傅里叶变换尺度变换性质_从傅里叶变换进阶到小波变换（四）

一、傅里叶变换 （FT）

二、傅里叶变换（FT）的缺点与短时傅里叶变换（STFT）

三、短时傅里叶变换（STFT）的缺点与连续小波变换（CWT）

四、连续小波变换（CWT）的缺点与离散小波变换（DWT）

源代码：1368069096/From_FT_to_WT_examples-

四、连续小波变换（CWT）的缺点与离散小波变换（DWT）

1、连续小波变换（CWT）的缺点

在上一篇文章（https://zhuanlan.zhihu.com/p/68323379）中我们讲解了 CWT可以实现动态分辨率的时频分析。CWT公式为：

，

表示原始信号。你可能已经注意到了，这里的

是一个

连续函数。

但是在第二篇文章（https://zhuanlan.zhihu.com/p/66246381）中我们讲过，实际采样信号往往具有两个特点：1、离散性，就是采集数据不连续，很容易理解，采集信号肯定是一个一个数据采集的；2、有限性，虽然理想的CWT是从

进行积分的，但是实际信号往往实在一个区间内

的。如下图所示。

所以，由于CWT需要一个连续信号，但是实际采样信号往往是离散的，我们无法直接对实际信号进行CWT。

或许你想，我们对实际采样信号进行插值连续化不就可以使得其连续了吗？

是的。将实际采样信号插值连续化之后，我们——人，是可对它进行CWT的。

但是，我们也都知道，我们的帮手——计算机，是无法处理连续问题的。计算机只能处理离散问题。如果计算机要进行CWT，就意味着需要计算机做无穷次运算，计算机计算能力再强也是做不到的。

因此，为了使得计算机可以进行小波变换，我们需要引入离散小波变换（DWT）。

2、离散小波变换（DWT）的Mallet算法

DWT有很多种实现方式，我们在这里介绍Mallet算法，它是DWT的以一种经典的快速算法，也比较易懂。

我们首先来回顾一下上一篇文章讲过的动态分辨率图：高频部分，窄窗，高的时域分辨率，低的频域分辨率；低频部分，宽窗，低的时域分辨率，高的频域分辨率。

我们是利用小波母函数的挤压和拉伸来实现动态分辨率的：

当小波母函数被挤压的时候，频率就高，此时窗子窄，时域分辨率就好，根据海森堡测不准原理，频域分辨率就差；

当小波母函数被拉伸的时候，频率就低，此时窗子宽，时域分辨率就差，根据海森堡测不准原理，频域分辨率就好。

也就是说，我们控制的是不同频率对应的窗长（即时域分辨率）ÿ