神经网络编程实现及应用.ppt

小波变换在信号降噪中的应用研究 武汉科技学院 理学院 信息与计算科学专业051班 何小漫 指导老师 张群娇 主要内容 1.设计指导思想 2.去噪问题描述 3.小波阈值去噪法 4.Matlab去噪实例分析 5.结论 1.设计指导思想 1.1研究背景 一般来说，现实中的信号都是带噪信号，在对信号做进一步分析之前，需要将有效的信号提取出来。如生物医学中的心电，脑电，胃电等各种生理电信号，以及其他由非生理信号（如动脉波等）转换而成的电信号通常被淹没在强大的噪声之中。由于干扰噪声的影响，这些生理信号可能产生严重的畸变，甚至面目全非，从而失去医学诊断价值。因此，从强噪声中恢复原始信号的波形，做到信噪分离是十分必要的。 1.2具体设计目标 把加高斯白噪声的正弦信号30sint进行小波分解，根据信号与噪声在小波变换下的不同特点把两者分离开，把属于噪声的小波系数置为零，剩余部分进行小波重构得到有用的信号。 一般说来，一维信号的小波 阈值降噪过程可以分为三个步骤进行： （1）一维信号的小波分解。 （2）小波分解高频系数的阈值量化。 （3）一维小波的重构。 在这三个步骤之中，最关键的就是如何选取阈值和如何进行阈值的量化，从某种程度上说，它直接关系到信号消噪的质量。 图1-1 信号消噪的算法流程图 2.去噪问题描述 2.1噪声信号小波分析特性 设长度为 的信号 被噪声 所污染，所测得得含噪数据为： 我们的目标是，从含噪数据 得到信号 的一个逼近信号 ，使得在某种误差估计下　是　　的最优逼近。也就是说，去噪的主要任务是，最大可能地将实际信号与噪声信号分离开，保留真实的信号，去除噪声信号，以达到去噪目的。 2.2噪声在小波分解的特性 在实际的工程中，有用信号通常表现为低频信号或是一些比较平稳的信号，而噪声信号则通常表现为高频信号。 所以信号消噪的过程可按如下方法进行处理，首先对信号进行小波分解，如进行三层分解，分解过程如图所示，则噪声部分通常包含在CD1，CD2，CD3中，因而，可以门限阈值等形式对小波系数进行处理，然后对信号进行重构，即可以达到消噪的目的。 图2-1 小波分解树结构图 3.小波阈值去噪法 3.1小波阈值选取原则 其中关键的问题就是如何有效选定合适的阈值。如果阈值选取过小，那么有一部分的噪声小波变换系数将不能被置零，从而在去噪后地方信号中保留了部分噪声信息，使去噪的效果变差。如果阈值选的偏大，则会将一部分有用信号去掉，使得去噪后的信号丢失信息。 3.1.1硬阈值 硬阈值是指绝对值大于或等于阈值的小波系数予以保留。而其它小波系数则作为噪声置为零，可用如下形式表示： 3.1.2软阈值 软阈值是指对绝对值大于或等于阈值T的小波系数不是简单地予以保留，而是将其收缩置零，可用如下形式表示： 图3-1 对直线作用硬阈值和软阈值的结果 分析表明，通常，硬阈值方法较好地保留原始信号的一些尖锐特性，但它的平滑性要差一些; 而软阈值则在视觉上有较好的平滑性，但会丢掉某些特征。 3.2小波基的选取原则 信号在去噪前，需要对信号进行小波变换，但小波基的选择对去噪性能有重要的影响：首先，信号经小波变换后得到的小波系数越稀疏，越有利于去噪，即经小波变换后会产生尽可能多接近零的小波系数；其次，用不同小波基进行小波变换得到的重构信号，其降噪效果不同。 4.Matlab去噪实例分析 4.1降噪方法 小波降噪的方法一般有3 种： (1) 默认阈值消噪处理。 (2) 给定软或硬阈值消噪处理这种阈值比默认阈值更具可信度。 (3) 强制消噪处理，此方法简单，消噪后信号也比较平滑，但易丢失有用信号。 4.2Matlab降噪的实例分析 本例用awgn函数在一正弦信号30sint中加入高斯白噪声，画出原始信号和加白噪声信号，再使用db1小波对加白噪声信号用wavedec函数进行3层分解并提取系数,然后用waverec函数进行小波重构，最后对信号分别进行强制性，默认阈值，给定的软阈值消噪处理并分别图示结果。 图4-1 Matlab实现的程序框图 图4-2 原信号和加白噪声信号 图4-3 3种不同阈值消噪方法后的波形图 从上面的图形我们可以看出,强制消噪处理和默认阈值处理后的信号较为平滑,但它有可能失去信号中的有用成分。并且它们在信号的不连续点处去噪后出现伪吉布斯现象。 而给定软阈值消噪处理则在实际应用中更实用一些。它的阈值可通过经验公式获得，而且这种阈值比默认阈值更具可信度。 但软阈值消噪后的信号虽整体连续性好, 但由于幅值超过阈值的小波系数与估计的小波系数总存在偏差, 因此直接影响重构信号与真实信号的逼近程度。 究竟选择哪种方法应根据实际信号的特点以及这些方法的优缺点