matlab小波去噪函数实例

［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

用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）;