小波变换-完美通俗解读
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
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function 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，那就是他俩的积为0。那对于function basis呢？function basis 怎么求积呢？
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：
那什么是function正交呢？假设我们有两个函数f(x)和g(x)，那是什么？我们遵循vector的思路去想，两个vector求积，就是把他们相同位置上对应的点的乘积做一个累加。那移过来，就是对每一个x 点，对应的f和g做乘积，再累加。不过问题是，f和g都是无限函数阿，x又是一个连续的值。怎么办呢？向量是离散的，所以累加，函数是连续的，那就是…….积分！
我们知道函数积是这样算的了，自然也就容易证明，按照这个形式去写的傅立叶展开，这些级数确实都是两两正交的。证明过程这里就不展开了。好，下一个问题就是，为什么它们是正交basis如此重要呢？这就牵涉到系数的求解了。我们研究了函数f，研究了级数，一堆三角函数和常数1，那系数呢？a0, a1, a2这些系数该怎么确定呢？好，比如我这里准备求a1了。我现在知道什么？信号f(x)是已知的，傅立叶级数是已知的，我们怎么求a1呢？很简单，把方程两端的所有部分都求和cosx的积，即：
然后我们发现，因为正交的性质，右边所有非a1项全部消失了，因为他们和cosx的积都是0！所有就简化为
这样，a1就求解出来了。到这里，你就看出正交的奇妙性了吧:) 好，现在我们知道，傅立叶变换就是用一系列三角波来表示信号方程的展开，这个信号可以是连续的，可以是离散的。傅立叶所用的function basis是专门挑选的，是正交的，是利于计算coefficients 的。但千万别误解为展开变换所用的basis都是正交的，这完全取决于具体的使用需求，比如泰勒展开的basis就只是简单的非正交多项式。
有了傅立叶变换的基础，接下来，我们就看看什么是小波变换。首先来说说什么是小波。所谓波，就是在时间域或者空间域的震荡方程，比如正弦波，就是一种波。什么是波分析？针对波的分析拉（囧）。并不是说小波分析才属于波分析，傅立叶分析也是波分析，因为正弦波也是一种波嘛。那什么是小波呢？这个”小“，是针对傅立叶波而言的。傅立叶所用的波是什么？正弦波，这玩意以有着无穷的能量，同样的幅度在整个无穷大区间里面振荡，像下面这样：
那小波是什么呢？是一种能量在时域非常集中的波。它的能量是有限的，而且集中在某一点附近。比如下面这样：
这种小波有什么好处呢？它对于分析瞬时时变信号非常有用。它有效的从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，解决了傅立叶变换不能解决的许多困难问题。恩，以上就是通常情况下你能在国上搜到的小波变换文章告诉你的。但为什么呢？这是我希望在这个系列文章中讲清楚的。不过在这篇文章里，我先点到为止，把小波变换的重要特性以及优点cover了，在下一篇文章中再具体推导这些特性。
小波变换的本质和傅立叶变换类似，也是用精心挑选的basis来表示信号方程。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scaling function，中文是尺度函数，也被成为父小波。任何小波变换的basis函数，其实就是对这个母小波和父小波缩放和平移后的集合。下面这附图就是某种小波的示意图：
小波变换与傅里叶变换的对比异同
