【Matlab】降噪_自适应滤波

1.基本思想

自适应滤波是一种信号处理技术，它的基本思想是根据信号的局部特性，自适应地选择滤波器的参数，以达到对信号进行滤波的目的。其主要应用于信号中包含噪声，且噪声的统计特性难以确定的情况下，通过对信号的局部特性进行分析，以自适应地调整滤波器的参数，从而实现对噪声的抑制。
具体来说，自适应滤波通常涉及以下几个步骤：

1. 确定信号的局部特性，例如均值、方差等统计量，或者信号的自相关函数、功率谱密度等。
2. 根据信号的局部特性，自适应地调整滤波器的参数，例如窗口大小、滤波器系数等。
3. 对信号进行滤波处理，去除噪声成分。
4. 可选地，对滤波后的信号进行后处理，例如去除可能产生的畸变、平滑处理等。

在实际应用中，自适应滤波常常结合多种信号处理技术进行使用，以达到更好的效果。例如，可以结合滑动窗口、简单移动平均、中值滤波、小波变换等多种方法，进行信号的预处理和后处理，以达到更好的去噪效果。

2.数据集介绍

2.1 数据集介绍

用 Matlab 生成包含正弦信号和高斯白噪声的含噪采集数据，并将其保存到 Excel 文件 “noise.xlsx” 中的示例代码。具体实现过程如下：

1. 设置采集时长 duration，采样率 sample_rate，生成信号的频率 freq，并生成时间轴 t。
2. 生成正弦信号 signal。
3. 生成高斯白噪声信号 noise，其长度与 signal 相同，使用 randn 函数生成。由于 randn 函数生成的是均值为 0，方差为 1 的标准正态分布噪声，因此需要乘以 0.5 进行缩放，从而得到均值为 0，方差为 0.25 的高斯白噪声信号。
4. 将正弦信号 signal 和高斯白噪声信号 noise 相加，得到含噪采集数据 noisy_signal。
5. 使用 plot 函数将含噪采集数据可视化，并将其保存到 Excel 文件 “noise.xlsx” 中，使用 writematrix 函数实现。

需要注意的是，生成的噪声信号可以是任何类型的噪声，而不仅仅是高斯白噪声。在实际应用中，应根据实际情况选择合适的噪声模型。此外，在保存噪声数据时，还需要注意数据类型和文件格式的选择，以便后续的数据处理。

2.2 生成数据集代码

% 清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

% 生成噪声数据，如果有，可以注释掉
duration = 5;               % 采集时长为5秒
sample_rate = 100;          % 采样率为100Hz
freq = 10;                  % 生成的信号的频率为10Hz
t = linspace(0, duration, duration * sample_rate);  % 生成时间轴
signal = sin(2 * pi * freq * t);                    % 生成正弦信号
noise = 0.5 * randn(size(signal));                  % 生成高斯噪声信号
noisy_signal = signal + noise;                      % 将正弦信号和噪声信号相加生成含噪采集数据

% 生成含噪采集数据的可视化图像
figure;
plot(t, noisy_signal);
title('Noisy Sensor Signal');
xlabel('Time (s)');
ylabel('Amplitude');

% 将噪声数据保存到.xlsx文件中
filename = 'noise.xlsx';
writematrix(noisy_signal', filename);

3.文件结构

noise.xlsx						% 噪声数据集，具体格式参考第2部分
Main.m							% 主函数

4.详细代码及注释

% 清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

% 生成噪声数据，如果有，可以注释掉
duration = 5;               % 采集时长为5秒
sample_rate = 100;          % 采样率为100Hz
freq = 10;                  % 生成的信号的频率为10Hz
t = linspace(0, duration, duration * sample_rate);  % 生成时间轴
signal = sin(2 * pi * freq * t);                    % 生成正弦信号
noise = 0.5 * randn(size(signal));                  % 生成高斯噪声信号
noisy_signal = signal + noise;                      % 将正弦信号和噪声信号相加生成含噪采集数据

% 生成含噪采集数据的可视化图像
figure;
plot(t, noisy_signal);
title('Noisy Sensor Signal');
xlabel('Time (s)');
ylabel('Amplitude');

% 将噪声数据保存到.xlsx文件中
filename = 'noise.xlsx';
writematrix(noisy_signal', filename);

% 读取数据
data = readmatrix('noise.xlsx');

% 自适应滤波参数
window_size = 20; % 窗口大小
step_size = 5; % 步长
max_deviation = 3; % 最大标准差

% 简单移动平均滤波参数
ma_window_size = 10; % 窗口大小

% 初始化输出数据
filtered_data = zeros(size(data));
ma_filtered_data = zeros(size(data));

% 自适应滤波处理
for i = 1:length(data)
    % 确定窗口边界
    start_index = max(1, i-window_size);
    end_index = min(length(data), i+window_size);
    
    % 提取窗口数据
    window_data = data(start_index:end_index);
    
    % 计算窗口数据的标准差
    std_deviation = std(window_data);
    
    % 如果标准差小于等于最大标准差，则进行滤波
    if std_deviation <= max_deviation
        filtered_data(i) = mean(window_data);
    else
        filtered_data(i) = data(i);
    end
    
    % 更新滑动窗口
    i = i + step_size - 1;
end

% 简单移动平均滤波处理
for i = 1:length(data)
    % 确定窗口边界
    start_index = max(1, i-ma_window_size);
    end_index = min(length(data), i+ma_window_size);
    
    % 提取窗口数据
    window_data = data(start_index:end_index);
    
    % 计算平均值
    ma_filtered_data(i) = mean(window_data);
end

% 绘制曲线
figure;
plot(data, 'b');
hold on;
plot(filtered_data, 'g');
plot(ma_filtered_data, 'r');
legend('原始数据', '自适应滤波处理后的数据', '简单移动平均滤波处理后的数据');

5.运行结果