小波变换（二）

这篇文章主要接着上篇文章，上篇文章是对小波分析的初步了解，这篇的话就是对其公式的初步了解。

小波变换（一）： https://blog.csdn.net/m0_51330854/article/details/115319184

一、傅里叶变换（FT）

傅里叶变换可以把一个信号从时域变换到频域。傅里叶变换的形式为：

根据欧拉公：

也就是说，傅里叶变换的本质就是：将原始信号乘上一组三角函数（正余弦），之后在整个时间域上积分。就这么简单！

 

 

 

 

将一个信号乘上一个特定频率的sin函数，在上积分，可以将信号中与sin函数同频率的部分筛选出来。那么，原则上讲，只要乘上所有频率的sin函数，并积分，不就知道原始信号中的所有频率部分了吗？

我们将所乘的sin函数的频率作为符号变量w，来进行积分，就只需要做一次积分，可以计算了。

傅里叶变换之后，实部是与cos的相似度，虚部是与sin的相似度

二.短时傅里叶变换（STFT）

有一个窗子在信号上从左向右滑动，每次你都只能看到这个信号的一部分，所以我们把这个长度叫作窗长width。

现在我们来定义一个方窗函数：

 如下图，即是width = 10 的一个方窗函数：

将方窗函数向右平移了（s可能是sliding的意思吧），再与原信号相乘，由于方窗函数除了中心的width部分是1外，其他部分都是0，这就相当于提取出了原信号在处，宽度为width的部分，这个信号分窗这个操作就可以写成

三.连续小波变换（CWT）

小波母函数需要满足的条件有：

1. 紧支撑性：仅在一小部分定义域里不为0，剩下部分均为0；
2. 本身是振荡的，具有波的性质，并且完全不含直流趋势成分，（在有限时间范围内平均值为0）

四.离散小波变换（DWT）的Mallet算法

实际上，离散小波变换是对连续小波变换的尺度、位移按照2的幂次进行离散化得到的，所以也称之为二进制小波变换。

在小波分析中经常用到近似与细节。近似表示信号的高尺度，即低频信息；细节表示信号的低尺度，即高频信息。因此，原始信号通过两个相互滤波器产生两个信号。

1.定义（摘自百度百科）：

    首先我们定义一些需要用到的信号及滤波器。

    x[n]：离散的输入信号，长度为N。

    g[n]：low pass filter低通滤波器，可以将输入信号的高频部份滤掉而输出低频部份。

    h[n]：high pass filter高通滤波器，与低通滤波器相反，滤掉低频部份而输出高频部份。

 Q：downsampling filter降采样滤波器，如果以x[n]作为输入，则输出y[n]=x[Qn]。此处举例Q=2。

利用阶层架构来介绍如何将一个离散信号作离散小波变换

  架构中的第1层(1st stage)

  架构中的第2层(2nd stage)

  可继续延伸

架构 中的第 α 层( α th  stage)

注意：若输入信号 x[n]的长度是N，则第 α层中的 xα,L[n]及 xα,H[n]的长度为。

用一张比较经典的图，再来演示一下小波分解的过程。为采样信号的最高频率。 代表高通滤波器， 代表低通滤波器，“箭头+2”表示2倍下采样。

 

2、在降噪中的应用

在小波分析中经常用到近似于细节，近似表示信号的高尺度，即低频信息；细节表示信号的高尺度，即高频信息。 对含有噪声的信号，噪声分量的主要能量集中在小波解的细节分量中。