参数设置
N自动舍入到最近的2次方(例: 250→256)。边界用循环卷积处理。
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·主要公式
Daubechies-4的缩放系数 $h_k$ 与对应的小波系数 $g_k = (-1)^k h_{3-k}$：
$$h_0 = \frac{1+\sqrt3}{4\sqrt2},\ h_1 = \frac{3+\sqrt3}{4\sqrt2},\ h_2 = \frac{3-\sqrt3}{4\sqrt2},\ h_3 = \frac{1-\sqrt3}{4\sqrt2}$$
单级分解(循环卷积 + 1/2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 $\sum h_k^2=1,\ \sum g_k^2=1,\ \sum h_k g_k=0$ 保证重构由转置滤波器唯一确定。
重构MSE($N$点平均平方误差)：
$$\mathrm{MSE} = \frac{1}{N}\sum_{n=0}^{N-1}\bigl(x[n]-x_\text{rec}[n]\bigr)^2$$
Daubechies-4 小波模拟器介绍
🙋
小波和傅里叶变换有什么区别？用sin/cos分解和哪个更好？
🎓
简单说，傅里叶变换看的是"整体包含哪些频率有多少"。小波变换看的是"某个位置包含什么频率"。模拟器中把信号类型改成"1(阶跃)"试试。傅里叶需要无穷个sin/cos才能表示，但db4只在跳变附近的细节系数大，其他地方都接近零。
🙋
确实，细节系数图表几乎只在中间尖了一下。如果我把阈值调到0.1，几乎全部消失了，但重构MSE似乎没有很大增加…
🎓
这就是小波压缩的核心：能量高度集中在少数系数上(稀疏性)。小的系数主要表示噪声或微小变化，去掉它们原信号基本复原。JPEG2000、MP3衍生标准、医学影像DICOM压缩都基于这个原理。db4不像Haar那样在阶跃附近产生振铃失真。
🎓
每提高一级L，近似部分继续分成一半来重复分解。这叫"多分辨率解析"。例如L=4时，原N个样本的近似压缩到N/16，细节分4级展现。像是递归做"缩略图+差分"。
🙋
信号类型0(正弦)的细节系数几乎为零啊。Haar的话会怎样？
🎓
好观察！db4设计上"1阶矩消失"，所以常数或一次斜率部分的细节系数为零。Haar只有"0阶消失"，斜率部分也有系数。所以滑光信号上db4远比Haar稀疏。这就是为什么实用压缩用db4以上而不用Haar。
常见问题
Haar是2阶滤波器，具有矩形不连续基础。Daubechies-4(db4)是4阶的，具有Haar没有的"1阶矩消失"性质，是最短的具有此特性的正交小波。这允许分段光滑至1阶(线性)的信号用更少系数精确表示。阶跃和边缘附近的振铃效应也更温和，广泛用于图像和音频压缩。
Daubechies是一个消失矩数递增的无限族，包括db1(Haar)、db2(4阶)、db3(6阶)、...、dbN(2N阶)。N越大越光滑，但滤波器长度增加，边界处理成本和边缘分析范围扩大。实践中根据信号特性和压缩率平衡，通常选择db4~db8。
JPEG2000基于离散小波变换(DWT)，可逆压缩使用CDF 5/3，非可逆压缩使用CDF 9/7双正交小波。Daubechies系统由于缺乏对称性，在图像中通常使用双正交版本，但设计理念与db4相同，都是"用少量系数集中能量"。本工具的1D演示扩展到2D(行列)可直接成为图像小波压缩原型。
小波变换将信号能量集中在少量大系数中(稀疏性)。保留的小细节系数主要表示噪声或微小变化，零化它们对重构信号影响有限。含有大量零的系数序列可用游程编码等高效压缩，所以"阈值处理→熵编码"成为现代图像音频压缩标准流程。
实际应用
图像压缩(JPEG2000·DICOM)：JPEG2000以2D离散小波变换为核心，用双正交小波进行多尺度图像分解。医学图像DICOM压缩也基于小波，同时支持可逆和非可逆模式。本工具展示的"能量集中在少数大系数"性质使压缩率和图质均衡成为可能。
音频和音乐压缩与分析：MP3后续规格和语音识别特征提取中，小波包或自适应小波分解被广泛采用。对打击乐等瞬时音进行表示时，小波比傅里叶用更少参数就能重现，在低比特率下保证音质。
地震波、脑电图等非平稳信号解析：地震仪波形、心电图、脑电图(EEG)、振动传感器信号等"什么时间、什么频率、多大幅度"的事件检测，小波是标准工具。尖峰检测和除噪算法常用db4~db8。
CAE中的信号处理与特征提取：振动试验响应数据、结构健康监测、流体湍流速度信号等从中提取事件或异常时，小波系数硬阈值除噪很有效。FFT丧失时间信息，小波保留"什么时候发生了什么"，成为机器学习预处理标配。
常见误解与注意事项
最常见误解是把小波当成傅里叶的升级版本。实际上两者各有所长。定常频率分析(电源50Hz、旋转机固有频率)傅里叶更简洁直观。过渡现象、阶跃、局部事件的分析小波更强大。模拟器中信号类型改成"0(纯正弦)"，细节系数会接近零——因为正弦在db4基底上不稀疏，还是用原始正弦更简洁。根据用途选择工具。
另一常见误会是阈值越大压缩率越高。确实非零系数数会减少，但超过临界值后重构MSE急剧增大，信号主特征丧失。模拟器中把阈值从0滑到1.0同时看MSE卡，阶跃信号会在0.1左右开始陡增。实务中应先定"容忍失真量"，再反复优化以满足的最大阈值。
最后边界处理选择被忽视。本工具简化起见用"循环卷积(周期)"。实信号两端有不连续时，边界处会产生大细节系数，重构有振铃失真。实务通常选零补、对称拓展(反射)或周期拓展。图像用对称拓展，自然纹理用周期拓展。