【小波分析】二、小波分析基础知识

【小波分析】二、小波分析基础知识

基本记号

信号空间

对于一个无限的序列：
$$p\left(x_{-2},x_{-1},x_0,x_1,\dots \right)$$
若离散序列是能量有限的，即
$$\sum _{l=-\infty }^{+\infty }{\left|x_l\right|}^2<+\infty$$
我们成所有这些序列构成的空间为 $l^2(Z)$。

同样地，我们可以定义 $L^2(\mathbb{R})$ 空间，
$$L^2(\mathbb{R})=\left\{f(t):{\int }_{-\infty }^{+\infty }{\left|f(t)\right|}^2<+\infty \right\}$$

若 $f$ 是以$2\pi$为周期的周期函数，且在一个周期上能量有限，
$${\int }_0^{2\pi }|f(t){|}^{2}dt<+\infty$$

这类函数构成的空间，我们一般用 $L^2(0,2\pi )$ 表示。

内积和模（范数）

Hilbert 空间：$\forall f(t),g(t)\in L^2(\mathbb{R})$，
$$⟨f(t),g(t)⟩={\int }_{-\infty }^{+\infty }f(t)\bar{g}(t)dt$$

$$\Vert f(t)\Vert =\sqrt{⟨f(t)f(t)⟩}={\left({\int }_{-\infty }^{+\infty }|f(t){|}^{2}dt\right)}^{1/2}$$

$$\alpha f(t)+\beta g(t)\in L^2(\mathbb{R})$$

傅里叶变换及其性质

正变换（分解）

$$\hat{f}(\omega )=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^{+\infty }f(t)e^{-i\omega t}dt$$

很容易理解，我们之前解释过，所谓的变换无非是找一组基，把函数在这组基下表示出来。那么所谓的傅里叶变换，无他，就是我们找了一组基 $e^{i\omega t}$，这是一组连续的基，是通过$e$的复指数或者说三角函数，通过伸缩得到的一组基。$\omega$ 表示频率，$\omega$ 越大周期越小。正变换，就是求函数$f(t)$在每一个频率对应的基下面的成分或者说投影，当然，前面还有一个系数。即，
$$<f,e^{i\omega t}>={\int }_{-\infty }^{+\infty }f(t)\overline{e^{i\omega t}}dt={\int }_{-\infty }^{+\infty }f(t)e^{-i\omega t}$$
$\hat{f}(\omega )$ 也叫 $f(t)$ 的谱。不说明的时候，我们一般用头顶上的 hat 来表达。

逆变换（重构）

$$f(t)=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^{+\infty }f(\omega )e^{i\omega t}d\omega$$

当我们有了频率分量上的成分值（权重）大小时，我们在积分的意义下，做一个线性组合，就得到了原来的时域中的函数$f(t)$。

傅里叶正变换和傅里叶逆变换，构成了傅里叶变换的一个变换对。回忆以前的线性代数提到的，一组基到另外一组基的变换，对应着一个线性变换，当这个变换对应的矩阵是正定矩阵的时候，也就以为着这是不改变向量长度的旋转变换。同样地，我们看到，对于变换的算子有 $e^{-i\omega t}\ast e^{i\omega t}=1$，说明了傅里叶变换本质上是一个酉变换。

傅里叶变换的性质

• Parseval 恒等式
  $$⟨f(t),g(t)⟩=⟨f(\omega ),g(\omega )⟩$$
• 保持长度不变
  $$\Vert f{\Vert }^2=\Vert \hat{f}{\Vert }^2$$
• 卷积的表达
  $$\widehat{(f\ast g)}(w)=\hat{f}(w)\hat{g}(w)$$

卷积的表达有什么用呢？我们看卷积的定义：
$$(f\ast g)(t)={\int }_{-\infty }^{+\infty }f(u)g(t-u)du$$
这个计算计算很复杂。对于固定的$t$点的值，每次都要计算一个积分才能得到。这是非线性增长的一个计算量。而有了这个卷积的表达公式，只要求原来的两个函数的傅里叶变换的乘积，再逆回来就可以得到卷积了。故而，这个性质为一类计算，比如说卷积运算，提供了最坚实的理论基础。

