域分解算法

‘壹’ 区域分解算法——算法与理论内容简介

本书的核心目标是深入剖析偏微分方程领域内最常用且广泛的区域分解策略，包括有限元逼近和谱元素逼近的预条件算子。内容覆盖广泛，但特别侧重于算法和数学理论的深度探讨。读者将有机会接触到一系列关键方法，如首次在数学专着中详尽阐述的FETI方法、平衡Neumann-Neumann方法以及谱元素方法等，这些都是理解偏微分方程求解技术不可或缺的部分。

书中对这些方法的讲解详尽细致，旨在为读者提供一个全面的理论框架和实际操作指南。无论你是初学者还是资深研究者，都能在本书中找到适合自己的研究路径，深入理解区域分解算法的运作原理和实际应用。每一种方法的介绍都结合了理论分析和实例解析，使读者能够直观地掌握这些方法的精髓。

通过阅读本书，读者不仅能提升对区域分解算法的理解，还能提升在解决复杂偏微分方程问题时的技能。无论你是寻求理论突破还是寻找实际计算的高效工具，这本书都将是你宝贵的学习资源。

‘贰’ MARC的有限元分析软件

中文名: 高级非线性有限元分析软件
英文名: MSC.Marc
别名: MARC
制作发行: MSC.Software 地区: 美国
MSC.MARC是功能齐全的高级非线性有限元软件，具有极强的结构分析能力。可以处理各种线性和非线性结构分析包括：线性/非线性静力分析、模态分析、简谐响应分析、频谱分析、随机振动分析、动力响应分析、自动的静/动力接触、屈曲/失稳、失效和破坏分析等。为满足工业界和学术界的各种需求，提供了层次丰富、适应性强、能够在多种硬件平台上运行的系列产品。MSC.Marc包括如下模块：
MSC.Marc/MENTAT
MSC.Marc 是高级非线性有限元分析模块，MENTAT是MARC的前后处理图形对话界面。两者严密整合的MSC.Marc/MENTAT成为解决复杂工程问题，完成学术研究的高级通用有限元软件。
MENTAT 是新一代非线性有限元分析的前后处理图形交互界面，与MARC求解器无缝连接。它具有以ACIS为内核的一流实体造型功能；全自动二维三角形和四边形、三维四面体和六面体网格自动划分建模能力；直观灵活的多种材料模型定义和边界条件的定义功能；分析过程控制定义和递交分析、自动检查分析模型完整性的功能；实时监控分析功能；方便的可视化处理计算结果能力；先进的光照、渲染、动画和电影制作等图形功能。并可直接访问常用的CAD/CAE系统，如：ACIS、AutoCAD、IGES、MSC.NASTRAN、MSC.PATRAN、 Unigraphic、Catia、Solid work、Solid Edge、IDEAS、VDAFS、Pro/ENGTNEER、ABAQUS、ANSYS、PSTEP等等。
MSC.Marc
MSC.Marc是功能齐全的高级非线性有限元软件的求解器，体现了30年来有限元分析的理论方法和软件实践的完美结合。它具有极强的结构分析能力。可以处理各种线性和非线性结构分析包括：线性/非线性静力分析、模态分析、简谐响应分析、频谱分析、随机振动分析、动力响应分析、自动的静/动力接触、屈曲/失稳、失效和破坏分析等。它提供了丰富的结构单元、连续单元和特殊单元的单元库，几乎每种单元都具有处理大变形几何非线性,材料非线性和包括接触在内的边界条件非线性以及组合的高度非线性的超强能力。MARC的结构分析材料库提供了模拟金属、非金属、聚合物、岩土、复合材料等多种线性和非线复杂材料行为的材料模型。分析采用具有高数值稳定性、高精度和快速收敛的高度非线性问题求解技术。为了进一步提高计算精度和分析效率，MARC软件提供了多种功能强大的加载步长自适应控制技术，自动确定分析曲屈、蠕变、热弹塑性和动力响应的加载步长。MARC卓越的网格自适应技术，以多种误差准则自动调节网格疏密，不仅可提高大型线性结构分析精度，而且能对局部非线性应变集中、移动边界或接触分析提供优化的网格密度，既保证计算精度，同时也使非线性分析的计算效率大大提高。此外，MARC支持全自动二维网格和三维网格重划，用以纠正过渡变形后产生的网格畸变，确保大变形分析的继续进行。
对非结构的场问题如包含对流、辐射、相变潜热等复杂边界条件的非线性传热问题的温度场，以及流场、电场、磁场，也提供了相应的分析求解能力；并具有模拟流－热－固、土壤渗流、声－结构、耦合电－磁、电－热、电－热－结构以及热－结构等多种耦合场的分析能力。
为了满足高级用户的特殊需要和进行二次开发，MSC.Marc提供了方便的开放式用户环境。这些用户子程序入口几乎覆盖了MARC有限元分析的所有环节，从几何建模、网格划分、边界定义、材料选择分析求解、结果输出、用户都能够访问并修改程序的缺省设置。在MSC.Marc软件的原有功能的框架下，用户能够极大地扩展MARC有限元软件的分析能力。
MSC.Marc Parallel