小波变换与傅里叶变换的对比、异同 一、基的概念 两者都是基，信号都可以分成无穷多个他们的和（叠加）。而展开系数就是基与信号之间的内积，更通俗的说是投影。展开系数大的，说明信号和基是足够相似的。这也就是相似性检测的思想。但我们必须明确的是，傅里叶是0-2pi 标准正交基，而小波是-inf到inf之间的基。因此，小波在实轴上是紧的。而傅里叶的基（正弦或余弦），与此相反。而小波能不能成为Reisz基，或标准稳定的正交基，还有其它的限制条件。此外，两者相似的还有就是PARSEVAL定理。（时频能量守恒）。 二、离散化的处理 傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。第一步，时域离散化，我们得到离散时间傅里叶变换（DTFT），频谱被周期化；第二步，再将频域离散化，我们得到离散周期傅里叶级数（DFS），时域进一步被周期化。第三步，考虑到周期离散化的时域和频域，我们只取一个周期研究，也就是众所周知的离散傅里叶变换（DFT）。这里说一句，DFT是没有物理意义的，它只是我们研究的需要。借此，计算机的处理才成为可能。所有满足容许性条件（从-INF到+INF积分为零）的函数，都可以成为小波。小波作为尺度膨胀和空间移位的一组函数也就诞生了。但连续取值的尺度因子和平移因子，在时域计算量和频域的混叠来说，都是极为不便的。用更为专业的俗语，叫再生核。也就是，对于任何一个尺度a和平移因子b的小波，和原信号内积，所得到的小波系数，都可以表示成，在a，b附近生成的小波，投影后小波系数的线性组合。这就叫冗余性。这时的连续小波是与正交基毫无关系的东西，它顶多也只能作为一种积分变换或基。但它的显微镜特点和相似性检测能力，已经显现出来了。为了进一步更好的将连续小波变换离散化，以下步骤是一种有效方法。第一步，尺度离散化。一般只将a二进离散化，此时b是任意的。这样小波被称为二进小波。第二步，离散b。怎么离散化呢？b取多少才合适呢？于是，叫小波采样定理的东西，就这样诞生了。也就是小波平移的最小距离（采样间隔），应该大于二倍小波基的最高频率（好像类似，记不清了）。所以b取尺度的整数倍就行了。也就是越胖的小波，对应频谱越窄，平移量应该越大，采样间隔越大。当然，第一二两步的频域理解，即在满足频域窗口中心是3倍的频域窗口半径的前提下，频域就在统计上是完美二分的。（但很多小波满足不了这个条件，而且频域窗口能量不?,所以只是近似二分的).这时的小波变换,称为离散二进小波变换.第三步,引入稳定性条件.也就是经过变换后信号能量和原信号能量有什么不等式关系.满足稳定性条件?后,也就是一个小波框架产生了可能.他是数值稳定性的保证.一个稍弱的稳定条件???,就是? 商务谈判与推销技巧课程试题库 ————————————————————————————————作者：————————————————————————————————日期： 2 商务谈判与推销技巧课程试题库 商务谈判 1、商务谈判要想学习好，必须提前准备哪些课程的知识呢？ 答案：社会学、社会心理学、市场营销学、消费者心理学等等 2、举一个阵地式谈判的例子 答案：一名顾客前来购买盘子，他向老板问道：“这个铜盘子多少钱？”精明的老板回答：“你的眼光不错，75块。”顾客：“别逗了，这儿还有块压伤呢，便宜点。”老板：“出个实价吧。”顾客：“我出15块钱，行就行，不行拉倒。”老板：“15块，简直是开玩笑。”顾客做出让步：“那好，我出20块，75块钱我绝对不买。”老板说：“小姐，你真够厉害，60块钱马上拿走。”顾客又开出了25块，老板说进价也比25块高。顾客最后说，37.5块，再高他就走人了。老板让顾客看看上面的图案，说这个盘子明年可能就是古董等等。在这个谈判中，顾客出价从15块到20块、25块，到37.5块，逐渐上扬，而老板出价从75块到60块，逐渐下降，在讨价还价中双方的阵地都被“蚕食”，这就是阵地型谈判的例子。 3、商务谈判前，信息搜集工作非常关键，谈一下你如何获得石家庄学院校长的联系方式。 