基于matlab的自动识别谱峰的程序设计,基于MATLAB的自动识别谱峰的程序设计（资料4）...

《基于MATLAB的自动识别谱峰的程序设计.doc》由会员分享，可免费在线阅读全文，更多与《基于MATLAB的自动识别谱峰的程序设计》相关文档资源请在帮帮文库(www.woc88.com)数亿文档库存里搜索。

1、,而在时域无任何定位性。如果要分析的信号是种平稳信号,这点也许不是很重要。然而实际中,大多数信号均含有大量的非稳态成分,例如偏移突变等情况,而这些情况往往是相当重要的,反映了信号的重要特征。对这类时变信号进行分析,通常需要提取某时间段的频域信息或某频率段所对应的时间信息。因此,需要寻求种具有定的时间和频率分辨率的基函数来分析时变信号。本科生毕业设计论文图对平稳信号的频谱分析图个非频谱信号及其傅里叶谱为了研究信号在局部时间范围的频域特征,年Gabor提出了著名的Gabor变换,之后进步发展成为短时傅里叶变换STFT。其基本思路是给信号加个小窗,信号的傅里叶变换主要集中在对小窗里的信号进行变换,因此可以反映出信号局部特征。但由于STFT在许多领域获得了广泛的应用。但由于STFT的定义决定了其窗函数的大小和形状均与时间和频率无关而保持固定不变,这对分析时变信号来说是不利的。高频信号般持续时间很短,而低频信号持续时间较长。因此,我们期望对于高频信号采用小时间窗,对于低频信号则采用大时间窗进行分析。在进行信号分析时,这种变时间窗的要求同S。

2、对以上种方法的总结输入信号的信噪比对于寻峰算法中算法误差的影响最大。信噪比大小的改变对算法精度的影响超过相同信噪比时各种算法间精度的差异,且信噪比对所有算法的影响基本致。种算法的误差随噪声幅度的增大而增大。仿真结果表明,在噪声幅度信号幅度为～的范围内,算法误差与信噪比呈线性关系。由此可以得到,排除噪声对分析过程影响可以有效提高寻峰的精确度。本文采用小波分析方法,在MATLAB环境下,通过对小波系数处理,可以有效地抑制噪声对结果的影响,在谱峰识别精度上得到提高。从傅里叶变换到小波变换总所周知,自从年傅里叶发表热传导解析理论以来,傅里叶变换直是信号处理领域中应用最广泛的种分析手段。傅里叶变换的基本思想是将信号分解成系列不同频率的连续正弦波的叠加,或者从另外个角度来说是将信号从时间域转换到频率域。对于许多情况,傅里叶分析能很好地满足分析要求的。但是傅里叶变换有个严重的不足,那就是在做变换时丢掉了时间信息,无法根据傅里叶变换的结果判断个特定的信号是在什么时候发生的。也就是说,傅里叶变换只是种纯频域的分析方法,它在频域里的定位是完全准确的。

3、各个尺度上的高频系数。L由cAj的长度,cDj的长度,X的长度组成。保持参数L不变,对系数矩阵C进行软阈值处理,得到cc矩阵。阈值处理过程如下对于C中前个元素复制到cc中相应位置；确定阈值thres见函数wavethres,遍历C中剩余元素当Ci小于等于thres时,cci置零；当Ci大于thres时,cciCi–thres；当CilengthsigwdlengthsigXelseifXwdthrescciCithreselseifCiNwidthDTmwidthAKwidthKDTmwidthNKwidthAKNDTmNKwidthNANelseDTmAKwidthKwidthendendifabsDTmwidthmaxDTmelocMKIidxcontinueendendkfindIIdIk本科生毕业设计论文结论本文首先比较研究了些常用谱峰识别的方法,进而从傅立叶分析引出更适合局部分析的小波方法。通过研究维小波变换及其在去噪中的应用,基于MATLAB编写的程序实现了光谱图的小波降噪滤波,并在此基础上实现了谱峰的准确定位和谱峰。

4、峰位置所需的各种不同类型变量链条总数countchain,链条中点数目,极值点属性。初始化chain。在尺度上,找出所有极大值系数所在点,设定每个点为根链条的起点,建立链条的解析关系,将链条属性存入chain中。遍历余下尺度,同上方法寻找各个尺度上极值点位置。比较极值点同每个链条的距离,若最小距离小于,则该点归入相应链条；否则,建立新的链条,方法同上。在极值点画o,显示所有标志谱峰位置的链条。验证峰附近信号信噪比,排除信噪比低于阈值的峰。用蓝线标志检测到的谱峰。程序结束建立数组PeakInfo记录谱峰信息,类似同尺度上寻极值方法,在每个链条上找到最佳变换尺度,将坐标尺度值和对应系数存入PeakInfo。本科生毕业设计论文sig。loadfiguresublot,lotsigtitle'原始信号'使用软阈值法对信号去噪。具体思路是选用sym小波尺度N对sig进行维多尺度变换,得到参数矩阵C和L见。Nwname'sym'C,Lwavedecsig,N,wname其中C由cA,cD,cD,cD组成,cA代表低频系数,cD,cD,cD代。

