小波阈值滤波模型及音乐去噪实例(北京地大郑勋烨).pptVIP

尊敬的各位前辈和同道老师们早上好！ 报告内容 第一章 问题背景 第二章 模型假设 第三章 符号说明 第四章 模型建立 第五章 模型求解 结束语 一、 问题背景 　　小波去噪的方法有多种，如利用小波分解与重构的方法滤波降噪，利用小波变换模极大值的方法去噪，利用信号小波变换后进行空域相关性进行信噪分离，非线性小波域值方法去噪，平移不变量小波去噪法，以及多小波去噪等等。归结起来主要有三类：模极大值检测法、阈值去噪法和屏蔽相关去噪法。最常用的就是阈值去噪。 二、问题分析 若要从被噪声污染的信号中恢复出原始信号 ，可按以下3个步骤进行： （1）计算被噪声污染的信号的正交小波变换，选择合适的小波和小波分解层数 将被噪声污染信号进行小波分解至 层，得到相应的小波分解系数。 （2）对分解得到的小波系数进行阈值处理，得到原始信号小波系数的估值。 （3）进行小波逆变换。将经阈值处理过的小波系数重构,得到恢复的原始信号的估计值 。 上面三个步骤，在实现过程中有两个难点必须解决：一是如何选择合适的小波基及小波分解层数。二是如何选取阈值和采用什么阈值函数。这两个问题解决的好坏将直接影响去噪效果。 三、模型假设 小波去噪过程中要解决的首要问题就是合适的小波基和小波分解层数的选择。首先要根据具体问题分析，采用某一类小波函数可能比较适合，然后再采用下面的解决办法来确定具体的小波和分解层数。 本文中，具体解决办法是：依据选择小波时通常会用到的几种标准：如支撑长度，对称性，消失矩阶数及正则性等，根据实际需要来选择某一合适的小波基 。一般来说，应尽量选择支撑长度较小的、有正交性的小波基，这样可减少数值计算量；另外，选择对称性能较好的小波基则能避免信号在小波分解和重构过程中的失真。 模型分析 去噪时的两个要解决的难点问题是小波选择和阈值的选择。其中，阈值的选取有两种方式：一种是全局阈值；另外一种是分层阈值。实验中，我们选择不同的小波，分别利用全局阈值和分层阈值去噪法来观察不同的小波选择对去噪结果的影响。同时，选择一个固定的小波，利用全局阈值和分层阈值来比较这两种去噪方法的优劣。下面，我们通过歌曲《butterfly》中的一段音乐信号进行去噪来对上述问题进行阐述。实验中所添加的噪声为随机噪声。 五、模型求解 我们得出如下结论： (1) 不论采用何种小波，全局阈值去噪法都能使信号的能量得到最大限度的保留。 (2) 不同的小波对信号的能量比影响并不大，只是对信号的信噪比影响较显著。从结果可以看出，db4小波所得的信噪比略高。这说明在信号去噪过程中小波的选择对去噪的结果有重要的影响。 五、模型求解 通过观察分层阈值去噪法所得结果，我们得出如下结论： （1）相对于全局阈值去噪法，信号的能量比有所提升。这主要是阈值对每一层的小波分解系数都进行了作用，滤去了更多的噪声信息能量。 （2）和全局阈值去噪法相同，不同的小波对信号能量比和信噪比影响并不大。 （3）和全局阈值去噪法相比，标准偏差减小，信号的整体光滑性得到了增强。 五、模型求解 （1）随着分解层数的增加，音乐信号的能量百分比呈下降趋势。因为被滤去的信号的有效成分更多。 （2）随着分解层数的增加，信号的标准差越来越大。这说明：信号的分解层数越多，信号的局部光滑性得到了增强。然而，信号的整体相似性却降低了。 （3）随着分解层数的增加，信噪比先增加，后下降。这说明：刚开始，随着信号分解层数的增加，噪声得到了有效去除。然而，随着分解层数进一步地增加（比如分解到8层时），信号的某些有效成分被作为噪声错误地去除了，从而使得信噪比降低。 这也提醒我们，在去噪的过程中，信号的分解层数不宜太大，一般4-5层即可(中庸之道)。 结束语 　　虽然小波阈值去噪方法相对简单、易于实现，并且用其对大多数染噪信号去噪时均可获得不错的效果，但和语音信号(speech)不同，在音乐信号(music)中，还掺杂着乐器演奏所发出的声音。因此，在现有的噪声估计模型中，很有可能把音乐当作噪声来进行处理，使得重构系数变小。 由此可以看出，今后对于音乐去噪的研究，应该建立一种和语音信号不同的阈值估计模型，加强乐音和噪声之间的识别，这样才能使音乐去噪的效果更好。 衷心感谢各位老师的莅临斧正！ Thank you! 小波阈值滤波模型及音乐去噪实例---郑勋烨 2014年8月 ◎郑勋烨2014年8月 小波阈值滤波模型 及音乐去噪实例 中国地质大学(北京) 数理学院数学教研室 　　　　郑勋烨 xyz@cugb.edu.cn ?五、模型的建立 常用的阈值处理函数有硬阈值函数和软阈值函数，它们的定义如下： 硬阈值函数： 软阈值函数：