4、电影《初恋红豆冰》中女主角的鱼为什么总是获胜，并借此谈一下商务谈判地点选择中选择我方所在地和他方所在地的各自利弊 5、商务谈判中谈判桌的选择要讲求技巧，请谈一下选择圆桌和方桌的不同意义 6、艾克尔在《国家如何进行谈判》书中提出“完美无缺的谈判者的标准”： “根据17—18世纪的外交规范，一个完美无缺的谈判家，应该心智机敏，而且具有无限的耐心，能巧言掩饰，但不欺诈行骗；能取信于人，而不轻信他人；能谦恭节制，但又刚毅果敢；能施展魅力，而不为他人所惑；能拥巨富、藏娇妻，而不为钱财和女色所动。” 谈一下你觉得谈判者应该具备怎样的专业素质？ 7、给以下价格让步方式连线 序号第一阶段第二阶段第三阶段第四阶段让步方式 1 0 0 0 60 冒险型让步 2 15 15 15 15 刺激型让步 3 2 4 18 12 6 希望型让步 4 28 20 11 1 妥协型让步 5 40 15 0 5 危险型让步 6 6 12 18 24 诱发型让步 7 50 10 -2 +2 虚伪型让步 8 60 0 0 0 愚蠢型让步 8、美国约翰逊公司的研究开发部经理，从一家有名的A公司购买一台分析仪器，使用几个月后，一个价值2.95美元的零件坏了，约翰逊公司希望A公司免费调换一只。A公司却不同意，认为零件是因为约翰逊公司使用不当造成的，并特别召集了几名高级工程师来研究， 小波分析上机实验报告 院系：电气工程及自动化学院 学科：仪器科学与技术 实验一小波分析在信号压缩中的应用 一、试验目的 （1）进一步加深对小波分析进行信号压缩的理解； （2）学习Matlab中有关信号压缩的相关函数的用法。 二、相关知识复习 用一个给定的小波基对信号进行压缩后它意味着信号在小波阈的表示相对缺少了一些信息。之所以能对信号进行压缩是因为对于规则的信号可以用很少的低频系数在一个合适的小波层上和一部分高频系数来近似表示。 利用小波变换对信号进行压缩分为以下几个步骤来完成： （1）进行信号的小波分解； （2）将高频系数进行阈值量化处理。对从1 到N 的每一层高频系数都可以选择不同的阈值并且用硬阈值进行系数的量化； （3）对量化后的系数进行小波重构。 三、实验要求 （1）对于某一给定的信号（信号的文件名为leleccum.mat），利用小波分析对信号进行压缩处理。 （2）给出一个图像，即一个二维信号（文件名为wbarb.mat），利用二维小波分析对图像进行压缩。 四、实验结果及程序 （1）load leleccum %将信号装入Matlab工作环境 %设置变量名s和ls，在原始信号中，只取2600-3100个点 s = leleccum(2600:3100); ls = length(s); %用db3对信号进行3级小波分解 [c,l] = wavedec(s, 3, 'db3'); %选用全局阈值进行信号压缩 thr = 35; [xd,cxd,lxd,perf0,perfl2] = wdencmp('gbl',c,l,'db3',3,thr,'h',1); subplot(2,1,1);plot(s); title('原是信号s'); subplot(2,1,2);plot(xd); title('压缩后的信号xd'); 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 一、题目：一维Haar 小波2次分解 二、目的：编程实现信号的分解与重构 三、算法及其实现：离散小波变换 离散小波变换是对信号的时－频局部化分析，其定义为：/2200()(,)()(),()()j j Wf j k a f t a t k dt f t L R φ+∞---∞=-∈? 本实验实现对信号的分解与重构： （１）信号分解：用小波工具箱中的dwt 函数来实现离散小波变换，函数dwt 将信号分解为两部分，分别称为逼近系数和细节系数（也称为低频系数和高频系数）,实验中分别记为cA1,cD1，它们的长度均为原始信号的一半，但dwt 只能实现原始信号的单级分解。