线性组合，也有norm。你的vector basis可以是正交的，我的function basis也可以是正交的（比如sin(t)和sin(2t)）。唯一不同的是，我的function basis是无穷尽的，因为我的function space的维度是无穷的。好，具体来说，那就是现在我们有一个函数，f(x)。我们希望将它写成一些cos函数和一些sin函数的形式，像这样 again，这是一个无限循环的函数。其中的1，cosx, sinx, cos2x …..这些，就是傅立叶级数。傅立叶级数应用如此广泛的主要原因之一，就是它们这帮子function basis是正交的，这就是有趣的地方了。为什么function basis正交如此重要呢？我们说两个vector正交，那就是他俩的内积为0。那对于function basis呢？function basis怎么求内积呢？ 现在先复习一下vector正交的定义。我们说两个vector v,w如果正交的话，应符合：
第9章小波变换基础
第9章 小波变换基础 9.1 小波变换的定义 给定一个基本函数)(t ψ，令 )(1)(,a b t a t b a -= ψψ （9.1.1） 式中b a ,均为常数，且0>a 。显然，)(,t b a ψ是基本函数)(t ψ先作移位再作伸缩以后得到的。若b a ,不断地变化，我们可得到一族函数)(,t b a ψ。给定平方可积的信号)(t x ，即 )()(2R L t x ∈，则)(t x 的小波变换（Wavelet Transform ，WT ）定义为 dt a b t t x a b a WT x )()(1),(-= ? *ψ ??==? * )(),()()(,,t t x dt t t x b a b a ψψ （9.1.2） 式中b a ,和t 均是连续变量，因此该式又称为连续小波变换（CWT ）。如无特别说明，式中及以后各式中的积分都是从∞-到∞+。信号)(t x 的小波变换),(b a WT x 是a 和b 的函数， b 是时移，a 是尺度因子。)(t ψ又称为基本小波，或母小波。)(,t b a ψ是母小波经移位和 伸缩所产生的一族函数，我们称之为小波基函数，或简称小波基。这样，（9.1.2）式的WT 又可解释为信号)(t x 和一族小波基的内积。 母小波可以是实函数，也可以是复函数。若)(t x 是实信号，)(t ψ也是实的，则 ),(b a WT x 也是实的，反之，),(b a WT x 为复函数。 在（9.1.1）式中，b 的作用是确定对)(t x 分析的时间位置，也即时间中心。尺度因子 a 的作用是把基本小波)(t ψ作伸缩。我们在1.1节中已指出，由)(t ψ变成)(a t ψ，当1 >a 时，若a 越大，则)(a t ψ的时域支撑范围（即时域宽度）较之)(t ψ变得越大，反之，当1 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。 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 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 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 小波变换基础 第9章小波变换基础 9.1 小波变换的定义 给定一个基本函数?Skip Record If...?，令 ?Skip Record If...?（9.1.1） 式中?Skip Record If...?均为常数，且?Skip Record If...?。显然，?Skip Record If...?是基本函数?Skip Record If...?先作移位再作伸缩以后得到的。若?Skip Record If...?不断地变化，我们可得到一族函数?Skip Record If...?。给定平方可积的信号?Skip Record If...?，即?Skip Record If...?，则?Skip Record If...?的小波变换（Wavelet Transform，WT）定义为 ?Skip Record If...? ?Skip Record If...?（9.1.2） 式中?Skip Record If...?和?Skip Record If...?均是连续变量，因此该式又称为连续小波变换（CWT）。如无特别说明，式中及以后各式中的积分都是从?Skip Record If...?到?Skip Record If...?。信号?Skip Record If...?的小波变换?Skip Record If...?是?Skip Record If...?和?Skip Record If...?的函数，?Skip Record If...?是时移，?Skip Record If...?是尺度因子。?Skip Record If...?又称为基本小波，或母小波。?Skip Record If...?是母小波经移位和伸缩所产生的一族函数，我们称之为小波基函数，或简称小波基。这样，（9.1.2）式的?Skip Record If...?又可解释为信号?Skip Record If...?