Matlab小波去噪——基于wden函数的去噪分析

于 2023-12-15 22:01:32 发布
阅读量4.7k 收藏 61
点赞数 24
分类专栏： 信号处理 文章标签： matlab 开发语言 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41301570/article/details/129347017
版权

文章目录

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

如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真…希望能帮到你！
在这里插入图片描述

MatpyMaster
关注
  • 24
    点赞
  • 踩
  • 61
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
【matlab代码】使用小波包对一维信号进行降噪或压缩实例分析.m
05-10
使用小波包对一维信号进行降噪或压缩实例分析.m
matalb中的wden函数_一维信号小波阈值去噪 - 全文
weixin_42374930的博客
12-30 9757
1、小波阈值处理基本理论所谓阈值去噪简而言之就是对信号进行分解，然后对分解后的系数进行阈值处理，最后重构得到去噪信号。该算法其主要理论依据是：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。可以认为，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...
Matlab-wden函数
最新发布
Say_hi_Bury的博客
10-17 1270
'CXD': 去噪小波系数。- 'heursure'：这是一种启发式策略，它是 'rigrsure' 和 'sqtwolog' 之间的混合。当信号的细节系数的能量过高时，它会选择 'sqtwolog'，否则选择 'rigrsure'。`: 'one' 或 'sln' 或 'mln'。这可以是 'rigrsure' (利用原则)，'heursure' (启发式原则)，'sqtwolog' (平方对数原则)，'minimaxi' (最小最大原则) 或 'fixed' (固定阈值)。`: 's' 或 'h'。
小波分解、去噪、时频分析画图
qq_41723029的博客
10-02 5674
小波分解、去噪、时频分析画图
小波函数之wden
weixin_62987187的博客
03-24 3785
基于小波变换的阈值去噪函数（wden）
小波变换（matlab）-常见脚本函数
热门推荐
QWER306306的博客
12-10 3万+
小波变换前言一、小波变换的介绍和理解二、常用函数1.wden2.dwt和idwt3.wavedec和wrcoef4.upwlev5.wpdec和wprec三、wavelet toolbox的应用 前言 我们可以通过常见的函数和toolbox两个办法来制定我们需要的小波变换，因为它与傅里叶不同点在于小波变换不是唯一确定的，例如不同的尺度下做的小波变换会不一样。小波变换的函数有很多，本文给了最常见的几种。在toolbox使用中，也会对比函数，整理各个参数的涵义。下图是常见的小波基函数参数表示和名称，其中的N是
matlab中wden函数,matlab中wden函数
weixin_34234741的博客
03-16 4705
‘wv’,X) [THR,SORH,KEEPAPP,CRIT]= ddencmp(IN1, ‘wp’,X) 2 阈值降噪 MATLAB 中实现阈值降噪的函数有 wden、wdencmp、wpdencmp、wthresh、 wpthcoef 和......图像小波变换的 Matlab 实现函数 fft、fft2 和 fftn 分 3.1 一维小波变换的 Matlab 实现 (1 dwt 函数 Mat...
小波包去噪及其matlab实现方法
晓林爱学习的博客
06-01 3421
小波包去噪作为小波包分析的应用，可以更精细地去除噪声，对信号的重构质量有显著提升。在MATLAB中，我们可以使用Wavelet Toolbox中的“wden”函数实现小波包去噪。小波包去噪可用于信号处理、图像处理、音频处理和视频处理等领域，具有广泛的应用价值。在使用小波包去噪时，需要考虑小波包分解层数、小波包函数的类型、阈值处理的规则等因素。
wden函数简易小波去噪_LABVIEW小波去噪_wden函数_
10-03
这个标题“wden函数简易小波去噪_LABVIEW小波去噪_wden函数_”以及描述“基于labview的一维小波去噪该VI是基于matlab的在labview编程的的一维小波去噪”都指向了使用LabVIEW实现的小波去噪过程。 小波去噪的基本...
matlab小波去噪详解超全超全有程序.doc
05-23
在 Matlab 中，小波去噪函数 wden 的基本语法为 [xd,cxd,lxd]=wden(x,tptr,sorh,scal,n,'wname')，其中 x 是需要去噪的信号，tptr 是阈值选择标准，sorh 是阈值函数选择方式，scal 是阈值处理随噪声水平的变化，n 是...
labview与matlab 混合编程实现小波去噪程序源码.zip
02-06
【工控老马出品，必属精品，亲测校正，质量保证】 ...源码说明： labview与matlab 混合编程实现小波去噪 利用wden函数 包含完整源码和注释 非常适合借鉴学习 适合人群：新手及有一定经验的开发人员