在本实验中使用小波函数db1来实现单尺度小波分解，即： [cA1,cD1]＝dwt(s,’db1’)，其中s 是原信号;再通过[cA2,cD2]＝dwt(cA1,’db1’)进行第二次分解，长度又为cA2的一半。 （２）信号重构：用小波工具箱中的upcoef 来实现，upcoef 是进行一维小波分解系数的直接重构,即： A1 = upcoef('a',cA1,'db1'); D1 = upcoef('a',cD1,'db1')。 四、实现工具：Matlab 五、程序代码： %装载leleccum 信号 load leleccum; s = leleccum(1:3920); %用小波函数db1对信号进行单尺度小波分解 [cA1,cD1]=dwt(s,'db1'); subplot(3,2,1); plot(s); title('leleccum 原始信号'); %单尺度低频系数cA1向上一步的重构信号 A1 = upcoef('a',cA1,'db1'); %单尺度高频系数cD1向上一步的重构信号 D1 = upcoef('a',cD1,'db1'); subplot(3,2,3); plot(A1); title('单尺度低频系数cA1向上一步的重构信号'); subplot(3,2,5); plot(D1); title('单尺度高频系数cD1向上一步的重构信号'); [cA1,cD1]=dwt(cA1,’db1'); subplot(3,2,2); plot(s); title('leleccum 第一次分解后的cA1信号'); %第二次分解单尺度低频系数cA2向上一步的重构信号 A2= upcoef('a',cA2,'db1',2); %第二次分解单尺度高频系数cD2向上一步的重构信号 D2 = upcoef('a',cD2,'db1',2); subplot(3,2,4); plot(A2); 商务谈判与沟通技巧大全谈判代表要有良好的综合素质，谈判前应整理好自己的仪容仪表，穿着要整洁正式、庄重。谈判双方接触的第一印象十分重要，言谈举止要尽可能创造出友好、轻松的良好谈判气氛。谈判之初的重要任务是摸清对方的底细，因此要认真听对方谈话，细心观察对方举止表情，并适当给予回应，这样既可了解对方意图，又可表现出尊重与礼貌。 谈判的实质性阶段，主要是报价、查询、磋商、解决矛盾、处理冷场商务谈判与推销技巧内容大全 商务谈判中，无论是基于赢得尽可能大的利益空间的考虑，还是基于尽量缩小企业损失的目的，都离不开对谈判技巧的运用。 提及谈判技巧，许多专家对此已有解读，在各种网站教程上也能搜到不少相关内容。作为一个有着多年本土实战经验和跨国公司从业经历、从事过多种工作、担任过多家知名企业管理层的职业经理人，史光起对谈判技巧有基于其个人经验的解读。如下，世界工厂网小编与您分享他谈及的商务谈判中的12个谈判技巧： 1、确定谈判态度 在商业活动中面对的谈判对象多种多样，我们不能拿出同一样的态度对待所有谈判。我们需要根据谈判对象与谈判结果的重要程度来决定谈判时所要采取的态度。 如果谈判对象对企业很重要，比如长期合作的大客户，而此次谈判的内容与结果对公司并非很重要，那么就可以抱有让步的心态进行谈判，即在企业没有太大损失与影响的情况下满足对方，这样对于以后的合作 会更加有力。 如果谈判对象对企业很重要，而谈判的结果对企业同样重要，那么就抱持一种友好合作的心态，尽可能达到双赢，将双方的矛盾转向第三方，比如市场区域的划分出现矛盾，那么可以建议双方一起或协助对方去开发新的市场，扩大区域面积，，将谈判的对立竞争转化为携手竞合。 如果谈判对象对企业不重要，谈判结果对企业也是无足轻重，可有可无，那么就可以轻松上阵，不要把太多精力消耗在这样的谈判上，甚至可以取消这样的谈判。 如果谈判对象对企业不重要，但谈判结果对企业非常重要，那么就以积极竞争的态度参与谈判，不用考虑谈判对手，完全以最佳谈判结果为导向。 2、充分了解谈判对手 正所谓，知己知彼，百战不殆，在商务谈判中这一点尤为重要，对对手的了解越多，越能把握谈判的主动权，就好像我们预先知道了招标的底价一样，自然成本最低，成功的几率最高。 