基于小波分析的信号噪声的处理..doc

小波分析的信号噪声的处理 摘要： 分析了通信系统信号处理中噪声的小波分析特性, 用一维小波分别对平稳信号和非平稳信号进行了分析和研究；提出了基于小波分析理论,利用小波变换对含躁信号进行小波分解, 然后选取适当的阈值，对小波分解系数进行阈值量化,最后再对高低频系数重构,实现信号的去躁。并通过实例验证了小波分析方法对信号噪声处理的有效性。 关键词： 小波分析；去噪；MATLAB；非平稳信号 一： 小波分析的去噪原理 从信号学的角度看，小波去噪是一个信号滤波的问题。尽管在很大程度上小波去噪可以看成是低通滤波，但由于在去噪后，还能成功地保留图像特征，所以在这一点上又优于传统的低通滤波器。由此可见，小波去噪实际上是特征提取和低通滤波的综合，其流程框图A如图所示。 图A 小波去噪框图 小波分析的重要应用之一就是用于信号去噪， 一个含噪的一维信号模型可表示为如下形式： 其中，为有用信号，为含噪声信号，为噪声 ，为噪声系数的标准偏差。 在这里，假设为高斯白噪声，噪声级为l，通常情况下有用信号表现为低频部分或是一些比较平稳的信号，而噪声信号则表现为高频的信号， 下面对 S ( k ) 信号进行如 图B结构的小波分解，则噪声部分通常包含在 C d l 、 C d 2 、 C d 3 中，只要对 C d l ， C d 2 ， C d 3作相应的小波系数处理， 然后对信号进行重构即可以达到去噪的目的。 图B 上述信号消噪的过程可分为三个步骤进行： 1 ) 一维信号的小波分解。选择一个小波并确定分解的层次N，然后对信号S进行N层小波分解； 2 ) 小波分解高频系数的阈值量化。对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理； 3 ) 一维小波重构。根据小波分解的最底层低频系数和各层高频系数进行一维小波重构。 在这 3个步骤中， 最关键的是如何选择阈值及如何进行阈值量化，在某种程度上，它关系到信号消噪的质量。 二： 小波分析对信号的消噪处理 小波消噪处理的方法，一般分为以下 3种： 1 ) 默认阂值消噪处理:该方法利用函数ddencmp生成信号的默认阈值，然后利用函数wdencmp进行消噪处理； 2 ) 给定阈值消噪处理:在实际的消噪处理过程中，阈值往往可通过经验公式获得，且这种阈值比默认阈值的可信度高。在进行阈值量化处理时可用函数wthresh； 3 ) 强制消噪处理:该方法是将小波分解结构中的高频系数全部置为0,即滤掉所有高频部分,然后对信号进行小波重构。这种方法比较简单，且消噪后的信号比较平滑,但是容易丢失信号中的有用成分。 2． 1 一维小波分析对平稳信号消噪 下面对某地的用电情况进行考察，对其电网电压信号进行测试，并用MATLAB软件分别对以上三种消噪方法进行消噪处理的结果加以对比。 ． 程序清单如下： load leleccum; ％将信号装入 MA T L A B工作环境 indx=2000:3456; ％去采样信号的2 0 0 0— 3 4 5 6个采样点 s=leleccum(indx); subplot(221); plot(s);grid;title(原始信号 ); ％ 画出原始波形信号 [c,l]=wavedec (s,3,db1); a3=appcoef(c,l,db1,3); d3=detcoef(c,l,3); d2=detcoef(c,l,2);d1=detcoef(c,l,1); ％用 d b l小波对原始信号进行 3层分解并提取系数 dd3=zeros(l,length(d3));dd2=zeros(l,length(d2));dd1=zeros(l,length(d1)); subplot(222);plot(a3);grid;title(图2-强制去噪后的信号); ％对信号进行强制性消噪处理 [thr,sorh,keepapp]=ddencmp(den,wv,s); s2=wdencmp(gbl,c,l,db1,3,thr,sorh,keepapp); subplot(223);plot(s2);grid;title(默认阈值去噪后的信号); ％用默认阈值对信号进行消噪处理 softd1=wthresh(d1,s,1.456);softd2=wthresh(d2,s,1.823); softd3=wthresh(d3,s,2.768); c2=[a3 softd3 softd2 softd1];s3=waverec(c2,l,db1); subplot(224);plot(s3);grid; title(给定软阈值去噪后的信号) ％用给定的软阈值进行消噪处理 输出结果如图所示。 从图3的结果可