小波变换基础
第六章 基于小波变换的故障诊断方法

从上例中可知,虽然傅里叶变换能够将信号的时域 特征和频域特征联系起来,能分别从信号的时域和 频域进行观察,但却不能把两者有机地结合起来。
信号的时域波形中不包含任何频域信息;而其傅里叶 谱是信号的统计特性,从其表达式中也可以看出,它 是整个时间域内的积分,没有局部化分析信号的功能, 完全不具备时域信息。
f
s
(x)
1 s
f (u) ( x u )du
s
其中,*表示卷积。
因此,Wf(s,x)关于x的傅里叶变换可以表示为:
Wˆ f (s,) fˆ()ˆ (s)
连续小波变换的定义
由定义13可知,小波变换Wf(s,x)是尺度s与 空间位置x的函数。小波变换通过ψ(x)在尺度上 的伸缩和空间域(时域)上的平移来分析信号。
短时傅里叶变换定义如下:
Fg f (, )
1 f (t)g (t )eit dt 2
其中,f(t)是待分析的信号; 函数 g()是 g() 的复共轭函数; g(t)是固定的紧支集函数,称为窗口函数。
随着时间τ的变化,g(t)所确定的“时间窗”在t轴上移 动,使f(t)“逐渐”进行分析。
1992年,Daubechies的《小波10讲》系统论述 了正交小波的紧支性、正则性、对称性及时频特性, 介绍了离散小波变换和连续小波变换等。
到此,经典小波理论已基本成熟,1992年以后,在国 际上,重点转向小波的推广和应用。
在国内,由于对小波的研究起步较晚,20世纪90年 代以来,可以说小波的理论研究和应用研究几乎同时 开始。 1994年,形成国内的小波高潮。
定义8:
把希尔伯特空间(Hilbert space)中的可测的、 平方可积的两维函数构成的子空间记作:L2(R2)。
基于小波变换的图像处理方法研究

基于小波变换的图像处理方法研究近年来,小波变换技术在图像处理领域得到了广泛的应用。
它能够提取图像中的特征信息,减少图像噪声,较好地保留图像的细节等。
基于小波变换的图像处理方法,可以应用于医学影像诊断、卫星遥感图像处理等多个领域。
本文将介绍小波变换技术的一些基础知识,分析小波变换在图像处理中的应用,并探讨基于小波变换的图像处理方法研究。
一、小波变换的基础知识小波变换(Wavelet Transform)是一种能将时间序列信号或图像信号分解成不同尺度的子信号的数学变换技术。
在小波变换中,小波函数是用作基函数的,通过对小波基函数的线性组合,得到原始信号的一个系数序列,这个系数序列记录了不同尺度下信号的信息。
小波变换的优点之一是信号的时频局部性,它能够对信号的低频和高频部分进行分离。
二、小波变换在图像处理中的应用小波变换在图像处理中有着广泛的应用。
主要应用在图像压缩、噪声去除和边缘检测等方面。
在图像压缩中,小波变换可将图像分为不同频率的子带,其位于较低频段的子带较为平滑,可以用较少的信息来表示;其位于较高频段的子带包含了图像的细节信息,通过对子带系数进行量化和编码,可以实现图像压缩。
在噪声去除方面,小波变换可以通过阈值去除图像中的高频噪声,从而获得更好的图像质量。
在边缘检测方面,小波变换的多尺度分析特性可以用于提取图像中的边缘信息。
三、基于小波变换的图像处理方法研究基于小波变换的图像处理方法研究,是利用小波变换技术进行图像处理的一种方法。
在此方法中,首先对图像进行小波变换,然后根据具体的应用需求对小波系数进行处理,最后通过逆小波变换将处理后的小波系数重构成图像。
目前,该方法已经应用于图像增强、图像恢复和图像分割等多个领域。
在图像增强领域,基于小波变换的增强方法主要是通过增大图像中的高频分量,从而达到增强图像细节信息的目的。
该方法可以应用于医学影像诊断、高清视频制作等多个领域。
在图像恢复方面,基于小波变换的方法可以减少噪声干扰,恢复损坏的图像部分信息。
小波变换原理公式

