问题背景
傅里叶变换是频域分析的基石，但它在处理“非平稳信号”（如地震波、语音信号、心脏电图）时存在致命局限：它只能告诉我们信号中包含哪些频率成分，却无法指出这些成分在何时发生。这种“时频盲区”源于海森堡测不准原理的数学平移。
小波分析（Wavelet Analysis）通过引入可缩放、可平移的“小波基”替代无限长的三角函数，实现了在时间轴和频率轴上的同时局部化，被誉为“数学显微镜”。
核心理论
1. 连续小波变换 (Continuous Wavelet Transform, CWT)
对于信号 $f(t) \in L^2(\mathbb{R})$，小波变换定义为： $$ W_f(a, b) = \int_{-\infty}^{\infty} f(t) \psi_{a,b}^*(t) dt $$ 其中，$\psi_{a,b}(t) = \frac{1}{\sqrt{a}} \psi(\frac{t-b}{a})$ 是由母小波 $\psi(t)$ 经尺度伸缩 $a$ 和时间平移 $b$ 得到的系列基函数。尺度 $a$ 对应频率的倒数：$a$ 越小映射高频，时间分辨率高；$a$ 越大映射低频，频率分辨率高。
2. 多分辨率分析 (Multiresolution Analysis, MRA)
Mallat 算法提供了一种层层分解的结构。信号可以表达为近似部分 $A_j$（低频）和细节部分 $D_j$（高频）的叠加： $$ f(t) = A_J + \sum_{j=1}^{J} D_j $$ 通过嵌套的封闭子空间 $\ldots \subset V_2 \subset V_1 \subset V_0 \subset \ldots$，小波系数可以高效地通过滤波器组（Low-pass $h$ 与 High-pass $g$）计算： $$ c_{j+1, k} = \sum_{n} h_{n-2k} c_{j, n}, \quad d_{j+1, k} = \sum_{n} g_{n-2k} c_{j, n} $$
3. 时频窗的动态平衡
海森堡测不准原理规定时频窗面积 $\Delta t \Delta \omega \geq \frac{1}{2}$。
- 傅里叶变换：时窗无限长，频窗极窄（无时间局部性）。
- 短时傅里叶变换 (STFT)：时空窗大小固定（无法兼顾高频与低频细节）。
- 小波变换：在高频区时窗变窄、频窗变宽；在低频区时窗变宽、频窗变窄。这种自适应的窗结构完美匹配了自然信号的物理特性。
图示
图 1：小波多分辨率分析的时频格点图。展示了在不同频率尺度（分层）下，时间窗口宽度的自适应调整过程。颜色深浅代表对应时空区域内的能量密度，揭示了信号在时频域的跨尺度特征分布。
研究前沿与挑战
- 二代小波与提升方案 (Lifting Scheme)：摆脱对傅里叶变换的依赖，在空间域直接构造小波，实现更高效的无损压缩。
- 多脊波 (Ridgelet) 与曲波 (Curvelet)：针对高维图像中的线性边缘特征，传统张量积小波表现不佳，新型几何多尺度分析正成为主流。
- 深度学习与小波融合：将小波分解作为卷积神经网络 (CNN) 的预处理层或结构约束，以提高模型对噪声的鲁棒性。
参考延伸
- Daubechies, I. (1992). Ten Lectures on Wavelets.
- Mallat, S. (1999). A Wavelet Tour of Signal Processing.
- Meyer, Y. (1993). Wavelets and Operators.
- Hubbard, B. B. (1998). The World According to Wavelets. drug-delivery systems and economic models.