1 基本概念
1.1 定义
小波包是小波分析的一种扩展形式。它在传统小波分解的基础上，不再只对低频近似分量继续细分，而是同时对低频和高频分量进行递归分解，从而形成更完整的时频分析结构。由于这种处理方式，小波包能够把信号划分到更细的频带中，适用于需要精细频谱描述的场景。
1.2 发展背景
小波分析提出后，在非平稳信号处理、压缩编码和多尺度表示等方面表现出较强优势。不过，经典小波分解对高频部分通常只进行单次分解，频带划分相对固定。为克服这一限制，小波包思想逐步发展起来，使频带划分更加灵活，也更适合分析包含多种频率成分的复杂信号。
1.3 与传统小波的区别
1.3.1 分解策略差异
传统小波变换通常采用“只分解低频”的策略，即每一层只对近似系数继续展开。小波包则对每个分量都可继续分解，不论其属于低频还是高频。这种差别使小波包的分解树更完整，结构也更丰富。
1.3.2 频带划分差异
在频带划分上，传统小波的分频方式较为固定，低频区域分辨率较高，而高频区域较粗。小波包能够对全频段进行更均匀、更细致的切分，因此在需要区分相邻频段或捕捉局部谱特征时更有优势。
1.4 核心思想
小波包的核心思想是递归细分信号的频率结构，使每个子带都能在同样的分解框架下进一步展开。它通过滤波、抽取与重构等操作，将信号表示为一棵分解树上的多个节点，再依据分析目标选择合适的子空间或基函数，实现更灵活的表示与处理。
2 数学基础
2.1 多分辨率分析
小波包建立在多分辨率分析的框架之上。该理论将信号空间表示为一系列逐级嵌套的子空间，不同层级对应不同分辨率。通过在这些子空间中投影与展开，可以实现对信号的逐层近似和细节描述。
2.2 尺度函数与小波函数
尺度函数用于描述低分辨率下的近似部分，小波函数则对应细节信息。在小波包体系中，这两类函数被进一步扩展为一组包函数，能够生成更多的正交子空间。它们共同构成信号展开的基础。
2.3 正交性与完备性
若一组小波包基满足正交性，则不同基函数之间互不干扰，便于系数解释和能量分析。完备性则保证任意满足条件的信号都可由这些基函数展开并精确表示。正交性与完备性通常是构造稳定变换和可靠重构的重要前提。
2.4 小波包基的构造
2.4.1 递归分解关系
小波包基通常通过递归关系生成。初始函数经过低通和高通滤波后，可得到下一层的两个子函数；这些子函数再继续按同样规则分解，逐步形成整棵基函数树。这样的构造方式使每个节点都具有明确的频率含义。
2.4.2 频域解释
从频域角度看，小波包基对应于不断细分的频带集合。每次滤波相当于将频谱划分为更窄的区间，并将相应能量分配到不同节点中。因而，小波包在频域上的表现更接近于自适应的滤波器组分析。
3 小波包分解
3.1 分解原理
小波包分解通过一对滤波器对输入信号进行分析：低通分量反映平滑趋势，高通分量反映局部变化。与传统小波不同，二者都可以继续进入下一层处理，最终得到多级、多分量的表示结果。
3.2 分解树结构
小波包分解通常用树状结构表示。根节点对应原始信号，下一层为其低频和高频分量，再向下则是对各子带的进一步划分。树的深度越大，频带划分越细，但计算量也相应增加。
3.3 低频与高频连续分解
在连续分解过程中，低频部分并非唯一的扩展对象，高频部分同样会被再次拆分。这使得某些在传统小波中被整体保留的高频信息，也能获得更细的频谱定位，尤其适合处理包含窄带干扰或局部振荡的信号。
3.4 子带信号表示
3.4.1 系数定义
每个节点上对应一组小波包系数，用于表示原始信号在该子空间中的投影强度。系数大小通常反映该频带内的能量或局部特征，因此可直接用于分析、分类或压缩。
3.4.2 节点编号方式
小波包树中的节点一般采用层数与序号组合进行标识。常见做法是以“层-位置”来表示某一子带，例如第几层、第几个节点。清晰的编号方式有助于追踪分解路径与重构过程。
