小波分析考试题及答案.docx
《小波分析考试题及答案.docx》由会员分享，可在线阅读，更多相关《小波分析考试题及答案.docx（12页珍藏版）》请在冰豆网上搜索。
小波分析考试题及答案
小波分析考试题及答案
一、叙述小波分析理论发展的历史和研究现状
答：
傅立叶变换能够将信号的时域和特征和频域特征联系起来，能分别从信号的时域和频域观察，但不能把二者有机的结合起来。
这是因为信号的时域波形中不包含任何频域信息，而其傅立叶谱是信号的统计特性，从其表达式中也可以看出，它是整个时间域内的积分，没有局部化分析信号的功能，完全不具备时域信息，也就是说，对于傅立叶谱中的某一频率，不能够知道这个频率是在什么时候产生的。
这样在信号分析中就面临一对最基本的矛盾——时域和频域的局部化矛盾。
在实际的信号处理过程中，尤其是对非常平稳信号的处理中，信号在任一时刻附近的频域特征很重要。
如柴油机缸盖表明的振动信号就是由撞击或冲击产生的，是一瞬变信号，单从时域或频域上来分析是不够的。
这就促使人们去寻找一种新方法，能将时域和频域结合起来描述观察信号的时频联合特征，构成信号的时频谱，这就是所谓的时频分析，亦称为时频局部化方法。
为了分析和处理非平稳信号，人们对傅立叶分析进行了推广乃至根本性的革命，提出并开发了一系列新的信号分析理论：
短时傅立叶变换、时频分析、Gabor变换、小波变换Randon-Wigner变换、分数阶傅立叶变换、线形调频小波变换、循环统计量理论和调幅—调频信号分析等。
其中，短时傅立叶变换和小波变换也是因传统的傅立叶变换不能够满足信号处理的要求而产生的。
短时傅立叶变换分析的基本思想是：
假定非平稳信号在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱。
但从本质上讲，短时傅立叶变换是一种单一分辨率的信号分析方法，因为它使用一个固定的短时窗函数，因而短时傅立叶变换在信号分析上还是存在着不可逾越的缺陷。
小波变换是一种信号的时间—尺度（时间—频率）分析方法，具有多分辨率分析（Multi-resolution）的特点，而且在时频两域都具有表征信号局部特征的能力，使一种窗口大小固定不变，但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。
小波变换在低频部分具有较高的频率分辨率和较低的时间分辨率。
在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合于探测正常信号中夹带的瞬态反常现象并展示其成分，所以被誉为分析信号的显微镜。
小波分析最早应用在地震数据压缩中,以后在图像处理、故障诊断等方面取得了传统方法根本无法达到的效果.现在小波分析已经渗透到了自然科学、应用科学等方面,小波分析已成为国际研究热点.无论是傅里叶分析还是小波分析均以线性变换为基础,按非线性傅立叶分析提出了非线性小波变换,这种非线性小波变换处理非线性问题更为有效.