小波基

傅里叶变换优缺点

通过上述的分析，我们知道，傅里叶变换有非常好的一面，可以看到，对于谱的分析，再通过逆变换，可以变成了对原来信号的分析。

我们再来看一下傅里叶变换的缺点。傅里叶变换有什么美中不足的地方呢？在现实应用中，我们接收到的信号可能不会那么完美。可能就会在某个时刻出现“漂移”。这个漂移以为着在这个时刻点之后，$f(t)$整体向上平移了。这时候再做傅里叶变换，分析的结果就会出问题。出现漂移了怎么办？

一个比较笨的方式，通过肉眼或者别的手段，把这些漂移给找出来，比如说，一个漂移函数，可以写成
$$g(t)=\{\begin{array}{ll}0& t<t_0\\ \delta & t⩾t_0\end{array}$$
现在$f(t)\to f(t)+g(t)$，我们只要找到这个$g(t)$把它扣掉就行了。这就包括你要找到漂移点在哪，漂移量是多少。当系统比较复杂的时候，你要人工地，或者说用某些技术手段，去把这些漂移都找出来，不是一件容易的事情。

于是，不用人的眼睛，而是在算法的层面，让它自动地去识别这些漂移。很遗憾的是，傅里叶变换做不到。

除了上面提到的漂移，还有一种漂移是脉冲漂移。也就是信号只在一点突然增加，马上又恢复正常。譬如说，远方放了一炮，这个炮让我这里的一个信号突然荡了一下。这种情况下，漂移的表达其实上面的函数的一个导数，变成了狄拉克函数，即$\delta =g^{\prime }$ 。傅里叶分析对付不了这类突变的情况。

傅里叶变换缺点的问题和本质

我们现在来思考。为什么傅里叶变换处理不了这种情况。它的问题是什么？问题本质和根源在哪里？

空间问题

我们来看信号空间，我们要求$f(t)\in L^2$，这就意味着它是一个中间高两边低，慢慢衰减的函数，光衰减不够，不能保证收敛，我们得衰减得很快，也就是说，

$$\underset{A\to +\infty ,B\to -\infty }{\lim }{\int }_A^{+\infty }{\left|f(t)\right|}^{2}dt+{\int }_{-\infty }^B{\left|f(t)\right|}^{2}dt=0$$

我们希望，时间越趋近于无穷大的时候，能量的作用是趋近于零的。好，这是对$f(t)$的要求，好，我们现在再来看傅里叶变换的基函数。

我们可以看到，傅里叶变换的基函数，都是通过一个$e$指数类型的三角函数，通过伸缩得到的周期函数。傅里叶逆变换，或者说傅里叶重构中，我们可以看到，它把一系列的周期函数捏成了一个非周期函数$f(t)$，还是一个能量有限的周期函数。基函数不在信号空间里头，最后做组合得到的函数，却在信号空间里头，这个事情就非常地让人感到神奇。这就好像一个人照镜子，镜子里面都是猪的嘴巴，狗的眼，每个部位，看着都不是他，最后拼起来一看，诶，还人模人样的，还真是一个人。

数值计算偏差问题

我们一个连续的东西，计算机是没法处理的，它总是把它离散化进行处理，一旦进行离散，而离散是一种近似，必然会带来误差。比如说傅里叶变换的积分，我们让计算机来算，就是算数值积分。一旦用数值积分，就会带来计算上的偏差。如果说这个偏差很小，或者说是可控的，倒是无关紧要。问题是，傅里叶变换对数值误极其敏感。举个例子，有些情况下，你可以控制傅里叶变换的模不变，让它的幅角，想偏多远就偏多远。

不可保性质的问题

试问，一个信号空间内函数的连续性和可导性，能否通过它谱来刻画。这个很难。举个例子，$f$ 不连续，在某个点断开了，但是我们可以通过控制他的谱的偏差，使得它回到信号空间变成连续的。这个事情就非常的有意思，就像一个人，比如说我，去森林里面溜达了一圈回来，就变成了一条狗。

问题的本质和根源

出现以上的问题的原因，细细思考，主要集中在两个方面。

第一点，基函数 $e^{i\omega t}$ 不在信号空间里面。这个非常好理解。正余弦函数是周期的，模仿积分是无穷的，不可能在 $L^2$ 里面。

第二点，我们观察傅里叶变换的表达式。对于谱的计算，每一频率只要变一点点，都需要都计算函数在对应的频率上的成分。分得太细，做的太多了。分得太细，界限就破坏了。界限一旦被破话，就很难分得清楚了。我举一个例子，相信你们都能接受。比如说一只猪和一个人。一只猪，头，四肢，躯干，分开了，放在桌子上。另外是一个人，也是头，四肢，躯干，放在另外桌子上。我相信正常人，都能分辨得清楚，哪个是猪，哪个是人。现在我买来一台绞肉机，把猪毛去了，把人的衣服脱了，放到机器里面，做成肉馅儿。没有人能分得清楚，那一块是人肉馅儿，那一块是猪肉馅。