matlab小波分析_MATLAB小波变换_小波分析去噪_小波去噪_小波SNR_小波去噪snr
09-10
小波去噪通常基于软阈值或硬阈值策略，MATLAB中的`wthresh`函数就是用来设定阈值的。小波系数代表信号的不同频率成分，通过对比系数的大小与预设阈值，小于阈值的系数被看作是噪声并置零，大于阈值的保留，从而达到...
基于labview的一维小波去噪 该VI是基于matlab的在labview编程的的一维小波去噪
06-03
在提供的压缩包文件中，"wden函数简易小波去噪"可能包含了一个简化版的LabVIEW实现，用于演示或教学目的。实际应用中，可能需要根据具体需求对这个VI进行调整或优化，以适应不同的信号和噪声环境。 总结起来，一维...
小波阈值去噪MATLAB代码-wdenoise:小波去噪
05-27
小波阈值去噪MATLAB代码瓦迪诺斯 使用经验贝叶斯阈值和许多其他阈值方法在ANSI C中进行小波消噪。 WDenoise对象，参数和函数 示例代码1：wdenoise（EBayesThresh） 示例代码2：wdenoise 示例代码3：使用EBayesThresh...
转：小波函数介绍（wden）
zhenggw163的专栏
07-01 2万+
小波函数介绍（wden）Wden函数：一维信号的小波消噪处理 [xd，cxd，lxd]=wden（x，tptr，sorh，scal，n，‘wname’）；返回经过小波消噪处理后的信号xd及其小波分解结构。 输入参数tptr为阈值选择标准： thr1=thselect(x,'rigrsure');%stein无偏估计; thr2=thselect(x,'heursure');
MATLAB小波变换实现信号降噪——稍微做下笔记（1）
Arry_W的博客
06-02 2126
如题，笔记，无废话，无格式，仅作记录，欢迎交流。
【心电信号】基于matlab小波变换心电信号去噪【含Matlab源码 956期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
06-01 1万+
小波变换心电信号去噪 完整的代码，方可运行；可提供运行操作视频！适合小白！
matlab 小波去噪
06-23
### 回答1： Matlab中的小波去噪是一种信号处理技术，可以有效地去除信号中的噪声。小波去噪的基本原理是利用小波变换将信号分解成不同频率的小波系数，进而根据小波系数的大小和变化规律对其进行滤波处理，最终重构出去噪后的信号。 实现小波去噪的主要步骤包括：首先，利用Matlab中的Wavelet Toolbox进行信号小波变换，并根据需要选择合适的小波基和分解层数；然后，利用阈值处理方法，如硬阈值或软阈值，对小波系数进行滤波处理，去除小于阈值的噪声系数；最后，采用Matlab中的逆小波变换函数，根据处理后的小波系数重构出去噪后的信号。除了基本处理步骤外，还可以通过调节阈值参数等方法来优化小波去噪效果，以便得到更好的去噪结果。 小波去噪在众多领域中有着广泛的应用，如图像处理、信号处理、声音处理等。在Matlab中实现小波去噪，可以利用该软件强大的小波工具箱和灵活的编程环境，为各个应用领域的去噪需求提供高效、准确的解决方案。 ### 回答2： 小波去噪是一种常用于信号处理领域的降噪方法，在MATLAB中也有相应的函数实现。通常，小波去噪的流程包括以下步骤： 首先，需要选择一个适当的小波基函数，MATLAB提供了多种小波基函数可供选择，如db1、sym4等。 接着，需要将待处理的信号进行小波分解，可以使用MATLAB中的函数wavedec进行多层小波分解。分解后的结果是一个多层小波系数向量，通过分析这些系数可以确定信号中的噪声成分。 在确定噪声成分后，可以通过将小波系数进行软或硬阈值处理来剔除噪声成分。软阈值处理可以使用MATLAB中的函数wthresh实现，硬阈值处理则可以使用函数hthresh实现。 最后，通过使用MATLAB中的函数waverec进行小波重构，得到去噪后的信号。 需要注意的是，小波去噪不仅可以应用于一维信号处理，还可以用于图像处理等领域。同时，在实际应用中，还需要针对具体的场景进行参数调节和算法优化，以取得更好的去噪效果。 ### 回答3： 小波去噪是使用小波变换对信号进行处理，去除其中的噪声的一种方法。 Matlab中实现小波去噪可以用到多种函数，包括wden和wdenoise。wden函数是Wavelet Toolbox中的一个函数，用于对信号进行小波去噪处理，可以指定小波类型、噪声类型、去噪方法以及去噪强度等参数，同时也可以进行小波重构。wdenoise函数是Signal Processing Toolbox中的一个函数，也能够实现小波去噪，但是参数设置相对简单一些。 使用Matlab进行小波去噪需要先载入信号，对信号进行小波变换，再进行噪声分析，选择适当的小波分解层数和去噪强度，最后进行小波重构得到去除噪声后的信号。在这个过程中，需要对信号的特征进行一定的了解，选择适当的小波类型、去噪方法和去噪强度等参数，才能够得到较好的去噪效果。 总之，Matlab中使用小波变换进行去噪是一种非常有效的方法，可以在信号处理中得到广泛应用。在进行小波去噪时，需要对信号特性进行适当的分析和参数设置，具有较大的灵活性和可操作性。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

MatpyMaster

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值