python中的小波分解与重构 pywt.upcoef

自由无用_007

已于 2024-06-11 11:09:44 修改

阅读量285

点赞数 5

文章标签： python 开发语言

于 2024-06-07 15:08:48 首次发布

本文链接：https://blog.csdn.net/weixin_40074642/article/details/139522549

版权

小波分解后的重构

参数

part系数类型，可以是 ‘a’（近似系数）或 ‘d’（细节系数）
coeffs小波系数
wavelet：小波基
level：分解层数
take从结果中截取的中心部分的长度，默认为 0。take 参数决定了从结果中截取的数据长度。如果 take 为 1，则截取最中间的 2 个数；如果为 2，则截取最中间的两个数，即 2 和 3，以此类推。需要注意的是，take 并不会降维，只是从结果中进行截断1
在这里插入图片描述

重构之后的数据一致，可叠加！

如何选择自己需要的分量？

方法一、峭度指标
对时域分量求峭度，峭度大，信息量大，选择峭度最大的3个分量进行时域数据重构。
在这里插入图片描述
重构后的数据

方法二、噪声阈值
在小波去噪中，我们需要设置阈值来确定哪些小波系数将被保留，哪些将被丢弃。常见的阈值方法包括固定阈值、软阈值和硬阈值。
以下使用小波系数的中位数来设置软阈值：我们可以调整软阈值的系数以获得更好的去噪效果


```python
threshold = np.median(np.abs(coeffs[-1])) / 0.6745
coeffs = [pywt.threshold(coeff, threshold, mode='soft') for coeff in coeffs]

python两种重构方法的区别

pywt.waverec 和 pywt.upcoef 是 Python 中用于小波重构的函数，但它们之间存在一些区别：

pywt.waverec：
pywt.waverec 是多级逆离散小波变换（IDWT）的函数。
它接受小波系数列表 [cAn, cDn, cDn-1, …, cD2, cD1] 和小波基作为输入。
通过将这些系数进行逆变换，它可以重构原始信号。
使用方法：pywt.waverec(coeffs, wavelet, mode=‘symmetric’, axis=-1)

    coeffs = pywt.wavedec(data, wl, level=level_n)
    # coeffs [-1] = np.zeros(len(coeffs [-1])) 去掉高频噪声
    recon = pywt.waverec(coeffs , wavelet=wl)

在这里插入图片描述

pywt.upcoef：
pywt.upcoef 用于重构小波系数。
它接受类型（‘a’ 或 ‘d’，分别对应近似系数和细节系数）、需要重建的系数、小波基和当前层次作为输入。
重建的结果是一个偏移版本的信号。（这里还没太理解偏移）
使用方法：pywt.upcoef(type, coeffs, wavelet, level)