5、尺度维分解结果重构原始信号XwaverecC,L,wname这里waverec为多尺度维小波重构函数,用指定的小波函数对小波分解结构C,L进行重构。本科生毕业设计论文信号的初步去噪般来说,现实中的信号都是带噪信号,在对信号做进步分析之前,需要将有效信号提取出来。目前,人们已根据噪声的统计特征和频谱分布规律,开发出了多种多样的信号去噪方法。其中最为直观的种方法是,根据噪声能量般集中于高频,而信号频谱分布于个有限区间的特点,用傅里叶变换将含噪信号变换到频域,然后采用低通滤波器进行滤波。当信号和噪声的频带相互分离时这种方法比较有效,但当信号和噪声的频带相互重叠比如含有白噪声时,则效果较差,因为低通滤波器在抑制噪声的同时,也将信号的边缘部分变得模糊。利用小波对信号去噪,首先要识别出信号的哪部分或哪些部分包含噪声,然后舍弃这些部分进行信号重构。对信号进行多尺度分解,在舍弃高频分量后,信号的低频部分变得越来越纯洁,但同时也丢失了初始信号的瞬变特征。因此,更优化的去噪是阈值去噪,即只去除那些超过某设定值的细节部分。小波分析用于消噪的基本原理个。

6、度强度等信息的提取。本科生毕业设计论文参考文献徐金明,张孟喜,丁涛MATLAB实用教程清华大学出版社飞思科技产品研发中心电子工业出版社朱来东,廉小亲,江远志小波变换在信号降噪中的应用及MATLAB实现北京工商大学学报自然科学版茅耀斌小波信号处理及应用王晓荣,程明霄谱峰识别的计算机设计与实现南京化工大学学报朱浩瀚,秦海琨,张敏,赖淑蓉,廖延彪光纤布拉格光栅传感解调中的寻峰算法中国激光TONYCAI,DONGMAOZHANG,andDORBEN–AMOTZEnhancedChemicalClassicationofRamanImagesUsingMultiresolutionWaveletTransformation本科生毕业设计论文致谢本文始终是在导师蔡志坚老师的悉心指导和热情帮助下完成的。在整个研究过程中,蔡老师都耐心为我排解疑问提供建议和思路,在此论文完成之际,谨向蔡老师表达我最真挚的敬意和感谢！在愉快的大学时光中,我认识了很多老师和同学,和他们起学习成长是我生中永不褪色的回忆。谨向这些朝夕相处的老师和好友致意！最后,我还要感。

7、噪的维信号模型可表示为如下形式Skfkek,k,,n其中,sk为含噪信号,fk为有用信号,ek为噪声信号。这里我们认为ek是个级高斯白噪声,通常表现为高频信号,而工程实际中fk通常为低频信号,或者是些比较平稳的信号。因此,我们可以按如下的方法进行消噪处理；首先对信号进行小波分解,般地,噪声信号多包含在具有较高频率的细节中,从而可利用门限阈值等形式对所分解的小波系数进行处理,然后对信号进行小波重构即可达到对信号的消噪的目的。对信号消噪实质上是抑制信号中的无用部分,恢复信号中有用部分的过程。般地,维信号消噪的过程可分为如下个步骤维信号的小波分解。选择个小波并确定分解的层次,然后进行分解计算；小波分解高频系数的阈值量化。对各个分解尺度下的高频系数选择个阈值进行软阈值量化处理；维小波的重构。根据小波分解的最底层低频系数和各层高频系数进行维小波重构。这个步骤中,最关键的是如何选择阈值及如何进行阈值量化,在某种程度上,它关系到信号消噪的质量。基于MATLAB的自动识别谱峰的程序设计。本科生毕业设计论文建立结构数组chain,存放处理链条代表。

8、我的家人,是他们的支持和关怀,使我路成长,让我能够走到今天！本科生毕业设计论文。detcoef用于从小波分解结构C,L中提取维信号的高频系数DdetcoefC,L,N重构信号wrcoef是对维信号的分解结构C,L用指定的小波函数或重构滤波器进行重构的函数Xwrcoeftye,C,L,wname,N当tyea时,对信号的低频部分进行重构；当tyed时,对信号的高频部分进行重构。本科生毕业设计论文显示多尺度维分解结果其方法是sublot,lotAtitleAroximationAsublot,lotDtitleDetailDsublot,lotDtilteDetailDsublot,lotDtitleDetailD图多尺度维分解结果重构原始信号XwaverecC,L,wname这里waverec为多尺度维小波重构函数,用指定的小波函数对小波分解结构C,L进行重构。本科生毕业设计论文信号的初步去噪般来说,现实中的信号都是带噪信号,在对信号做进步分析之前,需要将有效信号提取出来。目前,人们已根据噪声的统计特征和频谱分布规律,开发出了多种。