了解对手时不仅要了解对方的谈判目的、心里底线等，还要了解对方公司经营情况、行业情况、谈判人员的性格、对方公司的文化、谈判对手的习惯与禁忌等。这样便可以避免很多因文化、生活习惯等方面的矛盾，对谈判产生额外的障碍。还有一个非常重要的因素需要了解并掌握，那就是其它竞争对手的情况。比如，一场采购谈判，我们作为供货商，要了解其他可能和我们谈判的采购商进行合作的供货商的情况，还有其他可能和自己合作的其它采购商的情况，这样就可以适时给出相较 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。 毕业设计(论文)调研报告 学生姓名张春专业班级电子信息08-2 所在院系电气信息学院 指导教师许丽群职称讲师 所在单位大连交通大学 完成日期2012 年 4 月30 日 调研报告 一、课题来源与意义 语音信号处理在现代通信、多媒体技术以及智能系统等领域中应用非常广泛,是近年来发展非常迅速的一种技术。实际应用中,由于噪声的存在会使语音处理系统的性能恶化,造成语音信号的失真,混淆,给语音信号的传递带来困难。因此，设法去除语音中的噪声，改进语音质量，提高语音信号的信噪比就成为语音去噪研究中的一个重要方向。在传统的傅氏变换的信号处理方法中，信号和噪声的频带重叠部分要尽可能小；在频域可通过时不变滤波方法将信号和噪声区分开，而当它们的频域重叠时，传统的单纯时域或频域处理往往无法达到很好的效果。 小波分析是近十几年来新兴发展起来的一种时频局域化分析方法，它克服了傅里叶变换固定分辨率的弱点, 既可以分析信号的概貌, 又可以分析信号的细节，特别适用于非平稳时变信号，例如语音信号、声纳信号等。小波变换是一种信号的时间-尺度（时间-频率）分析方法，它具有多分辩率分析（Multiresolution Analysis）的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变但形状改变的时频局部化分析方法。即在低频部分具有较高的频率分辩率和较低的时间分辩率，在高频部分具有较高的时间分辩率和较低的频率分辩率，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，所以小波变换用于语音信号的去噪是近些年来比较热门的方法。 二、国内外发展状况 小波理论的兴起，得益于其对信号的时域和频域局域分析能力及其对一维有界函数的最优逼近性能，也得益于多分辨率分析概念，以及快速小波变换的实现方法。小波分析的思想来源于伸缩与平移方法。 第一个正交小波基是由Haar在1910年提出的，它就是人们熟知的Haar正交基，Haar 正交基是以一个简单的二值函数作为母小波经平移和伸缩而形成的。它具有最优的时（空）域分辨率，但是Haar小波基是非连续函数，因而Haar小波变换的频域分辨率非常差。1981年，Stromberg对Haar系进行了改进，证明了小波函数的存在性。1984年，Morlet在分析地震波数据的局部性质时，发现用傅立叶变换难以达到要求，因此引入小波的概念应用于信号分析中，并用一种无限支集的非正交小波分析地震数据，这是第一次真正意义上提出了小波的概念。随后，Grossman和Morlet一起提出了确定小波函数伸缩平移系的展开理论。1985年，法国数学家Meyer提出了连续小波的容许性条件及其重构公式。1986年，Meyer在证明不可能存在同时在时频域都具有一定正则性（即光滑性）的正交小波基时，意外发现具有一定衰减性的光滑性函数以构造的规范正交基（即Meyer基），从而证明了正交小波系的存在。1984年～1988年，Meyer、Battle和Lemarie分别给出了具有快速衰 详解傅里叶变换与小波变化 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。 