本文探讨了针对不同环境噪声的信号，如何通过小波变换进行分类和去噪处理。首先，利用sym6小波进行5层分解，然后根据信号在频域的能量分布，通过标准差分析对信号进行分类。对于高频噪声影响较大的信号，选择保留小波分解后的低频近似分量进行重构。通过设定阈值，采用自适应阈值滤波或直接置零高频细节信号的方法，实现了针对各类信号的有效滤波。
最近要尝试使用小波对一组信号信号进行滤波，但由于这组信号采自不同环境下（受噪声影响大小不同），使用同一种小波基和参数设定总会导致出现一类信号效果不佳，故尝试先对信号进行一定标准的分类，再分别加以不同的处理方法。
由于做的时候真是对小波变换的数学基础一窍不通，也不知道到底是因为什么原因导致了滤波效果不佳，也不知道该怎么消除其影响，就只能基于自己的猜想和尝试了，具体过程如下：
本次实验选用的小波基是sym6小波，进行5层小波分解，其滤波效果较好，对于手上的待处理信号能够在滤去噪声和保留原信号上有一个较好的平衡。
由于待处理信号受噪声的影响相差较大，直接使用小波滤波处理虽可较为完整地保存下原带噪信号的特征和轮廓，但对于一些受噪声影响较大的信号的滤波效果并不明显，从而对于信号整体的滤波效果并不是很好。
而通过观察发现，经过小波分解的信号中低频的近似分量对于信号特征有较为完整的保存，噪声成分较少，故本文尝试通过设定一种标准对信号进行筛选，在对受噪声影响较大的原信号的处理中使用保留信号经小波分解后位于低频的近似分量进行重构以获得噪声较少的滤波效果。
试采取对信号进行快速傅里叶变换(FFT），从频域对其进行处理，经过对频域图和相应统计信息的观察和分析，可猜想导致两种处理方法效果不同的原因可能为信号的频域分布较为集中，从而直接影响了自适应阈值法对于高频噪声的滤去效果。因此可尝试对信号频域的能量分布进行统计分析来确定分组依据。
本文对原信号进行3层小波包分解（即n = 3,其实可根据情况再进行调整），将其划分为8个频段（2^n)
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
