基于小波包分析信号噪声去除方法.docVIP

基于小波包分析信号噪声去除方法 　　摘要:文章介绍了小波的基本构造原理及基于小波分析的对非平稳信号的噪声去除方法研究,并且就阈值的选取进行了说明,给出了仿真和比较结果,得出了利用小波包对非平稳信号进行消噪效果良好的结论。 　　关键词:小波分析;小波包;噪声消除;阈值 　　中图分类号:TN911文献标识码:A文章编号:1009-2374#8197;(2010)15-0067-02 　　 　　科学技术的迅速发展使人类进入了信息时代。在信息社会中人们在各种领域中都会涉及各种信号(语音、音乐、医学信号、图像……)的分析、加工、识别、传输和压缩、存储等问题。长期以来,传统的信号分析是建立在傅里叶变换的基础之上的。但由于傅里叶分析使用的是一种全局的变换,无法表述信号的时―频局域性质,而这种性质恰恰是非平稳信号最根本和最关键的性质。 　　小波分析,无论是作为数学理论的连续小波变换,还是作为分析工具和方法的离散小波变换,仍有许多可被研究的地方,它是近几年来在工具及方法上的重大突破。小波分析(Wavelet Analysis)是傅里叶(Fourier)分析的重要发展,它保留了傅氏理论的优点,又能克服其不足之处。小波分析方法是一种窗口大小(即窗口面积)固定但形状可以改变,时间窗和频率窗都可以改变的时―频局部化分析方法。小波变换的多分辨率分析可以对信号进行有效的时频分解,但由于其尺度是按二进制变化的,所以在高频段其频率分辨率较差,而在低频段其时间分辨率较差。小波包分析(Wavelet Packet Analysis)能够提出一种更精细的分析方法,它将频带部分多层次划分,对多分辨率分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应的频带,使之与信号频谱相匹配,从而提高了时频分辨率。因此小波包具有更广泛的应用价值。本文运用MATLAB的方法,对同一个非平稳信号采取不同的小波分析方法实现信号噪声的消除。 　　一、小波分析 　　(一)连续小波变换 　　小波函数ψ(t)∈L2(R)满足: 　　∫Rψ(t)dt=0 　　通常ψ(t)称为基本小波,由ψ(t)经平移与伸缩生成函数族{ψa,b} 　　 ψa,b(t)=ψ(),a0,b∈R 　　则称ψa,b(t)为依赖于参数a,b的小波函数,简称连续小波或小波。 　　(二)离散小波变换 　　在实际应用中,特别是在计算机实现上,往往需要对连续小波及其变换进行而进离散化。尺度因子a取2j,这种离散后的小波和小波变换称为二进小波和离散二进小波。它们分别是: 　　ψa,b(x)=2-j/2ψ(2-jx-b) 　　Wf2j(b)=f(x)* ψ2j,b(x)=2-j/2∫Rψa,b(x)ψ() 　　其对应的重构公式即逆离散小波变换为:ψa,b(x) 　　f(x)=Wf2j(b) ψ2j,b(x)db 　　(三)小波包分析 　　设φ(t),Φ(t)分别为小波函数和尺度函数,g(n),h(n)分别为高通滤波器和低通滤波器系数,g(n)=(--1)h(1--n)。 　　令μ0(t)=φ(t) ;μ1=Φ(t) 　　于是μ0=μ0(2t-n); μ1=μ1(2t-n) 　　则由:μ2l(t)=μl(2t-n) ; 　　μ2l+1(t)=μl(2t-n) 　　定义的函数μn,n=2l或2l+1,l=0,1,2….称为正交尺度函数μ0=φ(t)的小波包。 　　信号的消噪与压缩是小波包分析的一个最基本的应用,通常它按照如下几个步骤进行: 　　1.一维信号的小波包分解。选择一个小波并确定一个小波分解层次N,然后对信号S进行N层小波包分解。 　　2.计算最佳树(确定最佳小波包基)。对一个给定的熵标准,计算最佳树。 　　3.小波包分解系数的阈值量化。对于每一个小波包分解系数(特别是低频分解系数),选择一个适当的阈值并对系数进行阈值量化。 　　4.小波包重构。根据第N层的小波分解系数和经过量化处理系数,进行小波重构。 　　在以上四个步骤中,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和压缩的质量。 　　二、阈值的选取准则 　　(一)阈值的选择 　　阈值的选择分硬阈值和软阈值两种处理方式。软阈值处理把信号的绝对值与阈值进行比较,当数据的绝对值小于或等于阈值时,令其为零,大于阈值的数据则向零收缩,变为该点与阈值之差。对于硬阈值处理,是把信号的绝对值与阈值进行比较,小于或等于阈值的点变为零,大于阈值的点不变。采用软阈值方法的数据没有不连续点,而采用硬阈值方法产生的数据在给定T和它关于零点的对称点――T各有一个不连续点。一般来说,用硬阈值处理后的信号更为粗糙。并且软阈值有着很好的数学特性,实践证明,它是有效的方法。