30、matlab现代滤波：维纳滤波/LMS算法滤波/小波变换滤波

news2024/11/17 13:44:33

1、信号1和信号2的维纳滤波

实现代码

N = 2000; %采样点数
Fs = 2000; %采样频率
t = 0:1 / Fs:1 - 1 / Fs; %时间序列
Signal1= sin(2*pi*20* t) + sin(2*pi*40* t) + sin(2*pi*60* t);
Signal2=[2*ones(1,50),zeros(1,50),-1*ones(1,100),zeros(1,50),-2*ones(1,50),zeros(1,50),1*ones(1,100),zeros(1,50),2*ones(1,50),zeros(1,50),-1*ones(1,100),zeros(1,50),-2*ones(1,50),zeros(1,50),1*ones(1,100),zeros(1,50),2*ones(1,50),zeros(1,50),-1*ones(1,100),zeros(1,50),-2*ones(1,50),zeros(1,50),1*ones(1,100),zeros(1,50),2*ones(1,50),zeros(1,50),-1*ones(1,100),zeros(1,50),-2*ones(1,50),zeros(1,50),1*ones(1,100),zeros(1,50),];
NoiseGauss= [randn(1,2000)]; %高斯分部白噪声
NoiseWhite= [rand(1,2000)]; %均匀分布白噪声
NoiseSignal1= Signal1+NoiseGauss; %设计混合信号1
NoiseSignal2= Signal1+NoiseWhite; %设计混合信号2
NSignal1= Signal2+NoiseGauss; %设计混合信号3
NSignal2= Signal2+NoiseWhite; %设计混合信号4
%混合信号1维纳滤波
Rxx=xcorr(NoiseSignal1,NoiseSignal1);%混合信号的自相关函数
M=50;%维纳滤波器阶数
for i=1:M %得到混合信号的自相关矩阵
    for j=1:M
        rxx(i,j)=Rxx(abs(j-i)+N);
    end
end
Rxy=xcorr(NoiseSignal1,Signal1); %混合信号和原信号的互相关函数
for i=1:M%得到混合信号和原信号的互相关向量
    rxy(i)=Rxy(i+N-1);
end                                                          
h = inv(rxx)*rxy'; %得到所要涉及的维纳滤波器系数
Signal_Filter1=filter(h,1,NoiseSignal1); %输入信号通过维纳滤波器
%混合信号2维纳滤波
Rxx=xcorr(NoiseSignal2,NoiseSignal2); %混合信号的自相关函数
M=50;                                                            
for i=1:M %得到混合信号的自相关矩阵
    for j=1:M
        rxx(i,j)=Rxx(abs(j-i)+N);
    end
end
Rxy=xcorr(NoiseSignal2,Signal1); %混合信号和原信号的互相关函数
for i=1:M
    rxy(i)=Rxy(i+N-1);
end %混合信号和原信号的互相关向量
h=inv(rxx)*rxy'; %得到所要涉及的维纳滤波器系数
Signal_Filter2=filter(h,1,NoiseSignal2);%将输入信号通过维纳滤波器
figure(1);
subplot(3,2,1);                                                 
plot(Signal1);%原始信号
title('原始信号1');
subplot(3,2,3);                         
plot(NoiseSignal1);%信号1
title('信号1');
subplot(3,2,5);  
plot(Signal_Filter1);%维纳滤波后的信号
title('维纳滤波后高斯的信号');
subplot(3,2,2);                                                 
plot(Signal1);%原始信号
title('原始信号1');
subplot(3,2,4);                         
plot(NoiseSignal2);%信号1
title('信号1');
subplot(3,2,6);  
plot(Signal_Filter2);%维纳滤波后的信号
title('维纳滤波后白的信号');

视图效果

 

