小波阈值除噪算法研究
根据前文研究结果可以理解,以一维信号举例来说,其高频部分所影响的是小波分解的第一层细节,其低频部分影响的是小波分解的最深层和低频层。如果对一个含白噪声所组成的信号进行分析:
例如设有信号x=(t)为x(t)sin(0.02πt)+sin(0.009πt)
对该信号加染白噪声,噪声方差为0.0001,功率为10dBm。如图 3.3 所示,其中(a)是原始信号,(b)为加染白噪声的信号。
![cc81168ca97a638385ced05daacb706a.png](https://img-blog.csdnimg.cn/img_convert/cc81168ca97a638385ced05daacb706a.png)
![2a432a540b68f652005c0d95181c0d29.png](https://img-blog.csdnimg.cn/img_convert/2a432a540b68f652005c0d95181c0d29.png)
通过对比上组图可以得到结论:高频系数的幅值随着分解层次的增加而迅速的衰减,其方差也有着相同的趋势。小波除噪的基本原理是根据小波分解可以使得信号和噪声在不同尺度上表现出不同的特征——随着尺度的增大,真实信号的小波系数会逐渐增大,而噪声的小波系数会迅速衰减,将含噪信号通过多尺度分析后,其中的高频系数全部置为0或者控制在某个阈值内,再通过小波重构算法还原原始信号。小波阈值除噪是一种实现简单、效果较好的小波去噪方法,因此如何选择一个合适的阈