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。 共振稀疏分解：一种新的可稀疏信号的分析 方法 0. 摘要 生命和物质过程会产生大量信号，这些信号不但是不稳定的，而且是持续震荡信号和瞬态冲击信号的混合，并且这两种信号是很难线性分解的，例如声音、医疗和地理信号。因此，本文描述了一种基于信号共振的非线性信号分析方法，而这种方法不基于傅里叶变换和小波变换产生的频谱和幅值。这种方法将信号分解成一个高共振分量和一个低共振分量——高共振分量由多个同时发生的持续震荡信号组成，低共振分量由多个没有具体现状和持续时间的瞬态冲击信号组成。本文所阐述的共振稀疏分解算法使用的方法有信号稀疏表示、形态分量分析和品质因子可调小波换。 1. 前言 频域分析法和滤波是信号处理的基础。然而，频域分析法和时频分析法并不适用于所有信号，事实上只适用于持续震荡或周期信号。那些主要由奇异点限定的分段光滑信号多数使用时域和小波变换描述、分析和处理。例如，图像扫描，眼部运动记录，潜能诱发反应，神经尖刺训练等。 然而，许多生命和物质过程产生信号不只是不稳定的，而且是持续震荡信号和瞬态冲击信号的混合，例如声音、医疗（脑电图和心电图等）和地理（海浪高度数据等）信号。这些信号既含有稳态震荡部分又含有瞬态冲击部分。脑电波包含有节奏振荡（alpha和beta波等），也包含人为测量和无节奏脑行为所产生的瞬态冲击。海浪高度数据测量的是已经流动了几百英里（100‘s）的海量的重叠高度，但是天气因素将中断这种震荡行为。当然，通过生命和物质系统测量的信号通常包含持续震荡信号和瞬态冲击信号，而这两种信号是很难线性分解的。 为了改进复杂非平稳信号的描述、分析和处理，我们阐述了一种新的基于共振的非线性信号分析方法，而这种方法不基于傅里叶变换和小波变换产生的频谱和幅值。这种方法将信号分解成一个高共振分量和一个低共振分量。其中，高共振分量由多个同时发生的持续震荡信号合成，另一方面，低共振分量由多个没有具体现状和持续时间的瞬态冲击信号合成。 这篇论文的部分内容已经出版在两个早期的会议论文中[84，85]。 小波理论实验报告 院（系） 专业 学生 学号 日期 2015年12月 实验报告一 一、 实验目的 1. 运用傅立叶变换知识对常用的基本函数做基本变换。 2. 加深对因果滤波器的理解，并会判断因果滤波器的类型。 3. 运用卷积公式对基本信号做滤波处理并分析，以加深理解。 4. 熟悉Matlab 中相关函数的用法。 二、 实验原理 1.运用傅立叶正、反变换的基本公式： ( )?()() ()(),1 1?()(),22i x i t i t i t i t f f x e dx f t e dt f t e f t f e d f t e ωωωωωωωωπ π ∞∞---∞ -∞ ∞ --∞ ==== =?? ? 及其性质，对所要处理信号做相应的傅里叶变换和逆变换。 2.运用卷积的定义式： 1212()()()()+∞ -∞ *=-? f t f t f f t d τττ 对所求信号做滤波处理。 三、 实验步骤与内容 1.实验题目： Butterworth 滤波器，其冲击响应函数为 ,0 ()0, 0若若α-?≥=? 第一章图像边缘的定义 引言 在实际的图像处理问题中，图像的边缘作为图像的一种基本特征，被经常用于到较高层次的特征描述，图像识别。图像分割，图像增强以及图像压缩等的图像处理和分析中，从而可以对图像进行进一步的分析和理解。 由于信号的奇异点或突变点往往表现为相邻像素点处的灰度值发生了剧烈的变化，我们可以通过相邻像素灰度分布的梯度来反映这种变化。根据这一特点，人们提出了多种边缘检测算子：Roberts算子Prewitt算子Laplace算子等。 经典的边缘检测方法是构造出像素灰度级阶跃变化敏感的微分算子。这些算子毫无例外地对噪声较为敏感。由于原始图像往往含有噪声、而边缘和噪声在空间域表现为灰度有大的起落，在频域则反映为同是主频分量，这就给真正的边缘检测到来困难。