小波分析简述.docx

小波分析简述.docx

《小波分析简述.docx》由会员分享，可在线阅读，更多相关《小波分析简述.docx（9页珍藏版）》请在冰点文库上搜索。

小波分析简述

第一篇：

小波分析发展历史简述

1910年，Haar提出了L2（R）中第一个小波规范正交基，即Haar正交基。

1936年，Littlewood和Paley对傅立叶级数建立了二进制频率分量分组理论，（即L-P理论：

按二进制频率成分分组，其傅立叶变换的相位并不影响函数的大小和形状），这是多尺度分析思想的最早起源。

1952年～1962年，Calderon等人将L-P理论推广到高维，建立了奇异积分算子理论。

1965年，Calderon发现了著名的再生公式，给出了抛物型空间上H1的原子分解。

1974年，Coifman实现了对一维空间和高维空间的原子分解。

1976年，Peetre在用L-P理论对Besov空间进行统一描述的同时，给出了Besov空间的一组基。

1981年，Stromberg引入了Sobolev空间Hp的正交基，对Haar正交基进行了改造，证明了小波函数的存在性。

1981年，法国地球物理学家Morlet提出了小波的正式概念。

1985年，法国数学家Meyer提出了连续小波的容许性条件及其重构公式。

1984年～1988年，Meyer、Battle和Lemarie分别给出了具有快速衰减特性的小波基函数：

Meyer小波、Battle-Lemarie样条小波。

1987年，Mallat将计算机视觉领域中的多尺度分析思想引入到小波分析中，提出了多分辨率分析的概念，统一了在此前的所有具体正交小波的构造，给出了构造正交小波基的一般方法，提出了快速小波变换（即Mallat算法）。

1988年，Daubechies基于多项式方式构造出具有有限支集的光滑正交小波基（即Daubechies基）。

Chui和中国学者王建忠基于样条函数构造出单正交小波函数，并提出了具有最优局部化性能的尺度函数和小波函数的一般性构造方法。

1988年，Daubechies在美国NSF/CBMS主办的小波专题研讨会上进行了10次演讲，引起了广大数学家、物理学家、工程师以及企业家的重视，将小波理论发展与实际应用推向了一个高潮。

1991年，Alpert用多项式构造了第一个多小波。

Geronimo等利用分形插值函数构造了正交、对称、紧支撑、逼近阶位2的GHM多小波。

1992年，Daubechies对这些演讲内容进行了总结和扩展形成了小波领域的经典著作——小波十讲《TenLecturesonWavelet》。

1992年3月，国际权威杂志《IEEETransactionsonInformationTheory》专门出版了“小波分析及其应用”专刊，全面介绍了此前的小波分析理论和应用及其在不同学科领域的发展，从此小波分析开始进入了全面应用阶段。

1992年，Bamberger和Smith提出无冗余且能完全重构的方向滤波器（DirectionalFilterBanks，DFB，也即2D-DFB），DFB能有效地对二维信号进行方向分解。

具有不可分性，把DFB从二维扩展多维，至今没有完美的实现方法。

1992年，Kovacevic和Vetterli提出了双正交小波的概念。

1992年，Cohen、Daubechies和Feauveau构造出具有对称性、紧支撑、消失矩、正则性等性质的双正交小波。

1992年，Coifman和Wickerhauser提出了小波包（WaveletPacket，WP）分析。

1993年，Goodman等基于r阶多尺度函数及多分辨率分析建立了多小波（Multi-Wavelet）理论框架。

1994年，Geronimo等提出了多小波变换（Multi-WaveletTransform，MWT），将单尺度小波变换推广到多尺度小波变换。

1995年，Sweldens等提出了一种新的小波构造算法——提升方案（LiftingScheme）。

它标志着第二代小波的开始。

1997年，Meyer和Coifman提出了Brushlet变换，即一种自适应频带分割方法。

1998年，Candès和Donoho提出了连续脊波（Ridgelet）变换。

1998年，Donoho提出了正交Ridgelet变换的构造方法。

1999年，美国学者Donoho提出了楔波（Wedgelet）变换。

1999年，美国斯坦福大学的DavidL.Donoho教授提出了小线（Beamlets）变换。

1999年，Candès提出的单尺度Ridgelet变换实现了含曲线奇异的多变量函数的构造方法。

1999年，Candès和Donoho在Ridgelet变换的基础上提出了连续曲波（Curvelet）变换——第一代Curvelet变换中的Curvelet99。