和一族小波基的内积。 母小波可以是实函数，也可以是复函数。若?Skip Record If...?是实信号，?Skip Record If...?也是实的，则?Skip Record If...?也是实的，反之，?Skip Record If...?为复函数。 在（9.1.1）式中，?Skip Record If...?的作用是确定对?Skip Record If...?分 析的时间位置，也即时间中心。尺度因子?Skip Record If...?的作用是把基本小波?Skip Record If...?作伸缩。我们在1.1节中已指出，由?Skip Record If...?变成?Skip Record If...?，当?Skip Record If...?时，若?Skip Record If...?越大，则 仅供学习与交流，如有侵权请联系网站删除谢谢283 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 2011-2012 学年第一学期 2011级硕士研究生考试试卷 课程名称：小波变换理论及应用任课教师：考试时间：分钟 考核类型：A（）闭卷考试（80%）+平时成绩（20%）； B（）闭卷考试（50%）+ 课程论文（50%）； C（√）课程论文或课程设计（70%）+平时成绩（30%）。 一、以图示的方式详细说明连续小波变换（CWT）的运算过程，分析小波变换的内涵；并阐述如何从多分辨率（MRA）的角度构造正交小波基。（20分） 二、综述小波变换理论与工程应用方面的研究进展，不少于3000字。（25分） 三、运用MATLAB中的小波函数和小波工具箱，分别对taobao.wav语音信号在加噪之后的taobao_noise.wav信号进行降噪处理，要求列出程序、降噪结果及降噪的理论依据。（25分） 四、平时成绩。（30分） （一）连续小波变换（CWT ）的运算过程及内涵 将平方可积空间中任意函数f （t ）在小波基下展开，称这种展开为函数f （t ）的连续小波变换（Continue Wavelet Transform ，简记CWT ）其表达式为 t a b t t f a b a f W d )(*)(||1),(? ∞+∞--=ψψ （ 1.1） 其中，a ∈R 且a ≠0。式（1.19）定义了连续小波变换，a 为尺度因子，表示与频率相关的伸 缩，b 为时间平移因子。其中)(| |1)(,a b t a t b a -=ψψ为窗口函数也是小波母函数。 从式（1.1）可以得出，连续小波变换计算分以下5个步骤进行。 ① 选定一个小波，并与处在分析时段部分的信号相比较。 ② 计算该时刻的连续小波变换系数C 。如图1.5所示，C 表示了该小波与处在分析时段内的信号波形相似程度。C 愈大，表示两者的波形相似程度愈高。小波变换系数依赖于所选择的小波。因此，为了检测某些特定波形的信号，应该选择波形相近的小波进行分析。 图1.5 计算小波变换系数示意图 ③ 如图1.6所示，调整参数b ，调整信号的分析时间段，向右平移小波，重复①～②步骤，直到分析时段已经覆盖了信号的整个支撑区间。 ④ 调整参数a ，尺度伸缩，重复①～③步骤。 ⑤ 重复①～④步骤，计算完所有的尺度的连续小波变换系数，如图1.7所示。 C =0.2247 1.小波变换的概念 小波(Wavelet)这一术语，顾名思义，“小波”就是小的波形。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。有人把小波变换称为“数学显微镜”。 2.小波有哪几种形式?常用的有哪几种?具体用哪种，为什么？ 有几种定义小波(或者小波族)的方法: 缩放滤波器:小波完全通过缩放滤波器g——一个低通有限脉冲响应(FIR)长度为2N和为1的滤波器——来定义。在双正交小波的情况，分解和重建的滤波器分别定义。 高通滤波器的分析作为低通的QMF来计算，而重建滤波器为分解的时间反转。例如Daubechies和Symlet 小波。 缩放函数:小波由时域中的小波函数 (即母小波)和缩放函数 (也称为父小波)来定义。 小波函数实际上是带通滤波器，每一级缩放将带宽减半。这产生了一个问题，如果要覆盖整个谱需要无穷多的级。缩放函数滤掉变换的最低级并保证整个谱被覆盖到。 对于有紧支撑的小波，可以视为有限长，并等价于缩放滤波器g。例如Meyer小波。 小波函数:小波只有时域表示，作为小波函数。例如墨西哥帽小波。 3.小波变换分类 小波变换分成两个大类：离散小波变换 (DWT) 和连续小波转换 (CWT)。两者的主要区别在于，连续变换在所有可能的缩放和平移上操作，而离散变换采用所有缩放和平移值的特定子集。 DWT用于信号编码而CWT用于信号分析。所以，DWT通常用于工程和计算机科学而CWT经常用于科学研究。 4.小波变换的优点 从图像处理的角度看，小波变换存在以下几个优点： (1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述) (2)小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性 (3)小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口) (4)小波变换实现上有快速算法(Mallat小波分解算法) 另: 1) 低熵性变化后的熵很低; 2) 多分辨率特性边缘、尖峰、断点等;方法, 所以可以很好地刻画信号的非平稳特性 3) 去相关性域更利于去噪; 4) 选基灵活性: 由于小波变换可以灵活选择基底, 也可以根据信号特性和去噪要求选择多带小波、小波包、平移不变小波等。 