します。https：//zhuanlan.zhihu.com/p/22450818より転載
[REVIEW]はフーリエ変換からの埋め込まれた牛は非常に画像を話すことができる、完全に抽象的なものではなく、ウェーブレット変換に変換します。ウェーブレット変換我々はそれが顔に見えるから問題提起場合は、明確な物理的意味を持っている非常に明確なアイデアを整理することができます
ウェーブレット変換を埋め込まれた[入札]
[質問]どのような埋め込まれたウェーブレット変換は牛です
[挿入テキスト]フーリエ変換からの牛がウェーブレット変換に変換は、非常に画像を話すことができる、完全に抽象的なものではありません。ウェーブレットは、我々はそれが顔のルックスは非常に明確なアイデアを整理することができますから問題提起場合は、明確な物理的意味を持って変換します。
ここで私は、フーリエ変換に従ってください - >短時間フーリエ変換 - >ウェーブレットため、この事が可能になる理由についてウェーブレット話、考えているウェーブレットの種類。
私たちは、主にフーリエ変換の欠如は、以下の変換します。それは我々が信号変化のフーリエスペクトルを分析し、なぜウェーブレット変換前方に置くことができます知っている、ありますか？答えは「フーリエ変換は制限があります変換、非定常過程。」であり、次の信号でのシンプルな外観。
完了FFT（高速フーリエ変換）を使用して、スペクトルの4本のライン上に明瞭に見ることができる、4つの周波数成分を含む信号。
すべては問題ありません。しかし、非定常信号の時間と周波数は、それを変更する場合は？
上記のように、最上位の周波数は常に同じ定常信号です。下位2は、周波数変化時間を有する非定常信号であるが、それらはまた、同一の周波数成分4つの最上位信号を含みます。
FFTを行った後、我々は、これら3つの大きな違い、時間領域信号、スペクトル（振幅スペクトル）が非常に一貫していることがわかりました。次の二つの非定常信号特に、我々は、彼らは、4つの信号の周波数の成分を含有するので、彼らは、あるスペクトルから区別することができず、実際には外観のわずかに異なる順序と同じです。
フーリエ変換、見られる非定常信号の先天性欠損症を持っています。これは、周波数成分のみの信号が全体としてピリオドが含まれているものを手に入れることができますが、瞬間のための成分が知られていない表示されます。だから、可能な限り2つの非常に異なる時間領域の信号スペクトル。
しかし、ほとんどが安定信号を人工的に作成され、ほぼすべての非定常な性質の信号の数は、そのような生体信号解析などの紙の分野におけるので、基本的にはこの素朴なシンプルなフーリエ変換方法を表示されません。
上图所示的是一个正常人的事件相关电位。对于这样的非平稳信号，只知道包含哪些频率成分是不够的，我们还想知道各个成分出现的时间。知道信号频率随时间变化的情况，各个时刻的瞬时频率及其幅值——这也就是时频分析。
二、短时傅里叶变换（Short-time Fourier Transform, STFT）
一个简单可行的方法就是——加窗。我又要套用方沁园同学的描述了，“把整个时域过程分解成无数个等长的小过程，每个小过程近似平稳，再傅里叶变换，就知道在哪个时间点上出现了什么频率了。”这就是短时傅里叶变换。
看图：
时域上分成一段一段做FFT，不就知道频率成分随着时间的变化情况了吗！
用这样的方法，可以得到一个信号的时频图了：
——此图像来源于“THE WAVELET TUTORIAL”
图上既能看到10Hz, 25 Hz, 50 Hz, 100 Hz四个频域成分，还能看到出现的时间。两排峰是对称的，所以大家只用看一排就行了。
是不是棒棒的？时频分析结果到手。但是STFT依然有缺陷。
使用STFT存在一个问题，我们应该用多宽的窗函数？
窗太宽太窄都有问题：
窗太窄，窗内的信号太短，会导致频率分析不够精准，频率分辨率差。窗太宽，时域上又不够精细，时间分辨率低。
（这里插一句，这个道理可以用海森堡不确定性原理来解释。类似于我们不能同时获取一个粒子的动量和位置，我们也不能同时获取信号绝对精准的时刻和频率。这也是一对不可兼得的矛盾体。我们不知道在某个瞬间哪个频率分量存在，我们知道的只能是在一个时间段内某个频带的分量存在。 所以绝对意义的瞬时频率是不存在的。）
看看实例效果吧：
——此图像来源于“THE WAVELET TUTORIAL”
上图对同一个信号（4个频率成分）采用不同宽度的窗做STFT，结果如右图。用窄窗，时频图在时间轴上分辨率很高，几个峰基本成矩形，而用宽窗则变成了绵延的矮山。但是频率轴上，窄窗明显不如下边两个宽窗精确。