MSC.Marc/MENTAT除了支持单CPU分析外，还具有在NT或UNIX平台上的多CPU或多网络节点环境下实现大规模并行处理的功能。MARC基于区域分解法的并行有限元算法，能够最大限度实现有限元分析过程中的并行化，并行效率可达准线性甚至线性或超线性。MARC并行处理的超强计算能力为虚拟产品运行过程和加工过程提供更快、更细、更准的仿真结果。
MSC.Marc/HEXMESH
MSC公司新近推出的六面体网格自动划分模块MSC.Marc/HEXMESH代表了网格划分技术的最新突破。可将任意三维块状实体几何快速准确地自动划分出几何形态良好的六面体单元。通过实施内部稀疏网格向表面密集网格的过渡，能够有效地减少单元总数，同时又保证了表面可能的应力集中区域所需的网格密度。而疏密网格过渡的位移协调，则通过自动施加多点约束实现。MSC.Marc/HEXMESH与MENTAT前后处理器完全集成，能够在MENTAT环境下对由MENTAT生成的实体或通过CAD接口传入的由其它CAD造型的实体几何进行自动的六面体网格划分，并定义和实施各种非线性有限元分析。MSC.Marc/HEXMESH的问世，为快速有效地建立复杂实体的高质量有限元分析模型开辟了一条捷径。
MSC.Marc/AutoForge
MSC.Marc/AutoForge是采用90年代最先进有限元网格和求解技术，快速模拟各种冷热锻造、挤压、轧制以及多步锻造等体成型过程的工艺制造专用软件。它综合了MSC.Marc/MENTAT通用分析软件求解器和前后处理器的精髓，以及全自动二维四边形网格和三维六面体网格自适应和重划分技术，实现对具有高度组合的非线性体成型过程的全自动数值模拟。其图形界面采用工艺工程师的常用术语，容易理解，便于运用。MSC.Marc/AutoForge提供了大量实用材料数据以供选用，用户也能够自行创建材料数据库备用。
MSC.Marc/AutoForge除了可完成全2D或全3D的成型分析外，还可自动将2D分析与3D分析无缝连接，大大提高对先2D后3D的多步加工过程的分析效率。利用MSC.Marc/AutoForge提供的结构分析功能，可对加工后的包含残余应力的工件进行进一步的结构分析，模拟加工产品在后续的运行过程中的性能，有助于改进产品加工工艺或其未来的运行环境。此外，作为体成型分析的专用软件，MSC.Marc/AutoForge为满足特殊用户的二次开发需求，提供了友好的用户开发环境
MSC.Marc/Link
MSC.Marc/Link是MARC高级有限元分析软件与SDRC I－DEAS、Pro/ENGINEER、CATIA等一系列着名CAD/CAE软件的集成界面。通过这种强强集成，使大量SDRC I－DEAS、Pro/ENGINEER、CATIA软件的忠实用户，借助MARC软件支持的高级非线性分析功能，轻松跨越原有CAE软件处理线性或简单非线性问题分析的局限，将分析延伸和扩展到各种组合的复杂非线性问题。
MSC.Marc/Link－S
MSC.Marc/Link－S 是一个交互式开放性客户/服务器结构，为SDRC 的I－DEAS Master Series软件提供了向MARC高级有限元分析扩展的功能。在I－DEAS用户环境下完全支持采用MARC非线性有限元分析所需的各种高级建模选项、分析及结果后处理。
MSC.Marc/Link－SG
MSC.Marc/Link－SG是在MSC.Marc/Link－S基础上，进一步集成MENTAT后生成的MARC软件与I－DEAS的高度集成界面，具备了MSC.Marc/Link-S和MENTAT的所有功能。能够自动实现将I－DEAS的几何造型直接传入 MENTAT，借助于MENTAT可定义非常复杂的有限元分析模型。对大规模非线性分析，可以激活MARC的并行分析选项完成。分析的结果可在I-DEAS或MENTAT中进行处理。
MSC.Marc/Link-Pro
MSC.Marc/Link-Pro 是Pro/Engineer系统向MARC高级有限元分析系统的扩展界面。MSC.Marc/Link-Pro能够在 Pro/Engineer集成环境下实现将Pro/Engineer用户环境下创建的Parts 和Assemblies几何传入MENTAT的数据库，起动MENTAT，定义各种高级分析模型。MSC.Marc/Link-Pro提供的另一种数据传输方式，是在 MENTAT的环境下从 Pro/Engineer 的数据库中直接提取Part或Assembly数据。
MSC.Marc/Link-C
MSC.Marc/Link-C是CATIA系统向高级有限元分析系统的扩展。MSC.Marc/Link-C能够在 CATIA集成环境下实现将CATIA用户环境下创建的Parts和Assemblies几何传入MENTAT的数据库，起动MENTAT，定义各种高级分析模型，分析结果可在CATIA的环境下后处理。

