[小波1]小波变换公式由来的深入理解

SEIbastiane

已于 2024-03-07 23:18:55 修改

阅读量877

点赞数 21

文章标签：人工智能

于 2024-02-26 20:05:19 首次发布

本文链接：https://blog.csdn.net/weixin_47133384/article/details/136291007

版权

1.内积，点乘

b向量调小夹角之后和a向量更像，因此点乘可以用于衡量一个东西和另一个东西的相似度(Similarity)。点乘出来的数值越大，相似度越高

①归一化可以保证各个观察者能量一致的。

②方便后续数据处理

其中i和j的长度被归一化成1，是该方向的单位向量，是归一化过的观察者。

4和3是投影系数，是不同方向上观察者看到的目标的量是多少。

下面这张图展示了谁归一化都是等价的

2.连续函数点乘

直角坐标系中点乘计算很简洁，就是两个分量相乘后相加

把n维向量这些数均匀撒到时间轴t上，范围是[t1, t2]，即定义域是[t1, t2]的离散函数，n变大，在纵轴上面的数值越来越多，直至这个区间段都被占满，刚刚的离散函数就变成连续函数了，向量可以直接表示一条连续线段。

一个连续函数可以看做一个连续的无穷维向量。两个无穷维向量的点乘就是对应点的函数值相乘，当他们是连续函数时，就直接用两个函数表达式相乘即可。

$eq?X%28t%29Y%28t%29%3D%5Cint_%7Bt_%7B1%7D%7D%5E%7Bt_%7B2%7D%7DX%28t%29Y%28t%29dt$

上式为连续函数点乘的定义。这么积分就是求X(t)Y(t)和x轴围成的面积，上方的面积多一些，点乘的结果就是正的。

$eq?%5Csin%20x$ 和 $eq?%5Ccos%202x$ 围成的面积上下侧相等，点乘为0

从数学上看sinx和cos2x在[- $eq?%5Cpi$ , $eq?%5Cpi$ ]范围内一点也不“像”

3.傅里叶级数的再解读

傅里叶级数以一系列简单的正余弦函数作为基，这些基( $eq?%5Ccos%20nt$ 、 $eq?%5Ccos%202t$ 、 $eq?%5Ccos%203t$ )是一系列的观察者，这些观察者通过不同频率来区分的，有不同频率的观察者(1rad/s、2rad/s)。这些观察者可以看到目标函数在自己频率世界中的投影/影响是多少（目标函数和观察者自己本身的相似度是多少）

下面是其中一个观察者和目标函数衡量有多“像”的计算步骤： $eq?%5Ccos%20nt$ 是周期函数，拿其中一个积分即可

要进一步看“相似度”——f(t)在 $eq?%5Ccos%20nt$ 上面的投影是多少，需要求投影系数，则离不开归一化的操作

被观察者= $eq?%5Csum$ 归一化的投影系数 $eq?%5Ctimes$ 观察者

如何看 $eq?%5Ccos%20nt$ 这个观察者是否已经是归一化的？如果是向量有没有归一化，直接计算模长是不是等于1即可

连续函数=连续无穷维向量，连续函数的模长（2-范数）就是自己和自己点乘，然后再积分，后开方，发现cosnt模长不是1，那么需要用到前面的归一化系数公式进行计算：

得到的这个公式和傅里叶级数求An的公式相同（对应到不同频率基的振幅），这样求得原函数在不同频率下的投影是多少：

$eq?%5Cfrac%7B1%7D%7B%5Cpi%20%7D%5Cint_%7B-%5Cpi%20%7D%5E%7B%5Cpi%20%7Df%28t%29cos%28nt%29dt$

4.复指数形式的傅里叶变换

观察者由原先的余弦函数变为 $eq?%5Cexp%20%28iwt%29$ ，把原来余弦函数观察者的观察范围由实数域拓展到带虚数的复数域。

在复平面和时间轴组成的空间里面是这样螺旋前进的：

其中w为旋转的角频率（w越大旋转的越快），旋转的半径都是1，不同的观察者根据旋转的快慢进行分类。

对于一个负数计算模长的方法：

区别于实函数的模，复数是自己和自己的共轭相乘再开方。类似的，两个复函数的点乘是取后者的共轭函数进行计算的。

观察者表示为半径为1的旋转，模长用1，用定义计算也是这样。

常用的连续函数的傅里叶变换公式：

$eq?%5Cint_%7B-%5Cinfty%20%7D%5E%7B+%5Cinfty%20%7Df%28x%29e%5E%7B-i%5Clambda%20x%7Ddx$

积分出来的结果是关于频率w的复函数 $eq?%5Cchi%20%28w%29$ ， $eq?%5Cleft%20%7C%20%5Cchi%20%28w%29%5Cright%20%7C$ 是投影数，即该频率下震动的幅度。

