1 基本概念
小波分析是一种以“局部波形”为基本单元的分析方法，用于将复杂信号分解为不同尺度和位置上的成分。它既能描述整体趋势，也能捕捉短时突变、边缘和局部细节，因此在处理非平稳数据时具有明显优势。
1.1 小波的定义
小波通常指一类满足特定数学条件的函数，具有均值为零、局部支撑或快速衰减等特征。与无限延展的正弦、余弦函数不同，小波更强调在时间或空间中的局部出现方式，便于刻画信号的局部结构。
1.2 尺度与平移
尺度用于表示观察粒度的大小。尺度较大时，小波更“宽”，适合观察整体变化；尺度较小时，小波更“窄”，适合捕捉细节。平移则用于改变小波在自变量轴上的位置，从而分析不同区域的局部信息。
1.3 母小波与子小波
母小波是生成一族小波函数的基础函数。通过对母小波进行尺度伸缩和平移，可以得到一系列子小波。子小波共享同一基本形态，但在大小和位置上不同，因此能够覆盖多层次、多区域的信息。
1.4 局部化特征
小波分析的核心优势之一是良好的局部化能力。它不仅在时域或空域上具有较强定位能力，也能在频域中反映局部频率变化。正因如此，小波特别适合分析含有突变、脉冲、边缘等特征的信号。
2 历史发展
小波理论并非突然出现，而是在多个数学与工程领域逐步积累的基础上形成的。它的历史既包括早期思想萌芽，也包括20世纪末理论体系的成熟。
2.1 早期思想与前身理论
小波思想可追溯到傅里叶分析之后对局部频率描述的需求。早期的窗口化分析、分段逼近以及多尺度思想，为后来的小波理论提供了重要启发。某些数学中的正交展开和多层逼近方法，也可视为其前身。
2.2 现代小波理论的形成
现代小波理论在20世纪后期逐渐成型。随着多分辨率分析、正交小波基和快速算法的建立，小波从一种分解思想发展为完整的理论体系，并开始广泛进入工程计算和数据分析领域。
2.3 关键人物与代表性贡献
小波理论的发展涉及多位数学家与工程研究者的贡献。其中，多分辨率分析框架、正交小波构造以及快速分解算法的提出，构成了现代小波分析的重要支柱。这些工作使小波从概念走向可计算、可应用的成熟方法。
2.4 理论与应用的扩展
随着研究深入，小波分析的应用范围不断扩大，从最初的信号处理扩展到图像压缩、数值求解、统计分析和模式识别等方向。与此同时，理论上也发展出双正交小波、小波包、多小波等分支。
3 数学基础
小波分析建立在多个数学分支的交汇处，尤其依赖函数空间理论、傅里叶分析和线性算子理论。理解其数学基础，有助于把握小波变换的意义与性质。
3.1 函数空间与正交性
小波通常在平方可积函数空间中讨论。若一组函数彼此正交，便可像坐标系一样展开信号。正交性使得各个分量之间相互独立，便于能量分配、系数计算与误差分析。
3.2 傅里叶分析基础
傅里叶分析侧重用全局的频率成分表示信号，而小波分析则在局部尺度上进行分解。两者在思想上互补：前者擅长稳定周期结构，后者更适合处理瞬态和非平稳现象。许多小波性质也可借助傅里叶变换加以研究。
3.3 卷积与相关运算
小波变换常与卷积和相关运算联系紧密。卷积用于将信号与分析滤波器结合，提取特定尺度的信息；相关运算则反映信号与小波模板之间的匹配程度。这些操作也是离散算法实现的基础。
3.4 收敛性与完备性
一个良好的小波系统应具备完备性，即能够表示足够广泛的函数类；同时还要关注展开的收敛方式，包括点态收敛、均方收敛和几乎处处收敛等。收敛性决定了理论表达的可靠程度，也影响实际重构精度。
4 多分辨率分析
多分辨率分析是小波理论的核心框架之一，它通过一系列由粗到细的空间层次，对函数进行逐级逼近和细节分离。
4.1 逼近空间
