python时间序列小波分析_时间序列的小波分析

时间序列的小波分析

时间序列（

Time

Series

）是地学研究中经常遇到的问题。在时间序列研究中，时域和频域是常用的两

种基本形式。

其中，

时域分析具有时间定位能力，

但无法得到关于时间序列变化的更多信息；

频域分析

（如

Fourier

变换）虽具有准确的频率定位功能，但仅适合平稳时间序列分析。然而，地学中许多现象（如河川

径流、地震波、暴雨、洪水等）随时间的变化往往受到多种因素的综合影响，大都属于非平稳序列，它们

不但具有趋势性、周期性等特征，还存在随机性、突变性以及“多时间尺度”结构，具有多层次演变规律。

对于这类非平稳时间序列的研究，通常需要某一频段对应的时间信息，或某一时段的频域信息。显然，时

域分析和频域分析对此均无能为力。

20

世纪

80

年代初，由

Morlet

提出的一种具有时

-

频多分辨功能的小波分析（

Wavelet Analysis

）为更好

的研究时间序列问题提供了可能，它能清晰的揭示出隐藏在时间序列中的多种变化周期，充分反映系统在

不同时间尺度中的变化趋势，并能对系统未来发展趋势进行定性估计。

目前，小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学

领域内得到了广泛的应。在时间序列研究中，小波分析主要用于时间序列的消噪和滤波，信息量