第一次报告(小波变换及其简单应用)李向云.pptVIP

小波分解、重构及去噪 李向云 5.19.2011 小波变换简介 为了克服傅立叶变换没有任何局部化特性和短时傅立叶变换固定分辨率的缺陷，通过几代人的努力，最终提出了一种具有很好的时频窗口特性的小波变换，很好的解决了这些问题，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，所以被誉为数学显微镜。 一维连续小波变换 假设原信号是三个频率分别为f1=20、f2=22、f3=50的正弦函数的叠加，即 如图1，所用采样点为N=64，采样间隔为dt=0.01,满足采样定理。 一维连续小波变换 对信号x1(t)进行一维小波变换，调用函数 coefs=cwt(x,scale,’wavename’,plotmode) 分解得到小波系数，如图2为它的时频分解图，图3为小波系数能量分布比例图，选择不同的小波基函数，达到的分解结果不同 小波信号重构 若基本小波满足容许条件，即 小波去噪 信号去噪是信号处理中最基本也是十分重要的技术，其中小波去噪是一种很有效的方法。小波变换域进行信号去噪具有时空和频率的双重选择性，关键在于小波变换系数的剪裁，这种剪裁相当于在各尺度上对被分解的信号进行某种程度的滤波。目前小波域滤波的方法很多，有线性的和非线性的技术。 已知信号s=sin(0.03t),加上白噪声干扰后变成含噪信号，如图8，为对该信号进行一维小波去噪得到的结果，调用的函数为 sd=wden(ns,‘minimaxi’,‘s’,‘one’,5,‘db4’)，图9，是对该信号进行傅立叶滤波的结果，通过比较 图10和图11，分别为两者的误差信号以及各自的振幅谱的比较，对于小波去噪，通过选择合适的参数如阈值类型，基本上消除了白噪声的干扰，处理效果良好，对于傅立叶变换，噪声没有完全消除，由此可知小波去噪的效果比傅立叶方法要好。 * 图1 原信号x1(t)及其振幅谱 图2 信号x1(t)小波分解得到时频关系图（db5，scale=1:20） 图3 信号x1(t)及小波系数能量分布比例（db5, scale=1:20 ） 则有重构公式为 换言之，平方可积空间的任何函数都可以表示为小波函数的伸缩平移系的线性组合。 如图4，利用小波分解得到的近似分量ca1和细节分量cd1，重构原信号，得到比较精确的重构信号x2(t);如图5，为利用DCT变换重构得到的信号，如图6，为小波变换所对应的两者的误差信号以及各自的振幅谱的比较,处理效果比较理想，这主要取决于所选的小波类型及分解尺度。图7为DCT变换所对应的两者的误差信号以及各自的振幅谱，结果表明小波重构效果更好。 图4 小波分解的近似分量ca1和细节分量cd1以及原信号x1(t)和重构信号x2(t)（db5） 图5 原始信号和利用离散余弦变换DCT得到的重构信号 图6 误差信号以及原信号x1(t)和小波重构信号x2(t)振幅谱（db5） 图7 误差信号以及原信号x1(t)和IDCT重构信号x2(t)的振幅谱 图8 原信号、含噪信号及经一维小波去噪处理后的信号（db4） 图9 原信号、含噪信号及经傅立叶滤波处理后的信号 图10 误差信号以及原始信号x1(t)和小波去噪后信号x2(t)的振幅谱（db4) *