所以窄窗口时间分辨率高、频率分辨率低，宽窗口时间分辨率低、频率分辨率高。对于时变的非稳态信号，高频适合小窗口，低频适合大窗口。然而STFT的窗口是固定的，在一次STFT中宽度不会变化，所以STFT还是无法满足非稳态信号变化的频率的需求。
三、小波变换
那么你可能会想到，让窗口大小变起来，多做几次STFT不就可以了吗？！没错，小波变换就有着这样的思路。
但事实上小波并不是这么做的（关于这一点，方沁园同学的表述“小波变换就是根据算法，加不等长的窗，对每一小部分进行傅里叶变换”就不准确了。小波变换并没有采用窗的思想，更没有做傅里叶变换。）
至于为什么不采用可变窗的STFT呢，我认为是因为这样做冗余会太严重，STFT做不到正交化，这也是它的一大缺陷。
于是小波变换的出发点和STFT还是不同的。STFT是给信号加窗，分段做FFT；而小波直接把傅里叶变换的基给换了——将无限长的三角函数基换成了有限长的会衰减的小波基。这样不仅能够获取频率，还可以定位到时间了~
【解释】
来我们再回顾一下傅里叶变换吧，没弄清傅里叶变换为什么能得到信号各个频率成分的同学也可以再借我的图理解一下。傅里叶变换把无限长的三角函数作为基函数：
这个基函数会伸缩、会平移（其实本质并非平移，而是两个正交基的分解）。缩得窄，对应高频；伸得宽，对应低频。然后这个基函数不断和信号做相乘。某一个尺度（宽窄）下乘出来的结果，就可以理解成信号所包含的当前尺度对应频率成分有多少。于是，基函数会在某些尺度下，与信号相乘得到一个很大的值，因为此时二者有一种重合关系。那么我们就知道信号包含该频率的成分的多少。
仔细体会可以发现，这一步其实是在计算信号和三角函数的相关性。
看，这两种尺度能乘出一个大的值（相关度高），所以信号包含较多的这两个频率成分，在频谱上这两个频率会出现两个峰。
以上，就是粗浅意义上傅里叶变换的原理。
如前边所说，小波做的改变就在于，将无限长的三角函数基换成了有限长的会衰减的小波基
从公式可以看出，不同于傅里叶变换，变量只有频率ω，小波变换有两个变量：尺度a（scale）和平移量 τ（translation）。尺度a控制小波函数的伸缩，平移量 τ控制小波函数的平移。尺度就对应于频率（反比），平移量 τ就对应于时间。
当伸缩、平移到这么一种重合情况时，也会相乘得到一个大的值。这时候和傅里叶变换不同的是，这不仅可以知道信号有这样频率的成分，而且知道它在时域上存在的具体位置。
而当我们在每个尺度下都平移着和信号乘过一遍后，我们就知道信号在每个位置都包含哪些频率成分。
看到了吗？有了小波，我们从此再也不害怕非稳定信号啦！从此可以做时频分析啦！
做傅里叶变换只能得到一个频谱，做小波变换却可以得到一个时频谱！
↑：时域信号
↑：傅里叶变换结果
——此图像来源于“THE WAVELET TUTORIAL”
↑：小波变换结果
小波还有一些好处，比如，我们知道对于突变信号，傅里叶变换存在吉布斯效应，我们用无限长的三角函数怎么也拟合不好突变信号：
然而衰减的小波就不一样了：
以上，就是小波的意义。
-----------------------------------------------------------------------------------------------------------
以上只是用形象地给大家展示了一下小波的思想，希望能对大家的入门带来一些帮助。毕竟如果对小波一无所知，直接去看那些堆砌公式、照搬论文语言的教材，一定会痛苦不堪。
在这里推荐几篇入门读物，都是以感性介绍为主，易懂但并不深入，对大家初步理解小波会很有帮助。文中有的思路和图也选自于其中：
1. THE WAVELET TUTORIAL （强烈推荐，点击链接：INDEX TO SERIES OF TUTORIALS TO WAVELET TRANSFORM BY ROBI POLIKAR）
2. WAVELETS：SEEING THE FOREST AND THE TREES
3. A Really Friendly Guide to Wavelets
4. Conceptual wavelets
但是真正理解透小波变换，这些还差得很远。比如你至少还要知道有一个“尺度函数”的存在，它是构造“小波函数”的关键，并且是它和小波函数一起才构成了小波多分辨率分析，理解了它才有可能利用小波做一些数字信号处理；你还要理解离散小波变换、正交小波变换、二维小波变换、小波包……这些内容国内教材上讲得也很糟糕，大家就一点一点啃吧~