‘叁’ Mallat算法

6.9.1.1 尺度空间的有限分解

MRA框架表明f（t）∈L²（R）可分解为无穷个小波分量的直和，但在实际应用中，仅知道f（t）的近似函数。为不失一般性，可假设原信号是在a=1或j=0的分辨率下测得的，用f⁰（t）表示，它属于子空间V₀。而子空间V₀又可分解成两个子空间。因此，在MRA框架下理解为f⁰（t）∈V₀，这样就有如下的尺度空间的有限分解表现

V₀=V₁⊕W₁=（V₁⊕W₁）⊕W₀=（V₂⊕W₂）⊕W₁

=（V_j⊕W_j）⊕W_j-1⊕W_j-2⊕…⊕W₁

︙

=V_J+W_J⊕W_J-1⊕W_J-2⊕…⊕W₁

其中子空间及分量分别为

地球物理信息处理基础

V₀的有限分解关系仅是MRA无穷分解中的一部分。因此，就子空间而言、就函数分量而言以及就频率范围而言，有限分解的含义都与MRA相同。例如，V₀中的元素f⁰（t）是有限频率范围的，f^J（t）∈V_J是f⁰（t）的最低频表现，W_j中元素δ^j（t）是具有特定带宽的，它们互不重叠，这些频带的总和就是f⁰（t）的频率范围。

为了数字计算和分析处理的目的，需要将f^j（t）和δ^j（t）用离散数据来表示。显然，｛c_j，k｝∈l²是合适的，因为

表明f^j（t）∈V_j和｛c_j，k｝∈l²是一一对应的，或者说利用｛c_j，k｝就一定可恢复f^j（t）。根据同样的理由，可用数据｛d_j，k｝∈l²来表示δ^j（t）∈W_j，这类数据｛c_j，k｝和｛d_j，k｝对应着特定的离散表现，j表示尺度方面的2进制规则离散，k表示整节点标记的时移离散。