逼近空间是一组用于表示低分辨率信息的函数子空间。它们主要保留信号的整体轮廓，而将较小尺度的变化留给更细一级的空间处理。
4.1.1 嵌套结构
逼近空间通常满足嵌套关系，即较粗层次的空间包含于较细层次的空间之中。这样的结构保证了分辨率逐步提升时，信息能够连续传递并逐层展开。
4.1.2 尺度函数
尺度函数是构造逼近空间的基本函数。通过对尺度函数进行平移，可以生成某一层次上的基函数集合，用来近似表示低频或平滑部分。
4.2 细节空间
细节空间用于描述相邻分辨率之间新增的部分，即逼近过程中尚未被上一层捕捉到的信息。
4.2.1 正交补空间
在正交框架下，细节空间可视为逼近空间的正交补。它提供了与低频成分互补的表示，使信号能够被拆分为“主体”和“细节”两部分。
4.2.2 信息增量表示
细节空间中的系数可以理解为从粗到细逐层增加的信息量。该表示方式便于压缩、去噪和特征提取，因为很多局部变化只需少量细节系数即可描述。
4.3 尺度函数方程
尺度函数通常满足一个两尺度方程，也称伸缩方程。它表达了粗尺度函数与若干细尺度函数之间的递归关系，是构造滤波器和快速算法的重要基础。
4.4 滤波器组表示
多分辨率分析可等价地表示为一组滤波器的级联处理。低通滤波器负责提取近似分量，高通滤波器负责提取细节分量，再通过下采样和上采样实现不同层级的分解与重构。
5 小波变换
小波变换是把信号映射到小波系数空间的核心工具，可根据需求分为连续形式和离散形式，并可通过快速算法高效实现。
5.1 连续小波变换
连续小波变换对尺度和平移参数连续取值，适合做理论分析和时频结构观察。
5.1.1 定义与积分形式
连续小波变换通常通过信号与尺度、平移后的母小波之间的积分相关来定义。其结果反映信号在不同尺度和位置上的匹配程度，从而形成二维参数图。
5.1.2 参数解释
其中，尺度参数控制分析粒度，平移参数控制观察位置。较小尺度对应高频细节，较大尺度对应低频轮廓。不同参数组合会揭示不同层面的信号结构。
5.2 离散小波变换
离散小波变换对尺度和平移进行离散采样，形成可计算的有限或可数系数集合，是工程应用中最常见的形式。
5.2.1 二进制离散化
常见离散小波变换采用二进制尺度递增，即每次尺度按2倍变化，平移步长也按相应规则调整。这种方式结构清晰，便于多层分解。
5.2.2 采样与重构
离散变换通常结合抽样和重建过程。分析阶段对信号进行滤波和下采样，合成阶段则通过上采样与逆滤波恢复原信号。理想情况下，重构可实现近乎无损还原。
5.3 快速小波变换
快速小波变换是实现离散小波变换的高效算法，通常基于滤波器组和递归分解思想。
5.3.1 算法原理
该算法将信号逐层送入低通和高通通道，分别得到近似系数与细节系数，再对低频部分继续分解。由于每层只处理一次部分数据，因而计算过程具有明显的层次性。
5.3.2 计算复杂度
与直接计算相比，快速小波变换显著降低了运算量。对于长度为N的信号，其典型复杂度可达到与N成线性关系的量级，因此特别适合大规模数据处理。
6 小波基与构造方法
小波基决定了分析系统的具体性质，不同构造方式对应不同的正交性、平滑度、支撑长度和重构性能。
6.1 正交小波
正交小波基中的各函数两两正交，便于能量守恒和系数独立表示。它们在压缩和无损重构场景中应用广泛，但构造条件相对严格。
6.2 双正交小波
双正交小波允许分析端和合成端使用不同的函数族。这样可以在保持可重构性的同时，获得更灵活的平滑性和对称性，常用于图像处理等领域。
6.3 紧支撑小波
紧支撑小波在有限区间外取零，因此具有良好的局部性和计算便利性。支撑越短，局部定位越强，但构造难度和其他性质之间往往需要权衡。
6.4 平滑性与消失矩