以这个螺旋前进的函数在实数域的投影为例，由于 $eq?%5Cexp%20%28iwt%29$ 这个观察者在时间轴上是无穷无尽的，因此有缺点。派一个高频观察者对下面的信号进行观察，会发现如果问在什么时间段上和信号最近呢？这个观察者会说什么时间？因为观察者是在整个时间轴无穷无尽的！观察者一边，整个时间轴一起变。所以实际上在整条时间轴上一起看，就算只有部分像，我都说像。

5.观察者局域化大改造

把我们想要的观察者局域化到一个小段时间内，把 $eq?%5Ccos%20nt$ 乘以一个衰减系数 $eq?e%5E%7B-at%5E%7B2%7D%7D$ ，这个衰减过的观察者在时间轴上就不是无穷无尽的了。

让观察者顺着时间轴去巡逻，去观察目标函数，然后把不同时间点观察到的结果反馈，那么高频的观察者知道时间轴前面的信号和它像，后面低频的和他不像。

观察者如何顺着时间轴进行巡逻呢？只需要给观察者的t减去一个数字b，当b变化时整个观察者就沿着时间轴跑起来了，b为平移因子，不同的b值对应不同的时间点。

观察者的高低频是怎么控制的？因为想让不同频率的观察者去巡逻，胖胖的上图就是中心频率低，瘦瘦的上图就是中心频率高。里面的系数除以一个伸缩因子a， $eq?%5CPhi%20%28%5Cfrac%7Bt-b%7D%7Ba%7D%29$ ，可以控制观察者变胖变瘦，那么控制a的大小就能控制频率的高低，a又称尺度因子。

若高频的观察者说目标函数和我长得更像，那么目标函数高频成分更多。

①第一个观察者是高频的信号，一路走来没有发现目标函数和自己有一丁点相似的，右面的记录就是一条数值为0的直线。

②频率稍低一点的观察者上场，和这个频率的观察者相似度高的部分数值波动就高，如果不怎么像的数值就接近于0。

③得到了一个既有时间信息，又有频率信息的函数图像，这是一个关于平移因子和尺度因子的二元函数图像，这个图像是三维的，可以在这个图中得到任意频率在任意时间点的数值。

小波变换能够同时得到时间和频率的信息，是不是解决了时间不确定性的制约呢？——并没有

小波——一系列在时域上做了局域化的观察者

小波函数是一个非常庞大的家族，根据应用的场景和所需的特性不同，所选的小波不同：

$eq?f%28t%29$ 为目标函数，变着胖瘦(a)，顺着时间轴和目标函数进行点乘，再求积分 $eq?%5Cint_%7B-%5Cinfty%20%7D%5E%7B+%5Cinfty%20%7Df%28t%29%5CPhi%20%28%5Cfrac%7Bt-b%7D%7Ba%7D%29dx$ ,得到的结果是关于时间和频率的二元函数，要想得到具体的数值，把a(频率)和b(时间)带进去即可。

问题：不同观察者 $eq?%5CPhi%20%28%5Cfrac%7Bt-b%7D%7Ba%7D%29$ 和x轴围成的面积不一样，就要进行归一化，有一个 $eq?%5Cfrac%7B1%7D%7B%5Csqrt%7B%5Cleft%20%7C%20a%20%5Cright%20%7C%7D%7D$ 的归一化因子

归一化之后，变瘦的同时右面的图会变高，这样保证了围成的面积相同，能量一致。

6.小波变换的公式：

$eq?C_%7Ba%2Cb%7D%3D%5Cfrac%7B1%7D%7B%5Csqrt%7B%5Cleft%20%7C%20a%20%5Cright%20%7C%7D%7D%5Cint_%7B-%5Cinfty%20%7D%5E%7B+%5Cinfty%20%7Df%28t%29%5CPhi%5E%7B*%7D%20%28%5Cfrac%7Bt-b%7D%7Ba%7D%29dx$

在时间轴上滚动着去和别人相乘求积分？实际上就是卷积！小波函数就是卷积核。

SEIbastiane

关注

21
点赞
踩
15

收藏

觉得还不错? 一键收藏
0
评论
[小波1]小波变换公式由来的深入理解

b向量调小夹角之后和a向量更像，因此点乘可以用于衡量一个东西和另一个东西的相似度(Similarity)。点乘出来的数值越大，相似度越高①归一化可以保证各个观察者能量一致的。②方便后续数据处理其中i和j的长度被归一化成1，是该方向的单位向量，是归一化过的观察者。4和3是投影系数，是不同方向上观察者看到的目标的量是多少。下面这张图展示了谁归一化都是等价的。
复制链接

扫一扫