2000年，法国学者Pennec和Mallat提出了第一代Bandelet变换。

2000年，Do和Vetterli提出了一种离散Ridgelet变换。

2001年，Cohen和Matei提出了边缘自适应多尺度变换（Edge-AdaptedMultiscaleTransform）。

2002年，Strack、Candès和Donoho提出了第一代Curvelet变换中的Curvelet02。

2002年，Candès等人提出了第二代Curvelet变换。

2002年，Do和Vetterli提出了Contourlet变换。

2003年，Wakin等提出了Wedgeprint的图像稀疏表示方法。

2005年，Peyre和Mallat提出了第二代Bandelet变换。

2005年，Velisavljevic等基于整数格点理论提出了一种可分离多方向多尺度图像表示方法——Directionlets。

2005年，Candès提出了两种基于第二代Curvelet变换理论的快速离散实现方法

2007年，YueLu和M.N.Do提出了多维方向滤波器组（N-dimensionalDirectionalFilterBanks，NDFB）的Surfacelet变换。

2007年，YueLu和M.N.Do提出了多维方向滤波器组设计方法——NDFB。

采用一种简单、高效的树状结构，能够对任意维的信号进行方向分解。

第二篇：

小波分析应用发展现状

1小波分析在信号与图像处理上的应用

电子信息技术是六大高新技术中重要的领域，它的重要方面是信号与图像处理．信号与图像处理的目的：

准确地分析与诊断，编码压缩与量化。

快速传递与储存。

精确的重构（或恢复）．信号与图像处理可以统一地看作是信号处理（图像可以看作是二维信号1．对于信号与图像来说，由于要传递和储存，就需要快速传输．在同等通信容量下，如果信号与图像数据可以压缩后再传输．可使数据量变小，如用普通的电话线传输图像信息．这样我们就要寻找高压缩比的方法，且压缩后的信号与图像有合适的噪音比，在压缩传输后还要恢复原信号，且保持原图像特征不变．基于小波分析的压缩方法很多，比较成功的有小波包最好基方法，小波域纹理模型方法，小波变换零树压缩．小波变换向量量化压缩等．

1．1小波分析在常规滤波方面的应用

在信号分析中。

当对信号进行采样后，就得到了在一个大的有限频带中的一个信号，对这个信号进行小波分析，就是把采到的信号分成两个信号。

高频部分和低频部分，再对低频信号分解．这样就完成了滤波和检测的工作．常用的几种滤波有低通滤波、高通滤波、带通滤波等．低通滤波要求保持原信号中某个特定的低频范围的信号，正交小波的Mallat算法和正交小波包的分解对低通滤波是行之有效的．高通滤波要求保留信号中的高频量。

去换特定的低频量，仍用正交小

波包的分解、正交小波包的分解在频域方面表现，保留信号分解中对应于高频量的数据。

用零代替低频量所对应的数据．这样就方便地实现了高通滤波．带通滤波要求保留信号的某个特定频带，据正交小波（包）分析方法在频域方面的表现，可实现非常细致的、清晰的带通滤波，若干频段的信息混叠后传输，小波（包）分析方法可把它们有效地分离出来．

1．2小波分析在消噪方面的应用

由于小波和小波包分解可以把一个信号分解为不同的频段信号。

实际采集的型号中常含有白噪音，只有作消噪处理。

才能有效地表现原信号中的有用信息．第一种是强制消噪处理方法．该方法把小波分解结构中的高频系数全部变为0值．即把各个尺度或几个尺度的高频部分全部滤掉，然后再对信号进行重构处理。

重构后的信号也比较平滑，但容易丢失原信号中有用的高频分量．第二种是门限消噪处理方法，该方法要根据经验或某种依据设定门限值。

对信号小波分解中的最高频系数用门限值处理。

即大于门限值的部分保留。

低于门限值的系数变为0值，随着分解层次的增加，门限值可按倍减小．

1．3小波分析在平稳信号消噪中的应用

平稳信号通常表现为低频信号，但实际上采集的信号中往往混有噪音，希望消噪并清晰地表现周期信号，因为这种周期信号是低频的，相关过程能较好地表现周期性，这种特点在小波分解分量中有一定的表现．时频受限信号中含有白噪音也是常见的，对于这类时频受限信号的消噪问题，可将接受信号作细致的小波包分解，将频限之外的信号全部去掉．达到初步消噪的目的．保留的频限内的接受信号中的噪声信号．可用门限滤波法或相关消噪法．

1．4小波分析在语言信号基音提取和压缩存储中的应用

语言信号的基音提取是语音分析处理中的一个关键问题．可根据不同基音表现去识别不同语音的特征，可利用基音作语言合成，也可以利用基音表现对原语言信号作压缩储存处理．语音信号的频带不超过20千赫兹，它可以看作是一个非平稳信号，用正交小波包分解容易找到语音信号的各种特征，根据这些特征来确定提取基音的办法．

