基于Daubechies小波的谐波分析算法概要
2006年6 月电工技术学报
Vol.21 No.6 第21卷第6期
TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY
Jun. 2006
基于Daubechies 小波的谐波分析算法
黄文清戴瑜兴全慧敏
（湖南大学电气与信息工程学院长沙 410082）
摘要针对基于傅里叶变换（FFT ）的谐波分析方法易受噪声干扰和对暂态谐波处理精度差的缺点，提出了一种基于小波包变换的谐波分析算法。该算法能实现信号频带的均匀划分，通过选择适当的采样频率和小波包分解树，可使所关心的谐波频率落在小波包频带的中心，从而减少频谱泄露，有效提高频谱分析精度。通过对比研究表明该算法抗干扰能力明显优于FFT 方法，仿真和实验结果进一步表明了该算法的有效性。
关键词：Daubechies 小波傅里叶变换小波包变换谐波分析中图分类号：
TM76
Harmonic Estimation Method Based on Daubechies Wavelet
Huang Wenqing Dai Yuxing Quan Huimin （Hunan University Changsha 410082 China）
Abstract This paper presents a method to estimate voltage and current harmonics using the wavelet-packet transform. The proposed method overcomes the shortcomings of FFT-based method such as sensitivity to noise and inaccurate performance in non-stationary environments. This method divides the frequency bands linearly, with constant
bandwidth to separate each harmonic. Based on simulation studies, performance of the method is presented and its accuracy is compared with FFT-based method.
Keywords ：Daubechies wavelet, FFT, wavelet-packet transform, harmonic analysis
1 引言
谐波检测和谐波治理是电力系统的热门研究课题。傅里叶变换(FFT，由于其运算的简洁性和有效性，是谐波分析的主要方法[1, 2]，该方法对被分析信号的采样点数有一定的要求，需要对被分析信号进行同步采样或者用特定的窗函数（比如Hanning 窗等）进行加窗处理。理论上，对于稳态的周期信号，比较容易实现同步采样，FFT 能够精确反映其频谱；而实际应用中，负载大多是动态的，而且由于噪声及各种暂态干扰的存在，被分析信号往往是非稳态的，不仅基波频率有可能产生偏离，使得同步采样很难实现，从而使得FFT 方法存在“栅栏效应”、“频谱泄漏”等缺点；而且，由于暂态干扰的频谱范围分布很广，使得加窗处理也变得很困难[3]。近年来，由于小波变换（DWT ）具有优越的时频局部化功能，
常用来进行电能质量的暂态分析，包括暂态干扰信号的定位，暂态信号去噪等，文献[4，5]提出了基于DWT 的谐波分析方法，指出小波分解后的子频带内包含信号的所有频谱信息。然而基于DWT 的谐波分析也存在信号频带划分不均匀——高频频带宽、低频频带窄的特点，这样不利于准确判断出信号所含有的各次谐波情况。为克服这些缺点，本文提出一种基于小波包变换（WPT ）的谐波分析算法，该算法能实现频带的均匀划分，通过选择适当的采样频率和适当的小波包分解树，可以使得关心的谐波频率落在小波包频带的中间，从而最大程度地减少谐波泄漏；同时，为了减少小波包频带间的“串扰”，小波函数的选择也很关键，在比较研究几种小波基特性的基础上[6, 7]，采用Daubechies 小波（DB20）作为所提算法的小波函数。
2 基于Daubechies 小波的谐波分析算法
在文献[8]中，Mallat 对小波理论及其数学背景
湖南省自然科学基金资助项目（05JJ40001）。
46
电工技术学报 2006年6月
作了详细的叙述，同时指出小波基的构造可与多分辨率信号逼近联系起来。遵循这种联系，导出了小波基与共轭镜像滤波器之间的等价性。这些滤波器组实现了一种快速正交小波变换。 2.1 多分辨率逼近（MRA ）和小波正交基
MRA 是指一串嵌套式闭子空间逼近序列{V j }，它满足下列要求
1j j V V +?；11j j j V V W ++=⊕ (1
其中W j +1是V j +1在V j 中的补空间，
⊕表示两个子空间的直和关系。正交尺度函数, {; , }j k j k Z φ∈属于V j
子空间，小波正交基, {; , }j k j k Z ψ∈属于W j 子空间。且有
, ( j j k t φ=
(2 , ( j j k t ψ=
(3
正交小波基满足下列属性
, , ( ( d p q j k j k t t t ψψ=∫
{
1当0 当p q
p q =≠ (4
2
, ((
d 1j k t t φ=∫ (5
, , ( ( d 0p
j k j k t t t φψ=∫ p ≠0 (6
函数f 在分辨率2?j
上的逼近定义为它在V j 时的正交投影j V P f
, , , j V j k j k k P f f φφ+∞
=?∞
=
<>∑ (7
内积
[]d j j j a k f t
f +∞
=<= (8
给出了f 在尺度2 j 上的一个离散逼近。
2.2 小波变换和滤波器组
快速小波变换不断地将每一尺度逼近j V P f 分解成更小尺度上的尺度系数1j V P f +与小波系数 1j W P f +之和。因, {}j n n Z φ∈和, {
}j n n Z ψ∈是V j 和W j 的规范正交基，在这两个空间的投影可刻划为
, [], j j n a n f φ=<>；, [], j j n d n f ψ=<> (9