2、信号3和信号4的维纳滤波 

实现代码

%混合信号3维纳滤波
Rxx=xcorr(NSignal1,NSignal1);%混合信号的自相关函数
M=400;%维纳滤波器阶数
for i=1:M %得到混合信号的自相关矩阵
    for j=1:M
        rxx(i,j)=Rxx(abs(j-i)+N);
    end
end
Rxy=xcorr(NSignal1,Signal2); %混合信号和原信号的互相关函数
for i=1:M%得到混合信号和原信号的互相关向量
    rxy(i)=Rxy(i+N-1);
end                                                          
h = inv(rxx)*rxy'; %得到所要涉及的维纳滤波器系数
Signal_Filter1=filter(h,1,NSignal1); %输入信号通过维纳滤波器
%混合信号2维纳滤波
Rxx=xcorr(NSignal2,NSignal2); %混合信号的自相关函数
M=400;                                                            
for i=1:M %得到混合信号的自相关矩阵
    for j=1:M
        rxx(i,j)=Rxx(abs(j-i)+N);
    end
end
Rxy=xcorr(NSignal2,Signal2); %混合信号和原信号的互相关函数
for i=1:M
    rxy(i)=Rxy(i+N-1);
end %混合信号和原信号的互相关向量
h=inv(rxx)*rxy'; %得到所要涉及的维纳滤波器系数
Signal_Filter2=filter(h,1,NSignal2);%将输入信号通过维纳滤波器
figure(2);
subplot(3,2,1);                                                 
plot(Signal2);%原始信号
title('原始信号2');
subplot(3,2,3);                         
plot(NSignal1);%信号3
title('信号3');
subplot(3,2,5);  
plot(Signal_Filter1);%维纳滤波后的信号
title('维纳滤波后高斯的信号');
subplot(3,2,2);                                                 
plot(Signal2);%原始信号
title('原始信号2');
subplot(3,2,4);                         
plot(NSignal2);%信号4
title('信号4');
subplot(3,2,6);  
plot(Signal_Filter2);%维纳滤波后的信号
title('维纳滤波后白的信号');

视图效果

 

3、 混合信号1和信号2LMS算法滤波

实现代码

k=300; %时域LMS(最小均方)算法滤波器阶数
u=0.001;%步长因子
yn_1=zeros(1,N);%output signal
yn_2=zeros(1,N);%output signa2
yn_1(1:k)=NoiseSignal1(1:k);%将输入信号1的前k个值作为输出yn_1的前k个值
yn_2(1:k)=NoiseSignal2(1:k);%将输入信号2的前k个值作为输出yn_2的前k个值
w=zeros(1,k);%设置加权初值
w1=zeros(1,k);%设置加权初值
e=zeros(1,N);%误差信号
e1=zeros(1,N);%误差信号
%用LMS算法迭代滤波
for i=(k+1):N
        XN=NoiseSignal1((i-k+1):(i));
        XN1=NoiseSignal2((i-k+1):(i));
        yn_1(i)=w*XN';
        yn_2(i)=w1*XN1';
        e(i)=Signal1(i)-yn_1(i);
        e1(i)=Signal1(i)-yn_2(i);
        w=w+2*u*e(i)*XN;
        w1=w1+2*u*e1(i)*XN1;
end
subplot(3,2,1);
plot(Signal1); %Signal1信号
axis([k+1,2000,-4,4]);
title('原始信号1');
subplot(3,2,3);
plot(NoiseSignal1); %NoiseSignal1信号
axis([k+1,2000,-4,4]);
title('信号1');
subplot(3,2,5);
plot(yn_1);%NoiseSignal1自适应滤波后信号
% axis([k+1,2000,-4,4]);
title('自适应滤波后信号1');
subplot(3,2,2);
plot(Signal1); %Signal1信号
axis([k+1,2000,-4,4]);
title('原始信号1');
subplot(3,2,4);
plot(NoiseSignal2); %NoiseSignal1信号
axis([k+1,2000,-4,4]);
title('信号2');
subplot(3,2,6);
plot(yn_2);%NoiseSignal1自适应滤波后信号
% axis([k+1,2000,-4,4]);
title('自适应滤波后信号2');

