小波分析在信号去噪中的应用.docVIP

小波分析在信号去噪中的应用 小波去噪的常用方法 小波变换模极大值去噪方法 根据信号和噪声在小波变换各尺度上的不同传播特性，剔除由噪声产生的模极大值点，保留信号所对应的模极大值点，然后利用所余模极大值点重构小波系数，进而恢复信号。 小波系数相关性去噪方法 对含噪信号作小波变换之后，计算相邻尺度间小波系数的相关性，根据相关性的大小区别小波系数的类型，从而进行取舍，然后直接重构信号。 小波阈值去噪方法 阈值去噪方法是一种简单、效果较好的小波去噪方法。 该方法认为信号对应的小波系数包含有信号的重要信息，其幅值较大，但数目较少，而噪声对应的小波系数是一致分布的，个数较多，但幅值小。 其核心思想就是对小波分解后的各层系数中模大于和小于某阈值的系数分别处理，然后对处理完的小波系数再进行反变换，重构出经过去噪后的信号。 阈值函数 常用的阈值函数主要是硬阈值函数和软阈值函数。 硬阈值函数。表达式为 ，如图1所示，其中横坐标表示信号的原始小波系数，纵坐标表示阈值化后的小波系数。 图1 软阈值函数表达式为 ，如图2所示，其中横坐标表示信号的原始小波系数，纵坐标表示阈值化后的小波系数。 图2 半软阈值函数。硬阈值方法可以很好的保留信号的边缘等局部特征，软阈值处理相对平滑，但会造成边缘模糊等失真现象，为了克服上述缺陷提出了半软阈值函数，如图3所示，其表达式为： 图3 小波一维信号的去噪实例分析 例一： %example_1使用函数ddencmp获取信号去噪阈值，然后采用函数wdencmp实现信号去噪 load leleccum; index=1:1024; x=leleccum(index); %产生含噪信号 init=2055615866; randn(seed,init); nx=x+18*randn(size(x)); %获取去噪的阈值 %thr是返回的阈值，sorh是软阈值或硬阈值选择参数，keepapp表示保存低频信号 %den表示进行去噪，wv表示选择小波，nx为一维或二维信号 [thr,sorh,keepapp]=ddencmp(den,wv,nx); %对信号进行去噪 %gbl表示每层都采用同一个阈值进行处理，nx为一维或二维信号，db4是所用的小波函数 %2表示对图形进行2层分解，thr为阈值向量,sorh表示选择选择软阈值或硬阈值，keepapp取1 xd=wdencmp(gbl,nx,db4,2,thr,sorh,keepapp); figure() subplot(2,2,1); plot(x); title(原始信号); subplot(2,2,2); plot(nx); title(含噪信号); subplot(2,2,3); plot(xd); title(去噪后的信号); Matlab运行结果: 例二： %example_2使用函数wnoiset获取噪声方差，然后使用函数wbmpen获取小波去噪阈值，最后使用函数wdencmp实现信号去噪。 load leleccum; indx=1:1024; x=leleccum(index); %产生含噪信号 init=2055615866; randn(seed,init); nx=x+18*randn(size(x)); %用小波函数db6对信号进行三层分解 [c,l]=wavedec(nx,3,db6); %估计尺度1的噪声标准偏差 %sigma是零均值的高斯白噪声的标准偏差 sigma=wnoisest(c,l,1); alpha=2; %获取去噪过程中的阈值 thr=wbmpen(c,l,sigma,alpha); keepapp=1; %对信号进行去噪 xd=wdencmp(gbl,c,l,db6,3,thr,s,keepapp); figure(2) subplot(2,2,1); plot(x); title(原始信号); subplot(2,2,2); plot(nx); title(含噪信号); subplot(2,2,3); plot(xd); title(去噪后的信号); Matlab运行结果: