Matlab小波去噪——基于wden函数的去噪分析

news2024/12/28 20:06:20

文章目录

  • 一、问题描述
  • 二、代码
    • 问题1：原始信号加6分贝高斯白噪声
    • 问题2：确定合适的小波基函数
    • 问题3：确定最合适的阈值计算估计方法
    • 问题4：确定合适的分解层数
    • 问题5：实际信号去噪
    • 问题6：对比
  • 三、演示视频
  • 最后

一、问题描述

1.利用MATLAB绘制原始信号，对其加6分贝高斯白噪声；
2.以Minimaxi阈值法，软阈值函数，3层分解层数，分别用dbN和symN小波对加噪信号去噪，获得分解图和去噪后的图，并用信噪比和均方根误差作为评判标准，确定合适的小波基函数；
3.用第2步确定的小波基函数，软阈值函数，分解层数为3层，对无偏估计阈值（RigrSure）、固定式阈值（Sqtwolog）、启发式阈值（HeurSure）和极大极小阈值(Minimaxi)四种分别去噪，获得去噪后的图，并用信噪比和均方根误差作为评判标准，确定最合适的阈值计算估计方法；
4.用第2步确定的小波基函数，第3步确定的阈值计算估计准则，分别用分解层数为1，2，3，4，5，6对加噪信号进行去噪，获得去噪后得到图，并用信噪比和均方根误差作为评判标准；
5.用实际的信号加6分贝噪声对前面确定的小波基函数，阈值计算方法以及分解层数用小波阈值进行去噪，并求信噪比和均方根误差。
6、确定好小波基函数、阈值函数和分解层数后，分别模拟加入不同量的噪声与4阶巴特沃斯低通滤波器滤波对比

二、代码

问题1：原始信号加6分贝高斯白噪声

代码如下（示例）：

clear
clc
close all
%% MATLAB绘制原始信号
load('data.mat'); %私聊发数据
data=data;
%% 加6分贝高斯白噪声
SNR=6; %6dB
noise=0.2*randn(size(data))*std(data)/db2mag(SNR);
s=data+noise;
figure;
subplot(211)
plot(data);ylabel('P/MPa');title('原始信号')
subplot(212)
plot(s);ylabel('P/MPa');title('加6dB高斯白噪声')

问题2：确定合适的小波基函数

代码如下（示例）：

clear
clc
close all
%% MATLAB绘制原始信号
load('data.mat');
data=data;
%% 加6分贝高斯白噪声
SNR=6; %6dB
noise=0.2*randn(size(data))*std(data)/db2mag(SNR);
s=data+noise;
%% Minimaxi阈值法，软阈值函数，3层分解层数，db5去噪
wname=strvcat('sym4','sym5','db4','db5');
for i=1:4
    [C,L] = wavedec(s,3,wname(i,:));  %进行3层小波包分解
    s1=wden(s,'minimaxi','s','mln',3,wname(i,:)); %Minimaxi、软阈值，3层，db5
    figure;
    subplot(311)
    plot(data);xlabel('t/ms');ylabel('P/MPa');title('原始信号')
    subplot(312)
    plot(s);xlabel('t/ms');ylabel('P/MPa');title('加6dB高斯白噪声')
    subplot(313)
    plot(s1);xlabel('t/ms');ylabel('P/MPa');title(['Minimaxi-软阈值-3层-',wname(i,:)])
    figure
    subplot(511)
    plot(data,'r');ylabel('s');title([wname(i,:),'小波分解图'])
    set(gca,'ytick',[]) 
    set(gca,'xtick',[]) 
    subplot(512)
    plot(C(1:L(2)),'b');ylabel('a3')
    set(gca,'ytick',[]) 
    set(gca,'xtick',[]) 
    subplot(513)
    plot(C(L(2):L(3)));ylabel('d3')
    set(gca,'ytick',[]) 
    set(gca,'xtick',[]) 
    subplot(514)
    plot(C(L(3):L(4)));ylabel('d2')
    set(gca,'ytick',[]) 
    set(gca,'xtick',[]) 
    subplot(515)
    plot(C(L(4):L(5)));ylabel('d1')
    SNR_s1(i)=snr(data,s1-data);RMSE_s1(i)=sqrt(mse(data-s1));   
    SNR_s11(i)=snr(s,s1-s);
    disp(['Minimaxi-软阈值-3层-',wname(i,:),'：信噪比=',num2str(SNR_s1(i)),'dB，均方根误差=',num2str(RMSE_s1(i))])
    disp(['加噪后信噪比=',num2str(SNR_s11(i)),'dB'])
    disp('-----------------------------------------------------------')
end
%% 根据SNR选取较好的小波基函数
[m,index]=max(SNR_s1);
disp(['最合适的阈值计算估计方法为：',wname(index,:)])
disp('-----------------------------------------------------------')

