【数字信号去噪】小波软阈值+硬阈值+改进阈值轴承故障仿真信号去噪【含Matlab源码 1024期】

最新推荐文章于 2024-02-20 11:34:11 发布

Matlab武动乾坤

最新推荐文章于 2024-02-20 11:34:11 发布

阅读量1.3k

点赞数 31

分类专栏： Matlab信号处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135288112

版权

Matlab信号处理（进阶版）专栏收录该内容

632 篇文章 53 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、小波语音降噪简介

对于噪声频谱遍布于语音信号频谱之中的宽带噪声，如果噪声振幅比大部分的语音信号振幅低，则削去低幅度成分也就削去了宽带噪声。基于这种思路，可以在频域中采取中心限幅的方法，即让带噪语音信号通过一限幅滤波器，高幅度频谱可以通过而低幅成分不允许通过，从而实现噪声抑制。需要注意的是中心削波不可避免地要损害语音质量，通常只在频域中进行，而一般不在时域中实施。
小波降噪的原理类似于中心削波法。小波降噪最初是由Donoho和Johnstone提出的，其主要理论依据是，小波变换具有很强的去数据相关性，它能够使信号的能量在小波域集中在一些大的小波系数中；而噪声的能量却分布于整个小波域内。因此，经小波分解后，信号的小波系数幅值要大于噪声的系数幅值。因此，幅值比较大的小波系数一般以信号为主，而幅值比较小的系数在很大程度上是噪声。于是，采用阈值的办法可以把信号系数保留，而使大部分噪声系数减小至0。小波降噪的具体处理过程为：将含噪信号在各尺度上进行小波分解，设定一个阈值，幅值低于该阈值的小波系数置为0，高于该阈值的小波系数或者完全保
留，或者做相应的“收缩”(shrinkage) 处理。最后；将处理后获得的小波系数用逆小波变换进行重构，得到去噪后的信号。
阈值去噪中，阈值函数体现了对超过和低于阈值的小波系数的不同处理策略，是阈值去噪中关键的一步。设w表示小波系数， T为给定阈值， sgn(*) 为符号函数，常见的阈值函数主要有：
在这里插入图片描述

⛄二、部分源代码

clc
clear all
close all
fs = 20e3; % 采样频率
fn = 3e3; % 固有频率
y0 = 5; % 位移常数
g = 0.1; % 阻尼系数
T = 0.01; % 重复周期
N = 4096; % 采样点数
NT = round(fsT); % 单周期采样点数
t = 0:1/fs:(N-1)/fs; % 采样时刻
t0 = 0:1/fs:(NT-1)/fs; % 单周期采样时刻
K = ceil(N/NT)+1; % 重复次数
y = [];
for i = 1:K
y = [y,y0exp(-g2pifnt0).sin(2pifnsqrt(1-g^2)*t0)];
end
y = y(1:N);
Yf = fft(y); % 频谱
figure(1);subplot(231);
plot(t,y);
axis([0,inf,-4,5])
title(‘轴承故障仿真信号时域波形图’)
xlabel(‘Time(s)’)
ylabel(‘Amplitude’)
y5 = awgn(y,5,‘measured’); % Add white Gaussian noise
y10 = awgn(y,10,‘measured’); % Add white Gaussian noise
y15 = awgn(y,15,‘measured’); % Add white Gaussian noise
figure(2);
xd51 = wden(y5,‘sqtwolog’,‘s’,‘one’,5,‘db5’);
subplot(231);plot(t,xd51);axis([0,inf,-2,2]);title(‘sqtwolog-去噪db5’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse1=MSE(y5,xd51)
PSNR1=PSNR(y5,xd51)
xd52 = wden(y5,‘rigrsure’,‘s’,‘one’,5,‘db5’);
subplot(232);plot(t,xd52);axis([0,inf,-3,4]);title(‘rigrsure-去噪db5’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse2=MSE(y5,xd52)
PSNR2=PSNR(y5,xd52)
xd53 = wden(y5,‘heursure’,‘s’,‘one’,5,‘db5’);
subplot(233);plot(t,xd53);axis([0,inf,-2,2]);title(‘heursure-去噪db5’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse3=MSE(y5,xd53)
PSNR3=PSNR(y5,xd53)
xd54 = wden(y5,‘minimaxi’,‘s’,‘one’,5,‘db5’);
subplot(234);plot(t,xd54);axis([0,inf,-2,2]);title(‘minimaxi-去噪db5’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse4=MSE(y5,xd54)
PSNR4=PSNR(y5,xd54)
[thr,sorh,keepapp]=ddencmp(‘den’,‘wv’,y5);%ddencmp用于获取信号在消噪或压缩过程中的默认阈值
xd55=den_gaijin(y5,‘db5’,5,thr);
subplot(235);plot(t,xd55);axis([0,inf,-4,5]);title(‘改进的方法-去噪db5’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse5=MSE(y5,xd55)
PSNR5=PSNR(y5,xd55)

