传统的时域、频域特征在面对模拟生成的、带有强噪声和畸变的干扰信号时，区分度总是不理想，导致林薇那边的初始分类准确率迟迟上不去。

林薇有些着急，她尝试用更复杂的算法来弥补特征不足，但效果甚微，且计算量急剧增大，我们那可怜的嵌入式平台根本跑不动。小组讨论的气氛第一次变得有些凝滞。

“特征太弱了，噪声淹没了太多有效信息。”林薇皱着眉头，敲着屏幕上的数据。

“能不能在预处理滤波上再想想办法？”秦朗提议。

“试过了，各种滤波器组合都试了，效果提升有限。”我摇摇头，压力巨大。

那几天，我像是魔怔了……吃饭走路都在想着特征提取。

我泡在图书馆里，翻遍了所有关于信号处理、模式识别、甚至是一些生物声纳、地震波分析的书籍，试图找到灵感。我反复回放采集到的原始信号数据，用耳朵听，用眼睛看频谱图，试图捕捉那一点点可能被遗漏的细节。

一天深夜，我正对着一段尤其复杂的干扰信号频谱图发呆，目光无意中扫过旁边一本摊开的关于“小波变换”的书籍——这是一门比我们课程要求更超前的数学工具，我之前只是粗略浏览过。

书中一幅关于“信号奇异点检测”的插图突然点亮了我脑中的火花。

传统方法一直在努力消除噪声，平滑信号。但如果反其道而行之呢？噪声和干扰信号本身就会引入信号的突变和奇异点，这些“不光滑”的地方，是否本身就蕴含着可供识别的独特特征？

这个想法让我兴奋起来。我立刻动手，开始研究如何利用小波变换的多分辨率分析特性，来捕捉信号在不同尺度下的奇异点分布模式。

这远远超出了课程要求，推导过程异常艰难，很多数学细节我需要边学边用。

林薇和秦朗对我的“不务正业”起初表示怀疑，但我用初步的模拟数据说服了他们。那几天，我们小组几乎长在了实验室。