小波变换的一个最大的优点是函数系很丰富, 可以有多种选择, 不同的小波系数生成的小波会有不同的效果。噪声常常表现为图像上孤立像素的灰度突变, 具有高频特性和空间不相关性。图像经小波分解后可得到低频部分和高频部分, 低频部分体现了图像的轮廓, 高频部分体现为图像的细节和混入的噪声, 因此, 对图像去噪, 只需要对其高频系数进行量化处理即可。 5.小波变换的科学意义和应用价值 小波变换完美通俗解读 转自： 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，我还在国内的时候，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内真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；国内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 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 小波变换理论及应用 ABSTRACT：小波理论是近几年发展起来的新的信号处理技术，因其在时间域和频率域都可以达到高的分辨率，被称为“数学显微镜”，在数值信号处理领域应用广泛，发展非常快。但其涉及较多的数学知识，以及巧妙的数字计算技巧，对于非数学专业的科研人员，要完全掌握其中的精妙之处，有一定的难度。正是考虑到这一点，本文的开始部分不过多说明小波分析的数学理论，只是以尽量简短的篇幅介绍必要的预备知识，接着阐述小波变换理论。在理解了小波变换理论的基础上，再举例说明小波变换在实际中的应用。 第一章小波变换理论 这一章用尽量简短的篇幅和通俗的语言介绍小波变换的基本概念。 1.1.从傅里叶变换到小波变换 一、傅里叶变换 在信号处理中重要方法之一是傅里叶变换（Fourier Transform），它架起了时间域和频率域之间的桥梁。图1.1给出了傅里叶分析的示意图。 图1.1 傅里叶变换示意图 定义x(t)的傅里叶变换X(ω)： ?∞∞-- =dt e t x X t jω ω) ( ) ( (1) X(ω)的傅里叶反变换x(t)： ?∞∞- =ω ω π ωd e X t x t j ) ( 2 1 ) ( (2) 对很多信号来说，傅里叶分析非常有用。因为它能给出信号中包含的各种频率成分。但是，傅里叶变换有着严重的缺点：变换之后使信号失去了时间信息，它不能告诉人们在某段时间里发生了什么变化。而很多信号都包含有人们感兴趣的非稳态（或）特性，如漂移、趋势项、突然变化以及信号的开始或结束。这些特性是信号的重要部分。因此傅里叶变换不适于分析处理这类信号。 二、短时傅里叶变换 为了克服傅里叶变换的缺点，D.Gabor(1946)提出了短时傅里叶变换(Short Time Fourier Transform), 又称为盖博(Gabor)变换或者加窗傅里叶变换(Windowed Fourier Transform)。图1.2给出了短时傅里叶变换的示意图。 图1.2短时傅里叶变换 盖博变换把一个时间信号变换为时间和频率的二维函数，它能够提供信号在某个时间段和某个频率范围的一定信息。这些信息的精度依赖于时间窗的大小。盖博变换的缺点是对所有的频率成分，所取的时间窗的大小都相同。然而，对很多信号为了获得更精确的时间或频率信息，需要可变的时间窗。 三、小波变换 小波变换提出了变化的时间窗。当需要精确的低频信息时，采用长的时间窗，当需要精确的高频信息时，采用短的时间窗。图1.3给出了时间域信号、傅 里叶变换、短时傅里叶变换和小波变换对比的示意图。 时间域频率域 短时傅里叶变换小波变换 图1.3 小波变换示意图 1.2.连续小波变换 什么是小波？小波是一个衰减的波形，它在有限的区域里存在（不为零）， 且其均值为零。小波变换采用改变时间-频率窗口形状的方法，很好的解决了时 小波分析原理 1.1 小波变换及小波函数的多样性 小波是函数空间2()L R 中满足下述条件的一个函数或者信号()x ψ： 2 ?().R C d ψψωωω+=<∞? 式中，*{0}R R =-表示非零实数全体，?()ψ ω是()x ψ的傅里叶变换，()x ψ成为小波母函数。 对于实数对(,)a b ，参数a 为非零实数，函数 1 (,)()x b a b x a a ψψ-??= ??? 称为由小波母函数()x ψ生成的依赖于参数对(,)a b 的连续小波函数，简称小波。其中：a 称为伸缩因子；b 称为平移因子。 对信号()f x 的连续小波变换则定义为 ,1 (,)()(),()f a b R x b W a b f x dx f x x a a ψψ-??==?? ??? ? 其逆变换（回复信号或重构信号）为 *1 ()(,)f R R x b f x W a b dadb C a ψψ?