小波变换原理公式小波变换原理公式是小波分析的基础,它是一种数学工具,用于将信号分解为不同频率的成分。
在信号处理领域,小波变换被广泛应用于信号压缩、图像处理、模式识别等方面。
小波变换原理公式可以表示为:$$W(a, b) = \int_{-\infty}^{\infty}f(t)\Psi_{a,b}(t)dt$$其中,$f(t)$是原始信号,$W(a, b)$是小波变换后的系数,$\Psi_{a,b}(t)$是小波函数。
小波变换原理公式的核心思想是将信号分解为不同频率的小波函数,通过调整小波函数的尺度和平移来捕捉信号的不同特征。
尺度参数$a$控制小波函数的频率,较小的$a$对应高频成分,较大的$a$对应低频成分。
平移参数$b$控制小波函数在时间轴上的位置,通过平移可以捕捉信号的时移特征。
小波变换原理公式的具体实现步骤如下:1. 选择合适的小波函数。
小波函数应具有良好的时频局部化特性,常用的小波函数有Haar小波、Daubechies小波、Morlet小波等。
2. 对原始信号进行小波变换。
将原始信号与小波函数进行卷积运算,并对结果进行尺度和平移调整,得到小波变换后的系数。
3. 根据小波变换后的系数进行信号分析。
小波变换后的系数反映了信号在不同频率上的能量分布,可以通过分析系数的大小和分布来获取信号的特征信息。
小波变换原理公式的优点在于可以同时捕捉信号的时域和频域特征,能够提供更全面的信号分析信息。
与傅里叶变换相比,小波变换具有更好的时频局部化特性,能够更好地处理非平稳信号。
因此,在实际应用中,小波变换被广泛应用于信号处理、图像处理、模式识别等领域。
小波变换原理公式是小波分析的基础,通过对原始信号进行小波变换,可以将信号分解为不同频率的成分,从而实现对信号的时频分析。
小波变换具有较好的时频局部化特性,能够更好地处理非平稳信号。
在实际应用中,小波变换被广泛应用于信号处理、图像处理、模式识别等领域,为我们理解和处理复杂信号提供了有力的工具。
小波变换分类 -回复

小波变换分类-回复什么是小波变换?小波变换是一种数学方法,用于处理信号与图像的分析与处理。
它以时间频率双尺度分析为基础,适用于处理非平稳信号,如噪声、震荡等变化频率的信号。
小波变换的理论基础源于数学分析中的波动理论,通过将信号与一组基函数(小波)进行卷积运算得到信号在不同尺度下的时频信息。
为什么需要小波变换?在许多实际应用中,信号往往是非平稳的,其频率成分随着时间变化。
传统的傅里叶变换仅适用于平稳信号,无法准确捕捉非平稳信号的时频特征。
而小波变换可以在不同尺度上对信号进行分解与重构,可以提供信号的时频局部信息,更加适用于复杂信号的分析。
小波变换的基本原理是什么?小波变换的基本原理是将原始信号通过一组小波基函数进行分解与重构。
小波基函数是一组满足正交性与紧支性条件的函数。
小波变换的过程可以分为两步:分解和重构。
在分解过程中,原始信号经过低频通道和高频通道滤波得到不同尺度的近似信号和细节信号。
重构过程则是通过将不同尺度的近似信号和细节信号进行逆滤波和下采样操作,将分解得到的信号重构为原始信号。
小波变换有哪些常用的类型?小波函数有多种类型,常见的有莫尔小波、哈尔小波、Daubachies小波等。
不同类型的小波函数在时频描述能力、变换性质等方面具有不同的特点。
选择合适的小波函数可以更好地适应不同信号的特征。
此外,小波变换还可以根据其变换的特性分类,主要包括连续小波变换和离散小波变换。
连续小波变换适用于连续信号的处理,而离散小波变换则适用于离散信号的处理。
小波变换有哪些应用领域?小波变换广泛应用于信号与图像处理的各个领域。
在信号处理中,小波变换可以用于信号的降噪、压缩、边缘检测等。
在图像处理中,小波变换可以用于纹理特征提取、图像压缩、图像增强等。
