matlab小波去噪函数实例

matlab小波去噪函数实例,第1张

[xd,cxd,lxd]=wden(x,tptr,sorh,scal,n,‘wname’)

式中:输入参数x为需要去噪的信号;

1.tptr:阈值选择标准。

1)无偏似然估计(rigrsure)原则。它是一种基于史坦无偏似然估计(二次方程)原理的自适应阈值选择。对于一个给定的阈值t,得到它的似然估计,再将似然t最小化,就得到了所选的阈值,它是一种软件阈值估计器。

2)固定阈值(sqtwolog)原则。固定阈值thr2的计算公式为:thr2log(n)2=(6)式中,n为信号x(k)的长度。

3)启发式阈值(heursure)原则。它是rigrsure原则和sqtwolog原则的折中。如果信噪比很小,按rigrsure原则处理的信号噪声较大,这时采用sqtwolog原则。

4)极值阈值(minimaxi)原则。它采用极大极小原理选择阈值,产生一个最小均方误差的极值,而不是没有误差。

2、sorh:阈值函数选择方式,即软阈值(s)或硬阈值(h)。

3.scal:阈值处理随噪声水平的变化,scal=one表示不随噪声水平变化,scal=sln表示根据第一层小波分解的噪声水平估计进行调整,scal=mln表示根据每一层小波分解的噪声水平估计进行调整。

4.n和wname表示利用名为wname的小波对信号进行n层分解。输出去噪后的数据xd及xd的附加小波分解结构[cxd,lxd]。

常见的几种小波:haar,db,sym,coif,bior

matlab小波去噪函数实例,matlab小波去噪函数实例,第2张

MATLAB对一语音信号进行小波分解,分别用强阈值,软阈值,默认阈植进行消噪处理。

代码:

%装载采集的信号leleccum.mat

loadleleccum;

%=============================

%将信号中第2000到第3450个采样点赋给s

indx=2000:3450;

s=leleccum(indx);

%=============================%画出原始信号

subplot(2,2,1);

plot(s);

TItle(‘原始信号’);

%=============================

%用db1小波对原始信号进行3层分解并提取系数

[c,l]=wavedec(s,3,‘db1’);

a3=appcoef(c,l,‘db1’,3);

d3=detcoef(c,l,3);

d2=detcoef(c,l,2);

d1=detcoef(c,l,1);

%=============================

%对信号进行强制性消噪处理并图示结果

dd3=zeros(1,length(d3));

dd2=zeros(1,length(d2));

dd1=zeros(1,length(d1));

c1=[a3dd3dd2dd1];

s1=waverec(c1,l,‘db1’);

subplot(2,2,2);

plot(s1);grid;

TItle(‘强制消噪后的信号’);

%=============================

%用默认阈值对信号进行消噪处理并图示结果

%用ddencmp函数获得信号的默认阈值

[thr,sorh,keepapp]=ddencmp(‘den’,‘wv’,s);

s2=wdencmp(‘gbl’,c,l,‘db1’,3,thr,sorh,keepapp);

subplot(2,2,3);

plot(s2);grid;

TItle(‘默认阈值消噪后的信号’);

%=============================

%用给定的软阈值进行消噪处理

sosoftd2=wthresh(d2,‘s’,1.823);

softd3=wthresh(d3,‘s’,2.768);

c2=[a3softd3softd2softd1];

s3=waverec(c2,l,‘db1’);

subplot(2,2,4);

plot(s3);grid;

TItle(‘给定软阈值消噪后的信号’);

ftd1=wthresh(d1,‘s’,1.465);

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/dianzi/2718218.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-08-17
下一篇 2022-08-17

发表评论

登录后才能评论

评论列表(0条)

保存