问题3：确定最合适的阈值计算估计方法

代码如下（示例）：

clear
clc
close all
%% MATLAB绘制原始信号
load('data.mat');
data=data;
%% 加6分贝高斯白噪声
SNR=6; %6dB
noise=0.2*randn(size(data))*std(data)/db2mag(SNR);
s=data+noise;
%% main2已经确定最合适的小波基函数
wname='sym5';
%% 无偏估计阈值（RigrSure）、固定式阈值（Sqtwolog）、启发式阈值（HeurSure）和极大极小阈值(Minimaxi)
TPTR=['rigrsure';'sqtwolog';'heursure';'minimaxi'];
for i=1:4
    s3=wden(s,TPTR(i,:),'s','mln',3,wname); %依次进行滤波
    figure
    subplot(311)
    plot(data);xlabel('t/ms');ylabel('P/MPa');title('原始信号')
    subplot(312)
    plot(s);xlabel('t/ms');ylabel('P/MPa');title('加6dB高斯白噪声')
    subplot(313)
    plot(s3);xlabel('t/ms');ylabel('P/MPa');title(['采用',TPTR(i,:),'进行滤波'])
    snr_s3(i)=snr(data,s3-data);RMSE_s3(i)=sqrt(mse(data-s3));
    snr_s33(i)=snr(s,s3-s);
    disp([TPTR(i,:),'-软阈值-3层-',wname,'：信噪比=',num2str(snr_s3(i)),'dB，均方根误差=',num2str(RMSE_s3(i))])
    disp(['加噪后信噪比=',num2str(snr_s33(i)),'dB'])
    disp('-----------------------------------------------------------')
end
%% 根据SNR选取较好的阈值计算估计方法
[m,index]=max(snr_s3);
disp(['最合适的阈值计算估计方法为：',TPTR(index,:)])
disp('-----------------------------------------------------------')

问题4：确定合适的分解层数

代码如下（示例）：

clear
clc
close all
%% MATLAB绘制原始信号
load('data.mat');
data=data;
%% 加6分贝高斯白噪声
SNR=6; %6dB
noise=0.2*randn(size(data))*std(data)/db2mag(SNR);
s=data+noise;
%% main2和main3确定的小波基函数和阈值计算估计方法
wname='sym5';
TPTR='sqtwolog';
%% 分解层数为1，2，3，4，5，6
for i=1:6
    s4=wden(s,TPTR,'s','mln',i,wname); %依次进行滤波
    figure
    subplot(311)
    plot(data);xlabel('t/ms');ylabel('P/MPa');title('原始信号')
    subplot(312)
    plot(s);xlabel('t/ms');ylabel('P/MPa');title('加6dB高斯白噪声')
    subplot(313)
    plot(s4);xlabel('t/ms');ylabel('P/MPa');title(['分解层数=',num2str(i)])
    snr_s4(i)=snr(data,s4-data);RMSE_s4(i)=sqrt(mse(data-s4));
    snr_s44(i)=snr(s,s4-s);
    disp([TPTR,'-软阈值-',num2str(i),'层-',wname,'：信噪比=',num2str(snr_s4(i)),'dB，均方根误差=',num2str(RMSE_s4(i))])
    disp(['加噪后信噪比=',num2str(snr_s44(i)),'dB'])
    disp('-----------------------------------------------------------')
end
%% 根据SNR选取较好的分解层数
[m,index]=max(snr_s4);
disp(['最合适的分解层数为：',num2str(index)])
disp('-----------------------------------------------------------')