6.9.1.2 分解算法

分解算法要实现的目标是：在｛φ（t-k）｝是标准正交基条件下，已知｛c_j-1，k｝、｛h_k｝和｛g_k｝，求出｛c_j，k｝和｛d_j，k｝。

ψ（t）关于φ（t）的两尺度关系式（6-95）提供了一条由尺度函数φ（t）构造母小波ψ（t）的途径。根据尺度函数

地球物理信息处理基础

和小波函数

地球物理信息处理基础

得到

地球物理信息处理基础

用l取代2k+l，上式成为

地球物理信息处理基础

计算f（t）∈L²（R）与上式两端的内积，便得到如下计算小波级数系数的一个公式

地球物理信息处理基础

式中c_j-1，l=＜f^j，φ_j-1，l＞=＜f，φ_j-1，l＞是信号f（t）与φ_j-1，l（t）的内积，即c_j，l=＜f，φ_j，l＞。信号在V_j的正交投影

，将两尺度关系式的φ_j，k（t）代入定义式φ_j，k（t）=2^-j/2φ（2^-jt-k），有

地球物理信息处理基础

由此可以计算f（t）与φ_j，k（t）的内积，即

地球物理信息处理基础

在数学上，f^j（t）是平方可积连续函数，它是L²（R）的元素；c_j，l（l∈Z）是平方可和序列，它是平方可和序列矢量空间l²（Z）中的元素。

说明f^j（t）与c_j，k（k∈Z）有等效对应关系，在数学上称l²（Z）与L²（R）之间存在着同构关系。显然，c_j，k比f^j（t）更适合于在计算机上运算。c_j，k称为在分辨2^j下的f（t）离散逼近，因此，可以把f⁰（t_k）=f（t_k）的采样值作为｛c_j，k｝的初始数据，即｛c_0，k｝=｛f（t_k）｝。

综合式（6-109）和（6-110），得到一般的分解公式

地球物理信息处理基础

式（6-111）的实现过程如图6-26所示，每个尺度j所存储的数据｛c_j，k｝都是按整数编号的。以j尺度层为基础来观察j-1尺度层，j尺度层的采样节点编号k对应着j-1尺度层上编号为2k的采样节点，或者说。j-1尺度的采样节点是在j尺度采样节点基础上均匀加密的结果；若以j-1尺度层为基础来观察j尺度层，则j-1尺度层上隔2取样（“隔1取1”）的节点正好对应着j尺度层上的采样节点。图6-26表明了由j-1尺度向j尺度的变换过程，｛h_k｝可看做滤波器的单位冲激响应（权系数）。假设｛h_k｝仅有6个元素，则式（6-111）所表明的变换过程相当于把｛h_-2，h_-1，h₀，h₁，h₂，h₃，｝作为权值，其中心点h₀对准｛c_j，k｝后再作加权平均，即

地球物理信息处理基础

这一实现过程是非常快捷的，相当于先计算序列c_j-1，k（k∈Z）与

的卷积，然后抽取偶数下标（隔1抽1）的卷积结果，即得到逼近级数的系数c_j，k（k∈Z）。

图6-26 分解算法计算｛c_j，k｝示意图

图6-26虽然仅表明由｛c_j-1，k｝计算｛c_j，k｝的变换过程，它同样也表明了由｛c_j-1，k｝计算｛d_j，k｝的变换过程，只不过要将｛h_k｝换成｛g_k｝而已。对正交小波而言，g_k=（-1）^kh_-k+1是由｛h_k｝决定的。

由c_0，k开始，利用式（6-111）进行迭代运算，陆续计算出c_1，k、c_2，k等等，与此同时，利用c_0，k、c_1，k、c_2，k等值，同样不断计算出d_1，k、d_2，k等小波级数系数值。

式（6-111）所表明的计算过程由算子表示会更简单些。记A^j=｛c_j，k｝，D^j=｛d_j，k｝。记算子H：l²➝l²，其运算意义如式（6-111）的第1式所示，即

