数据平滑:指用于消除数据中不需要的噪声或行为的技术。
移动窗口法:移动窗口方法是分批处理数据的方式,通常是为了从统计角度表示数据中的相邻点。移动平均值是一种常见的数据平滑技术,它沿着数据滑动窗口,同时计算每个窗口内点的均值。这可以帮助消除从一个数据点到下一个数据点的非显著变化,通过movmean函数实现。
Savitzky-Golay平滑方法:适用于加噪信号,通过smoothdate函数实现。
首先进行实验,假设我们每分钟测量一次风速,持续测量约三个小时的数据。
我们下载MATLAB用于测试的数据集并设置移动窗口的大小,计算移动均值。
%移动窗口平滑法
load windData.mat%下载MATLAB自带风速的数据集并将其中变量添加至工作区
mins=1:length(speed);%数据量测量总使用的时间
window=5;%设置窗口大小
meanspeed = movmean(speed,window);%计算其移动均值
然后画出关系图:
subplot(2,2,1)
plot(mins,speed,mins,meanspeed);%绘制两组图像
axis tight%将坐标轴范围设置紧贴数据
legend('被测风速','平均风速超过5分钟窗口','location','best')%将图列绘制在指定位置,与数据冲突最少的地方
xlabel('时间')
ylabel('速度')
得出下列图像,可以看出数据已经平滑了很多了。
下面我们开始尝试使用Savitzky-Golay平滑方法,此方法适用于加噪信号,对其进行平滑。
首先,我们先生成一个随机的噪声信号,并加到普通随机信号中去得到原始信号。
fs=500; %采样率
f1=7; %信号频率
f2=9; %信号频率
T=1; %时宽1s
n=round(T*fs); %采样点个数(四舍五入)
o=2*pi*rand; %生成(0:2π)之间的随机相位
t=linspace(0,T,n);%时域横坐标
x=2+cos(2*pi*f1*t+o)+2*cos(2*pi*f2*t+o);%形成三频信号,注意第二个频率信号幅度为2,直流幅度为3。
N=2*randn(size(t));%生成一个均值为0,方差为4的高斯噪声信号
y=x+N;%给信号加上高斯噪声干扰
绘制出其图像,一会方便进行对比参照。
subplot(2,2,2)
plot(t,x,t,y);
axis tight
legend('普通信号','加噪声信号','location','best')
最后使用Savitzky-Golay平滑方法对其进行平滑处理:
subplot(2,2,3)
[A,window]=smoothdata(y,'sgolay');%Savitzky-Golay滤波器,它根据在y的每个窗口上拟合的二次多项式进行平滑处理并返回移动窗口的值
plot(t,y);
axis tight
legend('原始信号','location','best')
subplot(2,2,4)
plot(t,A)
axis tight
legend('Savitzky-Golay','location','best')
最终得出下列图像:
从实验结果上说明,Savitzky-Golay平滑方法对噪声较大且离散点叫多的信号无法进行较好的平滑处理,但该方法相较于移动窗口法能更好得获取波谷近似值。