视图效果

4、 混合信号3和信号4LMS算法滤波

实现代码

k=100; %时域LMS(最小均方)算法滤波器阶数
u=0.001;%步长因子
yn_1=zeros(1,N);%output signal
yn_2=zeros(1,N);%output signa2
yn_1(1:k)=NSignal1(1:k);%将输入信号1的前k个值作为输出yn_1的前k个值
yn_2(1:k)=NSignal2(1:k);%将输入信号2的前k个值作为输出yn_1的前k个值
w=zeros(1,k);%设置加权初值
w1=zeros(1,k);%设置加权初值
e=zeros(1,N);%误差信号
%用LMS算法迭代滤波
for i=(k+1):N
        XN=NSignal1((i-k+1):(i));
        XN1=NSignal2((i-k+1):(i));
        yn_1(i)=w*XN';
        yn_2(i)=w1*XN1';
        e(i)=Signal2(i)-yn_1(i);
        e1(i)=Signal2(i)-yn_2(i);
        w=w+2*u*e(i)*XN;
        w1=w1+2*u*e1(i)*XN1;
end
subplot(3,2,1);
plot(Signal2,'r'); %Signal1信号
axis([k+1,2000,-4,4]);
title('原始信号2');
subplot(3,2,3);
plot(NSignal1,'g'); %NoiseSignal1信号
axis([k+1,2000,-4,4]);
title('信号3');
subplot(3,2,5);
plot(yn_1,'b');%NoiseSignal1自适应滤波后信号
axis([k+1,2000,-4,4]);
title('自适应滤波后信号3');
subplot(3,2,2);
plot(Signal2); %Signal1信号
axis([k+1,2000,-4,4]);
title('原始信号2');
subplot(3,2,4);
plot(NSignal2); %NoiseSignal1信号
axis([k+1,2000,-4,4]);
title('信号4');
subplot(3,2,6);
plot(yn_2);%NoiseSignal1自适应滤波后信号
axis([k+1,2000,-4,4]);
title('自适应滤波后信号4');

试图效果

5、信号1和信号2 小波滤波

实现代码

%混合信号1/2/3/4小波变换滤波
[xd1,cxd1,lxd1] = wden(NoiseSignal1,'sqtwolog','s','one',6,'db3');%NoiseSignal1小波滤波 S为软阈值H为硬阈值
[xd2,cxd2,lxd2] = wden(NoiseSignal2,'sqtwolog','h','sln',6,'db3');%NoiseSignal2小波滤波 
[xd3,cxd3,lxd3] = wden(NSignal1,'sqtwolog','s','one',6,'db3');%NSignal1小波滤波
[xd4,cxd4,lxd4] = wden(NSignal2,'sqtwolog','h','sln',6,'db3');%NSignal2小波滤波
figure(1)
subplot(3,2,1);
plot(Signal1);
title('原始信号1');
subplot(3,2,3);
plot(NoiseSignal1);
title('信号1');
subplot(3,2,5);
plot(xd1);
title('小波滤波信号1');
subplot(3,2,2);
plot(Signal1);
title('原始信号1');
subplot(3,2,4);
plot(NoiseSignal2);
title('信号2');
subplot(3,2,6);
plot(xd2);
title('小波滤波信号2');

视图效果 

6、信号3和信号4小波滤波

实现代码

%混合信号1/2/3/4小波变换滤波
[xd1,cxd1,lxd1] = wden(NoiseSignal1,'sqtwolog','s','one',6,'db3');%NoiseSignal1小波滤波 S为软阈值H为硬阈值
[xd2,cxd2,lxd2] = wden(NoiseSignal2,'sqtwolog','h','sln',6,'db3');%NoiseSignal2小波滤波 
[xd3,cxd3,lxd3] = wden(NSignal1,'sqtwolog','s','one',6,'db3');%NSignal1小波滤波
[xd4,cxd4,lxd4] = wden(NSignal2,'sqtwolog','h','sln',6,'db3');%NSignal2小波滤波
figure(2)
subplot(3,2,1);
plot(Signal2);
title('原始信号1');
subplot(3,2,3);
plot(NSignal1);
title('信号1');
subplot(3,2,5);
plot(xd3);
title('小波滤波信号1');
subplot(3,2,2);
plot(Signal2);
title('原始信号1');
subplot(3,2,4);
plot(NSignal2);
title('信号2');
subplot(3,2,6);
plot(xd4);
title('小波滤波信号2');

视图效果

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1799902.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

删除目录

删除目录

自学python如何成为大佬(目录):https://blog.csdn.net/weixin_67859959/article/details/139049996?spm1001.2014.3001.5501 删除目录可以通过使用os模块提供的rmdir()函数实现。通过rmdir()函数删除目录时，只有当要删除的目录为空时才起作用。rmdir()函数的基本语…
阅读更多...
升级最新版openssh-9.7p1及openssl-1.1.1h详细步骤及常见问题总结