地球物理信息处理基础

同样，记算子G：l²➝l²，其运算意义如式（6-111）的第2式所示，即

地球物理信息处理基础

采用算子表示后，式（6-111）所表明的分解算法结构如图6-27所示。它表明

A^j=H^jA⁰；D^j=GH^j-1A⁰

即A⁰经H算子j次作用后即可获得A^j，A⁰经H算子j-1次作用后再经G算子作用1次即可获得D^j。

图6-27 分解算法结构示意图

图6-27还表明，只要在细密采样间隔的尺度层次上给定A⁰，就可利用分解算法快速地获得较粗采样间隔尺度层上的有关数据A^j和D^j（0＜j≤J）。假设实际问题中A⁰有N个数据，则2尺度层上的A¹和D¹各有N/2个数据，依此类推；还假设｛h_k｝和｛g_k｝分别有M个数据；那么，用A⁰计算A¹和D¹共需2MN/2次运算，从2到3尺度层共需2MN/4次运算，依此类推可知，要得到A^j和D^j（0＜j≤J）共需2MN（2^-1+2^-2+…2^-J）次运算。由此可见，分解算法是快速的。

原信号f⁰（t）具有下列唯一分解

地球物理信息处理基础

δ_j是信号在W_j（j=1，2，…，J）各子空间上的正交投影，它们是从一个较精细的逼近变成较粗略的逼近（两个逼近的分辨率相邻近）时所丢失的信息，即

地球物理信息处理基础

可将这一不断降低逼近分辨率的过程看成是“一层又一层地把信号进行剥皮”的过程。当J选得足够大时，“剥”下来的信息总和

地球物理信息处理基础

足够多，将足以精确表示原信号f⁰（t），而最终的逼近信号f^J（t）的分辨率已经非常低，这样反而可以把式（6-113）当成原信号的估计，而把f^J（t）看成是估计误差。这就是说，用小波级数在所有分辨率下的全部系数（j=1，2，…，J）来代替原信号，其误差f^J（t）可以任意小。按照这种解释，式（6-111）算法就是将f⁰（t）的信息（c_0，k是它的离散表示）表示成c_1，k～c_J，k等信息和一个估计误差（实际上它是在分辨率最低即2^J下的逼近）c_J，k。这一过程实际上是在一次又一次地改变着正交基（或子空间）。

6.9.1.3 信号重构算法

重构算法是分解算法的逆过程。此时已知数据｛c_j，k｝和｛d_j，k｝（0≤j≤J），希望利用这些数据快速准确地重构出原始数据。

一般而言，相邻两分辨率下的逼近信号存在着下列关系：

地球物理信息处理基础

计算上式左右两端与φ_j-l，k（t）的内积，得

地球物理信息处理基础

为了便于讨论运算过程，在上式中令m=p-2k，所以信号重构公式为

地球物理信息处理基础

根据式（6-115）计算｛

｝的过程见图6-28所示。为了理解式（6-115）和图6-28所示的计算过程，应注意下面两点：一是j-1尺度层偶数编号的采样点对应着j尺度层上的采样点，二是示意图中假设｛h_k｝的有限数据为｛h_-2，h_-1，h₀，h₁，h₂，h₃，｝。

可以看出，计算｛

｝可分为两步进行：

地球物理信息处理基础

第一步计算j-1尺度层上的偶数编号采样点处的｛

｝，此时可对j尺度层采样节点循序推进，所用数据为｛h_-2，h₀，h₂，｝，按公式

地球物理信息处理基础

计算出j-l尺度层上偶数编号节点处的相应值。

第二步计算j-1尺度层上的奇数编号的采样点处的｛

｝，其循序推进过程仍同于第一步，但需另用｛h₃，h₁，h_-1｝，且按公式

地球物理信息处理基础

图6-28也表明了式（6-115）中｛d_j，k｝计算｛

｝的过程，此时要采用｛g_k｝，计算式应为

地球物理信息处理基础

为了更清楚地表明｛c_j，p｝和｛d_j，p｝，0≤ j≤J-1重构｛c_0，p｝的关系，与前述的分解情况一样，记A^j=｛c_j，p｝，D^j=｛d_j，p｝，采用算子的记号H^*：l²➝l²，其运算意义为

地球物理信息处理基础

记G^*：l²➝l²，其运算意义为

地球物理信息处理基础

在这些重构算子意义下，式（6-115）可表示为

地球物理信息处理基础

于是从尺度层j=J到尺度层j=0的重构算法过程可用图6-29表示。重构算法也是快速的，现估计其计算量。设｛h_m｝和｛g_m｝分别有M个数据，0尺度层｛c_j，0｝有N个数据，则尺度层1上｛c_j，1｝有N/2个数据，用｛c_1，p｝计算｛