小波基

基于以上对傅里叶变换的种种不满，有人就想构造一组令满意的基函数。借用以上的思想，我们也考虑一组基函数由一个函数伸缩而来的。

小波定义

若 $\psi (t)\in L^2(\mathbb{R})$，满足，
$$C_{\psi }={\int }_{-\infty }^{+\infty }\frac{|\hat{\psi }(\omega ){|}^2}{|\omega |}d\omega <+\infty$$
我们称 $\psi (t)$ 是一个小波（小波母函数）。这里 $C_{\psi }$ 一般成为容许参数。

对于 $\forall a\ne 0，b\in \mathbb{R}$，我们称

$${\psi }_{(a,b)}(t)=\frac{1}{\sqrt{|a|}}\psi \left(\frac{t-b}{a}\right)$$
称为连续小波，简称小波。

这里的 $b$ 是位移参数，$a$ 是尺度参数。小波是什么？小波是基，或者说是一组基，一组满足容许参数有限的一组基。

小波的波形特征

这里提两个小波的特征。

• 衰减的特征
  $${\int }_{-\infty }^{+\infty }|\psi (t){|}^{2}dt<+\infty$$
  $${\int }_{-\infty }^{+\infty }{\left|{\psi }_{(a,b)}(t)\right|}^{2}t<+\infty$$
  这个说明他们都是在信号空间里面的。也就是说他们的图像，中间高，两边迅速地衰减。

• 波动特征：关于某一条水平线，上下面积相等。
  $${\int }_{-\infty }^{+\infty }\psi (t)dt=0$$
  $${\int }_{-\infty }^{+\infty }{\psi }_{(a,b)}(t)dt=0$$
  证明复杂，我们可以加一个条件，进行简单证明：
  加的条件：$\hat{\psi }(\omega )$ 在 $\omega =0$ 时连续。
  证明如下：
  $$\hat{\psi }(\omega )=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^{+\infty }\psi (t)e^{-i\omega t}dt$$
  只要证 $\hat{\psi }(0)=0$。
  从以下这个有界表达，我们能感受到这一点。
  $$C_{\psi }={\int }_{-\infty }^{+\infty }\frac{|\hat{\psi }(\omega ){|}^2}{|\omega |}d\omega <+\infty$$

meyer 提出的 wavelet 的概念是什么意思？小小的波纹。从这里就能看出来了。首先要是 $L^2$ 然后在两端震荡地趋向于 0。参数的影响和 Haar 小波是一样的，位移参数，决定它的移动，尺度参数，决定它的伸缩。类比傅里叶基，用什么来体现它的快慢呢？就是这个尺度参数。$a<1$ 快变成分，$a>1$ 慢变成分。后面我们会提到，只要考虑 $a>0$ 即可。 $a<0$ 的情况可以通过 $a>0$ 的情况对称地考虑即可。

小波变换

小波变换定义

有了小波基，我们直接给出小波变换的定义。

对于 $\forall f(t)\in L^2(\mathbb{R})$

$$W_f(a,b)={\int }_{-\infty }^{+\infty }f(t){\overline{\psi }}_{(a,b)}(t)dt$$
称为信号$f(t)$的小波变换。

从这个表达中，我们可以看得出来，小波变换把只含一个变量的信号，变成了两个参数的函数，一维信号变成了二维的形式，这是个典型的“升维分析”。我们知道，在微积分里面，把一元的东西抬到了二元，一下子变得复杂了，比如说连续、极限是否存在。升维分析在哪里还见过呢？典型的有：SVM、神经网络、水平集方法、用相场模型来研究界面等等。

小波变换的基本性质

研究一个变换，我们经常在乎的是，分析在时频空间是否对等，变换是否可逆、逆变换什么形式、是否正交变换等等。

下面我们来看一下小波变换的基本性质，我们和傅里叶变换做类比。

Parseval恒等式（也称 能量守恒、内积恒等式 、Planch‎erel 定理）

$$C_{\psi }⟨f(t),g(t)⟩=⟨W_f(a,b)\cdot W_g(a,b)⟩:={\iint }_{\mathbb{R}\times {\mathbb{R}}^{\ast }}{W}_f(a,b)\cdot {\bar{W}}_g(a,b)\frac{dadb}{a^2}$$
这里的${\mathbb{R}}^{\ast }$表示$\mathbb{R}$挖掉$0$这个点，即
R ∗ = R − { 0 } \mathbb{R}^{*}=\mathbb{R}-\{0\} R∗=R−{0}