此外,小波变换还可以应用于机器学习、语音处理、医学图像等领域。
小波变换有哪些优点和局限性?小波变换具有多尺度分析、时频局部化、适应非平稳信号等优点。
它可以提供更丰富的时频信息,并且可以通过选择不同的小波函数来适应不同类型的信号。
傅里叶变换短时傅里叶变换小波变换区别与联系

傅里叶变换短时傅里叶变换小波变换区别与联系摘要:一、引言二、傅里叶变换1.定义及原理2.应用领域三、短时傅里叶变换1.定义及原理2.特点及优势3.应用领域四、小波变换1.定义及原理2.特点及优势3.应用领域五、区别与联系1.数学基础2.分析粒度3.应用场景六、结论正文:一、引言在信号处理、图像处理等领域,傅里叶变换、短时傅里叶变换和小波变换是三种常用的分析方法。
它们在许多方面具有相似之处,但也存在一定的区别。
本文将详细介绍这三种变换的定义、原理、特点、优势和应用领域,并分析它们之间的区别与联系。
二、傅里叶变换1.定义及原理傅里叶变换是一种将时域信号转换为频域信号的数学方法。
其基本原理是将信号分解成一组不同频率的正弦波和余弦波之和。
通过傅里叶变换,我们可以得到信号的频谱成分,从而了解信号的频率特性。
2.应用领域傅里叶变换广泛应用于信号处理、图像处理、通信系统、量子力学等领域。
例如,在图像处理中,傅里叶变换可用于去噪、边缘检测和特征提取等任务。
三、短时傅里叶变换1.定义及原理短时傅里叶变换(Short-time Fourier Transform,STFT)是一种时频分析方法。
它将信号划分为多个时间窗口,并对每个窗口进行傅里叶变换。
通过短时傅里叶变换,我们可以得到信号在各个时间段的频谱特性。
2.特点及优势与傅里叶变换相比,短时傅里叶变换具有以下特点和优势:- 分析粒度更细:短时傅里叶变换能够在局部时间范围内分析信号,更好地捕捉到信号的瞬时特征。
- 抗噪声性能强:短时傅里叶变换通过对信号进行分段处理,降低了噪声对整体分析结果的影响。
- 应用领域短时傅里叶变换广泛应用于语音处理、信号处理、图像处理等领域。
例如,在语音处理中,它可以用于语音特征提取、语音识别和语音合成等任务。
四、小波变换1.定义及原理小波变换是一种局部时频分析方法。
它将信号分解成一组不同尺度的小波函数,从而在时频域上同时进行分析。
小波变换具有较高的时间和频率分辨率,能够有效地分析非平稳信号。
java 小波变换 -回复

java 小波变换-回复Java小波变换(Java wavelet transform)是一种基于小波理论的信号处理方法。
它通过将信号分解为不同尺度和频率的小波基函数,用于分析和处理各种类型的信号。
在本文中,我们将逐步解释Java小波变换的原理、应用和实现。
第一部分:理论基础小波变换是一种时间-频率分析方法,可以将信号分解为一组满足特定数学条件的小波基函数。
它将信号分解为不同频率和尺度的小波基函数,以便更好地理解和处理信号的特征。
1. 小波基函数:小波基函数是一组满足特定数学条件的函数,用于描述信号的局部特征。
在小波变换中,我们使用不同尺度和频率的小波基函数对信号进行分解。
2. 分解和重构:在小波变换中,将信号分解为不同频率和尺度的小波基函数被称为分解(Decomposition)。
分解得到的系数表示不同频率和尺度下的信号能量。
重构(Reconstruction)是将分解得到的系数合成为原始信号。
第二部分:应用领域Java小波变换在许多领域中都有广泛的应用。
以下是一些常见的应用领域:1. 信号处理:小波变换可用于分析和处理各种类型的信号,如音频、图像和视频信号。
它可以提供对信号的频率和时域特征的详细分析。
2. 数据压缩:小波变换可以用于信号和图像的压缩。
通过提取信号或图像中的重要信息,并舍弃不重要的信息,可以实现高效的压缩。
3. 模式识别:小波变换可以用于特征提取和模式识别。