升级最新版openssh-9.7p1及openssl-1.1.1h详细步骤及常见问题总结

近期因为openssh相继被漏洞扫描工具扫出存在漏洞，所以考虑升级操作系统中的openssh和openssl为最新版本，来避免漏洞风险。期间的升级过程及遇到的疑难问题，特此记录下来，供有需要的人参考。 本次目标是升级 openssh 为 9.7p1 版本…
阅读更多...
算法金 | 不愧是腾讯，问基础巨细节 。。。

算法金 | 不愧是腾讯，问基础巨细节 。。。

大侠幸会，在下全网同名「算法金」 0 基础转 AI 上岸，多个算法赛 Top 「日更万日，让更多人享受智能乐趣」 最近，有读者参加了腾讯算法岗位的面试，面试着重考察了基础知识，并且提问非常详细。 特别是关于Ada…
阅读更多...
Linux守护进程揭秘-无声无息运行在后台

Linux守护进程揭秘-无声无息运行在后台

在Linux系统中，有一些特殊的进程悄无声息地运行在后台，如同坚实的基石支撑着整个系统的运转。它们就是众所周知的守护进程(Daemon)。本文将为你揭开守护进程的神秘面纱，探讨它们的本质特征、创建过程，以及如何重定向它们的输入输出…
阅读更多...
vue2实现将el-table表格数据导出为长图片

vue2实现将el-table表格数据导出为长图片

方法一、 el-table数据导出为长图片 将el-table数据导出为图片不是一个直接的功能，但可以通过以下步骤实现： 使用html2canvas库将表格区域转换为画布(canvas)。 使用canvas的toDataURL方法将画布导出为图片格式（例如PNG）。 创建…
阅读更多...
人工智能时代，想转型AI产品经理？这篇文章你不应该错过

人工智能时代，想转型AI产品经理？这篇文章你不应该错过

前言 在这个日新月异的智能时代，人工智能（AI）已经从未来概念转变为推动各行各业发展的核心驱动力。作为连接技术与市场的桥梁，AI产品经理的角色愈发关键，他们不仅是技术的翻译者，更是创新的推动者。如果你…
阅读更多...
ORA-12519 TNS:no appropriate service handler found

ORA-12519 TNS:no appropriate service handler found

问题描述 jdbc连接Oracle失败，报错日志如下： Listener refused the connection with the following error: ORA-12519, TNS:no appropriate service handler found The Connection descriptor used by the client was:192.9.100.217:7001:wcm 问题分…
阅读更多...
重新学习STM32（2）NVIC

重新学习STM32（2）NVIC

概念简介 NVIC，即嵌套向量中断控制器，控制着中断相关的功能，是内核里面的一个外设。 中断在单片机编程中的作用是使单片机能及时响应需要立即处理的事件，但是这些事件也分紧急和非紧急，因此需要优先级来区分。…
阅读更多...
泛微开发修炼之旅--10基于Ecology实现附件上传，并将上传后的文件id存入表单附件控件中的示例及源码

泛微开发修炼之旅--10基于Ecology实现附件上传，并将上传后的文件id存入表单附件控件中的示例及源码

文章链接：泛微开发修炼之旅--10基于Ecology实现附件上传，并将上传后的文件id存入表单附件控件中的示例及源码
阅读更多...
Cadence Virtuoso IC617 系统内存清理

Cadence Virtuoso IC617 系统内存清理

1、清空simelation和垃圾箱下的文件 2、在虚拟机磁盘路径下，例如/home下面输入后，回车，等待进程走完，虚拟机关机。 cat /dev/zero > zero.fill;sync;sleep 1;sync;rm -f zero.fill 3、在windows下winR ->cmd 找到VMware安…
阅读更多...
代码随想录算法训练营第十五天| 110.平衡二叉树、 257. 二叉树的所有路径、404.左叶子之和

代码随想录算法训练营第十五天| 110.平衡二叉树、 257. 二叉树的所有路径、404.左叶子之和

110.平衡二叉树 题目链接：110.平衡二叉树 文档讲讲：代码随想录 状态：还可以 思路：计算左右子树的深度差，递归判断左右子树是否符合平衡条件 题解： public boolean isBalanced(TreeNode root) {if (root n…
阅读更多...
【UML用户指南】-10-对高级结构建模-高级类