需要注意的是，这里多了一个容许参数和积分度量分母上的$a^2$。

保长度

$$C_{\psi }\Vert f{\Vert }^2={\Vert W_f(a,b)\Vert }^2$$
这里取内积不等式的$g=f$直接可以得到。

逆变换

我们可以参照傅里叶逆变换的写法，写出它的逆变换：
$$f(t)=\frac{1}{C_{\psi }}{\iint }_{\mathbb{R}\times {\mathbb{R}}^{\ast }}{W}_f\left(a,b\right){\psi }_{(a,b)}(t)\frac{\text{ dadb }}{a^2}$$

注释：
1、这里的等号是“几乎处处”相等
2、当$f$在$t=t_0$连续时，变成了数值相等，即
$$f(t_0)=\frac{1}{C_{\psi }}{\iint }_{\mathbb{R}\times {\mathbb{R}}^{\ast }}{W}_f\left(a,b\right){\psi }_{(a,b)}(t_0)\frac{\text{ dadb }}{a^2}$$

从这里的第 2 条，可以很容易得到第一条。即因为 $f(t)$ 满足
$${\int }_{-\infty }^{+\infty }|f(t){|}^{2}dt<+\infty$$
所以，它一定是几乎处处连续的，那么小波逆变换就是几乎处处成立的。

逆变换直接有内积恒等式得到，只不过把$g$取成了$\delta$函数。

其他性质

我们再看，是不是酉变换变换呢？从这个共轭符号，可以看出来其体现了正交变换的风格，但不是严格的那样，因为容许参数不等于 1，就未必是正交变换。

傅里叶变换的卷积公式还有没有呢？卷积公式，本质上是说找到一组新基，对应一个矩阵，这个矩阵是一个对角矩阵。小波变换，其实时一种近似对角，而不是严格的对角。

小波变换的一些分析

我们看逆变换里面的这个测度：
$${\text{ dadb/a }}^2$$

我们仔细看逆变换，$a$ 的大小对于不同的连续小波它的影响是不一样的。$a$ 越小，越靠近 0 的时候，对 $f(t)$ 的影响越大，反之亦然。 $W$ 的前面的权重是不一样。所以我们再做数值计算，数值积分的时候，对于$a$ ，越靠近 $0$ 取的点应该越密集。逆变换告诉我们，小波变换对于变换的结果不是一视同仁的。不同 $a$ 小的小波，他的贡献是不一样的，这点在理论分析和数值计算上很重要。$a>1$ 做的马虎一点，影响不大。

从这一点来说，小波变换和之前所说的变换，有本质的不同。

吸收小波

吸收小波引入

前面说，小波变换把一维信号，变成二维信号。低维变成了高维，有没有什么办法，能够省点计算量呢。

我们先看傅里叶变换，
$$\hat{f}(\omega )={\int }_{-\infty }^{+\infty }f(t)e^{-i\omega t}dt$$
它要想省点计算，基函数限定死了，我们只能从信号上下功夫。因为 $f(t)$ 是实信号，我们有
$$\begin{array}{rl}\bar{\hat{f}}(\omega )& ={\int }_{-\infty }^{+\infty }f(t)e^{(-i)(-\omega )t}dt\\ & =\hat{f}(-\omega )\end{array}$$
从这里我们知道，实际上，我们把傅里叶变换的计算量做了一个折叠，只要计算一半就可以了。除此之外，还要别的办法吗？没有。因为傅里叶变换的基函数已经限定死了。

吸收小波定义

对小波分析，如何减少分析工作量？变换域的分析是等价的，只要去$C_{\psi }$是有限。从这里，我们定义吸收条件，

$${\int }_0^{+\infty }\frac{|\hat{\psi }(\omega ){|}^2}{\omega }d\omega ={\int }_0^{+\infty }\frac{|\hat{\psi }(-\omega ){|}^2}{\omega }d\omega$$