2在工程技术等方面的应用

2．1在医学上的应用

小波分析在医学中的应用包括在B超、CT、核磁共振及心电图等方面．例如CT，在二维医学图像中，由拍照得到的图像重构原始器官，完全依赖于目标函数的线积分，但是在很多场合下．人们只关心图像中的局部区域，局部值并不由超平面上局部相应的线积分唯一确定。

但是该区域外的线积分对此影响不大．利用小波的时频局部性以及Randon变换的一些性质，可以确定抽取哪些局部信息使获得图像可靠地重构．给出达到一定逼近精确度的误差界限．

2．2电子地图与卫星导航定位

对于电子地图来说。

关键的技术是对交通地图要有大压缩比的压缩存储以及方便快捷的局部显示方法，对地图用小波分解的方法进行多层次分解．

2．3其他应用

小波分析还可应用于计算机视觉、计算机图形、曲线设计、远程宇宙的研究与生物医学等方面．如小波用于曲面表示．可使用双正交三次B样条小波张量积型的积，对于曲线的小波表示，它呈现出许多优点，例如，它的约束模型从属于一个二次能量泛函，消除了曲线的一些不必要的扰动．使用曲面与体的构造还可使用球面上的小波技术．

第三篇：

2012年优秀论文

《地震记录的小波变换在沉积旋回分析中的应用探讨》

主要内容：

对地震记录进行小波变换，利用变换结果，建立变换结果与地层沉积旋回间存在的对应关系。

通过对理论模型及实际资料的应用分析，总结了变换结果与沉积旋回间的对应关系。

研究表明：

地震记录的小波变换在沉积旋回分析中具有一定的可行性，分析结果可以作为其它沉积旋回分析方法的补充。

《基于小波变换的优化LDA人脸特征提取》

主要内容：

运用小波进行图像分解提取低频子带图，并利用优化的线性判别分析（LDA）算法寻找最优投影子空间，从而映射提取人脸特征，实现人脸的分类识别。

该方法避免了传统LDA算法中类内离散度矩阵非奇异的要求，解决了边缘类重叠问题，具有更广泛的应用空间。

实验表明:

该方法优于传统的LDA方法

和主分量分析（PCA）方法。

《小波变换在东辛地区层序地层划分中的应用》

主要内容：

层序地层学在指导油气勘探中起到了重要作用，利用小波变换分析测井资料可以较好地划分地层层序。

在东辛地区的实际应用中，利用Ｍａｔｌａｂ平台对自然伽马曲线进行小波变换处理，结合岩性资料，能够有效地识别准层序，其划分结果和传统方法划分结果基本一致

《小波分析在高桩码头基桩完整性检测中的应用研究》

主要内容：

：

利用反射波法检测高桩码头基桩完整性时，由于基桩存在上部结构，反射波波形会含有干扰信息，变得十分复杂。

文章研究了小波分析在高桩码头基桩完整性检测中的应用，利用小波分析消除干扰信号，以减弱梁板等上部结构对基桩检测信号的影响，最后通过具体的工程实例进行了应用验证。

《应用谐波小波包提取转子故障特征方法》

主要内容：

为消除转子转速变化时各节点中倍频分布的随机性，提出一种应用谐波小波包技术提取转子故障特征参数方法。

该方法首先依据尺度变换思想对原始振动信号进行重采样，然后应用谐波小波包技术将重采样信号分解到给定层上，最后提取各个节点的谐波小波包系数能量值作为故障诊断的特征参数。

通过对油膜涡动实验数据的处理和分析，观察到不同转速下节点倍频分布、与能量分布具有了统一的物理意义。

转子故障诊断实验中，对转

子不平衡、不对中、动静碰摩、油膜涡动故障的分类准确率达91.4%。

表明应用该方法提取的特征参数，可以作为转子故障诊断的可靠依据。

《综合颜色特征与形状特征的图像检索算法》

主要内容：

小波分析在图像检索领域的应用越来越重要，而且有着广泛的前景，由于小波变换具有良好的局部特性与多尺度特性，能多尺度逼近边缘，这使得它在图像奇异性检测和特征提取方面得到了广泛的应用。

