python时间序列小波分析_时间序列的小波分析

时间序列的小波分析

时间序列（

Time

Series

）是地学研究中经常遇到的问题。在时间序列研究中，时域和频域是常用的两

种基本形式。

其中，

时域分析具有时间定位能力，

但无法得到关于时间序列变化的更多信息；

频域分析

（如

Fourier

变换）虽具有准确的频率定位功能，但仅适合平稳时间序列分析。然而，地学中许多现象（如河川

径流、地震波、暴雨、洪水等）随时间的变化往往受到多种因素的综合影响，大都属于非平稳序列，它们

不但具有趋势性、周期性等特征，还存在随机性、突变性以及“多时间尺度”结构，具有多层次演变规律。

对于这类非平稳时间序列的研究，通常需要某一频段对应的时间信息，或某一时段的频域信息。显然，时

域分析和频域分析对此均无能为力。

20

世纪

80

年代初，由

Morlet

提出的一种具有时

-

频多分辨功能的小波分析（

Wavelet Analysis

）为更好

的研究时间序列问题提供了可能，它能清晰的揭示出隐藏在时间序列中的多种变化周期，充分反映系统在

不同时间尺度中的变化趋势，并能对系统未来发展趋势进行定性估计。

目前，小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学

领域内得到了广泛的应。在时间序列研究中，小波分析主要用于时间序列的消噪和滤波，信息量系数和分

形维数的计算，突变点的监测和周期成分的识别以及多时间尺度的分析等。

一、小波分析基本原理

1.

小波函数

小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。因此，小波函数是小波分析

的关键，它是指具有震荡性、能够迅速衰减到零的一类函数，即小波函数

)

R

(

L

)

t

(

2





且满足：











0

dt

)

t

(



（

1

）

式中，

)

t

(



为基小波函数，它可通过尺度的伸缩和时间轴上的平移构成一簇函数系：