它可以提取信号或图像中的特征,并用于识别不同的模式或对象。
第三部分:实现方法Java提供了一些常用的库和工具,用于实现小波变换。
以下是一些常用的方法:1. 第三方库:例如JWave和Apache Commons Math都是流行的Java 库,用于实现小波变换。
它们提供了丰富的小波基函数和变换方法,可以方便地进行小波分解和重构。
2. 基于FFT的方法:Fast Fourier Transform(FFT)是一种常用的数学方法,用于计算信号的频域表示。
小波变换的数学基础及原理解析

小波变换的数学基础及原理解析小波变换是一种信号分析方法,可以将信号分解成不同频率的小波成分,从而揭示信号的局部特征。
它在信号处理、图像处理、数据压缩等领域有着广泛的应用。
本文将从数学基础和原理解析两个方面来介绍小波变换。
一、数学基础小波变换的数学基础主要包括信号的时频分析和小波函数的定义。
在时频分析中,我们希望能够同时观察到信号的时域特征和频域特征。
然而,传统的傅里叶变换只能提供信号的频域信息,无法提供时域信息。
小波变换通过引入尺度参数,可以在时频域上同时进行分析。
小波函数是小波变换的基础,它是一种特殊的函数形式。
与傅里叶变换中的正弦函数和余弦函数不同,小波函数具有局部化的特点,即在时域上具有有限长度。
这种局部化的特性使得小波函数能够更好地描述信号的局部特征。
二、原理解析小波变换的原理可以通过连续小波变换和离散小波变换来解析。
连续小波变换是将信号与小波函数进行内积运算,得到信号在不同尺度和位置上的小波系数。
离散小波变换是连续小波变换的离散形式,通过对信号进行采样和离散化,得到离散的小波系数。
在连续小波变换中,小波函数是一个连续的函数,可以用于对连续信号的分析。
而在离散小波变换中,小波函数是一个离散的序列,可以用于对离散信号的分析。
离散小波变换通过多级滤波和下采样的方式来实现信号的分解和重构。
小波变换的核心思想是多尺度分析,即对信号进行多次分解,每次分解都将信号分解成低频部分和高频部分。
低频部分包含信号的整体特征,高频部分包含信号的细节特征。
通过不断分解和重构,可以得到信号在不同尺度上的小波系数,从而揭示信号的局部特征。
小波变换还具有一些重要的性质,如平移不变性、尺度不变性和能量守恒性。
平移不变性表示信号的平移对小波系数没有影响;尺度不变性表示信号的尺度变化对小波系数的影响是可逆的;能量守恒性表示信号的能量在小波分解和重构过程中是守恒的。
三、应用领域小波变换在信号处理、图像处理、数据压缩等领域有着广泛的应用。
小波变换的基本概念和原理

小波变换的基本概念和原理小波变换是一种数学工具,用于分析信号的频谱特性和时域特征。
它在信号处理、图像处理、数据压缩等领域有着广泛的应用。
本文将介绍小波变换的基本概念和原理。
一、什么是小波变换?小波变换是一种将信号分解为不同频率的成分的数学工具。
它类似于傅里叶变换,但不同之处在于小波变换不仅能提供频域信息,还能提供时域信息。
小波变换使用一组称为小波基函数的函数族,通过对信号进行连续或离散的变换,将信号分解为不同尺度和频率的成分。
二、小波基函数小波基函数是小波变换的基础。
它是一个用于描述信号特征的函数,具有局部性和可调节的频率特性。
常用的小波基函数有Morlet小波、Haar小波、Daubechies 小波等。
这些小波基函数具有不同的性质和应用场景,选择适当的小波基函数可以更好地适应信号的特征。
三、小波分解小波分解是将信号分解为不同尺度和频率的过程。
通过对信号进行连续或离散的小波变换,可以得到小波系数和小波尺度。
小波系数表示信号在不同尺度和频率下的能量分布,而小波尺度表示不同尺度下的信号特征。
小波分解可以将信号的局部特征和全局特征分离开来,为信号分析提供更多的信息。
