一维信号去噪分析精要.doc

一维信号滤波分析 读取实验数据，绘制一维时域谱，如图1所示 图1 下面对信号进行FFT变换： Fs=1024;%假定采样频率 N=597;%实际采样点数 y=xlsread(C:\Documents and Settings\Administrator\桌面\Book2.xls); y=y; y1=fft(y); y2=10*log10((abs(y1).^2)); figure; plot(y2); title(fft变换)%做FFT变换 Ay2=abs(y2); %取模 Ay2=Ay2/(N/2); %换算成实际的幅度 Ay2(1)=Ay2(1)/2; F=([1:N]-1)*Fs/N; %换算成实际的频率值，Fn=(n-1)*Fs/N figure plot(F(1:N/2),Ay2(1:N/2)); %显示换算后的FFT模值结果 title(幅度-频率曲线图); 得到信号频谱如图2 图2 由于大多数信号噪声频率都为高频，所以可以先尝试设计一个简单的带通滤波器，这里采用窗函数法，根据FFT变换得到的频谱图取通带为50~350Hz，算法函数如下： Fs=1024; N=597; n=36; y=xlsread(C:\Documents and Settings\Administrator\桌面\Book2.xls); y=y; x=xlsread(C:\Documents and Settings\Administrator\桌面\Book1.xls); x=x; Wn=[50,350]*2/Fs;%归一化频率 b=fir1(n,Wn); yf=filter(b,1,y); figure; plot(x,y); xlabel(运动位置); ylabel(信号幅值); title(窗函数法滤波后的信号) 滤波器频谱响应如图3 滤波后得到滤波信号如图4 图4 从图4可以看出，噪声部分被滤除，但这样设计的带通滤波器对去噪没有明显的效果，并且在未知采样频率的情况下对不确定信号进行FFT变换的效果并不理想，而小波分析则克服了这种缺陷，它对随机信号具有多分辨率分析的特点，在时域和频域都有表征信号局部信息的能力，时间窗和频率窗都可以根据信号的具体形态动态调整，在一般情况下，在低频部分可以采用较低的时间分辨率，而提高频率的分辨率，在高频情况下可以用较低的频率分辨率来换取精确的时间定位。 针对以上实验数据，这里采用的思路是先对信号进行低层分解强度去噪，然后通过阈值信号处理，得到最终的滤波信号，小波算法函数设计如下： y=xlsread(C:\Documents and Settings\Administrator\桌面\Book2.xls); y=y; x=xlsread(C:\Documents and Settings\Administrator\桌面\Book1.xls); x=x; [c,l]=wavedec(y,1,db1);%用db1小波对原始信号进行1层分解并提取系数 ca1=appcoef(c,l,db1,1);%提取近似系数 cd1=detcoef(c,l,1);%提取1阶详细系数 cdd1=zeros(1,length(cd1));%对信号进行强制性去噪处理并显示结果 c1=[ca1 cdd1]; s1=waverec(c1,l,db1);%多层次的一维小波重构 N=2;%N越大，分解的层数越多，则能滤除更多噪声，同时取值过大也会导致信号失真 yd=wden(s1,rigrsure,h,mln,N,sym20);%rigrsure阈值信号处理 figure; plot(x,yd); xlabel(运动位置); ylabel(信号幅值); title(小波分析滤波后的信号) 得到滤波信号如图5 图5 如图5所示，信号有明显改善，大部分噪声已去除，但是波形还是很不规则。假设信号是由多个单频信号组成的组合信号，我们可以针对信号的频谱直接设计一个滤波器，而通过对信号进行FFT变换并不能得到想要的结果，所以这里采用另外一种谱分析方法——功率谱估计，它是专门针对随机信号所采取的谱分析方法。功率谱估计分为非参数方法、参数方法、子空间方法三大类，子空间方法相对来说有更高的分辨率，它又可分为MUSIC方法和特征向量法。其中，特征向量法主要适用于混有高斯白噪声的正弦