这些系数可用离散卷积的迭代计算和子采样得到，如下两式
1[][2][] [2]j j j n a k h n k a n a h k +∞
+=?∞=?=∑ (10 1[][2][] [2]j j j n d k g n k a n a g k +∞+=?∞
=
?=∑ (11
式（10）、式（11）表明，d j +1和a j +1由a j 分别与、卷积再做因子为2的下采样而得到，且满足[](1 [1]n g k h k =?? (12
h 和g 组成一对共轭镜像滤波器组。
小波系数分解如图１所示，其中level 0为原始
信号。
图1 小波分解树
Fig.1 Wavelet decomposition tree
2.3 小波包分析
进一步对小波子空间按照W j 二进制方式进行频率细分，以提高频率分辨率。在分解时
21[]( (2
[2]p
p p j j j n
d k h n d n k d h k +=?=∑ (13
211[]( (2
[2]p p p j j j n
d k g n d n k d g k ++=
?=∑ (14
小波包系数分解见图2，其中level 0是原始信号。
图2 小波包分解树
Fig. 2 Wavelet packet decomposition tree
2.4 均方根值RMS 的小波表达
在观察时间段Ｔ内，v (t 和i (t 分别代表模拟信号的电压和电流，经采样、A/D 转换后，其对应的数字化信号为v (n 和i (n ，n =0,1,…,2N ?1。v (t 可表示为[6]
**
* * *
第21卷第6期
黄文清等基于Daubechies 小波的谐波分析算法 47
1221
222, 1
02121
2121, 1
02121
, 0
( ( ( ( (
( (
j N j j N j j N j i i
j j k i k i i j j k i k i i j j k i k v t d k t d k t d k t ψψψ??????==???+==??===+ =
∑∑
∑∑
∑∑
(15
于是，有
21
20, 02
2121
, 1
21
02
2, 0221
22, 1
0( d ( (
( ( d ((
(( d
(( (( d N j j N j N j j N j j j k k i i
j j k i k j j k k i i j j k i k v t t d k t d k t t
d k t t d k t t φψφψ?????=??==?=??==??=+ ??
?
???
=+∑
∫
∫∑∑
∑
∫
∑
∫
12121
0, , 1
2
( (
( (d j N j i
i j j j k j k i k d k d k t t t
φψ???==+
∑∑∑
∫
(16
根据小波属性式（4）、（5）、（6），式（16）简化为2121
2
2
(
d (( j N j i j i k v t t d k ???===
∑∑
∫ (17
电压的总的rms 值为
rms
V ==
=
=
(18
其中，i j V 是第j 层，第i 节点的频带的rms 值
i
j V =
(19
同理，电流总的rms 值为
rms I ==
= = (20
其中
i j I =
(21
式中，*i
j d 是i (n 的小波变换参数。
2.5 THD计算
谐波畸变率（HR ）指k 次谐波分量rms 和基波
分量rms 之比，通过小波包变换，电压信号和电流信号的基波分别包含在0j V 和0j I 频带内，其k 次谐波畸变率分别为
HR k j k j V V =
和0HR k j k j
I I =
(22
总谐波畸变率（THD ）指信号所含谐波rms 与总的畸变信号rms 之比，电压THD v 和电流THD i
为
0rms rms
rms rms THD 100%
THD 100%j v j i V V V I I I ???=×????
=×?
?
(23 3 算法评估及结果
为了验证算法的有效性，分静态谐波、带噪声
的静态谐波和暂态谐波等三种情况对该算法进行仿真实验。在进行谐波分析时，以采样频率6400Hz 对信号进行采样，并取1024个采样点（8个周波）进行谐波分析。根据采样定律，能检测到的最大频率为3200Hz 。对该信号进行5层小波包分解，于是第5层包含了32个节点，每个节点对应的频带包含有1个奇次谐波。 3.1 静态谐波分析
该波形包含有1个基波（频率为50Hz ）和3个幅值不同的奇次谐波，即3次、5次和7次谐波，信号的函数表达式如下
( [1.0sin(250 0.2sin(2150135 v t t t =π+π++o
0.1sin(2250150 0.2sin(2350]t t π++πo (24
图3给出了小波包参数在各个分解层次的分布
图，每层的参数总数量是相同的(为清晰起见，本图
图3 小波包参数在各个分解层次的分布图 Fig.3 Wavelet coefficients of the voltage at each levels
48
电工技术学报 2006年6月
取信号的128个点，分解到第5层，32个频带中包含有所要检测的谐波信息。表1给出了相应的各次谐波的rms 真实值
（分析值）、FFT 分析值与WPT 分解值的比较。在静态谐波情况下，虽然小波包分解后的信号频带间有一定的“串扰”，基于WPT 的谐波分析精度与FFT 谐波分析方法相当。
表1 静态谐波RMS 值比较
Tab.1 Comparison results of RMS of state harmonics
节点
频带/Hz
谐波次数
V rms 真实值
FFT V rms
WPT （DB20）
V rms
0 DC-100 1 1.0000 1.0000 1.0000 1 100-200 3 0.2000 0.2000 0.1997 2 200-300 5 0.1000 0.1000 0.1004 3 300-400 7 0.2000 0.2000 0.1992
总RMS 值
1.0440 1.0440
1.0439
THD 4.21% 4.21% 4.21%
3.2 带噪声的静态谐波分析
在上节中式（24）所示的信号上叠加加性噪声，信噪比为21dB 。表2给出了各次谐波的rms 真实值（分析值）、FFT 分析值与WPT 分解值的比较，在该种情况下，基于WPT 的谐波分析精度优于FFT 分析方法。
