长沙网站排名技术,wordpress学人的冬天,广告推广赚钱在哪接,企业内部的网站系统链接1-傅里叶变换 链接2-傅立叶分析和小波分析间的关系 链接3-小波变换#xff08;wavelet transform#xff09;的通俗解释 链接4-小波基的选择
1.示例代码
function main_wavelet
clc
clear
close all
warning off
%% 1.信号生成
time_length 10;%总时长#xff0c;秒
…链接1-傅里叶变换 链接2-傅立叶分析和小波分析间的关系 链接3-小波变换wavelet transform的通俗解释 链接4-小波基的选择
1.示例代码
function main_wavelet
clc
clear
close all
warning off
%% 1.信号生成
time_length 10;%总时长秒
sample_rate 100;% 采样率Hz
freq 10; % 生成的信号的频率Hz
t linspace(0, time_length, time_length * sample_rate); % 生成时间轴
signal 2*sin(2 * pi * freq * t);% 生成正弦信号
noise 0.5 * randn(size(signal));% 生成白噪声高斯过程
noisy_signal signal noise;% 将正弦信号和噪声信号相加生成含噪采集数据figure(1)
plot(t,signal,b-)
hold on
plot(t, noisy_signal,r-);
hold on
plot(t, noise,k-);
xlabel(Time (s));
ylabel(Amplitude);
legend(原信号,含噪信号,噪声)% save(noise.mat,noisy_signal)
%% 2.小波变换
% 设置小波函数和变换阶数
wname db4; % 选用 Daubechies 4 小波
level 2; % 小波变换的阶数
% 进行小波变换
[C, L] wavedec(noisy_signal, level, wname);
% 提取细节系数
D detcoef(C, L, level);
% 对细节系数进行阈值处理
sigma median(abs(D)) / 0.6745; % 计算阈值robust estimator估计方法
D wthresh(D, h, sigma); % 硬阈值处理
% 重构信号
data_denoised wrcoef(a, C, L, wname, level);%% 3.绘制结果
figure(3)
subplot(3,1,1); plot(t, noisy_signal,b-); title(原始信号(含噪声));
subplot(3,1,2); plot(t,signal,b-); title(原始信号(无噪声));
subplot(3,1,3); plot(t,data_denoised,b-); title(降噪后的信号);figure(4)
plot(t,signal,b-)
hold on
plot(t,data_denoised,r-)
legend(原始信号(无噪声),降噪后的信号)2.对比滤波器
作为对比以下代码直接在第1节的main_wavelet.m之后运行即可 中值滤波、均值滤波、高斯滤波
%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%% 一维中值滤波
n21; % n为模板长度值可以改变
ymedfilt1(noisy_signal,n);
figure(101)
plot(t,noisy_signal,b-)
hold on
plot(t,y,r-)
legend(中值滤波前的序列,中值滤波后的序列)
%% 一维均值滤波
n5; % n为模板长度值可以改变
meanones(1,n)./n; % mean为1×n的模板各数组元素的值均为1/n
y conv(noisy_signal,mean);
yy(1:length(y)-length(mean)1);
figure(102);
plot(t,noisy_signal,b-)
hold on
plot(t,y,r-)
legend(均值滤波前的序列,均值滤波后的序列)
%% 一维高斯滤波
gau[0.0009 0.0175 0.1295 0.3521 0.3521 0.1295 0.0175 0.0009]; % 标准差为1时的高斯函数一维模板如果标准差不为1则要修改模板
% gau[0.0090,0.4910,0.4910,0.0090]; % 标准差为0.5时的高斯函数一维模板如果标准差不为0.5则要修改模板
yconv(noisy_signal,gau);
yy(1:length(y)-length(gau)1);
figure(103);
plot(t,noisy_signal,b-)
hold on
plot(t,y,r-)
legend(高斯滤波前的序列,高斯滤波后的序列)3.封装代码
主代码
function wavelet_fun_main240919
clc
clear
close all
warning off
%% 1.信号生成
time_length 10;%总时长秒
sample_rate 100;% 采样率Hz
freq 10; % 生成的信号的频率Hz
t linspace(0, time_length, time_length * sample_rate); % 生成时间轴
noise 0.5 * randn(size(t));% 生成白噪声高斯过程
Results_JGLD_ideal 2*sin(2 * pi * freq * t);% 生成正弦信号
Results_JGLD_error Results_JGLD_ideal noise;% 将正弦信号和噪声信号相加生成含噪采集数据%% 小波降噪处理
dt1/sample_rate;%采样时间间隔
data_denoisedWaveletGenerate(Results_JGLD_ideal,Results_JGLD_error,dt);%% 画图
figure(1)
plot(t,Results_JGLD_ideal,b-)
hold on
plot(t,data_denoised,r-)
legend(原始信号(无噪声),降噪后的信号)WaveletGenerate.m
function data_denoisedWaveletGenerate(Results_JGLD_ideal,Results_JGLD_error,dt)
%% 1.信号生成
signal Results_JGLD_ideal;% 原始信号
noisy_signal Results_JGLD_error;%含噪采集数据
% dt0.01;%时间间隔
tdt:dt:(length(signal))*dt;
%% 2.小波变换
% 设置小波函数和变换阶数
wname db4; % 选用 Daubechies 4 小波
level 1; % 小波变换的阶数
% 进行小波变换
[C, L] wavedec(noisy_signal, level, wname);
% 提取细节系数
D detcoef(C, L, level);
% 对细节系数进行阈值处理
sigma median(abs(D)) / 0.6745; % 计算阈值robust estimator估计方法
D wthresh(D, h, sigma); % 硬阈值处理
% 重构信号
data_denoised wrcoef(a, C, L, wname, level);
