matlab中lms降噪法分析_数据挖掘中海量数据的预处理——数据的降噪

监测数据从采集到存储的过程，由于受到自然或人为因素而不可避免的带有噪声（Noise）。噪声是测量中的随机误差或偏差。为了提高数据挖掘的质量，应当选择合适的降噪方法对工程中监测到的数据进行降噪处理。 下面给出一个一维含噪信号模型：

(1)

式中， ( )表示含噪信号； ( )表示有用信号； ( )表示噪声； 表示噪声系数的标

准准偏差。降噪的目的是尽可能的将 ( )恢复为 ( )，即，去掉 ( )中 × ( )部分。

目前有中值滤波、低通滤波、傅立叶变换、分箱、聚类、回归以及人机检查结合等

方法，然而这些方法都或多或少的滤掉了信号中有价值的部分。小波分析作为一种新的

降噪方法特别是在信号分析领域引起了人们广泛的兴趣，其处理后的信号相比以上几种

方法能获得更多的有用信息。然而可惜的是，小波变换仅对低频部分的信号起作用，对

高频部分的信号却被滤掉。幸运的是，小波包变换改进了这一不足，即：它既可以处理

低频信号，也可以处理高频信号。下面分别对小波分析和小波包分析的原理进行阐述，

而后分别含噪信号进行处理，分析其降噪的效果。

1. 小波分析

图 1 小波降噪流程

降噪是小波分析的重要应用方面之一，其降噪流程如图1所示。

(1)小波变换

将函数 ( )经过平移和伸缩变换后即可得到式 3.3：

式 3.3 中，a 表示伸缩因子；b 表示平移因子。

( )的离散小波变换为：

其逆变换：

其中，C 是一个与信号无关的常数。

（2）小波的多尺度分解与重构

(3.22)

A 表示低频近似部分；

D 表示高频细节部分；

n 表示分解层数。

当然，信号的分解层数并不是无限可分的，若信号的长度为 N，则该信号最多能够分解成 2 层。应用中应根据实际需要合理选择分解层数。

2. 小波包分析

（1）小波包

在只考虑实系数滤波器（式3.9）的基础上，给定 ( )和 ( ) ，其而尺度关系式 3.10。

式 3.10 中， ( )表示尺度函数； ( )表示小波函数；ℎ 、 为滤波器系数。使：

利用 0、 1、h 和 g，在 ( )的基础上的一组小波包函数的定义。

由式 3.12 递归定义的函数称为正交尺度函数。当 n = 0 时，

式 3.1 中定义的函数集合为 0= ( )确定小波包。

（2）小波包分解与重构, 二进小波包分解算法为，

注： ( )为时间信号； ( )为小波包系数； G、H 为小波分解滤波器。 重构算法为，

3. 试验分析

（1）实验条件：Matlab7.10.0(R2010a)分别实现了小波分析和小波包分析降噪算法。实验环境：惠普Presario CQ36笔记本电脑，Inter(R) Core(TM) i3 CPU M330 @ 2.13GHz 2.13GHz，安装内存(RAM) 2.00GB（1.87GB可用），硬盘320GB；运行是在Windows8.1专业版操作系统上完成的。

（2）实验数据：选取MATLAB中自带的Noischir信号，该信号中的低频和高频部分同时含有噪声噪，具体如图1。

图 1 Noischir 信号

(3)实验仿真与结果分析：下面分别利用小波分析和小波包分析对其降噪，其仿真结果如图 2和图 3。

图 2 小波分析对 Noischir 信号处理结果

图3 小波包分析对 Noischir 信号处理结果

由图2和图3可以较明显的看出，小波包降噪算法无论在低频信号部分还是高频信号部分，其效果较好，而小波分析仅在低频信号部分有较好的效果。

《来源于科技文献，经本人分析整理，以技术会友，广交天下朋友》