高等数字信号处理吴正国尹为民第6章5课件教学.pptVIP

第六节 信号的奇异性检测 三、基于小波变換模极大值的 信号重构 四、小波消噪算法 Γ空间：K 空间中滿足下式的元素构成的子空间 (对于所有 n, j ) 因此，所需求的函数 h ( t ) 的小波变換应为U 空间与Γ空间的交集中滿足上述范数最小化的函数。可用交替投影法求取 h ( t ) 的小 波变換。为此可定义如下算子 Γ空间向 U 空间的投影算子：投影为某函数的 小波变换 U 空间向Γ空间的“最佳”投影算子 定义如下： (投影为滿足上述条件(a)和(b)的函数) 两式的最小化是等价的。可以证明，上式最小化等价如下积分式最小化 此积分最小化，相当解如下欧拉方程： 对于Γ空间给定的初始函数和己知的信号模极大值，交替使用上述两算子，如下图所示 3、伪振荡的抑制： 当已知的两极值点充分接近时,使用上述算法，会使 h (x ) 的小波变換在两极值奌之间产生振荡，从而出现不需要的极大值奌。为此，可在使用最佳投影算子之前引入符号约束，以抑制伪振荡。 为加速交替投影收敛速度和提高收敛精度，在使用上述两算子之间插入BRF神经网络进行函数拟合 ⒈宽帶随机噪声的小波变換 所以，白噪声小波变換的方差(即平均功率)与尺度成反比。此结论与前述白噪声的Lipschitz正则性为(-0.5-ε)，ε0，是一致的。白噪声是一个处处奇异的随机分布。 对于高斯分布的白噪声，还可证明其模极大值点的平均稠度为： 高斯白噪声小波变換模极大值点的密度随尺度的增大而反比例下降。 ⒉基于模极大值变化规律的信号的小波消噪算法 ①依据：当尺度s趋向零时，信号与白噪声在小 波变換模极大值上表现的不同变化规律。在充分大的尺度上，含噪信号的模极大 值奌主要是由信号奇异性所致。 ②方法： 对含噪信号进行小波变換，取最大尺度为J= 4或５； 寻找每个尺度上的模极大值点； 设定阈值，在 J 尺度上，将极大值小于阈值的极大 值点认定为由白噪声产生而去掉； 对于 J 尺度上的每一个被保留的极值奌，使用 即兴算法寻找 J-1 尺度上的传播奌。重复此过 程，直至 j=2 尺度而形成模极大值线； 在对数坐标中，通过计算模极大值线的斜率而得到 α； 去掉各尺度上所有不属于上述极大值线上的极大值点； 去掉 j=1 尺度上的所有模极大值奌，然后由上 述极大值线及α恢复出信号所导致的极大值点； 由模极大值重构信号即消噪后的信号。 ③特点： 对噪声依赖小，适用于低信噪比信号；但算法复杂，影响精度的因素多。 3.基于小波收缩阈值的信号消噪算法 ②施加阈值的方法：有硬阈值法、软阈值法、各种改进 阈值法及与尺 j 相关的阈值法等多种方法。 ①依据：对于正交小波变换，由于较強的去相关(解耦)能力，所以变換后信号的能量能集中于少数小波系数，而白噪声经正交小波变换后仍为白噪声。因此，变换后各尺度上，小波系数的信噪比应显著加強。可以采用阈值法去掉噪声的小波系数。 硬阈值法：各尺度上，小于阈值的小波系数为零，而 其它保持不变。 软阈值法：各尺度上，小于阈值的小波系数为零，而其它减去阈值。 各尺度取不同阈值：例如，使各尺度下的阈值 与各尺度噪声強度估计成正比 ③阈值估计的思路 由于白噪声经小波变换后仍为零均值白噪声， 所以若不加阈值，小波系数对有用信号估计为无偏估计(E{X}=E{S}=E{Ws}=WE{s}=Ws=S)。但由于白噪声存在，使估计方差较大。所以，随着阈值的增大，估计偏差增大，而方差随之减少，如下图所示。 为此，追求一致估计，使下式最小化 最小风险阈值 比较适应白噪声的高信噪比情况；计算速度快 ；应用较广泛； 去噪效果強烈依赖所选母小波和阈值。硬阈值在均方意义下优于软阈值，但在信号间断点易产生振荡；软阈值处理信号较平滑，但也容易丢失某些信号特征。 ④改进的软阈值方法： 软阈值方法使信号的小波系数减少，在低信噪比时不利于信号重构。硬阈值法又使阈值附近的小波系数产生间断，为此有各种改进软阈值方法，对上述两方法进行折中处理。如上图所示，用非线性函数进行过渡。下式表示的改进软阈值也是其中一种。 为能处理时变信号(例如电能质量信号)，可采用分段时变的阈值。 4.基于小波变换相关性的信号消噪算法 利用信号在各尺度时域波形之间的相关性，通过相邻 尺度的两小波级数直接相乘以提高信噪比。 去噪效果稳定，适用高信噪比情况，但计算量大于阈值法。 * * 奇异奌包含重要信息 奇异性检测广泛应用于故障诊断、数据压缩 、信号检测、消噪等领域 Mallat：“Singularity detection and pro