4 小波包重构
4.1 重构原理
小波包重构是将各子带系数按分解的逆过程逐层合并，最终恢复原始信号。其基本思想与分解相反，即先上采样，再通过相应滤波器合成，逐级回到更高层次的表示。
4.2 重构滤波器组
重构过程依赖与分析滤波器相配套的合成滤波器组。各子带信号经滤波后叠加，能够在正确条件下恢复原信号。滤波器组设计是否合理，直接影响重构质量。
4.3 完全重构条件
当滤波器组满足特定正交或双正交条件时，分解与重构可实现完全重构，即理论上不会丢失信息。此时，分析和合成过程形成闭环，适用于精确表示和无失真恢复。
4.4 重构误差与稳定性
实际计算中，有限精度运算、边界处理和数值舍入都会引入微小误差。稳定性较好的小波包系统通常对这些扰动不敏感，重构误差也能控制在较低水平。若基函数或滤波器选择不当，误差则可能被放大。
5 基函数与滤波器
5.1 正交小波包
正交小波包基中的函数彼此正交，便于保持能量守恒与系数解释一致。它们在理论分析和无损重构方面具有明显优势，因此在许多标准算法中被广泛采用。
5.2 双正交小波包
双正交小波包允许分析与合成采用不同的基函数集合。与正交系统相比，它在滤波器设计上更灵活，常可获得更好的对称性或更平滑的重构结果，适合对边缘特性较敏感的任务。
5.3 滤波器组设计
5.3.1 低通滤波器
低通滤波器用于提取信号的平稳或缓变部分，是构建近似分量的关键部件。其频响特性决定了分解后低频带的覆盖范围与平滑程度。
5.3.2 高通滤波器
高通滤波器用于提取细节信息，尤其对突变、振荡和局部纹理较为敏感。它与低通滤波器配合使用，构成一对互补分析通道。
5.3.3 伴随滤波器
伴随滤波器通常用于重构环节，或在双正交体系中实现与分析滤波器的对应关系。其设计目标是在满足重构条件的同时，保持良好的频率选择性。
5.4 常见母小波选择
小波包可建立在多种母小波基础上，如Daubechies小波、Symlets、Coiflets等。不同母小波在支撑长度、平滑性、对称性和频率响应方面各有特点，实际使用时往往依据数据类型与任务目标进行选择。
6 最优基选择
6.1 最优基的概念
由于小波包分解能够形成大量可能的子空间组合，分析时不一定需要保留整棵树。最优基选择的目的，就是从众多候选表示中挑选一组最适合当前信号特征的基，使表示更简洁、信息更集中。
6.2 熵准则
熵准则常用于衡量各子带系数的离散程度或信息集中度。一般来说，若系数更集中，则表示越紧凑，越可能成为更优的表示方式。
6.2.1 香农熵
香农熵反映概率分布的不确定性。在小波包中，若某些节点的系数分布更集中，其熵值通常更低，因而更有利于被选为有效基。
6.2.2 阈值熵
阈值熵通过设置幅值门限，只统计超过阈值的显著系数，常用于突出主要信息、抑制弱噪声成分。该方法适合噪声背景较强的场景。
6.2.3 能量熵
能量熵关注各系数能量分布的均匀程度。若能量主要集中在少数节点中，则能量熵较低，说明该分解方式更具压缩潜力。
6.3 代价函数与剪枝策略
最优基搜索通常依赖代价函数来评估每个节点的保留价值。若某节点继续分解后的总代价高于当前节点，则可停止展开并进行剪枝，从而降低复杂度，保留更有效的表示结构。
6.4 最优分解树搜索
常用的搜索方法是在整棵分解树上逐层比较节点代价，自底向上决定是否保留子节点或合并为父节点。这样可以在较大候选空间中找到更适合当前数据特征的分解树。
7 算法实现
7.1 离散小波包变换
离散小波包变换是小波包在离散信号上的常见实现方式。它通过采样后的滤波与降采样过程，把有限长度序列映射为一组分层系数，便于数值计算和工程应用。
7.2 快速算法
快速算法利用滤波器组的递推结构，减少重复计算。其基本思路与快速小波变换类似，但分支更多、树更完整，因此在实现时需要更规范的节点管理和缓存策略。
