大家好，又见面了，我是你们的朋友全栈君。
主要参考来源
0.小波簇类型
1.print（pywt.families)
即可显示软件内含的小波族：
[‘haar’, ‘db’, ‘sym’, ‘coif’, ‘bior’, ‘rbio’, ‘dmey’]
它们分别是：
l Haar (haar)
l Daubechies (db)
l Symlets (sym)
l Coiflets (coif)
l Biorthogonal (bior)
l Reverse biorthogonal (rbio)
l “Discrete” FIR approximation of Meyer wavelet (dmey)
1.四种变换的区别
2.小波和小波包的区别
工程应用中经常需要对一些非平稳信号进行，小波分析和小波包分析适合对非平稳信号分析，相比较小波分析，利用小波包分析可以对信号分析更加精细，小波包分析可以将时频平面划分的更为细致，对信号的高频部分的分辨率要好于小波分析，可以根据信号的特征，自适应的选择最佳小波基函数，比便更好的对信号进行分析，所以小波包分析应用更加广泛。
2.1小波分解
只适用于低频信息
小波变换只对信号的低频部分做进一步分解，而对高频部分也即信号的细节部分不再继续分解，所以小波变换能够很好地表征一大类以低频信息为主要成分的信号，不能很好地分解和表示包含大量细节信息（细小边缘或纹理）的信号，如非平稳机械振动信号、遥感图象、地震信号和生物医学信号等。
从图中可以看出来，（a为低频，d为高频） 而且顺序是从叶子往上的 这个分解，最终只保留了最低的两个
2.2 小波包分解
小波包分解，则高频低频都能很好处理
小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，而且这种分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析。
小波包 树
每个节点都有对应的小波包系数，这个系数决定了频率的大小，频域信息已经有了
节点的命名，如图所示
那么时域信息呢？ 时域就是order，节点的顺序，也就代表了频域的顺序
matlab代码：
代码语言：javascript复制clear all
clc
fs=1024; %采样频率
f1=100; %信号的第一个频率
f2=300; %信号第二个频率
t=0:1/fs:1;
s=sin(2*pi*f1*t) sin(2*pi*f2*t); %生成混合信号
[tt]=wpdec(s,3,'dmey'); %小波包分解，3代表分解3层，'dmey'使用meyr小波
plot(tt) %画小波包树图
wpviewcf(tt,1); %画出时间频率图看右图，matlab生成的结果 横轴代表采样点，总计1024个 纵轴代表的频率结果 1204/2 = 512 hz 从512hz开始，3层小波包分解，每一个频带是 512 / 8 = 64hz
交流分量的频率在100hz和300hz
0-64 、65-128 、 129-… 257-320hz 恰好就在波形变化的地方，颜色较深 其他是直流信号，频率没有变化 所以这个图是没有问题的 ，至于命名的数字，不知道为啥
参考链接
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/179154.html原文链接：https://javaforall.cn