-??= ??? ?? 信号()f x 的离散小波变换定义为 2(2,2)2()(2)j j j j f W k f x x k dx ψ+∞ ---∞=-? 其逆变换（恢复信号或重构信号）为 (2,2)()(2,2)()j j j j f k j k f t C W k x ψ+∞ +∞=-∞=-∞=∑∑ 其中，C 是一个与信号无关的常数。 显然小波函数具有多样性。在MATLAB 小波工具箱中提供了多种小波幻术，包括Harr 小波，Daubecheies （dbN ）小波系，Symlets （symN ）小波系，ReverseBior （rbio ）小波系，Meyer （meyer ）小波，Dmeyer （dmey ）小波，Morlet(morl)小波，Complex Gaussian(cgau)小波系，Complex morlet(cmor)小波系，Lemarie （lem ）小波系等。实际应用中应根据支撑长度、对称性、正则性等标准选择合适的小波函数。 1.2 小波的多尺度分解与重构 1988年Mallat 在构造正交小波基时提出多尺度的概念，给出了离散正交二进小波变换的金字塔算法，其小波分析树形结构如图1所示，即任何函数2()()f x L R ∈都可以根据分 东北大学 研究生考试试卷 考试科目：状态监测与故障诊断 课程编号： 阅卷人： 考试日期：2013.12 姓名：王培军 学号：1300483 注意事项 1．考前研究生将上述项目填写清楚 2．字迹要清楚，保持卷面清洁 3．交卷时请将本试卷和题签一起上交 东北大学研究生院 小波分析的基本理论 小波分析是当前应用数学和工程学科中一个迅速发展的新领域，是分析和处理非平稳信号的一种有力工具。经过大量学者不断探索研究，它是以局部化函数所形成的小波基作为基底而展开的。小波分析在保留傅里叶分析优点的基础上，具有许多特殊的性能和优点。而小波分析则是一种更合理的时频表示和子带多分辨分析方法。所以理论基础渐已扎实，理论体系逐步完善，在工程领域已得到广泛应用。 1 小波变换理论 1.1 连续小波变换 定义1.1 小波函数的定义：设ψ（x ）为一平方可积函数，也即ψ（x ）∈ L 2 （R ），若其傅里叶变换ψ（ω）满足条件： C ψ= |ψ （ω）| |ω| d ω<+∞+∞?∞ 1-1 则称ψ（x ）是一个基本小波或小波母函数（Mother Wavelet ），并称上式为小 波函数的容许性条件。 由定义1.1可知，小波函数具有两个特点： （1）小：它们在时域都具有紧支集或近似紧支集。由定义的条件知道任何满足可容许性条件的L 2（R ）空间的函数都可以作为小波母函数（包括实数函数或复数函数、紧支集或非紧支集函数等）。但是在一般的情况下，常常选取紧支集或近似紧支集的同时具有时域和频域的局部性实数或复数函数作为小波母函，让小波母函数在时域和频域都具有较好的局部特性，这样可以更好的完成实验。 （2）波动性：若设ψ （ω）在点ω=0连续,则由容许性条件得: ψ x dx =ψ 0 =0+∞ ?∞ 1-2 也即直流分量为零,同时也就说明ψ（x ）必是具有正负交替的波动性,这也是其 称为小波的原因。 定义1.2 连续小波基函数的定义:将小波母函数ψ（x ）进行伸缩和平移,设其收缩因子(即尺度因子)为a,平移因子为b,使其平移伸缩后的函数为ψa,b （x ）,则有: ψa ，b x =|a |? 12 ψ x ?b a ，a >0，b ∈R 1-3 称ψa,b （x ）为依赖于参数a,b 的小波基函数。由于伸缩因子a,平移因子b 都是取连续变化的值,因此又称ψa,b （x ）为连续小波基函数。它们是一组函数系列,这组函数系列是由同一母函数ψ（x ）经伸缩和平移后得到的。 定义1.3 若f （x ）∈ L 2（R ）,函数f(x)在小波基下进行展开,则f(x)的连续小波变换(CWT)定义为: W ψf a ，b = f x ，ψa ，b x = a f x ψ x ?b a dx +∞?∞ 1-4 由定义1.3可知,小波基具有收缩因子a 和平移因子b,若将函数在小波基下展开,就是把一个时间函数投影到二维的时间-尺度相平面上,把一个一维函数变换为一个二维函数,即连续小波变换W ψf （a,b ）是f （x ）在函数ψa,b （x ）上的“投影”。 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：21 1()(,)()f R R t b f t a b dadb C a a ψψ+-=??（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]： 特征提取 低通滤波 特征信号 重建信号 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：带噪信号小波变换的原理及matlab仿真程序讲解学习
小波变换-完美通俗解读
小波变换基本原理
小波变换详解
最新小波变换基础
小波分析考试题及答案
小波变换理论及应用
小波变换去噪基础地的知识整理
小波变换完美通俗解读
小波变换的原理及matlab仿真程序
小波变换
小波分析原理
小波分析的基本理论
小波变换的原理及matlab仿真程序