搜尋意圖： 如果你在找「小波變換 是什麼」或「小波變換 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 一種時頻分析方法，通過不同尺度的小波函數分解信號，同時保留時間和頻率信息。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
一種時頻分析方法，通過不同尺度的小波函數分解信號，同時保留時間和頻率信息。
核心概念
小波變換的核心是小波基函數（wavelet）。小波是一個短時間振盪信號，與傅立葉變換的無限長正弦波不同。通過伸縮和平移小波，可在不同時間位置和不同尺度上探測信號。尺度小（高頻）捕捉快速變化和細節，尺度大（低頻）捕捉慢速變化和大趨勢。
小波的優勢在於時頻局部化。傅立葉變換給出全局頻率成分但失去時間信息；小波變換保留兩者，回答「什麼時間出現了什麼頻率」。這對分析非平穩信號（如語音、地震波、股票價格）至關重要。
運作原理
連續小波變換（CWT）
連續小波變換定義為：
CWT(a, b) = ∫ x(t) · ψ*((t-b)/a) dt / √a
其中ψ是小波母函數，a是尺度參數（控制頻率），b是時間位置參數，*表示複共軛。
小波函數ψ_a,b(t) = (1/√a) ψ((t-b)/a)是通過縮放（a）和平移（b）母函數得到。CWT計算信號與各尺度小波的內積，得到時頻平面上的係數矩陣。
離散小波變換（DWT）
連續小波變換有冗餘，計算量大。離散小波變換在特定尺度和位置上計算（通常尺度和位置呈二進制關係）：
DWT_j,k = ∫ x(t) · ψ*_j,k(t) dt ψ_j,k(t) = 2^(-j/2) ψ(2^(-j)t - k)
其中j是尺度級別（j越大頻率越低），k是時間位置。DWT計算高效，用於信號處理和數據壓縮的主流。
多分辨分析
DWT通過濾波和下採樣實現多分辨分析。信號遞迴通過高通濾波器（提取細節）和低通濾波器（提取近似），產生細節係數和近似係數：
detail_j = convolution(x, high_pass_filter) approx_j = convolution(x, low_pass_filter)
逐層分解提供不同分辨率的信號表示。
常見小波
常用的小波母函數包括：
- Haar小波：最簡單，計算高效，但不光滑
- Daubechies小波（db1-db20）：平衡光滑度和正交性，應用最廣
- Morlet小波：良好的時頻局部化，用於連續小波變換
- Mexican Hat：二階導數，用於邊界檢測
選擇取決於應用和信號特性。
實際應用
時序預測
小波分解將時序分解為多個分量：低頻分量代表趨勢，高頻分量代表波動和噪聲。對各分量分別建模預測再重組，往往優於直接預測原始序列。例如，股票價格用小波分解後，對趨勢分量用ARIMA，對周期分量用傅立葉級數，對高頻噪聲分量忽略或用簡單平滑。
信號去噪
小波收縮（wavelet shrinkage）是經典去噪方法。高頻小波係數多為噪聲，通過閾值法縮小或置零這些係數，再重組信號，達到去噪效果。相比低通濾波保留更多信號邊界信息，比傳統濾波更優。
故障診斷
機械設備的故障在時域和頻域都有特徵。小波變換在多個時間尺度上分解振動信號，不同故障類型（如軸承缺陷、齒輪磨損）產生不同的小波特徵。用小波特徵訓練分類器可有效診斷故障。
邊界檢測
影像中的邊界對應灰度的陡峭變化。二階小波導數（Mexican Hat）在邊界位置有尖峰。掃描影像的小波變換，尖峰位置對應邊界。這是Canny邊界檢測算法的理論基礎。
生物信號處理
心電圖（ECG）、腦電圖（EEG）、肌電圖（EMG）都是非平穩信號。小波分析識別心率異常、檢測癲癇發作、診斷肌肉疾病。ECG中，不同的小波尺度對應不同的生理事件（P波、QRS波、T波）。
常見誤區
誤區一：小波變換能自動分離信號成分
小波分解確實分解信號為不同尺度分量，但不必然分離成有意義的成分。例如，趨勢和週期可能混在同一小波尺度。分解後仍需領域知識和後處理判斷各分量的意義。盲目相信小波分解會導致信息丟失或誤解。
誤區二：更多小波層次總是更好
小波分解層數受序列長度限制（2^J ≤ N，其中J是層數，N是樣本數）。過多分解導致最粗尺度信息損失。實務中，3-5層通常足夠。更深分解計算成本增加，收益遞減。
誤區三：小波變換的選擇無關緊要
不同小波適用於不同信號。高頻特徵豐富的信號用複雜小波（如Daubechies高階），快速變化信號用光滑小波（如Symlet）。選擇不當可能無法充分捕捉信號特徵。應根據信號特性和應用目標選擇。
誤區四：小波變換比傅立葉變換總是更好
兩者是互補的。傅立葉變換適合平穩信號和頻譜分析，小波變換適合非平穩信號和時頻分析。金融時序中小波預測往往優於傅立葉；但純頻率分析任務上傅立葉仍是常用。
與相關技術的比較
- 與傅立葉變換的區別：傅立葉給出全局頻率，小波給出時頻；小波適合非平穩信號
- 與短時傅立葉變換（STFT）的區別：STFT也提供時頻，但使用固定窗口；小波的自適應窗口（尺度可變）更靈活
- 與時序預測模型的區別：小波是數據預處理工具，預測還需配合統計或機器學習模型；兩者可結合使用
- 與濾波的區別：小波分解類似帶通濾波，但多層次提供多頻段；小波更適合瞬時事件檢測
- 與CNN特徵提取的區別：CNN學習端到端特徵，小波是手工設計的固定基函數；CNN在大數據上通常優於小波
常見問題
連續小波變換和離散小波變換怎樣選擇？
連續小波變換（CWT）提供連續的尺度和位置，時頻分辨率高，能產生精細的時頻圖像（標度圖）。缺點是計算量大，結果冗餘。離散小波變換（DWT）在離散尺度和位置上計算，高效且無冗餘（如Daubechies小波是正交基）。選擇原則：（1）需要高分辨率視覺化時用CWT（如展示信號時頻結構）；（2）需要信號重建或壓縮時用DWT（如時序預測的特徵提取）；（3）實時或大規模應用用DWT。大多數實務應用採用DWT。
如何選擇合適的小波基函數？
小波選擇取決於信號特性。Haar小波最簡單快速但不光滑，適合邊界檢測；Daubechies小波（db4-db8）是通用選擇，平衡光滑度和計算；Symlet和Coiflet更光滑，適合信號去噪；Morlet是複小波，用於連續變換和時頻分析。實踐建議是先試用Daubechies小波，如效果不理想再嘗試其他。某些應用領域有既定選擇，如心電圖分析多用Symlet，地震波分析多用Mexican Hat。與其理論選擇，實驗對比往往更可靠。
小波分解後怎樣用於預測？
小波用於時序預測的典型流程：（1）對原始序列進行小波分解到J層，得到J+1個分量（J個細節分量d_1...d_J，1個近似分量a_J）；（2）對各分量分別建立預測模型，可用ARIMA、LSTM或其他方法，根據分量特性選擇；（3）對各模型分別預測各分量的未來值；（4）通過小波重構得到預測序列。優勢是分解將複雜序列分解為更簡單的子問題，某些成分（如高頻噪聲）甚至可忽略。實驗表明小波分解+分別建模往往比直接建模性能更優，特別是在非平穩序列上。