表2 带噪声的静态谐波RMS 值比较
Tab.2 Comparison results of RMS of noise-corrupt
harmonics
节点
频带/Hz
谐波次数
V rms 真实值
FFT V rms
WPT （DB20）
V rms
0 DC-100 1 1.0000 1.0002 1.0002 1 100-200 3 0.2000 0.2110 0. 2034 2 200-300 5 0.1000 0. 1007 0. 1015 3
300-400 7
0.2000 0. 2069 0. 1861 总RMS 值
1.0440 1.0478
1.0438
THD 4.21% 4.54% 4.18%
3.3 暂态谐波
设第5次奇次谐波发生时间段为(0.03s, 0.10s，即
( [1.0sin(250 0.2sin(2150135 v t t t =π+π++o
0.1sin(2250150 0.2sin(2350]t t π++πo (25
通过WPT 分解后，各频带所含波形如图4所示，从中可以得出每次谐波发生的起止时间并可计算其对应的rms 值。
4 结论
基于WPT 的谐波分析算法对暂态谐波的处理能力优于FFT ，抗干扰能力强。仿真和实验结果进
一步验证了该算法的有效性。
图4 暂态谐波的WPT 分解
Fig.4 WPT decomposition of instantaneous harmonics
（1）小波包变换可较好地分解出原始波形所含的各次谐波，基于Daubechies 小波的谐波分析方法
对计算电信号各次谐波的rms 值以及谐波畸变率
（HR ）和总谐波畸变率（THD ）是有效的。
（2）基于Daubechies 小波的谐波分析方法继承了小波变换的优点，所以在处理带噪信号和暂态信号时，比FFT 方法更有优势。
（3）由于小波包变换后的信号频带间存在“串扰”，使得基于小波包变换的谐波分析也存在频谱泄露的问题，解决该问题的关键是寻找合适的小波基。
参考文献
1 George T A, Bones D. Harmonic power flow
determination using the fast Fourier transform. IEEE Trans. on Power Del., 1991, 6(2: 530～535 2 祁才君，王小梅. 基于插值FFT 算法的间谐波参数估计. 电工技术学报，2003，18 (1：92～95 3
Lai L L, Tse C T, Chan W L, et al. Real-time frequency and harmonic evaluation using artificial neural networks. IEEE Trans. on Power Del., 1999, 14(1: 52～59 4
Yoon W K, Devaney M J. Power measurement using the wavelet transform. IEEE Trans. on Instrum. Meas., 1998, 47：1205～1209
5 Angrisani L, Daponte P, D’Apuzzo M, et al. A
measurement method based on the wavelet transform for power quality analysis. IEEE Trans. on Power Del., 1998, 13:990～998 6
Hamid E Y，Kawasaki Z I. Wavelet packet transform for RMS and power measurement. IEEE Power Engineering Review, 2001, 21(9: 49～51
（下转第53页）
第21卷第6期
李维波等罗氏线圈在高速大功率电流检测系统中的特性研究
53
图3 RSD开关状态电流i FD (t 的试验波形
1—罗氏线圈采得的电流波形 2—分流器采得的电流波形
Fig.3 Experimental waveform of the current i FD (t respectively detected by shunt and Rogowski coil
分析图3可知：分流器获得的电流波形与罗氏线圈获得的波形之间存在明显的时间差(即图中?t 所示，说明罗氏线圈的快速性优于分流器。根据前面计算可知，罗氏线圈自身的上升时间(10.4ps远远小于RSD 开关状态电流的上升时间(0.5μs ，因此，它可以快速反映被测电流，然而分流器的快速性却明显受到分布电容、杂散电感和集肤效应等不良影响；罗氏线圈的积分时间(82μs 远远大于RSD 开关状态电流的主脉宽(约为8μs ，因此，利用罗氏线圈可以对被测电流实现快速、准确和可靠测量。由于分布电容对罗氏线圈的动态特性将产生重要影响，因此还需要均匀绕制线圈并采取重要的屏蔽措施，以降低其分布电容的不良影响，确保罗氏线圈的快速性，请参见文献[7,8]。
5 结论
要有效减小用于检测RSD 开关放电电流的传感系统的测量误差，必须选用自积分式罗氏线圈测量系统，它能够可靠、准确和有效地完成RSD 开关状态电流的检测任务。按照本文介绍的方法，构建反映RSD 开关的放电电流的试验平台和罗氏线圈传感系统的仿真模型是可行的。本文的研究，对有效检测纳秒开关状态电流，研究其开通和关断特性，具有参考价值。
参考文献
1
Podlesak T F , Simon F M, Schneider S.Single shot and burst repetitive operation of thyristors for electric launch applications. IEEE Transactions on Magnetics, 2001, 37(1: 385～388 2 李焕炀, 余岳辉, 胡乾. RSD开关在脉冲电源中的应用研究. 中国电机工程学报，2003, 23 (11:23～28 3 李焕炀, 余岳辉, 彭昭廉. RSD开关的谐振式触发电路设计与研究. 电力电子技术, 2003, 37(6:33～36 4 李维波, 毛承雄, 李启炎等. 神光III 强激光能源模块测量线圈研究. 中国电机工程学报, 2003, 23 (5:53～57 5