于是发展了多尺度分析的边缘检测方法。小波分析与多尺度分析有着密切的联系，而且在小波变换这一统一理论框架下，可以更深刻地研究多尺度分析的边缘检测方法，Mallat S提出了一小波变换多尺度分析为基础的局部极大模方法进行边缘检测。 小波变换有良好的时频局部转化及多尺度分析能力，因此比其他的边缘检测方法更实用和准确。小波边缘检测算子的基本思想是取小波函数作为平滑函数的一阶导数或二阶导数。利用信号的小波变换的模值在信号突变点处取局部极大值或过零点的性质来提取信号的边缘点。常用的小波算子有Marr 算子Canny算子和Mallat算子等。 §1.1信号边缘特征 人类的视觉研究表明，信号知觉不是信号各部分简单的相加，而是各部分有机组成的。人类的信号识别（这里讨论二维信号即图像）具有以下几个特点：边缘与纹理背景的对比鲜明时,图像知觉比较稳定；图像在空间上比较接近的部分容易形成一个整体；在一个按一定顺序组成的图像中，如果有新的成份加入，则这些新的成份容易被看作是原来图像的继续；在视觉的初级阶段，视觉系统首先会把图像边缘与纹理背景分离出来，然后才能知觉到图像的细节，辨认出图像的轮廓，也就是说，首先识别的是图像的大轮廓；知觉的过程中并不只是被动地接受外界刺激，同时也主动地认识外界事物，复杂图像的识别需要人的先验知识作指导；图像的空间位置、方向角度影响知觉的效果。从以上这几点，可以总结出待识别的图像边缘点应具有下列特征即要素：具有较强的灰度突变，也就是与背景的对比度鲜明；边缘点之间可以形成有意义的线形关系，即相邻边缘点之间存在一种有序性；具有方向特征；在图像中的空间相对位置；边缘的类型，即边缘是脉冲型、阶跃型、斜坡型、屋脊型中哪一种。 §1.2图像边缘的定义 边缘检测是图像处理中的重要内容。而边缘是图像中最基本的特征，也是指周围像素灰度有变化的那些像素的集合。主要表现为图像局部特征的不连续性，也就是通常说的信号发生奇异变化的地方。奇异信号沿边缘走向的灰度变化剧烈，通常分为阶跃边缘和屋顶边缘两种类型。阶跃边缘在阶跃的两边的灰度值有明显的变化；屋顶边缘则位于灰度增加与减少的交界处。我们可以利用灰度的导数来刻画边缘点的变化，分别求阶跃边缘和屋顶边缘的一阶，二阶导数。如图可见，对于边缘点A，阶跃边缘的一阶导数在A点到最大值，二阶导数在A点过零点；屋顶边缘的一阶导数在A点过零点，二阶导数在A点有最大值。 小波分析浅析 —— 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 离散小波变换的快速算法 Mallat算法[经典算法] 在小波理论中,多分辨率分析是一个重要的组成部分。多分辨率分析是一种对信号的空间分解方法,分解的最终目的是力求构造一个在频率上高度逼近L2(R)空间的正交小波基,这些频率分辨率不同的正交小波基相当于带宽各异的带通滤波器。因此,对于一个能量有限信号,可以通过多分辨率分析的方法把其中的逼近信号和细节信号分离开,然后再根据需要逐一研究。多分辨率分析的概念是S.Mallat在构造正交小波基的时候提出的,并同时给出了著名的Mallat 算法。Mallat算法在小波分析中的地位相当于快速傅立叶变换在经典傅立叶变换中的地位,为小波分析的应用和发展起到了极大的推动作用。 MALLAT算法的原理 在对信号进行分解时，该算法采用二分树结构对原始输入信号x(n)进行滤波和二抽取，得到第一级的离散平滑逼近和离散细节逼近x k1和d k1，再采用同样的结构对d k1进行滤波和二抽取得到第二级的离散平滑逼近和离散细节逼近x k2和d k2，再依次进行下去从而得到各级的离散细节逼近对x k1,x k2,x k3…，即各级的小波系数。重构信号时，只要将分解算法中的步骤反过来进行即可，但要注意，此时的滤波器与分解算法中的滤波器不一定是同一滤波器，并且要将二抽取装置换成二插入装置才行。 