｝的偶节点值和奇节点值分别需要（M/2）N/2次运算；由｛c_1，p｝计算｛

｝共需MN/2次运算；｛d_1，p｝计算｛

｝也需MN/2次运算；由1尺度层数据重构0尺度层数据共需MN次运算。可依此类推出其它相邻尺度层之间采用重构算法的运算量，最后，得总运算量为

2MN（2^-1+2^-2+…2^-J）

图6-29 信号重构算法示意图

图6-30所示的是信号分解与重构算法的计算流程示意图，图中的“

”表示“按因子2抽取”或“隔1抽1”运算。符号“

”表示，“按因子2内插”或“两相邻样本间内插一个零样本”。输入是c_0，k，相当于原信号的离散表示；输出是不同尺度下的小波级数系数c_j，k（j∈Z）以及信号在子空间V_J的正交投影c_J，k。这是在做信号分析，其分解公式见（6-111）。与此相反，当输入是d_j，k（j∈Z）和c_J，k，输出是c_0，k时，为信号重建或合成，此时有

地球物理信息处理基础

将合成与分析算法合起来画成图6-30所示的形式，称之为Mallat算法。

图6-30 信号分解与重构算法示意图

6.9.1.4 Mallat算法实现中的一些问题

Mallat算法是一种纯数字的快速递推算法，在使用Mallat算法时，有一些具体问题需引起注意。

（1）对正交尺度函数φ（t）而言，Mallat算法中仅需数据｛c_0，k｝和｛h_k｝可进行快速的分解和重构递推运算。要存储的数据为｛c_J，k｝和｛d_j，k｝，0＜j≤J，这些有用的数据的存储量等于｛c_0，k｝的数据存储量。特别值得强调的是，Mallat算法中隐含着两类关系，一类是关于多分辨分析方面的，例如对0＜j≤J，有

地球物理信息处理基础

f^j-1（t）=f^j（t）+δ^j（t）

地球物理信息处理基础

另一类关系是由于尺度函数φ（t）平移正交性产生的，例如

c_j，k=＜f，φ_j，k＞；d_j，k=＜δ^j，ψ_j，k＞

g_k=（-1）^kh_-k+1，0＜j≤J

Mallat算法正是利用了这些关系，在算法实施过程中不需尺度函数φ（t）和小波函数ψ（t）的具体形式，只要求它们存在并找出｛h_k｝，就可以顺利地进行分解和重构处理了。因此，只要查得正交尺度函数双尺度方程的传递系数｛h_k｝，就可以应用Mallat算法了。

顺便指出，如果尺度函数φ（t）（例如样条函数）不是平移正交的，它虽然可以生成MRA，但由此构造出的样条小波ψ（t）仅关于尺度正交，没有平移正交性。此时

地球物理信息处理基础

所以Mallat算法不再适用，必须另行推导相应的分解和重构算法。

（2）初始数据｛c_0，k｝的选用，在正交小波分解中，φ（t）是正交尺度函数，0尺度层上的展180开系数｛c_0，k｝=＜f（t），φ_0，k（t）＞，用复杂的计算来确定初始数据｛c_0，k｝是不合算的，应采用变通处理办法，即简单采用｛c₀，k｝=｛f（t_k）｝，用细尺度层上的采样值作为初始数据｛c_0，k｝。这种做法似乎有些不严密，但可以证明，虽然｛f（t_k）｝作为｛c_0，k｝的近似值时有微小误差，但数据｛f（t_k）｝同样有效地表现了f⁰（t）的变化波动状况和有效的频率范围，这种替代不会影响对f⁰（t）的时频分析；同时还应看到，用｛f（t_k）｝作初始数值，不仅可使问题简单化，而且也可使Mallat算法准确地分解和重构初始数据。总之，用｛f（t_k）｝替代｛c_0，k｝是实用方便的。