平滑性反映小波函数的连续程度，消失矩则表示它对低阶多项式的正交性。消失矩越多，越有利于提取高阶变化并提高压缩效率；平滑性越强，越适合描述平稳结构。
6.5 常见小波族
不同小波族在理论性质和应用场景上各有侧重，形成了较丰富的工具库。
6.5.1 Haar小波
Haar小波是最简单的小波，形式直观，计算高效，适合教学、快速原型和某些粗粒度分析任务。它的缺点是平滑性较弱。
6.5.2 Daubechies小波
Daubechies小波具有紧支撑和较多消失矩，是应用最广的正交小波族之一。它兼顾了局部性与逼近能力，常用于压缩和去噪。
6.5.3 Symlet小波
Symlet小波是对Daubechies小波的改进版本，更强调近似对称性。较好的对称结构使其在图像边界处理中表现更稳定。
6.5.4 Coiflet小波
Coiflet小波在尺度函数和小波函数上都具有较多消失矩，适合需要较高逼近精度的场景。它在多层分析中常用于平衡细节提取与重构质量。
7 核心性质
小波分析之所以适用于多种复杂任务，主要得益于若干关键性质的共同作用。
7.1 多尺度性
多尺度性使得同一信号可以在不同分辨率下被观察。粗尺度揭示总体趋势，细尺度突出局部变化，从而形成层次化理解。
7.2 时频局部化
小波在时域和频域都具有较好的局部化表现。它不像纯傅里叶基那样只强调全局频率，而能同时反映“何时、何处、何种频率”的信息。
7.3 逼近能力
在合适的小波基下，函数可以被快速而精确地逼近。对于具有局部奇异性或分段平滑特征的对象，小波往往比全局基函数更高效。
7.4 稀疏表示
许多实际信号在小波域中只有少量显著系数，其余系数较小。这种稀疏性有利于压缩、特征筛选和降噪，也降低了后续计算负担。
7.5 抗噪性能
由于噪声通常分散在大量细小系数中，而有用信息往往集中在少数显著系数里，小波阈值化等方法能够有效抑制噪声并保留主要结构。
8 算法与实现
小波分析在实际应用中不仅是理论展开，还涉及具体的数据处理流程、边界策略和数值稳定性控制。
8.1 分解流程
分解通常从原始数据开始，经由低通和高通滤波，再进行抽样，得到不同层次的近似系数与细节系数。该过程可递归进行，形成多层结构。
8.2 重构流程
重构是分解的逆过程，需要将各层系数通过上采样、滤波和叠加恢复为原始信号。若滤波器设计合理，重构结果能够与原数据高度一致。
8.3 边界处理
有限长度数据在端点处往往会出现边界问题。常见处理方式包括零填充、对称延拓和周期延拓等。不同策略会影响边缘附近的重构质量和伪影表现。
8.4 阈值选择与去噪
去噪常通过对小波系数施加阈值实现。阈值过低可能保留过多噪声，过高则会损失细节。实际处理中通常需要结合噪声水平、数据类型和应用目标进行选择。
8.5 数值稳定性
在长序列或高层分解中，舍入误差、边界效应和滤波器设计误差都可能影响稳定性。良好的实现通常要求兼顾精度、效率和鲁棒性。
9 主要应用
小波分析在工程和科学计算中应用广泛，尤其适合处理含有局部变化和多尺度结构的数据。
9.1 信号处理
在一维信号处理中，小波常用于分析瞬态变化、脉冲事件和非平稳波形。
9.1.1 去噪
小波去噪通过抑制弱系数来减少随机扰动，同时尽量保留原始信号的主要结构，常用于语音、传感器和生理信号处理。
9.1.2 压缩
借助稀疏表示，小波可将大量信息集中到少数关键系数中，从而减少存储和传输开销。这一特点使其在音频和图像压缩中十分重要。
9.1.3 特征检测
小波对突变和局部峰值较敏感，因此可用于检测瞬时事件、边缘位置或模式变化，适合做初步特征筛选。
9.2 图像处理
在二维数据中，小波分析能够同时处理方向性、边缘和纹理等复杂结构。