我们称，满足这个吸收条件的小波，叫做吸收小波。

吸收小波性质

类比小波的性质，我们可以看吸收小波的性质。

• 吸收恒等式
  $$C_{\psi }⟨f(t),g(t)⟩=2{\iint }_{\mathbb{R}\times {\mathbb{R}}^{+}}{W}_f(a,b)\cdot {\bar{W}}_g(a,b)\frac{dadb}{a^2}$$
• 模长关系
  $$C_{\psi }\Vert f{\Vert }^2=2{\Vert W_f(a,b)\Vert }^2$$
• 逆变换
  KaTeX parse error: Got function '\left' with no arguments as subscript at position 86: …f}{(a, b)}\psi_\̲l̲e̲f̲t̲(a_{}, b\right)…

= 号依然是几乎处处。

吸收小波告诉我们，要分析小波变换，只要对 $a>0$ 的那部分连续小波变换的分析就可以了。

二进小波

二进小波的定义

人心不足蛇吞象。更近一步，我们想取离散的一些连续小波变换的取值，能做到吗？从前面的分析我们知道，不同的连续小波的重要程度是不一样的，所以我们对 $a$ 不能是均等的取。是不是可以从对数的角度来考虑，又是均等的呢？

我们希望对原来的基函数本身施加更苛刻的条件，使得原来的信号$f(t)$能够更好地凝聚，凝聚到一些离散 $a$ 的点上。其实，施加更严苛的条件，使得只要在对 $a$ 在$2$的整数次幂的地方的值就可以了。

若 $\psi (t)$ 满足下述的稳定性条件，
$$0<A⩽\sum _{j=-\infty }^{+\infty }{\left|\hat{\psi }\left(2^{-j}\omega \right)\right|}^2⩽B<+\infty ,$$
则称 $\psi (t)$ 是二进小波。对几乎处处的$\omega \in \mathbb{R}$成立即可。

注意这个稳定性条件，需要取全部的 $\omega$ 吗？其实只需要$1\le \omega \le 2$。

这时，逆变换可以写为：
$$f(t)=\sum _{j=-\infty }^{+\infty }{2}^j{\int }_{-\infty }^{+\infty }{W}_f\left(2^{-j},b\right){\tau }_{(2^{-j},b)}(t)db$$
其中，$\tau (t)$ 满足，
$$\sum _{j=-\infty }^{+\infty }\bar{\hat{\psi }}\left(2^{-j}\omega \right)\hat{\tau }\left(2^{-j}\omega \right)\equiv 1,a.e.,\omega \in \mathbb{R}$$
称之为 $\psi (t)$ 的“重构小波”。

重构小波讨论

二进小波告诉我们，在 $a=2^{-j}$ 这些点上的离散取值进行分析即可。
当稳定性条件中 A=B=1的时候，$\tau$ 取成$ \psi$ 就可以了。但是这个条件，一般不满足，所以所以出现了重构小波。
$\psi (t)$ 用于分解，做小波变换。$\tau (t)$ 用于重构，做逆变换。

$\tau (t)$ 一定可以找到吗？简单地，我们如果取
$$\hat{\tau }(\omega )=\hat{\psi }(\omega )/\sum _{j\in Z}{\left|\hat{\psi }\left(2^{-i}\omega \right)\right|}^2$$
可以看得出来，重构小波的条件是被满足的。

容易证明，$ \tau$ 是能量有限的，它也是吸收的，不仅吸收的，还是二进小波。
查文献可以知道，$ \tau$ 不是唯一的，但是不同的$\tau$之间，是有一定联系的。

正交小波

二进小波告诉我们，连续小波变换域里只需要分析被$2$的整数次幂的方式离散的那些$a$对应的小波即可。这里还有一个心病，就是 $b$，$b$ 还是整个一维的变量。是否存在它的某种离散方式呢？有人试图证明没有。证明过程中，却构造出来了，不仅有，而且有很多，按部就班地构造出来，这就是正交小波。正交小波好像也是 meyer 提出的概念。

正交小波定义：

若 $\psi (t)$满足，
$$\left\{{\psi }_{j,k}(t)=2^{j/2}\psi (2^{j}t-k);(j,k)\in Z^2\right\}$$
构成$L^2(\mathbb{R})$的标准正交基（O.N.B），则称$\psi (t)$是正交小波。

其实就是小波取 $a=2^{-j},b=2^{-j}k$ 的那些基是正交的。

那么信号就可以写成这一组基的线性组合，

$$f(t)=\sum _{j=-\infty }^{+\infty }\sum _{k=-\infty }^{+\infty }{\alpha }_{j,k}{\psi }_{j,k}(t)$$

