對于許多信號，低頻成分相當重要，它常常蘊含著信號的特征，而高頻成分則給出信號的細節或差別。

快速傅里葉變換（FFT）:

樸素高精度乘法時間O(n2),但FFT能O(nlog2n)的時間解決
可以反映出信號的整體內涵，但表現形式往往不夠直觀，并且噪聲會使得信號頻譜復雜化

離散小波變換（DWT）:

在數值分析和時頻分析中很有用，一維小波變換，二維小波變換
小波分解:意義就在于能夠在不同尺度上對信號進行分解，使人們在任意尺度觀察信號，將信號分解為近似分量和細節分量
小波分析：應用在降噪中的，在小波分析中經常用到近似于細節，近似表示信號的高尺度，即低頻信息；細節表示信號的高尺度，即高頻信息。
帶通濾波器:將信號分解為不同頻率分量

稀疏表示：

為普通稠密表達的樣本找到合適的字典，將樣本轉化為合適的稀疏表達形式，從而使學習任務得以簡化，模型復雜度得以降低
它實質上是對于龐大數據集的一種降維表示，應用在圖像去噪、超分辨率重建、人臉識別、目標跟蹤、音頻處理
1) 省空間
2) 奧卡姆剃刀說：如果兩個模型的解釋力相同，選擇較簡潔的那個。稀疏表達就符合這一點。

持續更新中......

總結

以上是生活随笔為你收集整理的信号处理常用算法介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。