电路分析基础谐波分析法
电路分析基础谐波分析法 本章实训谐波分析法的验证 实训任务引入和介绍 在电路分析的应用过程中～遇到非正弦周期电流电路的情况并不少见。有时候～电流波形非常简单,如矩形波、三角波等,～可以通过简单的计算得出其有效值、平均值及平均功率,但有时候非正弦周期电流的波形非常复杂～那么通过谐波分析法来进行电路分析就显得尤为重要。本次实训我们就以一个简单的电路为基础～通过简单的理论计算和实际测量的结合来验证谐波分析法。 实训目的 1.掌握非正弦周期电流电路的测量方法, 2.理解谐波分析法的基本原理, 3.学会用谐波分析法进行简单的电路分析。 实训条件 100V直流电源、150V/50Hz交流电源、100V/100Hz交流电源、功率计、 R=10Ω、L=1H、 3C=1.11*10uF、电压表、电流表。 操作步骤 (1)连接电路。 如图5-12所示，将在直流、交流电源串联，根据叠加定理，可以知道电路中的电流为非正弦周期电流，且该信号可以分解为100V直流、150V/50Hz交流、100V/100Hz电源给出的信号。
图5-12 实训电路 (2)理论计算。 已知: U,100，150sin,t，100sin(2,t,90:)V s R,10, 1X,,90,， c,C X,,L,10, L ? 直流分量作用于电路时，电感相当于短路，电容相当于开路。故有: I,0,U,0,P,0000 ? 一次谐波作用于电路时，有: 150 U,，0:Vs12 150，0:U2s1 I,,,1.32，82.9:A1R，j(X,X)10，j(10,90)L1C1 U,1.31，82.9:(10，j10),18.5，127.9:V1 ? 二次谐波作用于电路时，有: 100，,90:U2s2 I,,,2.63，,21.8:A2R，j(X,X)10，j(20,45)L2C2 U,2.63，,21.8:(10，j20),58.8，41.6:V2
小波分析报告(去噪)
小波分析浅析 —— 李继刚 众所周知，以π2为周期的复杂的波都可以用以π2为周期的函数)(t f （模拟信号）来描述，它可以由形如)sin(n n nt A θ+的若干谐波叠加而成，因此，完全有理由认为)(t f 有如下的表现形式： ∑ ∑ ∑ ∞ =∞ =∞ =+= += += ) sin cos ()cos sin cos sin ()sin()(n n n n n n n n n n n nt b nt a nt A nt A nt A t f θθθ 为了确定上式中的系数n n b a ,，可以利用Fourier 变换，可以得到函数)(t f 的Fourier 级数，即 ??? ? ? ? ? ?? ====++=??∑--+∞ =π πππππ.,2,1,sin )(1,,1,0,cos )(1),sin cos (2)(1 0 n ntdt t f b n ntdt t f a nt b nt a a t f n n n n n 如果函数以T 为周期，则通过对t 作T w x T t ππ2,2= ?=变换，可以得到函数的Fourier 级数，即 ??? ? ? ? ? ??=?==?=?+?+=??∑--+∞ =π πππ .,2,1,sin )(2,,1,0,cos )(2),sin cos (2)(1 0 n wtdt n t f T b n wtdt n t f T a wt n b wt n a a t f n n n n n 从时域角度来理解Fourier 级数，将}sin ,{cos wt n wt n ??看作是具有频率w n ?的谐波，则时域表现的函数)(t f 可分解为无穷个谐波之和。 从频域角度来理解Fourier 级数，因为)(t f 的频域范围是[)+∞∈,0w ，所以，可将w 轴用间距w ?作离散分化，离散点w n ?处对应着频率为w n ?的谐波}sin ,{cos wt n wt n ??，这样就可将时域函数)(t f 与谐波组成1-1对应关系，即 +∞???0}sin ,cos {)(wt n b wt n a t f n n
基于小波变换的图像分割的研究
摘要 近年来，对图像分割的研究一直是图像技术研究的焦点。图像分割是一种很重要的图像分析技术，它的目的是把图像分为具有各种特性的区域并把感兴趣的部分提取出来。它融合了多个学科的成果，并且成功应用于工业、农业、医学、军事等领域，得到了广泛的应用。 图像分割是一个经典的问题，实现方法有很多种，但是至今仍没有一种通用的解决方法。经过研究发现，区分真正的噪声和边缘是图像分割的难题之一，然而小波变换则可以解决这一问题，小波变换是一种时--频两域的分析工具。本文则基于小波变换对图像分割技术进行研究，主要介绍了小波阈值分割方法。文中通过直方图、建立模型等手段对这两种方法做出具体的讨论，并利用Matlab分别对两种方法进行仿真，并得到了有效的结果。根据仿真结果我们可以看出不同分割方法的不同分割效果，从而更好地理解这些方法。 关键词：图像分割；小波变换；阈值；
Abstract In recent years, the study of image segmentation has been the focus of imaging technology. Image segmentation is an important image analysis, its purpose is to take the various characteristics part out of the image. It combines the results of multiple disciplines, and successfully applied to such fields as industry, agriculture, medicine, military, and a wide range of applications. There are many ways to achieve image segmentation, but could not find a