多孔算法 [小波变换快速算法及其硬件实现的研究毛建华] 多孔算法是由M.shen于1992年提出的一种利用Mallat算法结构计算小波变换的快速算法，因在低通滤波器h0(k)和高通滤波器h1(k)中插入适当数目的零点而得名。它适用于a=2j的二分树结构，与Mallat算法的电路实现结构相似。先将Mallat算法的电路实现的基本支路作一下变形。令h0k和h1(k)的z变换为H0（z）与H1（z），下两条支路完全等价，只不过是将插值和二抽取的顺序调换一下罢了。图中其它的上下两条支路也为等效支路，可仿照上面的方法证明。这样，我们便可由Mallat算法的二分树电路结构得出多孔算法的电路级联图，原Mallat算法中的电路支路由相应的等效支路所取代，所以整个电路形式与Mallat算法非常相似。如果舍去最后的抽取环节们实际上相当于把所有点的小波变换全部计算出来。 基干FFT的小波快速算法 [小波变换快速算法及其硬件实现的研究毛建华] Mallat算法是由法国科学家StephaneG.Mallat提出的计算小波分解与重构的快速算法，能大大降低小波分解与重构的计算量，因此在数字信号处理和数字通信领域中得到了广泛的应用。但是如果直接采用该算法计算信号的分解和重构，其运算量还是比较大。主要体现在信号长度较大时，与小波滤波器组作卷积和相关的乘加法的计算量很大，不利于信号的实时处理。 小波变换完美通俗解读 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 小波变换学习心得 第一章什么是小波变换 1从傅里叶变换到小波变换 1.1 短时傅里叶变换 为了克服傅里叶变换中时域和频域不能兼容的缺点，短时傅里叶变换把一个时间信号变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围的一定信息。这些信息的精度依赖于时间窗的大小。短时傅里叶变换的缺点是对所有的频率成分，所取的时间窗大小相同，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。 1.2 小波变换 小波变换提出了变换的时间窗，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的对比示意图。 由图1.3看出，小波变换用的不是时间-频率域。而是时间-尺度域，尺度越大，采用越大的时间窗，尺度越小，采用越短的时间窗，即尺度与频率成反比。 1.2 连续小波变换 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。图1.4是一个Daubechies小波（db10）与正弦波的比较。 正弦波：随时间无限振动的光滑波形，小波变换：尖锐变化而且是无规则的波形。因此小波能更好的刻画信号的局部特性。 在数学上，傅里叶变换的公式为 ()()j t F f t e dt ωω+∞ --∞ =? 连续小波变换（Continue Wavelet Transform ）的数学表达式 ()(),,a b a b CWT f t t dt ψ+∞ -∞ =? ()12 ,a b t b t a a ψψ--?? = ??? 式中，()t ψ为小波；a 为尺度因子；b 为平移参数。图1.6是小波变换的示意图。由图看出，小波变换给出了在各个时刻信号是由哪些尺度的小波构成。 小波中的尺度因子的作用是将小波在保持完全相似条件下“拉伸”或者“压缩”，图1.7给吃了尺度因子的“拉伸”和“压缩”作用。 小波中的平移参数，是简单地将波形沿时间轴平移。商务谈判与推销技巧 课程测试试题库
哈工大小波分析上机实验报告
小波变换-完美通俗解读
小波实验报告一维Haar小波2次分解
商务谈判与沟通技巧大全 (1)
小波变换 完美通俗解读2
调研报告
详解傅里叶变换与小波变换
用matlab小波分析的实例
共振稀疏分解
哈工大小波实验报告
基于小波变换的边缘检测技术(完整)
小波分析报告(去噪)
小波变换快速算法及应用小结
小波变换完美通俗解读
小波变换学习心得