四、小波重构小波重构是将信号从小波域恢复到时域的过程。
通过对小波系数进行逆变换,可以得到原始信号的近似重构。
小波重构可以根据需要选择保留部分小波系数,从而实现信号的压缩和去噪。
五、小波变换的应用小波变换在信号处理、图像处理、数据压缩等领域有着广泛的应用。
在信号处理中,小波变换可以用于信号去噪、特征提取、模式识别等任务。
在图像处理中,小波变换可以用于图像压缩、边缘检测、纹理分析等任务。
在数据压缩中,小波变换可以将信号的冗余信息去除,实现高效的数据压缩和存储。
六、小波变换的优势和局限性小波变换相比于傅里叶变换具有一些优势。
首先,小波变换可以提供更多的时域信息,对于非平稳信号和瞬态信号具有更好的分析能力。
其次,小波变换可以实现信号的局部分析,对于局部特征的提取和分析更为有效。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
- 252 -第9章 小波变换基础9.1 小波变换的定义给定一个基本函数)(t ψ,令 )(1)(,abt at b a -=ψψ (9.1.1) 式中b a ,均为常数,且0>a 。
显然,)(,t b a ψ是基本函数)(t ψ先作移位再作伸缩以后得到的。
若b a ,不断地变化,我们可得到一族函数)(,t b a ψ。
给定平方可积的信号)(t x ,即)()(2R L t x ∈,则)(t x 的小波变换(Wavelet Transform ,WT )定义为dt a b t t x a b a WT x )()(1),(-=⎰*ψ〉〈==⎰*)(),()()(,,t t x dt t t x b a b a ψψ (9.1.2) 式中b a ,和t 均是连续变量,因此该式又称为连续小波变换(CWT )。
如无特别说明,式中及以后各式中的积分都是从∞-到∞+。
信号)(t x 的小波变换),(b a W T x 是a 和b 的函数,b 是时移,a 是尺度因子。
)(t ψ又称为基本小波,或母小波。
)(,t b a ψ是母小波经移位和伸缩所产生的一族函数,我们称之为小波基函数,或简称小波基。
这样,(9.1.2)式的WT 又可解释为信号)(t x 和一族小波基的内积。
母小波可以是实函数,也可以是复函数。
若)(t x 是实信号,)(t ψ也是实的,则),(b a W T x 也是实的,反之,),(b a W T x 为复函数。
在(9.1.1)式中,b 的作用是确定对)(t x 分析的时间位置,也即时间中心。
尺度因子a 的作用是把基本小波)(t ψ作伸缩。
我们在1.1节中已指出,由)(t ψ变成)(atψ,当1>a 时,若a 越大,则)(atψ的时域支撑范围(即时域宽度)较之)(t ψ变得越大,反之,当1<a- 253 -时,a 越小,则)(at ψ的宽度越窄。
这样,a 和b 联合越来确定了对)(t x 分析的中心位置及分析的时间宽度,如图9.1.1所示。
图9.1.1 基本小波的伸缩及参数a 和b 对分析范围的控制 (a)基本小波,(b )0>b ,1=a ,(c)b 不变,2=a , (d)分析范围这样,(9.1.2)式的WT 可理解为用一族分析宽度不断变化的基函数对)(t x 作分析,由下一节的讨论可知,这一变化正好适应了我们对信号分析时在不同频率范围所需要不同的分辨率这一基本要求。
(9.1.1)式中的因子a1是为了保证在不同的尺度a 时,)(,t b a ψ始终能和母函数)(t ψ有着相同的能量,即dt abt a dt t b a 22,)(1)(⎰⎰-=ψψ令t abt '=-,则t ad dt '=,这样,上式的积分即等于dt t 2)(⎰ψ。