7.3 边界处理
7.3.1 周期延拓
周期延拓将信号末端视为首端的延续，适合周期性较强的数据。该方法实现简单，但若信号本身并不周期，可能在边界处引入不连续。
7.3.2 对称延拓
对称延拓通过镜像方式扩展序列，能有效减弱边界突变带来的伪影，因此在图像和生物信号处理中较常见。
7.3.3 零填充
零填充在信号末端补零，便于统一长度处理，但容易引入额外能量变化，影响部分系数的解释与重构效果。
7.4 计算复杂度
小波包的计算复杂度通常高于传统小波，因为它对更多节点进行分解和处理。若分解层数增加，系数数量与运算量都会明显上升，因此实际应用中常需在精度与效率之间折中。
8 典型应用
8.1 信号去噪
小波包能够将噪声与有用信号在不同频带中分离，再通过阈值处理或子带筛选减弱噪声影响。对于含有多频成分或局部冲击的信号，这种方法通常比粗粒度分解更有效。
8.2 图像压缩
在图像压缩中，小波包可用于提取更紧凑的频带表示，突出边缘、纹理和局部细节。通过对高频子带进行有选择的编码或舍弃，能够在较小失真下减小数据量。
8.3 特征提取
小波包系数能够反映信号在不同频带上的能量分布、局部变化和统计特性，因此常被用作分类、识别和模式分析中的特征来源。其多尺度表示有助于提高特征的区分度。
8.4 故障诊断
8.4.1 机械振动分析
在机械系统中，振动信号往往包含冲击、周期调制和噪声成分。小波包可将这些信息分散到不同子带中，便于识别异常频率和局部故障迹象。
8.4.2 电力系统检测
电力设备或线路的检测中，小波包可用于分析暂态变化、谐波成分和局部扰动。通过对子带能量和统计指标的监测，能够辅助异常状态识别。
8.5 生物医学信号处理
在心电、脑电等生物医学信号分析中，小波包可帮助分离不同频段的生理信息与噪声干扰。由于这类信号通常非平稳且细节丰富，小波包的多分辨率特征尤其适合此类任务。
8.6 语音与音频分析
语音和音频信号具有明显的时变频谱特征。小波包可以细分频带，帮助提取音色、瞬态和局部谐波信息，也可用于编码、识别和降噪等处理。
9 优势与局限
9.1 主要优势
9.1.1 更细的频带划分
小波包能够对全频段进行更精细的切分，适合分辨相近频率成分，提升复杂信号分析的分辨率。
9.1.2 更强的适应性
由于分解树可灵活选择，小波包可依据任务需求保留不同频带信息，因而在多种应用中具有较强适应性。
9.2 主要局限
9.2.1 计算与存储开销
相较传统小波，小波包会产生更多节点和系数，因此对计算资源和存储空间的要求更高。
9.2.2 基函数依赖性
分析效果与所选母小波、滤波器组和分解层数密切相关。若基函数与数据特性不匹配，表示效率可能下降。
9.2.3 参数选择敏感性
分解层数、剪枝规则、熵准则和边界处理方式等参数，都会影响最终结果。实际应用中往往需要结合经验或实验进行调整。
10 相关扩展
10.1 二维小波包
二维小波包将一维思想推广到平面数据，常用于图像分析。它可以在水平、垂直和对角方向上形成更细的频带划分。
10.2 多维小波包
多维小波包面向三维及更高维数据，适用于体数据、时空数据和多通道传感数据等场景。其结构更复杂，但表达能力也更强。
10.3 复小波包
复小波包使用复值滤波器或复值基函数，通常具有更好的相位信息表示能力。它在方向选择性、平移稳定性和瞬态分析方面具有一定优势。
10.4 自适应小波包分解
自适应小波包分解会根据数据特征动态选择分解路径，而不是固定展开整棵树。该方法可提高表示效率，并在压缩和识别任务中获得更优结果。
10.5 与其他时频分析方法的比较
与短时傅里叶变换相比，小波包具有多分辨率特性，适合处理非平稳信号；与传统小波相比，它的频带划分更灵活；与经验模态分解等方法相比，小波包具有更明确的数学结构和可实现性。不同方法各有侧重，通常需根据数据性质和任务目标综合选择。