小波变换学习笔记（一）

写在前面。

小波分析绝对是工科生的噩梦。为了搞懂小波到底是什么，搬了本教材研究了几个月。学完了才发现，教材老了，人家已经是第二代小波了。好在作为工科生，只需要学会应用就行了。
好了，在学习小波之前，我们先要大致了解一些东西，以确定小波的基本脉络。

1. 小波的教材基本都是坑。这里面最关键的问题是，它们基本都是数学家写的，不是为了工科生准备的。数学家的目标是证明小波理论的正确性，探索发现新的小波。工科生的目标是我只想有个分析数据的工具。这两者是完全不同的，小波理论的证明极其繁琐，需要大量的泛函知识。而小波的应用非常简单，和DFT相比的话，也就是多了一些超参数的选择。教材的另一个问题是写作时间，小波体系在80年代末到90年代逐渐成熟起来，很多函数和方法都是这一阶段发现和发明的。如果你的教材比这早，那么恭喜你，中标了。
2. haar小波是最基本的小波，也是最容易理解的小波，但也是最没有应用的小波。当滤波后的函数成了这个样子的时候，你心中也会有几万头草泥马奔驰而过。但是haar小波给出了小波最基本的特性。小波理论后面所有的东西，就是利用haar小波总结出来的特性，找出符合这些特性要求而且更好用的其它小波。对于我们工科生而言，拿过来用就可以了，除非你非要自己发明一个小波。
3. 所以本文的内容，虽然也介绍小波理论（其实我也只了解皮毛），但是会只关注和应用相关的东西，不求甚解。另外，文章里不会涉及二维和多维小波，只有一维的。搞图像的朋友还是看别的资料吧。
4. 小波变换有三类。CWT、SWT、DWT。CWT是连续小波变换，一上来我也认为这完全是理论的东西，因为我们面对的数据都是离散的。但是，然而，并不是这么回事，实际上要想获得时频特性，这也是把我吸引进小波的特性，必须使用CWT。SWT是介于CWT和DWT之间的一种变换，特点是时移不变性。我搞不懂也不想搞，所以就不涉及了。DWT是离散小波变换，是数据滤波和压缩的首选。据说SWT在消噪上效果好，没试过，不知道实际效果，哪位大神给我们讲一下。
5. python中的小波包叫做pywt ,conda install pywt即可，让我们开始小波之旅吧。

小波变换和傅里叶变换

不论是小波还是傅里叶，它的核心思想都是对函数或者时间序列进行分解。傅里叶变换是把函数分解成不同频率和相位的简谐振动。而小波则是分解成不同宽度和强度的小波函数的组合。既然讲到函数的分解和组合，就要讲一下基的概念。基是一组函数${\varphi }_i(x)$,它们的线性组合可以张成一个函数空间，就是所有下列函数的集合：
$$f(x)=\sum _i^n{a}_i{\varphi }_i(x)$$
对于傅里叶变换来讲，它的基是$cos(ix)$和$sin(ix)$,而它的函数空间则几乎涵盖了所有的函数（没有冲击响应的）。
怎么来理解它呢？我们希望它的函数空间能够涵盖我们遇到的所有函数。这样，这些时间序列才能够有效的分解。而基，就是它们分解后每一个分量的样子。
小波也是如此，它的基函数是这样一组函数：${\varphi }_n(x),{\psi }_n(x),{\psi }_{n-1}(x),\dots ,{\psi }_1(x)$
其中${\varphi }_n(x)$是尺度函数,${\psi }_i(x)$是小波函数。注意尺度函数只有一个，小波函数则是一组。下面的标号代表着层次，或者说频率。下标为1的是频率最高的基准点。在pywt中，基本就是序列采样频率的一倍。下标增加到i，则频率是基准频率的$2^i$倍。这些都是个啥（四声）！看完haar小波的部分就明白了。现在需要明白的是，小波变换就是一个函数分解的过程。而所谓的滤波，就是分解，处理分解数据，再组合的过程。
下面说小波和傅里叶变换的区别：
傅里叶变换的基是周期函数，因此傅里叶变换也是把所要分解的时间序列作为周期函数来对待的。傅里叶变换后两端的Gibbs现象就是这个原因造成的,它默认为数据的两端之外也有数据，而且应该是周期性的。另外cos和sin函数基的特点，也使得获得的频谱是全数据的，换句话说频谱信息里没有时间信息。
而小波的基是这个样子的（只是几个例子，实际大概一百多种）：
前四个是离散小波，用于DWT；后两个是连续小波，用于CWT。说实话，CWT和DWT好像是两个完全不一样的东西。比方说，连续小波是没有尺度函数的，是可忍孰不可忍！
从上图可以看到，小波都是很短小的，即使是延伸到非常长的如香农小波，其能量也集中于0的附近。这种特点使得用小波为基的函数空间，并不要求原函数是周期函数，Gibbs效应明显减轻，而且其频率信息中是包含时间信息的，因为每一个小波只能涵盖很小的时间段。
DFT和CWT分析的频谱没法比较。因为DFT是频率和能量的关系，是二维的。CWT分析的是频率、时间和能量的关系，是三维的。不可否认的是，CWT的时频分析，获得了许多额外的信息，也许是冗余的，但也可能是有用的，也许其中就蕴藏着函数的特征。
下图是DFT和DWT的滤波比较。
在工程上，小波的使用要比傅里叶困难，因为其中有不少超参数的选择。比如选择小波。与此同时，它的可能性也要更大一些。换个小波，换个参数，也许会有更好的结果呢？二者孰好孰坏，只能在工程中验证。

haar小波

这个一百多年前提出的数学概念奠定了小波的基础。相比较其它的小波，haar小波直观、容易理解，所以它也成为了讲解小波理论的不二法门。
小波分析的基本思路是这样的，在不同的频率下，用近似的小波函数组装成原函数的近似函数。二者之间的差值再用更高频率下的小波函数组装出来，这样一层层分解下去，累加的结果就更加近似于原函数，同时，我们也得到了不同频率下的时间和频率特性。
haar小波的尺度函数实际就是方波，它是这样的：
它的定义是：
$$\varphi (x)=\{\begin{array}{ll}1,& \text{if }0\le x<1,\\ 0,& \text{otherwise}\end{array}$$
这个函数是可以平移的，$\varphi (x-k)$就是向右平移了k，这个函数还是可以拉伸的，$\varphi (2x)$的宽度2，以此类推。那个使用这个haar尺度函数做基，就可以张成一个这样的函数空间，这个空间中的函数总有一个是与原函数最接近的：
$$f(x)=\sum _{k\in Z}{a}_k$$