common solution. After the study found that the distinction between real noise and the edge of one of the difficult problem of image segmentation, wavelet transform can solve this problem, wavelet transform is a time - frequency domain analysis tools. In this paper, image segmentation technique based on wavelet transform to study the two wavelet segmentation method, the wavelet thresholding segmentation method. Histogram, the establishment of model and other means to make a specific discussion of these two approaches, and use the Matlab simulation, and the effective results of the two methods, respectively. According to the results of the simulation we can see the different segmentation results of different segmentation methods, in order to better understand these methods. Key words：Image; Wavelet transform; Threshold
小波理论
小波变换 一、小波变换的基本原理及性质 1、小波是什么？ 小波可以简单的描述为一种函数，这种函数在有限时间范围内变化，并且平均值为0。这种定性的描述意味着小波具有两种性质:A 、具有有限的持续时间和突变的频率和振幅；B 、在有限时间范围内平均值为0。 2、小波的“容许”条件 用一种数学的语言来定义小波，即满足“容许”条件的一种函数，“容许”条件非常重要，它限定了小波变换的可逆性。 小波本身是紧支撑的，即只有小的局部非零定义域，在窗口之外函数为零；本身是振荡的，具有波的性质，并且完全不含有直流趋势成分，即满足 3、信号的信息表示 时域表示：信号随时间变化的规律，信息包括均值、方差、峰度以及峭陡等，更精细的表示就是概率密度分布（工程上常常采用其分布参数）。 频域表示：信号在各个频率上的能量分布，信息为频率和谱值（频谱或功率谱），为了精确恢复原信号，需要加上相位信息（相位谱），典型的工具为FT 。 时频表示：时间和频率联合表示的一种信号表示方法，信息为瞬时频率、瞬时能量谱 信号处理中，对不同信号要区别对待，以选择哪种或者哪几种信号表示方法 ) ()(ωψ??x ∞ <=?∞ ∞-ωω ωψ?d C 2 ) (0 )()0(==?∞ ∞ -dx x ?ψ
平稳信号 非平稳信号 不满足平稳性条件至少是宽平稳条件的信号。 信号的时域表示和频域表示只适用于平稳信号，对于非平稳信号而言，在时间域各种时间统计量会随着时间的变化而变化，失去统计意义；而在频率域，由于非平稳信号频谱结构随时间的变化而变化导致谱值失去意义。 时频表示主要目的在于实现对非平稳信号的分析，同样的可以应用于平稳信号的分析。 4、为什么选择小波 小波提供了一种非平稳信号的时间-尺度分析手段，不同于FT 方法，与STFT 方法比较具有更为明显的优势。 ) ,,,;,,,(),,,;,,,(21212121τττ+++=n n n n t t t x x x f t t t x x x f [][][] ??? ????∞<-=====?+∞ ∞-)(),()()(),()()(21 22121t x E t t R t x t x E t t R m dx x xf t x E x x x ττ时间幅度 小波变换 时间 尺度
谐波分析方法对比
谐波分析方法对比 随着用电设备的多样化和复杂化，线路中谐波的成分也变得越来越丰富，谐波污染的治理问题也变得越来越棘手，许多仪器也相应推出了谐波测量功能，我们该如何区分这些谐波的测量方法并正确地使用他们进行谐波测量呢？本文将进行“深究”。 在很多人认识里，只有使用同步采样才能进行精确的谐波分析，其实采用非同步采样同样能进行谐波分析，而且在许多情况下甚至比同步采样法更优秀。PA功率分析仪提供了常规谐波、谐波和IEC谐波三种谐波测量模式，支持同步和非同步的谐波分析，将两种分析方式互补使用可提高谐波的分析能力。下面通过其计算方法的简单，结合实例讨论三种谐波模式的使用。 谐波测量基本原理 目前最常用的谐波分析方法是使用傅里叶变换，将时域的离散信号进行傅里叶级数展开，得到离散的频谱，从离散的频谱中挑选出各次谐波对应的谱线，计算得出谐波各项参数。 在实际实现时，由于离散傅里叶变换存在“栅栏效应”，采样频率不为基波的整数倍时，部分谐波可能不在离散傅里叶变换后的离散频率点上，需要使用特殊的手段将栅栏空隙对准我们关心的谐波频率点。其中同步采样法和频率重心法使用最为广泛。 同步采样法 顾名思义，就是使采样频率与基波频率同步改变。该方法从源头上保证数据的采样频率为基波频率的整数倍，如IEC 61000-4-7标准就规定50Hz使用10倍基波采样率，采样数据经离散傅里叶变换即可得到各次谐波分量。同步采样常用硬件PLL实现，需要实时调整采样频率，频率的锁定需要时间，受限于滤波器及相关器件，很难做到很宽的频域，也很难保证频谱特别丰富时的准确性。 频率重心法 使用足够高的采样频率（一般大于4倍基波频率）即可满足直接对信号进行采样，将信号的频谱间隔拉开，并且使用更多周期的数据点做离散傅里叶变换，降低频谱泄露的影响。最后根据窗函数的功率谱分布特性，通过频谱的谱峰和次谱峰，找到真正的谱峰频点——即离散频谱的谱峰和次谱峰的重心。通过频率重心法消除了栅栏效应的影响，对各次谐波使用重心法，还得到一个偏离系数，使用该系数配合窗函数功率谱，可求解得到对应频点的相位和幅值等信息。至此，非同步采样法同样得到了各次谐波。受限于窗函数的频谱特性，该法