问题5：实际信号去噪

代码如下（示例）：

clear
clc
close all
%% 读取实际的信号
data=xlsread('14#c1.csv');
data=data(:,2);
%% 加6分贝高斯白噪声
SNR=6; %6dB
noise=0.2*randn(size(data))*std(data)/db2mag(SNR);
s=data+noise;
%% 根据（2）（3）（4）确定参数
wname='sym5';
TPTR='sqtwolog';
lev=6;
%% 进行滤波
s5=wden(s,TPTR,'s','mln',lev,wname); %进行滤波
%% 绘制
figure;
subplot(311)
plot(data);xlabel('t/ms');ylabel('P/MPa');title('实际信号')
subplot(312)
plot(s);xlabel('t/ms');ylabel('P/MPa');title('加6dB高斯白噪声')
subplot(313)
plot(s5);xlabel('t/ms');ylabel('P/MPa');title('信号去噪')
snr_s55=snr(s,s5-s);
snr_s5=snr(data,s5-data);RMSE_s5=sqrt(mse(data-s5));
disp([TPTR,'-软阈值-',num2str(lev),'层-',wname,'：信噪比=',num2str(snr_s5),'dB，均方根误差=',num2str(RMSE_s5)])
disp(['加噪后信噪比=',num2str(snr_s55),'dB'])

问题6：对比

代码如下（示例）：

clear
clc
close all
%% 读取实际的信号
data=xlsread('14#c1.csv');
data=data(:,2);
fs=125000; 
%%
wname='sym5';
TPTR='sqtwolog';
lev=6;
%% 设计4阶巴特沃斯低通滤波器
fc=10000;
n=4;  %阶数
[b,a]=butter(n,fc/(fs/2), 'low');
%% 加1-16分贝高斯白噪声
for SNR=1:16 %6dB
    noise=0.2*randn(size(data))*std(data)/db2mag(SNR);
    s=data+noise;
    s1=filter(b,a,s);  %filter既能进行IIR滤波又能进行FIR滤波
    s2=wden(s,TPTR,'s','mln',lev,wname); %进行滤波
    snr_s1(SNR)=snr(data,s1-data);RMSE_s1(SNR)=sqrt(mse(data-s1));
    snr_s2(SNR)=snr(data,s2-data);RMSE_s2(SNR)=sqrt(mse(data-s2));
end
figure;
plot(1:16,snr_s1,'o-r');
hold on
plot(1:16,snr_s2,'*-b');
xlabel('高斯白噪声dB');ylabel('SNR')
legend('FIR滤波','小波滤波')
title('信噪比曲线')
%% 
for SNR=2:2:10 %6dB
    noise=0.2*randn(size(data))*std(data)/db2mag(SNR);
    s=data+noise;
    s1=filter(b,a,s);  %filter既能进行IIR滤波又能进行FIR滤波
    s2=wden(s,TPTR,'s','mln',lev,wname); %进行滤波
    figure;
    subplot(411)
    plot(data);xlabel('t/ms');ylabel('P/MPa');title('实际信号')
    subplot(412)
    plot(s);xlabel('t/ms');ylabel('P/MPa');title('加16dB高斯白噪声')
    subplot(413)
    plot(s1);xlabel('t/ms');ylabel('P/MPa');title('FIR信号去噪')
    subplot(414)
    plot(s1);xlabel('t/ms');ylabel('P/MPa');title('小波信号去噪')
    suptitle(['噪声大小=',num2str(SNR),'dB'])
end

三、演示视频

基于wden函数的去噪演示

最后

不定期发布一些matlab设计内容,敬请期待。包括但不限于如下内容:信号处理、通信仿真、gui设计、matlab appdesigner，simulink仿真。有任何有关MATLAB的问题可🐧咨询
在这里插入图片描述

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/389779.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