（3）分解层数和采样间隔的关系，这个问题主要从以下几方面考虑便可得出结论。

第一，因为最细的0尺度层的采样间隔T决定了f⁰（t）的频率范围，由取样效应可知，最大的频率范围为｜ω（f⁰）｜≤1/（2T）；同样，最粗的J尺度层的采样间隔为J=2^JT，最低的频率范围为｜ω（f^J）｜≤1/（2T）=2^-J｜ω（f⁰）｜。于是可从需要分辨的最高频率和需要分辨的最低频率这两个指标来决定最细尺度层的采样间隔和数据分解的层数。

第二，在最细的0尺度层上，应取用多少个数据才能满足J个层次的数据分解呢？在Mallat算法中，｛c_1，k｝的数据量仅为｛c_0，k｝数据量的一半，依此类推。同样，在J尺度层至少要取用N_J个数据才能表现低频量，于是推知，在0尺度层，至少取用N=2^JN_J个数据，才能满足J个分解层次的需要。

（4）在Mallat算法的运算中，需用到所存储的数据外面的数据（见图6-31），图中实线框内数据是要存储的。在分解算法中，若｛h_k｝仅有6个数据，由图6-26可知，要用到实线框外的数据c_0，-2和c_0，-1才能计算出c_1，-1，要用到c_0，N0+1、c_0，N0+2和c_0，N0+3才能计算出c_1，N1，其它层次的情形类似。由于细密采样层（图6-31中对应着j=0的尺度层次）中的近似函数f⁰（t）∈L²（R），当t➝∞时，f⁰（t）➝0，实线框内足够多的采样数据｛c_0，k｝，k=0，1，…，N₀，已反应了f⁰（t）的基本特性，f⁰（t）在图6-31实线框外的数据几乎消失，因此在实际分解过程中可简单地令实线框外的数据为零。同样，重构过程也会用到实线框以外的数据（见图6-28），也可以简单地令实线框外的数据为零。

图6-31 Mallat算法涉及没有存储的数据示意图

另一种办法也是常用的。在最细尺度层上较多地取用数据，在计算过程中适当地多存储些数据，如图6-31中虚线框所示。此时应以实线框存储数据作为分解重构算法和进行数字分析的依据。

6.9.1.5 Mallat 算法所表现的频域分解特点

有限尺度空间的正交小波子空间的直和分解关系，例如，

V₀=V₁⊕W₁=V₂⊕W₂⊕W₁=V₃⊕W₃⊕W₂⊕W₁

在Mallat算法中是通过算子H和G来表现的。数据A^j表征f^j（t）∈V_j，数据D^j表征δ^j（t）∈W_j，那么在Mallat算法中，A^j=HA^j-1；D^j=GA^j-1，从而实现了子空间的分解。这种子空间分解和算子H与G之间的关系示意于图6-32中（以V₀分解成3层为例）。

图6-32 Mallat算法所确定的数据分解和子空间分解的对应关系

因为f^j-1（t）和f^j（t）都是有限频率范围的，f^j（t）的频率范围仅是f^j-1（t）的相对低频部分，δ^j（t）的频率范围是f^j-1（t）的相对高频部分，所以δ^j（t）是f^j-1（t）的关于高频带的分量。换成子空间来描述，V_j-1所表现的频率范围被分解为两部分，一部分是由V_j表现的低频部分，另一部分是由W_j表现的频带部分。因此，V₀尺度空间的直和分解，表明把f⁰（t）的频率范围分解为由W₁、W₂、W₃和V₃所表现的频带，且这些频带是互不重叠的。这里所说的W₂所表现的频带宽度，也就是其基函数ψ_2，k（t）（窗函数）的频窗宽度。由aD_ω可知，W₂所表现的频带宽是W₁的一半，尺度指标增加，则小波子空间所表现的频带宽分半减小。由于对任意尺度而言，小波子空间所表现的时频窗面积是恒定不变的常数，所以对时频窗的时窗宽度而言，尺度指标增加，则相应的时窗宽度成倍增加。图6-33表示了正交小波分解用于分析t^*处局部时域信号时，在各个频带的时频窗表现。

图6-33 正交小波分解在各频带的时频窗示意图