基于小波变换的谐波检测法
基于小波变换的谐波检测法 基于小波变换的谐波检测法 1 引言电网谐波污染是电力系统中的一大公害。以傅里叶级数理论为基础的传统谐波分析方法和测量仪器都缺乏时间局部化特性，因此不能满足突变的和时变的非平稳谐波检测与时频分析的需要，1994年我国颁布的《电能质量公用电网谐波》国家标准也不适用于暂态现象和短时间谐波的情况。短时间谐波的检测一直是一大难点。本文提出了基于小波变换的谐波分析新方法。文中首先论述了基于小波变换的谐波有效值及谐波畸变率的测量方法。然后提出并论述了基于差拍选频和子带滤波的谐波分析方法。最后提出一种新的同步检测法，用于电压闪变信号的检测与谐波分析。 2 小波多分辨率信号分解及其实现方法采用正交小波变换时，任意信号(x)t∈L2(R)可用多分辨率分解公式表示为[1]： 分解系数Cj(k)和dj(k)分别为离散平滑近似信号和离散细节信号，其递推计算公式如下： 式中h0(k)和h1(k)分别为低通数字滤波器和高通数字滤波器的单位取样响应。取h1(k)=(-1)kh0(k)，它们构成正交镜像对称滤波器组。Cj+1(k)和dj+1(k)分别是Cj(k)和h0(-k)和h1(-k)卷
积后二抽取得到的信号序列，所以小波多分辨率信号分解可用多抽样率子带滤波器组来实现。若x(t)是周期T的电压信号，其有效值为[2]： cJ(k)的均方根值可表示输入信号x(t)中的低频正弦分量(或基波)有效值，由CJ(k)可重构低频(或基波)信号，dj(k)的均方根值可表示尺度j子频带中的正弦分量有效值，由dj(k)可重构该子频带中的高频细节(或谐波)信号。3 基于小波变换的电网谐波测量方法 3.1 谐波有效值及谐波畸变率的测量基于小波变换的谐波有效值测量就是利用小波分解系数来测量谐波有效值。设谐波失真电压信号为： 式中f1为基波频率50Hz，A1为基波有效值；Am为第m次谐波有效值。信号序列s(n)经小波多分辨率分解得分解系数CJ(k)和dj(k)，j=1，2，…，J。由CJ(k)测出基波有效值，由dj(k)测出尺度j子频带中谐波有效值。仿真实验中取A1=1， A3=1/3，A5=1/5，抽样频率fs=12.8kHz，尺度j=1，2， (6) 采用Daub24小波，测得谐波失真信号的基波、谐波有效值如表1： 表1 谐波次数 有效值（理论值）
基于小波分析的机械故障诊断
绪 论 机械故障诊断技术作为一门新兴的科学，自从二十世纪六七十年代以来已经取得了突飞猛进的发展，尤其是计算机技术的应用，使其达到了智能化阶段。现在，机械故障诊断技术在工业生产中起着越来越重要的作用，生产实践已经证明开展故障诊断与状态预测技术研究具有重要的现实意义。 我国的故障诊断技术在理论研究方面，紧跟国外发展的脚步，在实践应用上还是基本落后于国外的发展。在我国，故障诊断的研究与生产实际联系不是很紧密，研究人员往往缺乏现场故障诊断的经验，研制的系统与实际情况相差甚远，往往是从高等院校和科研部门开始，再进行到个别行业，而国外的发展则是从现场发现问题进而反映到高等院校或科研部门，使得研究有的放矢[1]。 要求机械设备不出故障是不现实的，因为不存在绝对安全可靠的机械设备。因此，为了预防故障和减少损失，必须对设备的运行状态进行监测，及时发现设备的异常状况，并对其发展趋势进行跟踪：对己经形成的或正在形成的故障进行分析诊断，判断故障的部位和产生的原因，并及早采取有效的措施，这样才能做到防患于未然。因此，设各状态监测与故障诊断先进技术的研究对于保证复杂机械设备的安全运行具有重要意义。 关键词：小波分析，故障诊断，小波基选取，奇异性 基于小波分析的机械故障检测 小波奇异性理论用于机械故障检测的基本原理 信号的奇异性与小波变换的模极大值之间有如下的关系： 设)(x g 为一光滑函数，且满足条件0g(x) lim ,1x)dx ( g x ==∞→+∞ ∞-?，不妨设)(x g 为高斯函数，即σσπ2221)(x e x g -= ，令 d x,/x)( dg x)(=ψ由于?+∞ ∞-=0x)dx (ψ，因此，可取函数x)(ψ
小波变换的几个典型应用
第六章小波变换的几个典型应用 6.1 小波变换与信号处理 小波变换作为信号处理的一种手段，逐渐被越来越多领域的理论工作者和工程技术人员所重视和应用，并在许多应用中取得了显著的效果。同传统的处理方法相比，小波变换取得了质的飞跃，在信号处理方面具有更大的优势。比如小波变换可以用于电力负载信号的分析与处理，用于语音信号的分析、变换和综合，还可以检测噪声中的未知瞬态信号。本部分将举例说明。 6.1.1 小波变换在信号分析中的应用 [例6-1] 以含躁的三角波与正弦波的组合信号为例具体说如何利用小波分析来分析信号。已知信号的表达式为 应用db5小波对该信号进行7层分解。xiaobo0601.m 图6-1含躁的三角波与正弦波混合信号波形 分析： （1）在图6－2中，逼近信号a7是一个三角波。 （2）在图6－3中细节信号d1和d2是与噪声相关的，而d3（特别是d4）与正弦信号相关。 图6-2 小波分解后各层逼近信号 图6-3 小波分解后各层细节信号 6.1.2 小波变换在信号降躁和压缩中的应用 一、信号降躁 1．工程中，有用信号一般是一些比较平稳的信号，噪声通常表现为高频信号。2．消躁处理的方法：首先对信号进行小波分解，由于噪声信号多包含在具有较高频率的细节中，我们可以利用门限、阈值等形式对分解所得的小波系数进行处理，然后对信号进行小波重构即可达到对信号的消躁目的。 小波分析进行消躁处理的3种方法： （1）默认阈值消躁处理。该方法利用ddencmp生成信号的默认阈值，然后利用wdencmp函数进行消躁处理。 （2）给定阈值消躁处理。在实际的消躁处理过程中，阈值往往可通过经验公式获得，且这种阈值比默认阈值的可信度高。在进行阈值量化处理时可利用函数wthresh。 （3）强制消躁处理。该方法时将小波分解结构中的高频系数全部置为0，即滤掉所有高频部分，然后对信号进行小波重构。方法简单，消躁后信号比较平滑，但易丢失信号中的有用成分。 小波阈值去噪方法是目前应用最为广泛的小波去噪方法之一。 3．信号降噪的准则： 1．光滑性：在大部分情况下，降噪后的信号应该至少和原信号具有同等的光滑性。
基于小波变换的图像处理.