9、encm是种用的更为普遍的函数,它可以直接对维或维信号进行消噪或压缩,处理方法也是通过对小波分解系数进行阈值量化来实现。其使用方法如下xdwdencmot,x,wavename,n,thr,sorh,keea其中otgbl,thr,则阈值为全局阈值；otlvd,thr是向量,则阈值是在各层上大小不同的数值。keea,不对小波分解后的系数作任何处理；keea,对小波分解后的低频系数也进行阈值量化处理。detcoef用于从小波分解结构C,L中提取维信号的高频系数DdetcoefC,L,N重构信号wrcoef是对维信号的分解结构C,L用指定的小波函数或重构滤波器进行重构的函数Xwrcoeftye,C,L,wname,N当tyea时,对信号的低频部分进行重构；当tyed时,对信号的高频部分进行重构。本科生毕业设计论文显示多尺度维分解结果其方法是sublot,lotAtitleAroximationAsublot,lotDtitleDetailDsublot,lotDtilteDetailDsublot,lotDtitleDetailD图。

10、样的信号去噪方法。其中最为直观的种方法是,根据噪声能量般集中于高频,而信号频谱分布于个有限区间的特点,用傅里叶变换将含噪信号变换到频域,然后采用低通滤波器进行滤波。当信号和噪声的频带相互分离时这种方法比较有效,但当信号和噪声的频带相互重叠比如含有白噪声时,则效果较差,因为低通滤波器在抑制噪声的同时,也将信号的边缘部分变得模糊。利用小波对信号去噪,首先要识别出信号的哪部分或哪些部分包含噪声,然后舍弃这些部分进行信号重构。对信号进行多尺度分解,在舍弃高频分量后,信号的低频部分变得越来越纯洁,但同时也丢失了初始信号的瞬变特征。因此,更优化的去噪是阈值去噪,即只去除那些超过某设定值的细节部分。小波分析用于消噪的基本原理个含噪的维信号模型可表示为如下形式Skfkek,k,,n其中,sk为含噪信号,fk为有用信号,ek为噪声信号。这里我们认为ek是个级高斯白噪声,通常表现为高频信号,而工程实际中fk通常为低频信号,或者是些比较平稳的信号。因此,我们可以按如下的方法进行消噪处理；首先对信号进行小波分解,般地,噪声信号多包含在具有较高频率的细节。

11、尺度维分解结果重构原始信号XwaverecC,L,wname这里waverec为多尺度维小波重构函数,用指定的小波函数对小波分解结构C,L进行重构。本科生毕业设计论文信号的初步去噪般来说,现实中的信号都是带噪信号,在对信号做进步分析之前,需要将有效信号提取出来。目前,人们已根据噪声的统计特征和频谱分布规律,开发出了多种多样的信号去噪方法。其中最为直观的种方法是,根据噪声能量般集中于高频,而信号频谱分布于个有限区间的特点,用傅里叶变换将含噪信号变换到频域,然后采用低通滤波器进行滤波。当信号和噪声的频带相互分离时这种方法比较有效,但当信号和噪声的频带相互重叠比如含有白噪声时,则效果较差,因为低通滤波器在抑制噪声的同时,也将信号的边缘部分变得模糊。利用小波对信号去噪,首先要识别出信号的哪部分或哪些部分包含噪声,然后舍弃这些部分进行信号重构。对信号进行多尺度分解,在舍弃高频分量后,信号的低频部分变得越来越纯洁,但同时也丢失了初始信号的瞬变特征。因此,更优化的去噪是阈值去噪,即只去除那些超过某设定值的细节部分。小波分析用于消噪的基本原理个 。

12、,从而可利用门限阈值等形式对所分解的小波系数进行处理,然后对信号进行小波重构即可达到对信号的消噪的目的。对信号消噪实质上是抑制信号中的无用部分,恢复信号中有用部分的过程。般地,维信号消噪的过程可分为如下个步骤维信号的小波分解。选择个小波并确定分解的层次,然后进行分解计算；小波分解高频系数的阈值量化。对各个分解尺度下的高频系数选择个阈值进行软阈值量化处理；维小波的重构。根据小波分解的最底层低频系数和各层高频系数进行维小波重构。这个步骤中,最关键的是如何选择阈值及如何进行阈值量化,在某种程度上,它关系到信号消噪的质量。本科生毕业设计论文应用函数进行信号消噪处理消噪处理中两个非常有用的函数wden和wdencm。wden的最简单用法如下sdwdens,ttr,sorh,scal,n,wavename它所返回的是经过对原始信号s进行消噪处理后的信号sd。其中,ttr指定阈值选取规则,sorh指定选取软阈值sorhs或硬阈值sorhh,n为小波分解层数,wavename指定分解时所用的小波。scal是阈值尺度改变的比例,它有如下种选择sc