二、分析小波的基本定义
答：
小波（Wavelet）这一术语，顾名思义，“小波”就是小的波形。
所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。
与Fourier变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。
有人把小波变换称为“数学显微镜”。
小波分析方法是一种窗口大小（即窗口面积）固定但其形状可改变，时间窗和频率窗都可改变的时频局部化分析方法，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。
正是这种特性，是小波变换具有对信号的自适应性。
小波分析被看成调和分析这一数学领域半个世纪以来的工作结晶，已经和必将广泛地应用于信号处理、图像处理、量子场论、地震勘探、语音识别与合成、音乐、雷达、CT成像、彩色复印、流体湍流、天体识别、机器视觉、机械故障诊断与监控、分形以及数字电视等科技领域。
原则上讲，传统上使用傅立叶分析的地方，都可以用小波分析取代。
小波分析优于傅立叶变换的地方是，它在时域和频域同时具有良好的局部化性质。
设
（
表示平方可积的实数空间，即能量有限的信号空间），其傅立叶变换为
。
满足允许条件（AdmissibleCondition）：
时，我们称
为一个基本小波或母小波（MotherWavelet）。
将母函数
经伸缩和平移后，就可以得到一个小波序列。
对于连续的情况，小波序列为
其中，a为伸缩因子，b为平移因子。
对于离散的情况，小波序列为
对于任意的函数
的连续小波变换为
其逆变换为
小波变换的时频窗口特性与短时傅立叶的时频窗口不一样。
其窗口形状为两个矩形
，窗口中心为
，时窗宽和频窗宽分别为
和
。
其中
仅仅影响窗口在相平面时间轴上的位置，而
不仅影响窗口在频率轴上的位置，也影响窗口的形状。
这样小波变换对不同的频率在时域上的取样步长是调节性的：
在低频时小波变换的时间分辨率较差，而频率分辨率较高；在高频时小波变换的时间分辨率较高，而频率分辨率较低，这正符合低频信号变化缓慢而高频信号变换迅速的特点。
这便是它优于经典的傅立叶变换与短时傅立叶变换的地方。
从总体上来说，小波变换比短时傅立叶变换具有更好的时频窗口特性。
三、小波分析是傅立叶分析思想方法的发展与延拓，二者相辅相成，试对小波分析和傅立叶变换进行比较
答：
小波分析是傅立叶分析思想的发展与延拓，它自产生以来，就一直与傅立叶分析密切相关，他的存在性证明，小波基的构造以及结果分析都依赖于傅立叶分析，二者是相辅相成的，两者主要的不同点：
1、傅立叶变换实质是把能量有限信号f（t）分解到以{exp（jωt）}为正交基的空间上去；小波变换的实质是把能量有限信号f（t）分解到W-j和V-j所构成的空间上去的。
2、傅立叶变换用到的基本函数只有sin（ωt）,cos（ωt）,exp（jωt），具有唯一性；小波分析用到的函数（即小波函数）则具有多样性，同一个工程问题用不同的小波函数进行分析有时结果相差甚远。
小波函数的选用是小波分析运用到实际中的一个难点问题（也是小波分析研究的一个热点问题），目前往往是通过经验或不断地试验（对结果进行对照分析）来选择小波函数。
3、在频域分析中，傅立叶变换具有良好的局部化能力，特别是对于那些频率成分比较简单的确定性信号，傅立叶变换很容易把信号表示成各频率成分的叠加和的形式，如sin（ω1t）+0.345sin（ω2t）+4.23cos（ω3t），但在时域中傅立叶变换没有局部化能力，即无法从f（t）的傅立叶变换中看出f（t）在任一时间点附近的性态。
事实上，F（w）dw是关于频率为w的谐波分量的振幅，在傅立叶展开式中，它是由f（t）的整体性态所决定的。
4、在小波分析中，尺度a的值越大相当于傅立叶变换中w的值越小。
5、在短时傅立叶变换中，变换系数S（ω，τ）主要依赖于信号在[τ-δ，τ+δ]片段中的情况，时间宽度是2δ（因为δ是由窗函数g（t）唯一确定的，所以2δ是一个定值）。
在小波变换中，变换系数Wf（a,b）主要依赖于信号在[b-aΔφ，b+aΔφ）片断中的情况，时-间宽度是2aΔφ，该时间的宽度是随尺度a变化而变化的，所以小波变换具有时间局部分析能力。
6、若用信号通过滤波器来解释，小波变换与短时傅立叶变换不容之处在于：
对短时傅立叶变换来说，带通滤波器的带宽Δf与中心频率f无关；相反小波变换带通滤波器的带宽Δf则正比于中心频率f。