基于小波变换的数字图像处理 摘要：本文先介绍了小波分析的基本理论，为图像处理模型的构建奠定了基础，在此基础上提出了小波分析在图像压缩，图像去噪，图像融合，图像增强等图像处理方面的应用,最后在MATLAB环境下进行仿真，验证了小波变化在图像处理方面的优势。 关键词：小波分析；图像压缩；图像去噪；图像融合；图像增强 引言 数字图像处理是利用计算机对科学研究和生产中出现的数字化可视化图像 信息进行处理，作为信息技术的一个重要领域受到了高度广泛的重视。数字化图像处理的今天，人们为图像建立数学模型并对图像特征给出各种描述，设计算子，优化处理等。迄今为止，研究数字图像处理应用中数学问题的理论越来越多，包括概率统计、调和分析、线性系统和偏微分方程等。 小波分析，作为一种新的数学分析工具，是泛函分析、傅立叶分析、样条分析、调和分析以及数值分析理论的完美结合，所以小波分析具有良好性质和实际应用背景，被广泛应用于计算机视觉、图像处理以及目标检测等领域，并在理论和方法上取得了重大进展，小波分析在图像处理及其相关领域所发挥的作用也越来越大。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，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。但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，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。 本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，然后研究了小波分析在图像处理中的应用，包括图像压缩，图像去噪，图像融合，图像增强等,本文重点在图像去噪，最后用Matlab进行了仿真[1]。
时间序列的小波分析
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： dt )a b t ( f(t)a )b ,a (W R 2 /1-f ?-= （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 ?
基于小波变换的边缘检测技术(完整)
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。
研究生《小波理论及应用》复习题
2005年研究生《小波理论及应用》复习题 1． 利用正交小波基建立的采样定理适合于：紧支集且有奇性（函数本身或其导数不连续）的函数（频谱无限的函数）。Shannon 采样定理适合于频谱有限的信号。 2． 信号的突变点在小波变换域常对于小波变换系数模极值点或过零点。并且信号奇异性大小同小波变换的极值随尺度的变化规律相对立。只有在适当尺度下各突变点引起的小波变化才能避免交迭干扰，可以用于信号的去噪、奇异性检测、图象也缘提取、数据压缩等。 3． 信号在一点的李氏指数表征了该点的奇异性大小，α越大，该点的光滑性越小，α越小，该点的奇异性越大。光滑点（可导）时，它的1≥α；如果是脉冲函数，1-=α；白噪声时0≤α。 4． 做出三级尺度下正交小波包变换的二进数图，小波包分解过程？说明小波基与小波包基的区别？ 5． 最优小波包基的概念：给定一个序列的代价函数，然后在小波包基中寻找使代价函数最小的基――最优基。 6． 双通道多采样率滤波器组的传递函数为： ()()()()()()()()()()()()()z X z G z G z H z H z X z G z G z H z H z Y z Y z Y -??????-++??????+=+=∧∧∧∧212121请根据此式给出理想重建条件： 为了消除映象()z X -引起的混迭：()()()()0=-+-∧ ∧z G z G z H z H
为了使()z Y 成为()z X 的延迟，要求：()()()()k CZ z G z G z H z H -∧∧=+ （C,K 为任一常数） 7． 正交镜像对称滤波器()()n h n g ,的()jw e G 与()jw e H 以2π=w 为轴左右对称。如果知道QMF 的()n h ，能否确定()()()n h n g n g ∧ ∧,,？ ()()()n h n g n 1-= ，()()()n g n h n 1--=∧ ， ()()()n h n g n 1-=∧ 8． 试列出几种常用的连续的小波基函数 Morlet 小波，Marr 小波，Difference of Gaussian （DOG ），紧支集样条小波 9． 试简述海森堡测不准原理，说明应用意义？ 10． 从连续小波变换到离散小波变换到离散小波框架－双正交小波变换－正交变换、紧支集正交小波变换，其最大的特点是追求变换系数的信息冗余小，含有的信息量越集中。 11． 解释紧支集、双正交、正交小波、紧支集正交小波、光滑性、奇异性。 12． 已知共轭正交滤波器组（CQF ）()n h 请列出()()()n g n h n g ∧ ∧,,。 ()()() ()()()()()()???????-=--=-=---=∧∧n h n N g n g n N h n h n N h n g n n 11 13． 共轭正交滤波器()()n g n h ,的()jw e G 与()jw e H 的关系与QMF 情况
电力系统谐波分析
海南大学 课程论文 题目：电力系统谐波分析 学号： B0736039 姓名：陈肖前 年级： 07电气1班 学院：机电与工程学院 系别：电气系 专业：电气工程及其自动化 指导教师：王海英 完成日期： 2010 年 06月 15 日
摘要 谐波对电力系统和用电设备产生了严重的危害及影响，而小波变换为电力系统谐波信号分析提供了有力的分析工具。与Fourier变换相比，小波变换是时间频率的局部化分析，它通过伸缩平移运算对信号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”。 本设计探讨了小波变换的基本原理之后，就如何应用小波工具箱对系统的谐波信号进行了分析。主要内容如下： 首先，采用小波变换进行谐波检测的方法进行了系统仿真，通过仿真验证了小波分析具有时域和频域的双重分辨率，能够较好的解决傅立叶分析所不能解决的问题。 其次，在谐波分析中，采用小波分析算法，不仅能正确的得到各次谐波，而且对用傅立叶分析没法解决的有关信号的暂态分量的提取，暂态分量时间的定位，电压、电流波形的间断、突起、凹陷和瞬态分量的检测都具有较好的效果。 最后MATLAB仿真的结果验证了本文的分析方法的正确性和有效性。基本达到了实验目的。 关键词：谐波分析小波理论MATLAB
