参数设置
N会自动取最近的2的幂（如250→256）。边界使用循环卷积处理。
原信号、系数、重构
从上到下：原信号 x[n] / 近似系数 a^(L)[n] / 各级细节系数 d^(L)[n] / 重构信号 x_rec[n]
理论与主要公式
Daubechies-4的尺度系数 $h_k$ 与对应小波系数 $g_k = (-1)^k h_{3-k}$：
$$h_0 = \frac{1+\sqrt3}{4\sqrt2},\ h_1 = \frac{3+\sqrt3}{4\sqrt2},\ h_2 = \frac{3-\sqrt3}{4\sqrt2},\ h_3 = \frac{1-\sqrt3}{4\sqrt2}$$
单级分解（循环卷积 + 2倍下采样）。近似 $a$、细节 $d$、信号 $x$、滤波器长度 $K=4$：
$$a[i] = \sum_{k=0}^{3} h_k\,x[(2i+k)\bmod N], \qquad d[i] = \sum_{k=0}^{3} g_k\,x[(2i+k)\bmod N]$$
正交条件 $\sum h_k^2=1,\ \sum g_k^2=1,\ \sum h_k g_k=0$ 保证转置滤波器可精确重构信号。
重构MSE（$N$点均方误差）：
$$\mathrm{MSE} = \frac{1}{N}\sum_{n=0}^{N-1}\bigl(x[n]-x_\text{rec}[n]\bigr)^2$$
Daubechies-4 小波模拟器是什么？
🙋
小波和傅里叶变换有什么区别？都是用基函数分解信号，到底什么时候用哪个？
🎓
简单说，傅里叶告诉你整段信号里"有哪些频率"，是对整段做平均；小波则告诉你"哪个位置上有哪个频率"，能做局部分析。试着把信号类型切到"1（阶跃）"看看。傅里叶需要无穷多个正弦才能精确表示阶跃，而db4只在阶跃附近产生几个大的细节系数，其他几乎全是零。
🙋
啊真的耶，细节系数只在中间尖一下。把阈值调到0.1时，小系数几乎全没了，但重构MSE却几乎不变…
🎓
这就是小波压缩的核心。能量集中在少数大系数上（稀疏性），所以丢掉小系数对重构影响很小。JPEG 2000、医学影像DICOM、不少音频编解码都靠这个原理。和Haar不同，db4能光滑地表示分段线性部分，所以阶跃附近的振铃要温和得多。
🎓
每多一级，就把近似部分再下采样2倍并重复同样的一级变换，这就是"多分辨率分析"。L=4时，你会得到原信号长度1/16的粗近似，再加4级逐渐精细的细节系数。低频被压缩到N/16个，高频按尺度分层观察。在图像里就像"缩略图加上一层层差分"。
🙋
信号类型选0（正弦）时，细节系数几乎全是零。Haar会一样吗？
🎓
很敏锐的观察。db4多一个消失矩，所以常数和线性趋势都会在细节带里被消掉。Haar只消去0阶（常数），所以即便是平滑的斜坡，Haar的细节系数也还残留。这就是为什么实际压缩图像和音频时，大家都不用Haar而是从db4起步的原因。
常见问题
Haar是2抽头滤波器，基函数为矩形且不连续。Daubechies-4（db4）有4个抽头，是比Haar多一个消失矩的最短正交小波。因此对分段线性信号能用更少系数精确表示，阶跃边缘附近的振铃明显减弱。db4被广泛用于图像和音频压缩。
Daubechies小波是按消失矩数目编号的无限族：db1（Haar）、db2（4抽头）、db3（6抽头）、…、dbN（2N抽头）。N越大基函数越光滑，但滤波器越长，边界处理成本和有效支撑也越宽。实际中db4到db8最为常用。
JPEG 2000以离散小波变换（DWT）为核心，无损压缩使用CDF 5/3，有损压缩使用CDF 9/7——选择具有对称性的双正交小波。Daubechies系列不具备对称性，但设计思想与db4一致：让信号能量集中到少数大系数上。把本工具的1D演示扩展到二维（行列方向）就是图像小波压缩的原型。
小波变换的特点是把信号能量集中到少数大系数上（稀疏性）。剩下的小细节系数主要表示噪声或微小变化，将其置零对重构信号影响有限。含有大量零的系数序列通过游程编码和熵编码可高效压缩，因此阈值处理加熵编码是现代图像/音频压缩的标准流程。
实际应用
图像压缩（JPEG 2000、DICOM）：JPEG 2000以二维离散小波变换为核心技术，用双正交小波把图像分解为多尺度子带。医学影像DICOM压缩同样基于小波，并支持无损与有损两种模式。本工具展示的"能量集中到少数大系数"的特性，正是这些编解码器兼顾高压缩比与可接受画质的根本原因。
音频与音乐压缩、分析：MP3的后继标准和语音识别的特征提取常用小波包或自适应小波分解。打击乐这种瞬态声音，用比傅里叶少得多的参数就能再现，因此在低比特率下也能保留自然音色。
地震波、脑电等非平稳信号分析：地震记录、心电图、脑电（EEG）、振动传感器信号等关心"什么频率、什么时候出现"的场合，小波是标准工具。尖峰检测和降噪算法常选db4到db8作为分析小波。
CAE中的信号处理与特征提取：在振动试验响应、结构健康监测、湍流速度信号中提取事件或异常时，基于小波系数阈值的去噪非常有效。FFT会丢失时间信息，而小波保留"什么时候发生了什么"，作为机器学习的预处理环节也很受欢迎。
常见误解与注意事项
最常见的误解是把小波当作傅里叶的全面升级。两者各有所长。对于平稳的频率分析（电源50Hz、旋转机械的固有频率），傅里叶变换更简洁、解释也更直观；而小波则擅长瞬态现象、阶跃和局部事件。在本模拟器中把信号类型切到"0（纯正弦）"，会看到细节系数几乎全为零——因为正弦在db4基下并不稀疏（正弦本身已经更简洁了）。务必根据用途选对工具。
其次常见的误解是"阈值越大压缩率就能无限提高"。非零系数数确实会减少，但越过某个临界点，重构MSE会迅速增大，信号的主要特征也会丢失。在本模拟器中选阶跃信号并把阈值从0扫到1.0，可以看到MSE在0.1之前都很平缓，之后陡升。实际工程中通常先确定"可接受失真量"，再反向搜索能满足它的最大阈值。
最后，不要轻视边界处理的选择。本工具为实现简洁采用了"循环卷积（periodic）"，假设信号两端首尾相接。对于真实信号，这会在端点处制造不连续，产生很大的细节系数并使重构出现振铃。工程实践中会按信号性质选择零填充、对称（镜像）延拓或周期延拓——图像处理偏好对称延拓，自然纹理则偏好周期延拓。