%%--------------------------------------------
figure(3);

xdy8=denh(y5,‘db3’,5,thr);%硬阈值
subplot(331);plot(t,xdy8);axis([0,inf,-4,5]);title(‘硬阈值db3-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse81=MSE(y5,xdy8)
PSNR81=PSNR(y5,xdy8)
xdr8=dens(y5,‘db3’,5,thr);%软阈值
subplot(332);plot(t,xdr8);axis([0,inf,-4,5]);title(‘软阈值db3-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse82=MSE(y5,xdr8)
PSNR82=PSNR(y5,xdr8)
xdA8=den_gaijin(y5,‘db3’,5,thr);%改进
subplot(333);plot(t,xdA8);axis([0,inf,-4,5]);title(‘改进db3-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse83=MSE(y5,xdA8)
PSNR83=PSNR(y5,xdA8)
%%——————————————————————
xdy9=denh(y5,‘db4’,5,thr);%硬阈值
subplot(334);plot(t,xdy9);axis([0,inf,-4,5]);title(‘硬阈值db4-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse91=MSE(y5,xdy9)
PSNR91=PSNR(y5,xdy9)
xdr9=dens(y5,‘db4’,5,thr);%软阈值
subplot(335);plot(t,xdr9);axis([0,inf,-4,5]);title(‘软阈值db4-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse92=MSE(y5,xdr9)
PSNR92=PSNR(y5,xdr9)
xdA9=den_gaijin(y5,‘db4’,5,thr);%改进
subplot(336);plot(t,xdA9);axis([0,inf,-4,5]);title(‘改进db4-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse93=MSE(y5,xdA9)
PSNR93=PSNR(y5,xdA9)
%%-----------------------------------
xdy10=denh(y5,‘db5’,5,thr);%硬阈值
subplot(337);plot(t,xdy10);axis([0,inf,-4,5]);title(‘硬阈值db5-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse101=MSE(y5,xdy10)
PSNR101=PSNR(y5,xdy10)
xdr10=dens(y5,‘db5’,5,thr);%软阈值
subplot(338);plot(t,xdr9);axis([0,inf,-4,5]);title(‘软阈值db5-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse102=MSE(y5,xdr10)
PSNR102=PSNR(y5,xdr10)
xdA10=den_gaijin(y5,‘db5’,5,thr);%改进
subplot(339);plot(t,xdA10);axis([0,inf,-4,5]);title(‘改进db5-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse103=MSE(y5,xdA10)
PSNR103=PSNR(y5,xdA10)
%%--------------------------------

figure(4);

xdy8=denh(y5,‘sym3’,5,thr);%硬阈值
subplot(331);plot(t,xdy8);axis([0,inf,-4,5]);title(‘硬阈值sym3-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse81=MSE(y5,xdy8)
PSNR81=PSNR(y5,xdy8)
xdr8=dens(y5,‘sym3’,5,thr);%软阈值
subplot(332);plot(t,xdr8);axis([0,inf,-4,5]);title(‘软阈值sym3-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse82=MSE(y5,xdr8)
PSNR82=PSNR(y5,xdr8)
xdA8=den_gaijin(y5,‘sym3’,5,thr);%改进
subplot(333);plot(t,xdA8);axis([0,inf,-4,5]);title(‘改进sym3-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse83=MSE(y5,xdA8)
PSNR83=PSNR(y5,xdA8)
%%——————————————————————
xdy9=denh(y5,‘sym4’,5,thr);%硬阈值
subplot(334);plot(t,xdy9);axis([0,inf,-4,5]);title(‘硬阈值sym4-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse91=MSE(y5,xdy9)
PSNR91=PSNR(y5,xdy9)
xdr9=dens(y5,‘sym4’,5,thr);%软阈值
subplot(335);plot(t,xdr9);axis([0,inf,-4,5]);title(‘软阈值sym4-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse92=MSE(y5,xdr9)
PSNR92=PSNR(y5,xdr9)
xdA9=den_gaijin(y5,‘sym4’,5,thr);%改进
subplot(336);plot(t,xdA9);axis([0,inf,-4,5]);title(‘改进sym4-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse93=MSE(y5,xdA9)
PSNR93=PSNR(y5,xdA9)
%%-----------------------------------
xdy10=denh(y5,‘sym5’,5,thr);%硬阈值
subplot(337);plot(t,xdy10);axis([0,inf,-4,5]);title(‘硬阈值sym5-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse101=MSE(y5,xdy10)
PSNR101=PSNR(y5,xdy10)
xdr10=dens(y5,‘sym5’,5,thr);%软阈值
subplot(338);plot(t,xdr9);axis([0,inf,-4,5]);title(‘软阈值sym5-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse102=MSE(y5,xdr10)
PSNR102=PSNR(y5,xdr10)
xdA10=den_gaijin(y5,‘sym5’,5,thr);%改进
subplot(339);plot(t,xdA10);axis([0,inf,-4,5]);title(‘改进sym5-去噪’);xlabel(‘Time(s)’);ylabel(‘Amplitude’);
mse103=MSE(y5,xdA10)

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 沈再阳.精通MATLAB信号处理[M].清华大学出版社，2015.
[2]高宝建,彭进业,王琳,潘建寿.信号与系统——使用MATLAB分析与实现[M].清华大学出版社，2020.
[3]王文光,魏少明,任欣.信号处理与系统分析的MATLAB实现[M].电子工业出版社，2018.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除