令)(t x 的傅里叶变换为)(ΩX ,)(t ψ的傅里叶变换为)(Ωψ,由傅里叶变换的性质,2=ttta- 254 -)(,t b a ψ的傅里叶变换为:)(1)(,a b t at b a -=ψψ ⇔ b j b a e a a Ω-Ωψ=Ωψ)()(, (9.1.3)由Parsevals 定理,(9.1.2)式可重新表为: >ΩψΩ<=)(),(21),(,b a x X b a WT π⎰∞+∞-Ω*ΩΩψΩ=d e a X ab j )()(2π (9.1.4)此式即为小波变换的频域表达式。
9.2 小波变换的特点下面,我们从小波变换的恒Q 性质、时域及频率分辨率以及和其它变换方法的对比来讨论小波变换的特点,以帮助我们对小波变换有更深入的理解。
比较(9.1.2)和(9.1.4)式对小波变换的两个定义可以看出,如果)(,t b a ψ在时域是有限支撑的,那么它和)(t x 作内积后将保证),(b a W T x 在时域也是有限支撑的,从而实现我们所希望的时域定位功能,也即使),(b a W T x 反映的是)(t x 在b 附近的性质。
同样,若)(,Ωψb a 具有带通性质,即)(,Ωψb a 围绕着中心频率是有限支撑的,那么)(,Ωψb a 和)(ΩX 作内积后也将反映)(ΩX 在中心频率处的局部性质,从而实现好的频率定位性质。
显然,这些性能正是我们所希望的。
问题是如何找到这样的母小波)(t ψ,使其在时域和频域都是有限支撑的。
有关小波的种类及小波设计的问题,我们将在后续章节中详细讨论。
由1.3节可知,若)(t ψ的时间中心是0t ,时宽是t ∆,)(Ωψ的频率中心是0Ω,带宽是Ω∆,那么)(a tψ的时间中心仍是0t ,但时宽变成t a ∆,)(at ψ的频谱)(Ωψa a 的频率中心变为a 0/Ω,带宽变成a /Ω∆。
这样,)(at ψ的时宽-带宽积仍是Ω∆∆t ,与a 无关。
这一方面说明小波变换的时-频关系也受到不定原理的制约,但另一方面,也即更主要的是揭示了小波变换的一个性质,也即恒Q 性质。
定义0Q Ω∆=Ω/=带宽/中心频率 (9.1.5)- 255 -为母小波)(t ψ的品质因数,对)(at ψ,其 带宽/中心频率=Q a a00=Ω∆=Ω∆ΩΩ///因此,不论a 为何值)0(>a ,)(at ψ始终保持了和)(t ψ具有性同的品质因数。
恒Q 性质是小波变换的一个重要性质,也是区别于其它类型的变换且被广泛应用的一个重要原因。
图9.2.1说明了)(Ωψ和)(Ωψa 的带宽及中心频率随a 变化的情况。
图9.2.1 )(Ωψa 随a 变化的说明;(a) 1=a ,(b) 2=a ,(c) 2/1=a将图9.1.1和图9.1.2结合起来,我们可看到小波变换在对信号分析时有如下特点:当a 变小时,对)(t x 的时域观察范围变窄,但对)(ΩX 在频率观察的范围变宽,且观察的中心频率向高频处移动,如图9.2.1c 所示。
反之,当a 变大时,对)(t x 的时域观察范围变宽,频域的观察范围变窄,且分析的中心频率向低频处移动,如图9.2.1b 所示。
将图9.1.1和9.2.1所反映的时-频关系结合在一起,我们可得到在不同尺度下小波变换所分析的时宽、带宽、时间中心和频率中心的关系,如图9.2.2所示。
图9.2.2 a 取不同值时小波变换对信号分析的时-频区间0 ()ΩψΩΩ()ΩψaΩ2Ω/0Ω0Ω)2/1(=a )1(=a )2(=a /2t ∆- 256 -由于小波变换的恒Q 性质,因此在不同尺度下,图9.2.2中三个时、频分析区间(即三个矩形)的面积保持不变。
由此我们看到,小波变换为我们提供了一个在时、频平面上可调的分析窗口。
该分析窗口在高频端(图中02Ω处)的频率分辨率不好(矩形窗的频率边变长),但时域的分辨率变好(矩形的时间边变短);反之,在低频端(图中20/Ω处),频率分辨率变好,而时域分辨率变差。
