小波包分解与重构.pdfVIP

⼩波包分解与重构

1、⼩波变换的理解

傅⾥叶变换——短时傅⾥叶变换——⼩波变换。

参考⽂献：以下两篇参考资料讲述得⼗分清楚，有助于理解⼩波变换。

但具体的数学⾓度阐述，请参考其他资料。

（1）知乎专栏：形象易懂讲解算法I——⼩波变换

（2）知乎专栏：傅⾥叶分析之掐死教程。

2、⼩波包分解

⼩波包是为了克服⼩波分解在⾼频段的频率分辨率较差，⽽在低频段的时间分辨率较差的问题的基础上⽽提出的。

它是⼀种更精细的信号分析的⽅法，提⾼了信号的时域分辨率。

下⾯是两者的对⽐图：

3、能量谱

基于⼩波包分解提取多尺度空间能量特征的原理是把不同分解尺度上的信号能量求解出来，将这些能量值按尺度顺序排列成特征向量供

识别使⽤。充更新：具体计算公式如下所⽰，本⽂中未使⽤重构后的系数进⾏能量值计算，直接使⽤⼩波包分解后的系数，参考⽂献

《基于⼩波包能量特征的滚动轴承故障监测⽅法》。

4、Matlab代码

给出两部分代码，写成两个函数。⼀个是⼩波包分解与重构，另⼀个是能量谱函数。

代码名称：wavelet_packetdecomposition_reconstruct

functionwpt=wavelet_packetdecomposition_reconstruct(x,n,wpname)

%%对信号进⾏⼩波包分解，得到节点的⼩波包系数。然后对每个节点系数进⾏重构。

%Decomposexatdepthnwithwpnamewaveletpackets.usingShannonentropy.

%

%x-inputsignal,列向量。

%n-thenumberofdecompositionlayers

%wpname-aparticularwavelet.type:string.

%

%Authorhubery_zhang

%Date

%%

wpt=wpdec(x,n,wpname);

%Plotwaveletpackettree(binarytree)

plot(wpt)

%%waveletpacketcoefficients.default：usethefront4.

cfs0=wpcoef(wpt,[n0]);

cfs1=wpcoef(wpt,[n1]);

cfs2=wpcoef(wpt,[n2]);

cfs3=wpcoef(wpt,[n3]);

figure;

subplot(5,1,1);

plot(x);

title(原始信号);

subplot(5,1,2);

plot(cfs0);

title([结点,num2str(n)1,系数])

subplot(5,1,3);

plot(cfs1);

title([结点,num2str(n)2,系数])

subplot(5,1,4);

plot(cfs2);

title([结点,num2str(n)3,系数])

subplot(5,1,5);

plot(cfs3);

title([结点,num2str(n)4,系数])

%%reconstructwaveletpacketcoefficients.

rex0=wprcoef(wpt,[n0]);

rex1=wprcoef(wpt,[n1]);

rex2=wprcoef(wpt,[n2]);

rex3=wprcoef(wpt,[n3]);

figure;

subplot(5,1,1);

plot(x);

title(原始信号);

subplot(5,1,2);

plot(rex0);

title([重构结点,num2str(n)1,系数])

subplot(5,1,3);

plot(rex1);

title([重构结点,num2str(n)2,系数])

subplot(5,1,4);

plot(rex2);

title([重构结点,num2str(n)3,系数])

subplot(5,1,5);

plot(rex3);

title([重构结点,num2str(n)4,系数])

end

代码名称：wavelet_energy_spectrum

functionE=wavelet_energy_spectrum(wpt,n)

%%计算每⼀层每⼀个节点的能量

%w