9.2.1 边缘提取
图像边缘通常对应灰度的快速变化，小波细节系数在这些区域会出现明显响应，因此可用于轮廓检测和结构识别。
9.2.2 图像压缩
图像在小波域中往往呈现稀疏特征，少量系数即可保留主要视觉信息。基于这一特性，小波压缩在编码效率与重建质量之间取得了较好平衡。
9.2.3 纹理分析
纹理具有多尺度重复或局部复杂模式，小波可以从不同层次刻画这些差异，适合用于分类、分割和内容检索等任务。
9.3 数值分析
小波方法也被用于偏微分方程和自适应数值计算。
9.3.1 微分方程求解
小波基可用于构造函数近似和方程离散化方案，尤其适合具有局部奇异性或边界层结构的问题，从而提高计算效率。
9.3.2 自适应网格
借助小波系数的局部显著性，可以在需要较高精度的区域自动增加分辨率，而在平稳区域保持较粗网格，实现资源的动态分配。
9.4 数据分析
小波分析在时间序列与异常识别中也有广泛用途，尤其适合多尺度波动明显的数据。
9.4.1 时序分析
对于包含趋势、周期和短期冲击的序列，小波可将不同层次变化分开表示，帮助识别不同时间尺度上的规律。
9.4.2 异常检测
异常点常表现为局部突增、突降或结构断裂，小波细节系数对此较为敏感，因此可作为检测异常行为的有效特征。
10 相关理论
小波分析与多个经典理论密切相关，彼此之间在思想和工具上相互补充。
10.1 傅里叶分析
傅里叶分析为频域表示奠定了基础，小波分析则在此基础上增强了局部性。两者常被联合使用，以兼顾全局频率和局部变化。
10.2 窗函数分析
窗函数分析通过固定窗口观察信号局部信息，与小波在局部化目标上相近。但小波的窗口随尺度变化而自适应伸缩，因此在多尺度表示上更灵活。
10.3 采样理论
离散小波分析需要考虑采样与重构条件。采样理论为信号离散化提供了基本约束，也影响滤波器设计和频带分配。
10.4 希尔伯特空间方法
许多小波理论建立在希尔伯特空间框架中，依赖内积、正交投影和完备基等概念。这种方法为收敛性证明和展开理论提供了统一语言。
11 局限与挑战
尽管小波分析功能强大，但在实际应用中仍存在一些限制，需要结合具体问题加以处理。
11.1 小波基选择问题
不同任务适合不同小波基。若选择不当，可能导致表示效率下降、细节丢失或重构效果不理想，因此通常需要经验与实验共同决定。
11.2 边界效应
在有限长度数据上，小波分解往往在端点附近出现误差或伪影。虽然已有多种边界修正方法，但它们之间常存在复杂的权衡关系。
11.3 参数敏感性
阈值、分解层数、滤波器类型等参数都会影响结果。某些应用中，小参数变化就可能带来明显差异，因此方法稳定性仍是重要议题。
11.4 高维扩展难点
将小波推广到高维场景时，计算复杂度、方向选择和数据结构处理都会明显变难。对于三维数据、复杂曲面或非规则网格，构造高效小波系统仍具有挑战性。
12 发展方向
小波分析在不断演进，新的方法更强调自适应性、结构表达能力以及与其他数据科学技术的结合。
12.1 自适应小波方法
自适应方法根据数据特征动态选择基函数、尺度或分解层次，以提高局部表达效率。这类方法适合结构复杂、变化剧烈的信号。
12.2 小波包分析
小波包进一步细分传统小波的频带结构，使高频与低频部分都能继续分解。它在频谱更复杂的任务中具有更高灵活性。
12.3 多小波理论
多小波使用一组尺度函数和小波函数共同构造表示系统，能够在对称性、平滑性和多通道结构方面提供更丰富的选择。
12.4 机器学习中的融合应用
在机器学习中，小波常被用于特征提取、降维和预处理，也可与深度模型结合，增强对多尺度局部模式的识别能力。这种融合趋势正在拓展小波分析的应用边界。