小波滤波器与其他滤波器的区别_小波变换（六）：小波变换在机器学习中的应用（上）...

本文讲解一篇关于小波变换在机器学习中的应用的博客：《A guide for using the Wavelet Transform in Machine Learning》，极力推荐！！目录如下：

链接：http://ataspinar.com/2018/12/21/a-guide-for-using-the-wavelet-transform-in-machine-learning/ 1、引言

信号处理技术(比如傅里叶变换、小波变换等)可以用在时间序列分类的任务中。傅里叶变换可以将一个信号从时域变换到频域，频谱中的峰值对应着信号中最常出现的频率。在频谱中，峰值的位置(频率值)和高度(幅度值)可以作为分类器的输入。

傅里叶变换在很多分类问题中都表现得很好。通常情况下，只有当频谱是静态的时候，使用傅里叶变换才可行。信号越是非静态，傅里叶变换产生的结果就越差。然而，大多数实际问题中的信号都是非静态的，用于分析非静态信号的一种更好的方法是小波变换。

在这篇博客中，我们会稍微涉及一些小波变换的理论，以及如何将其应用在实际问题中，并且每一步都提供了相应的代码以方便理解。

2.1 从傅里叶变换到小波变换

傅里叶变换的工作原理是：将信号与一系列不同频率的sin波函数相乘，再进行积分。傅里叶变换在频域上有较高的分辨率，在时域上的分辨率为0。也就是说，傅里叶变换能够清楚地告诉我们信号中存在什么样的频率，但是不知道这些频率发生在什么时刻。

两个信号的频谱一致，但是在时域上却不大不相同。傅里叶变换不能告诉我们关于频率发生的时刻。

为了解决傅里叶变换在处理非静态信号时的问题，短时傅里叶变换被提出来。短时傅里叶利用滑动窗口将信号等分成相同长度的区间(可以有重叠的区域)，然后分别对这些区间进行傅里叶变换。但是，短时傅里叶变换存在分辨率的问题：若区间长度较小，则很容易知道频率发生在什么时刻，但是频率的信息则