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》