【UML用户指南】-10-对高级结构建模-高级类

目录 1、类目 2、高级类 3、可见性 4、实例范围和静态范围 5、抽象元素、叶子元素和多态性元素 6、多重性 7、属性 8、操作 9、模板类 10、标准元素 1、类目 类目 （classifier）是描述结构特征和行为特征的机制。类目包括类、关联、接口、数据类…
阅读更多...
6月26~28日,2024北京国际消防展即将开幕！

6月26~28日,2024北京国际消防展即将开幕！

随着社会的快速发展，消防安全日益受到广大民众的高度关注。为了进一步推动消防科技的创新与发展，提升全民消防安全意识，2024年北京消防展将于6月26日在北京国家会议中心盛大开展。目前:观众预登记已全面启动，广大市民和业界人士可…
阅读更多...
第九篇——冗余量：《史记》和《圣经》那个信息量大？

第九篇——冗余量：《史记》和《圣经》那个信息量大？

目录 一、背景介绍二、思路&方案三、过程1.思维导图2.文章中经典的句子理解3.学习之后对于投资市场的理解4.通过这篇文章结合我知道的东西我能想到什么？ 四、总结五、升华 一、背景介绍 通过信息量的对比，引出来冗余度的概念，又深入浅出…
阅读更多...
[职场] 项目实施工程师的工作前景 #笔记#经验分享

[职场] 项目实施工程师的工作前景 #笔记#经验分享

项目实施工程师的工作前景 项目实施工程师是负责将软件产品或解决方案实施到客户现场并确保项目成功落地的工作岗位。他们要负责整个项目的规划、组织、执行和控制，确保项目按照预定的进度、质量和预算完成。 一．工作内容 1. 项目规划：确定…
阅读更多...
计算机网络 期末复习（谢希仁版本）第3章

计算机网络 期末复习（谢希仁版本）第3章

对于点对点的链路，目前使用得最广泛的数据链路层协议是点对点协议 PPP (Point-to-Point Protocol)。局域网的传输媒体，包括有线传输媒体和无线传输媒体两个大类，那么有线传输媒体有同轴电缆、双绞线和光纤；无线传输媒体有微波、红…
阅读更多...
如何解决访问网站时IP被限制的问题？

如何解决访问网站时IP被限制的问题？

在互联网上，用户可能会面临一个令人困扰的问题——当尝试访问某个特定的网站时，却发现自己的IP地址被该网站屏蔽。 IP地址被网站屏蔽是一个相对常见的现象，而导致这种情况的原因多种多样，包括恶意行为、违规访问等。本文将解释IP地…
阅读更多...
Nginx03-动态资源和LNMP介绍与实验、自动索引模块、基础认证模块、状态模块

Nginx03-动态资源和LNMP介绍与实验、自动索引模块、基础认证模块、状态模块

目录 写在前面Nginx03案例1 模拟视频下载网站自动索引autoindex基础认证auth_basic模块状态stub_status模块模块小结 案例2 动态网站（部署php代码）概述常见的动态网站的架构LNMP架构流程数据库Mariadb安装安全配置基本操作 PHP安装php修改配置文件 Nginx…
阅读更多...
音视频开发15 FFmpeg FLV封装格式分析

音视频开发15 FFmpeg FLV封装格式分析

FLV(Flash Video)简介 FLV(Flash Video)是Adobe公司推出的⼀种流媒体格式，由于其封装后的⾳视频⽂件体积⼩、封装简单等特点，⾮常适合于互联⽹上使⽤。⽬前主流的视频⽹站基本都⽀持FLV。采⽤ FLV格式封装的⽂件后缀为.flv。 FLV封装格式的组成 FLV封装…
阅读更多...
Vxe UI vxe-table 实现自定义列拖拽，列拖拽排序功能

Vxe UI vxe-table 实现自定义列拖拽，列拖拽排序功能

Vxe UI vue vxe-table 实现自定义列拖拽&#xff0c;列拖拽排序功能 开启自定义列 vxe-toolbar 工具栏&#xff0c;通过 custom 启用后就可以开启自定义列功能 <template><div><vxe-toolbar ref"toolbarRef" custom></vxe-toolbar><vx…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023