团队死气沉沉？10种玩法激活你的项目团队拥有超强凝聚力

团队死气沉沉？10种玩法激活你的项目团队拥有超强凝聚力

作为项目经理和PMO，以及管理者最头疼的是团队的氛围和凝聚力，经常会发现团队死气沉沉，默不作声，你想尽办法也不能激活团队，也很难凝聚团队。这样的项目团队你很难带领大家去打胜仗，攻克堡垒。但是如何才能避…
阅读更多...
Python|贪心|数组|二分查找|贪心|数学|树|二叉搜索树|在排序数组中查找元素的第一个和最后一个位置|计数质数 |将有序数组转换为二叉搜索树

Python|贪心|数组|二分查找|贪心|数学|树|二叉搜索树|在排序数组中查找元素的第一个和最后一个位置|计数质数 |将有序数组转换为二叉搜索树

1、在排序数组中查找元素的第一个和最后一个位置（数组，二分查找） 给定一个按照升序排列的整数数组 nums，和一个目标值 target。找出给定目标值在数组中的开始位置和结束位置。 如果数组中不存在目标值 target，返回 […
阅读更多...
第十四届蓝桥杯三月真题刷题训练——第 2 天

第十四届蓝桥杯三月真题刷题训练——第 2 天

目录 题目1：奇数倍数 代码: 题目2：求值 代码: 题目3：求和 代码: 题目4：数位排序 代码: 题目1：奇数倍数 题目描述 本题为填空题，只需要算出结果后，在代码中使用输出语句将所填结果输出即…
阅读更多...
收银系统的设计与实现

收银系统的设计与实现

技术：Java、JSP等摘要：随着销售行业竞争的日益激烈，收银系统的引入显得极其重要。收银系统不但可以提高商品存储管理的工作效率，而且可以有效减少盲目采购、降低采购成本、合理控制库存、减少资金占用并提高市场灵敏度&#xff0c…
阅读更多...
Java虚拟机的运行时数据区-go语言实现

Java虚拟机的运行时数据区-go语言实现

Java虚拟机的运行时数据区 Java虚拟机把存放各式各样数据的内存区域叫作运行时数据区。运行时数据区分成两类： 一类时多线程共享的，一类时线程私有的。多线程共享的数据在Java虚拟机启动时创建好，在Java虚拟机退出时销毁。线程私有的运行时…
阅读更多...
序列号和反序列化--java--Serializable接口--json序列化普通使用

序列号和反序列化--java--Serializable接口--json序列化普通使用

序列化和反序列化序列化和反序列化作用为什么需要用途Serializable使用serialVersionUID不设置的后果什么时候修改Externalizable序列化的顺序json序列化序列化和反序列化 序列化：把对象转换为字节序列的过程称为对象的序列化。 反序列化:把字节序列恢复为对象的过…
阅读更多...
【Go语言学习】安装与配置

【Go语言学习】安装与配置

文章目录前言一、Go语言学习站二、安装与配置1.安装2.环境变量配置3.Gland编辑器安装与配置Hello, World!总结前言 Go语言特性 Go，又称为 Golang，是一门开源的编程语言，由 Google 开发。Go 语言的设计目标是提供一种简单、快速、高效、安全…
阅读更多...
在MySQL中使用不等于符号还能走索引吗？

在MySQL中使用不等于符号还能走索引吗？

一般情况下，我们会在一个索引上较多的使用等值查询或者范围查询，此时索引大多可以帮助我们极快的查询出我们需要的数据。 那当我们在where条件中对索引列使用!查询，索引还能发挥他的作用吗？ 以此SQL为例： select * …
阅读更多...
农产品销售系统的设计与实现

农产品销售系统的设计与实现

技术：Java、JSP等摘要：这篇文章主要描述的是农产品蔬菜在线销售系统的设计与实现。主要应用关于JSP网站开发技术，并联系到网站所处理的数据的结构特点和所学到的知识，应用的主要是Mysql数据库系统。系统实现了网站的基本功能&…
阅读更多...
计算机组成原理|第一章(笔记)

计算机组成原理|第一章(笔记)