但在不同的a 值下,图9.2.2中分析窗的面积保持不变,也即时、频分辨率可以随分析任务的需要作出调整。
众所周知,信号中的高频成份往往对应时域中的快变成份,如陡峭的前沿、后沿、尖脉冲等。
对这一类信号分析时则要求时域分辨率要好以适应快变成份间隔短的需要,对频域的分辨率则可以放宽,当然,时、频分析窗也应处在高频端的位置。
与此相反,低频信号往往是信号中的慢变成份,对这类信号分析时一般希望频率的分辨率要好,而时间的分辨率可以放宽,同时分析的中心频率也应移到低频处。
显然,小波变换的特点可以自动满足这些客观实际的需要。
总结上述小波变换的特点可知,当我们用较小的a 对信号作高频分析时,我们实际上是用高频小波对信号作细致观察,当我们用较大的a 对信号作低频分析时,实际上是用低频小波对信号作概貌观察。
如上面所述,小波变换的这一特点即既符合对信号作实际分析时的规律,也符合人们的视觉特点。
现在我们来讨论一下小波变换和前面几章所讨论过的其它信号分析方法的区别。
我们知道,傅里叶变换的基函数是复正弦。
这一基函数在频域有着最佳的定位功能(频域的δ函数),但在时域所对应的范围是∞-~∞+,完全不具备定位功能。
这是FT 的一个严重的缺点。
人们希望用短时傅里叶变换来弥补FT 的不足。
重写(2.1.1)式,即⎰Ω-*-=Ωdt e t g x t STFT t j x )()(),(ττ⎰〉-〈==Ω*τττττττj t et g x d g x )(),()()(,(9.2.6)由于该式中只有窗函数的位移而无时间的伸缩,因此,位移量的大小不会改变复指数τΩ-j e 的频率。
同理,当复指数由τΩ-j e变成τΩ-2j e(即频率发生变化)时,这一变化也不会影响窗函数)(τg 。
这样,当复指数τΩ-j e的频率变化时,STFT 的基函数)(,ττt g 的包络不会改变,改变的只是该包络下的频率成份。
这样,当Ω由0Ω变化成02Ω时,)(,ττt g 对)(τx 分析的中心频率改变,但分析的频率范围不变,也即带宽不变。
因此,STFT 不具备恒Q- 257 -性质,当然也不具备随着分辨率变化而自动调节分析带宽的能力,如图9.2.3所示。
图中Tte t g /2)(-=.u图9.2.3 STFT 的时-频分析区间1- 258 -(a) tj t et g t g 0)()(,Ω--=ττ,tj t et g t g 02,)()(Ω--='ττ,(b) )(ΩG 是)(,t g t τ的FT ,)(Ω'G 是)(,t g t τ'的FT , (c)在不同的0Ω和τ处,时宽、带宽均保持不变我们在第六至第八章所讨论的M 通道最大抽取滤波器组是将)(n x 分成M 个子带信号,每一个子带信号需有相同的带宽,即M /2π,其中心频率依次为k Mπ, 1,,1,0-=M k (注:若是DFT 滤波器组,则中心频率在k Mπ2, 1,,1,0-=M k ),且这M 个子带信号有着相同的时间长度。
在小波变换中,我们是通过调节参数a 来得到不同的分析时宽和带宽,但它不需要保证在改变a 时使所得到的时域子信号有着相同的时宽或带宽。
这是小波变换和均匀滤波器组的不同之处。
但小波变换和7.9节讨论过的树状滤波器组在对信号的分析方式上极其相似。
由后面的讨论可知,离散小波变换是通过“多分辨率分析”来实现的,而“多分辨率分析”最终是由两通道滤波器组来实现的。
由(9.1.1)式,定义22)()(1),(⎰-=*dt a b t t x ab a WT x ψ (9.2.7) 为信号的“尺度图(scalogram )”。
它也是一种能量分布,但它是随位移b 和尺度a 的能量分布,而不是简单的随),(Ωt 的能量分布,即我们在第二章至第四章所讨论的时-频分布。
但由于尺度a 间接对应频率(a 小对应高频,a 大对应低频),因此,尺度图实质上也是一种时-频分布。