本文采用二次样条二进小波变换进行边缘检测，用边缘梯度方向直方图表示图像形状特征，用颜色直方图

表示图像颜色特征，提出了综合颜色特征和形状特征的图像检索算法。

实验结果表明该算法不仅具有较好的检索性能，而且对图像中存在的光照变化和几何变化（尺度，平移，旋转等）具有较强的鲁棒性。

《仿生小波变换在飞机发动机故障诊断中的应用》

主要内容：

飞机发动机是一种复杂的旋转机械，故障种类多而且难以辨别。

为了保证飞行安全，对飞机发动机的故障进行正确、快速地检测，文中应用仿生小波变换对某型涡轮风扇发动机在飞行中空中停车的振动信号作了分析。

实验结果表明，对在频谱图上难以找到其相应的明显频率成分的准周期故障信号，利用仿生小波变换（BWT）的自适应调节功能，使得故障信号的细节成分更加地突出，对比该频率和故障情况下计算出的特征频率，可以找出故障的原因。

《基于多尺度小波分解和时间序列法的风电场风速预测》

主要内容：

针对目前风电场风速预测精度较低的问题，提出一种基于多尺度小波分解和时间序列法的混合风速预测模型，通过小波分解将风速非平稳时间序列分解为不同尺度坐标上的平稳时间序列，然后把分解后的各层序列重构回原尺度，再应用自回归滑动平均模型对平稳时间序列进行预测，最后通过叠加合成得出原始风速序列的预测值。

同时在验证时间序列模型有效性与模型选优过程中，采用基于贝叶斯理论的SBC定阶准则，改善了以往模型定阶准则的收敛特性。

在算例分析中分别利用本文方法和常规预测法对实际风速分布特性进行预测分析，结果表明，本文方法对不平稳风速序列的预测具有更高的预测精度和更强的适应性。

《基于混沌粒子群优化小波支持向量机的汇率预测》

主要内容：

目前，支持向量机（SVM）常用的参数寻优方法存在易陷入局部极值的缺点，而其常用的核函数的逼近精度也有待提高。

基于混沌映射的遍历性与随机性和小波变换的局部分析与特征提取能力，提出了一种混沌粒子群优化小波支持向量机（CPSO-WSVM）的算法，并应用它构建汇率预测模型。

实验结果表明，相比传统的粒子群优化高斯核SVM（PSO-GSVM）的算法，CPSO-WSVM算法大大提高了预测的精度和效率，应用效果好。

《基于小波变换和核主成分分析的人脸识别算法》

主要内容：

人脸识别是当前模式识别和图像处理领域的研究热点，属于生物鉴别技术的一部分。

一个完整的人脸识别系统主要由以下几个基本环节构成:

图像预处理、人脸检测与定位、特征提取分类识别。

本文主要针对图像的特征提取分类识别环节进行分析和试验:

首先应用哈尔小波变换初步提取人脸图像的特征;再对小波系数运用核主成分分析进行最终的人脸特征提取。

《基于小波分解的支持向量机母线负荷预测》

主要内容：

为提高母线负荷预测的准确性，提出一种基于小波分解和支持向量机的母线负荷预测方法。

该方法利用小波分解算法将目标负荷序列分解为若干个不同频率的子序列，通过分析各个序列的特征规律，构造不同的支持向量机模型对各分量分别进行预测，再将各分量预测值进行重构得到最终预测值。

对某一区域内15条母线进行预测，采用平均日母线负荷准确率进行评价。

与单独使用支持向量机方法相比，应用所提方法提高了962点的预测效果，占总预测点数的66.8%；全系统的准确率由93.5%提高到了95.1%。

第四篇：

小波分析应用前景展望

（1）瞬态信号或图像的突变点常包含很重要的故障信息,例如,机械故障、电力系统故障、脑电图、心电图中的异常、地下目标的位置及形状等,都应用于测试信号的突变点。

虽然这些问题发生的背景不同,但都可以归结到如何提取信号中突变点的位置及判定其奇异性（或光滑性）的问题。

对图像来说,急剧变化的点通常对应于代表图像结构的边缘部位,也就是图像信息的主要部分。

掌握它,也就掌握了图像的基本特征,因此,小波分析在故障检测和信号的多尺度边缘特征提取方面的应用具有了广泛的应用背景。

（2）神经网络与小波分析相结合,分形几何与小波分析相结合是国际上研究的热点之一。

基于神经网络的智能处理技术,模糊计算、进化计算与神经网络结合的研究,没有小波理论的嵌入很难取得突破。

（3）非线性科学的研究正在呼唤小波分析,也许非线性小波分析是解决非线性科学问题的理想工具。

（4）小波分析用于数据或图像的压缩,目前绝大多数是对静止的图像进行研究。

因此,面向网络的活动图像压缩,小波分析也具有广泛的前景。

（5）目前使用的二维基高维小波基主要是可分离的,不可分离的二维及高维小波基的构造、性质及其应用研究,由于理论上较为复杂,这方面的成果甚少。

也许向量小波及高维小波的研究能够为小波分析应用开创一个新天地。