目录第一章 计算机系统概论1.1 计算机系统简介1.1.1 计算机的软硬件概念1.1.2 计算机系统的层次结构1.1.3 计算机组成和计算机体系结构1.2 计算机的基本组成1.2.1 冯 诺伊曼计算机的特点1.2.2 计算机的硬件框图1.2.3 计算机的工作过程1.3 计算机硬件的主要技术指标1.3.1 机器字…
阅读更多...
kaggle数据集下载当中所遇到的问题

kaggle数据集下载当中所遇到的问题

kaggle数据集下载当中所遇到的问题报错分析pip install kagglethe SSL module is not available解决方法pip的版本升级解决办法下载kaggle包kaggle数据集下载问题解决参考内容报错分析 今天在尝试使用pip install kaggle的方法去下载我需要的数据集的时候遇到了一些报错的问题…
阅读更多...
二分查找与判定树

二分查找与判定树

二分查找的算法思想二分查找也称“折半查找”，要求查找表为采用顺序存储结构的有序表。本例一律采用升序排列。二分查找每一次都会比较给定值与序列[low,high]的中间元素，该元素的下标为mid (lowhigh)/2,若两者相等，则返回元素的下标为mid;如…
阅读更多...
Django的DRF从入门到精通

Django的DRF从入门到精通

第一讲：建立纯净版Django项目 ① 创建Django项目 ② 创建app一个 python manage.py startapp APP名字 ③ 在settings里配置rest_framework，把不需要的全部注释掉 INSTALLED_APPS = [# django.contrib.admin,# django.contrib.auth,# django.contrib.contenttypes,# djang
阅读更多...
centos7 安装 MySQL5.7

centos7 安装 MySQL5.7

1.下载MySQL官方的 Yum Repository wget -i -c http://dev.mysql.com/get/mysql57-community-release-el7-10.noarch.rpm2.安装 Yum Repository yum -y install mysql57-community-release-el7-10.noarch.rpm3 使用 yum 安装 MySQL yum -y install mysql-community-server若…
阅读更多...
推荐系统1--Deepfm学习笔记

推荐系统1--Deepfm学习笔记

目录 1 keras实现Deepfm demo 2 deepctr模版 3 其他实现方式 ctr_Kera 模型 数据集 预处理 执行步骤 4何为focal loss 参考 1 keras实现Deepfm 假设我们有两种 field 的特征，连续型和离散型，连续型 field 一般不做处理沿用原值，离散型一…
阅读更多...
Promise学习基础学习 promise封装fs模块、AJAX请求

Promise学习基础学习 promise封装fs模块、AJAX请求

Promise 是什么？ 抽象表达： 1、Promise 是一门新的技术（ES6规范） 2、Promise 是JS中进行异步编程的新解决方案 备注：旧方案是单纯使用回调函数 具体表达： 1、从语法上来说：Promise 是一个构造…
阅读更多...
QML Loader（加载程序）

QML Loader（加载程序）

Loader加载器用于动态加载 QML 组件。加载程序可以加载 QML 文件（使用 source 属性）或组件对象（使用 sourceComponent 属性） 常用属性： active 活动asynchronous异步，默认为falseitem项目progress 进度so…
阅读更多...
package.json中 版本号详解

package.json中 版本号详解

1. 版本号简介 软件版本号有四部分组成： 第一部分：主版本号，当进行不兼容的 API 更改时，则升级主版本；第二部分：次版本号，当以向后兼容的方式添加功能时，则升级次版本；…
阅读更多...
FPGA实现SDI视频编解码 SDI接收发送，提供2套工程源码和技术支持

FPGA实现SDI视频编解码 SDI接收发送，提供2套工程源码和技术支持

目录1、前言2、设计思路和框架SDI接收SDI缓存写方式处理SDI缓存读方式处理SDI缓存的目的SDI发送3、工程1详解4、工程2详解5、上板调试验证并演示6、福利：工程代码的获取1、前言 FPGA实现SDI视频编解码目前有两种方案： 一是使用专用编解码芯片&#xff0…
阅读更多...
【玩转c++】vector讲解和模拟底层实现

【玩转c++】vector讲解和模拟底层实现

本期主题：vector的讲解和模拟实现博客主页：小峰同学分享小编的在Linux中学习到的知识和遇到的问题小编的能力有限，出现错误希望大家不吝赐vector的介绍及使用1.1vector的介绍vector其实就是一个数组的模板 ，存放的数据可以改变而已…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023