Abstract Harmonics have a serious danger and affect in the power system and electrical equipment, but wavelet transform can provides a powerful analytical tool for harmonics signal analysis. Compared with the Fourier transform, wavelet transform is the localized analysis of time frequency, which refines the signal multi-scale by scalabling and shifting operation step-by-step. Finally it meets the requirement of high-frequency time and low-frequency frequency subdivided, and of automatically adapting to time-frequency signal analysis. It can focus on arbitrary particulars of signal , solving the difficult problems of the Fourier transform. It is a major breakthrough in science method since the Fourier transform. Someone praised wavelet transform as the “mathematical microscope”. After discussing the basic principles of wavelet transform, this Design discussed how to use the wavelet toolbox to analy the harmonic signals. They are as follows: Firstly, the Harmonic Detection method was simulated by Wavelet Transform, and the simulation shows that the Wavelet Transform has double resolutions in both time and frequency domains, which can solve the problem that the Fourier Transform can't do well. Secondly, we could not only correctly get various orders of harmonics, but also effectively solve how to draw the transient component of the signal ,and how to locate the time of transient component of the signal ,and solve the problem of intermittent and Processes and depression of the voltage and current wave, and solve how to detect transient component,and the Fourie are not available. Finally,MATLAB simulation results verify the correctness and effectiveness of the analytical methods. It achieves the basic purpose of the experiment. Key words: Harmonic measurement Wavelet theory MATLAB
【免费下载】小波分析及其应用
科技文献检索作业 卷 试 料 小波分析及其应用 测控技术1103 雷创新
小波分析及其应用 1.小波分析的概念和特点 1.1小波理论的发展概况 20世纪80年代逐渐发展和兴起的小波分析(wavelctanalysis)是20世纪 数学领域中研究的重要杰出成果之一。小波分析理论作为数学界中一种比较成熟的理论基础，应用到了各种领域的研究当中，推动了小波分析在各工程应用中的发展。它作为一种新的现代数字信号处理算法，汲取了现代分析学中诸如样条分析、傅立叶分析、数值分析和泛函分析等众数学多分支的精华部分，替代了工程界中一直应用的傅立叶变换，它是一种纯频域分析方法，不能在时频同时具有局部化特性。而小波分析中的多尺度分析思想，犹如一台变焦照相机，可以由粗及精逐步观察信号，在局部时频分析中具有很强的灵活性，因此有“数学显微镜”的美称。它能自动随着频率增加而调节成窄的“时窗”和宽的“频窗”，又随着频率降低而调节成宽的“时窗”和窄的“频窗”以适应实际分析需要。另外，小波变换在经过适当离散后可以够成标准正交基或正交系，这些在理论和应用上都具有十分重要的意义，因此，小波分析在各个领域得到了高度的重视并取得了许多重要的成果。 小波变换作为一种数学理论和现代数字信号处埋方法在科学技术界引起了越来越多专家学者的关注和重视。在数学家看来，基于小波变换的小波分析技术是当今数值分析、泛函分析、调和分析等半个多世纪以来发展最完美的结晶，是正在发展中的新的数学分支。在工程领域，特别是在信号处理、图像处理、机器视觉、模糊识别、语音识别、流体力学、量子物理、地震勘测、电磁学、CT成像、机械故障诊断与监控等领域，它被认为是近年来在工具及方法上的重大突破。然而，小波分析虽然在众多领域中已经取得了一定的成果，但是，有专家预言小波分析理论的真正高潮并没有到来。首先，小波分析尚需进一步完善，除一维小波分析理论比较成熟以外，向量小波和多维小波则需要进行更加深入的研究与讨论;其次，针对不同情况选择不同的小波基函数，实现的效果是有差别性的这一问题，对最优小波基函数的选取方法有待进一步研究。在今后数年中，小波理论将成为科技工作者经常使用的又一锐利数学工具，极大地促进科技进步及各个领域工程应用的新发展。 小波分析的概念最早是在1974年由法国地质物理学家 J.Morlet提出的，并通过物理直观和信号处理的实际经验建立了反
小波分析考试题及答案
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
小波分析-经典解读
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 ?，