中英企业网站模板,中国网站用Cn域名,it外包行业,云推荐 wordpress这篇小文将使用小波多分辨分析对一个简单信号进行降噪#xff0c;主要是降噪流程#xff0c;为以后的小波更复杂的降噪算法打下良好的基础。降噪算法流程大致如下#xff1a; #xff08;1#xff09;去趋势项#xff08;如直流电流#xff09;#xff0c;并将数据归一…这篇小文将使用小波多分辨分析对一个简单信号进行降噪主要是降噪流程为以后的小波更复杂的降噪算法打下良好的基础。降噪算法流程大致如下 1去趋势项如直流电流并将数据归一化到区[0, 1] 2进行多级小波分解 3使用步骤 2中的细节系数 cD 确定合适的阈值给出5种不同的方法确定阈值 4将简单的软阈值或硬阈值方法应用于细节系数 5重建信号。 阈值确定方法更多的细节请查看相关论文很多 1. universal 在这种情况下阈值由公式 MAD x sqrt{2 x log(m)} 给出其中 MAD 是中值绝对偏差m 是信号的长度。 2. sqtwolog 和universal一样只是不使用MAD。 3. energy 在这种情况下阈值算法估计细节系数的能量并使用它们来估计最佳阈值。 4. stein 此方法实现了 Stein 的无偏风险估计。 5. heurstein 这是 Stein 的无偏风险估计的启发式实现。 首先导入相关模块 import numpy as np import pandas as pd import matplotlib.pylab as plt from scipy.signal import butter, filtfilt from scipy.signal import spectrogram from denoising import WaveletDenoising 写个函数用于绘制所有小波分解的系数 def plot_coeffs_distribution(coeffs):fig plt.figure()size_ int(len(coeffs) // 2) 1if size_ % 2 ! 0:size_ size_1for i in range(len(coeffs)):ax fig.add_subplot(size_, 2, i1)ax.hist(coeffs[i], bins50)def pretty_plot(data, titles, palet, fs1, length100, nperseg256):fig plt.figure(figsize(13, 13))fig.subplots_adjust(hspace0.5, wspace0.5)index 1for i, d in enumerate(data):ax fig.add_subplot(8, 2, index)ax.plot(d[:length], colorpalet[i])ax.set_title(titles[i])ax fig.add_subplot(8, 2, index1)f, t, Sxx spectrogram(d, fsfs, npersegnperseg)ax.pcolormesh(t, f, Sxx, shadingauto)index 2 5种阈值方法的计算函数 def run_experiment(data, level2, fs1, nperseg256, length100):titles [Original data,Universal Method,SURE Method,Energy Method,SQTWOLOG Method,Heursure Method]experiment [universal,stein,energy,sqtwolog,heurstein]wd WaveletDenoising(normalizeFalse,waveletdb3,levellevel,thr_modesoft,selected_levellevel,methoduniversal,resolution100,energy_perc0.90)res [data]for i, e in enumerate(experiment):wd.method experiment[i]res.append(wd.fit(data))palet [r, b, k, m, c, orange, g, y]pretty_plot(res,titles,palet,fsfs,lengthlength,npersegnperseg) 搞个最简单的数据以便于初级分析 if __name__ __main__:data np.zeros((128,))data[:16] 4data np.random.normal(0, 1, (128,))run_experiment(data, level3, length100, nperseg32)plt.show() 各阈值的计算没有列出本文只是讲个小波降噪的大体流程。 完整代码小波降噪基础-python版本 工学博士担任《Mechanical System and Signal Processing》审稿专家担任《中国电机工程学报》优秀审稿专家《控制与决策》《系统工程与电子技术》《电力系统保护与控制》《宇航学报》等EI期刊审稿专家。 擅长领域现代信号处理机器学习深度学习数字孪生时间序列分析设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。