写到这，似乎都没有新东西，这不就是简单的线性代数，没什么了不起的。巧就巧在，我们看这个系数的表达，
$${\alpha }_{j,k}={\int }_{-\infty }^{\infty }f(t){\bar{\psi }}_{j,k}(t)dt=W_f\left(2^{-j},2^{-j}k\right)$$
它刚好是信号在这些$j,k$离散点上的投影。完整地把信号表达出来，就是
$$f(t)=\sum _{j=-\infty }^{+\infty }\sum _{k=-\infty }^{+\infty }{W}_f\left(2^{-j},2^{-j}k\right){\psi }_{j,k}(t)$$

这里的位移 $b$ 变成和尺度参数 $a$ 有关联了。
正交小波说明了什么？我们仅仅只要分析，连续小波变换在$a$和$b$的一些离散点上的分析。这也正是正交小波令人鼓掌的地方。

小波与采样

香农采样定理

我们知道，连续的东西在计算机上是不能表达的。所以我们希望通过离散的一些取值来刻画一个连续的东西。香农采样定理说的就是这样一个事情。
香农采样定理：
$$f(t)=\sum _{n\in \mathbb{Z}}f(n\Delta )\frac{\sin \frac{\pi }{\Delta }(t-n\Delta )}{\frac{\pi }{\Delta }(t-n\Delta )}$$
这是香农采样定理最原始的形式。这里我的条件没写全。要求$f(t)$的谱是截断的（频率截断的，或者说是带限信号，低通信号），采样间隔满足一定的条件，和截断的支集关联，支集越小，采样间隔就可以放大一些。

具体写出来：$f\in U_{\Delta }$
U Δ : = { f : supp ⁡ f ^ ⊂ [ − π / Δ , π / Δ ] } U_{\Delta}:=\{f: \operatorname{supp} \hat{f} \subset[-\pi /\Delta, \pi / \Delta]\} UΔ​:={f:suppf^​⊂[−π/Δ,π/Δ]}

小波采样定理

把
$$f(t)=\sum _{j=-\infty }^{+\infty }\sum _{k=-\infty }^{+\infty }{W}_f\left(2^{-j},2^{-j}k\right){\psi }_{j,k}(t)$$
代入，
$$W_f(a,b)={\int }_{-\infty }^{+\infty }f(t){\overline{\psi }}_{(a,b)}(t)dt$$
非常容易得到，
$$W_f(a,b)=\sum _{j=-\infty }^{+\infty }\sum _{k=-\infty }^{+\infty }{W}_f\left(2^{-j},2^{-j}k\right)\times {\int }_{\mathbb{R}}{\psi }_{j,k}(t)\overline{{\psi }_{(a,b)}}(t)dt$$

乘号后面是一个只跟 $a,b,j,k$ 有关的函数。

采样定理比较

从这里可以看到，连续小波变换可以通过离散取值，实现重建。比起香农采样，这里的$f(t)$，只要在信号空间中，似乎没有任何限制，都可以这么干。

小波采样定理告诉我们，一个信号的连续小波变换，信息被凝聚到了一些离散的点上面。所以我们只要直接了当地知道这些离散的点上的取值是多少，别的地方的值等于多少，其实也就知道了。

对于傅里叶变换而言，如果对谱进行了采样，
$$f({\omega }_l)={\int }_{-\infty }^{+\infty }f(t)e^{-i{\omega }_{l}t}dt$$
它是不能够重建连续傅里叶变换的信息点的。采样就相当于把一个信号周期化了，跑出信号空间。这是因为可共度的周期函数的离散和还是周期函数。

后续内容

如何构造正交小波？如何改进得到的正交小波得到多个正交小波 ？这就是多分辨分析的内容。得不到正交小波，我们也可以放宽条件，构造双正交小波。

参考和致谢

《Nonlinear approximation》 Ronald A. Devore 剑桥大学出版社

《小波十讲》Ingrid Daubechies 李建平等译 国防工业出版社

《小波与算子》（第一卷 ） Y.Meyer 尤众译 世界图书出版社

《小波变换与分数傅里叶变换：理论及应用》 冉启文 哈尔滨工业大学出版社

“小波理论及应用” 冉启文 【哈尔滨工业大学】

相关的 Wikipedia 和网络资料

《时间序列分析的小波方法》

《小波时间序列分析法》

《小波的理论与应用》 成礼智科学出版社