四、阐述多分辨分析的思想并给出MALLAT算法的表达式
答：
Meyer于1986年创造性地构造出具有一定衰减性的光滑函数，其二进制伸缩与平移构成
的规范正交基，才使小波得到真正的发展。
1988年S.Mallat在构造正交小波基时提出了多分辨分析（Multi-ResolutionAnalysis）的概念，从空间的概念上形象地说明了小波的多分辨率特性，将此之前的所有正交小波基的构造法统一起来，给出了正交小波的构造方法以及正交小波变化的快速算法，即Mallat算法。
Mallat算法在小波分析中的地位相当于快速傅立叶变换算法在经典傅立叶分析中的地位。
定义：
空间
中的多分辨分析是指
满足如下性质的一个空间序列
：
（1）调一致性：
，对任意
（2）渐进完全性：
，
（3）伸缩完全性：
（4）平移不变性：
（5）Riesz基存在性：
存在
，使得
构成
的Risez基。
关于Riesz的具体说明如下：
若
是
的Risez基，则存在常数A，B，且，使得：
对所有双无限可平方和序列
，即
成立。
满足上述个条件的函数空间集合成为一个多分辨分析，如果
生成一个多分辨分析，那么称
为一个尺度函数。
关于多分辨分析的理解，我们在这里以一个三层的分解进行说明，其小波分解树如图所示。
从图可以明显看出，多分辨分析只是对低频部分进行进一步分解，而高频部分则不予以考虑。
分解的关系为
。
另外强调一点这里只是以一个层分解进行说明，如果要进行进一步的分解，则可以把低频部分
分解成低频部分
和高频部分
，以下再分解以此类推。
在理解多分解分析时，我们必须牢牢把握一点：
其分解的最终目的是力求构造一个在频率上高度逼近
空间的正交小波基，这些频率分辨率不同的正交小波基相当于带宽各异的带通滤波器。
从上面的多分辨分析树型结构图可以看出，多分辨分析只对低频空间进行进一步的分解，使频率的分辨率变得越来越高。
MALLAT算法中包括两个主要的过程，这就是分解过程和重构过程。
对于一个多分辨分析
，以及信号
，其中
1、分解算法
⏹由于
以及
，故有：
⏹信号分析和处理是，常常需要知道它在各个闭子空间的小波系数。
首先由其采样值，经计算得其中的系数，同时：
⏹其中
和
都是
使用分解序列在偶整数点的抽样，这称为向下抽样。
小波分解
2、重构算法
⏹空间
是空间
和
的值和，故有：
则数列
、
、
具有如下公式：
小波重构
五、基于MATLAB，请自行选择一个一维信号，采用DB3小波函数，进行3尺度分解与重构。
要求：
（1）附上源程序；
（2）绘出原始信号以及分解、重构的结果图。
答：
loadleleccum;
S=leleccum（1:
1000）;w=’db3’;
Subplot（621）;plot（s）;
Title（‘原始信号’）；
Dwtmode;
[cazpd,cdzpd]=dwt（s,w）;
Lxtzpd=2*length（cazpd）
Xzpd=idwt（cazpd,cazpd,w,lx）;
Subplot（622）;plot（xzpd）;
Title（‘zpd模式重构图’）；
Dwtmode（‘sym’）;
[casym,cdsym]=dwt（s,w）;
Lxtzpd=2*length（caspd）
Xsym=idwt（casym,cdsym,w,lx）;
Subplot（625）;plot（xsym）;
Title（‘sym模式重构图’）；
Dwtmode（‘spd’）;
[casym,cdsym]=dwt（s,w）;
Lxtzpd=2*length（caspd）
Xsym=idwt（caspd,cdspd,w,lx）;
Subplot（626）;plot（xspd）;
Title（‘spd模式重构图’）；
六、给出一个小波分析的应用实例
对于一给定的信号（信号序列文件名为leleccum.mat），利用小波分析对深夜时段信号分析
答：
源程序如下：
Loadleleccum;s=leleccum;
w=’db3’;
[c,1]=wavedec（s,5,w）;
Fori=1:
5
D（I,:
）=wrcoeef（‘d’,c,l,w,i）;
End
tt=1+100:
length（s）-100;
subplot（6,1,1）;plot（tt,s（tt）,’r’）;
title（‘ElectricalSignalandDetails’）;
fori=1:
5,subplot（6,1,i+1）;plot（tt,D（5-i+1,tt）,’g’）;end
升级会员 