返回信息流官方文档代码：
>>> from pywt import wavedec
>>> coeffs = wavedec([1,2,3,4,5,6,7,8], 'db1', level=2)
>>> cA2, cD2, cD1 = coeffs
>>> cD1
array([-0.70710678, -0.70710678, -0.70710678, -0.70710678])
>>> cD2
array([-2., -2.])
>>> cA2
array([ 5., 13.])
这是对原始信号做了多分辨率的小波分析吧。。。ca／cd分别表示的是近似值和细节值。
似乎是为了实现离散的快速算法，所以用了滤波器的思想？
问题：
小波变换不是既能反应时域信息又能反应频域信息吗？这几个矩阵是如何体现出时域／频域信息的呢？不懂><
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #24431同步于 2017/6/9
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
【问题】多分辨率离散小波变换
MengEr677
2017/6/9镜像同步4 回复
订阅后，新回复会通过你的通知中心匿名送达。
4 条回复
【 在 MengEr677 的大作中提到: 】
: 官方文档代码：
: >>> from pywt import wavedec
: >>> coeffs = wavedec([1,2,3,4,5,6,7,8], 'db1', level=2)
: ...................
图为原始信号波形
经过小波变换后（Morlet小波），原始信号被分解到图二的十一个频率子带上（第一行至第十一行分别为高频至低频的频率自带下，原始信号所具备的能量。即你所说的矩阵）
在图二可以看到，不论在时间轴上，还是在不同的频率下（因为工程需要，所以我将原始信号分解到了十一个频率子带。你可以将它分解到任意2^n个频率子带，前提是信号采样点足够分解），小波矩阵都可以描述这条信号数据（比如在某时刻，某个频率上这条信号具有怎样的表现）。所以称小波方法为数学显微镜。
你所说的滤波器，应该是指小波函数吧，不同的小波函数（图二是Morlet小波），其侧重点不同，得到的结果也不尽相同。在项目中需要尝试。
图三为haar小波
另外常用的还有多贝西小波
搜噶，那就是分解之后，每个矩阵代表的是某一个频段，然后横轴为时间轴，所以同时体现出了时域和频域信息？
分解之后的矩阵越来越短了，而上文中您给出的分解后的子带都一样长，是做了下采样？
谢谢回答！
没错，本来分解之后每个子带的采样点加和之后是原始信号的样本长度。这里为了方便观察做了扩展
【 在 MengEr677 的大作中提到: 】
: 搜噶，那就是分解之后，每个矩阵代表的是某一个频段，然后横轴为时间轴，所以同时体现出了时域和频域信息？
: 分解之后的矩阵越来越短了，而上文中您给出的分解后的子带都一样长，是做了下采样？
: 谢谢回答！
: ...................
OK～谢谢啦～～
【 在 Vesauza 的大作中提到: 】
: 没错，本来分解之后每个子带的采样点加和之后是原始信号的样本长度。这里为了方便观察做了扩展