cmddenoise
Interval-dependent去噪
语法
描述
［返回一个单元格数组，sigden，系数，thrParamsOut= cmd降噪(___）thrParamsOut，长度等于水平．的每个元素thrParamsOut是一个n × 3矩阵。矩阵元素的行维数是间隔数，由输入参数的值决定。矩阵的每一行都包含阈值区间的开始点和结束点(索引)以及相应的阈值。
［返回一个单元格数组，sigden，系数，thrParamsOut，int_DepThr_Cell= cmd降噪(团体，wname，水平，sorh，nb_inter）int_DepThr_Cell，长度为6。int_DepThr_Cell包含间隔和阈值信息，假设变更点的数量从0到5。的第n个元素int_DepThr_Cell是一个n × 3矩阵，其中包含假设N-1个变化点的区间信息。矩阵的每一行都包含阈值区间的开始点和结束点(索引)以及相应的阈值。尝试输出int_DepThr_Cell如果你使用input参数，thrParamsIn，将导致错误。
［返回基于1级细节系数中估计的方差变化点的最佳信号间隔数。为了估计变更点的数量，sigden，系数，thrParamsOut，int_DepThr_Cell，BestNbofInt= cmd降噪(团体，wname，水平，sorh，nb_inter）cmddenoise假设总数小于或等于6，并使用惩罚对比[２]．尝试输出BestNbofInt如果你使用input参数，thrParamsIn，将导致错误。
例子
Haar小波去噪块信号
加载噪声块信号，nblocr1.mat．该信号由加性高斯白噪声中的分段常数信号组成。加性噪声的方差在三个不相交区间内不同。
负载nblocr1；
使用Haar小波将区间依赖降噪降至4级。| cmd降噪自动确定方差变化点的最佳数量和位置。绘制去噪后的信号与原始信号的对比图。
Sigden = cmd降噪(nblocr1，“db1”4);情节(nblocr1);持有在；情节(sigden“r”，“线宽”2);轴紧；
用硬阈值去噪块信号
加载噪声块信号，nblocr1.mat．该信号由加性高斯白噪声中的分段常数信号组成。加性噪声的方差在三个不相交区间内不同。
负载nblocr1；
使用Haar小波和硬阈值规则将区间相关的去噪降至4级。cmddenoise自动确定间隔的最佳数量和位置。绘制原始信号和去噪信号。
sorh =“h”；Sigden = cmd降噪(nblocr1，“db1”4、sorh);情节(nblocr1);持有在；情节(sigden“r”，“线宽”2);轴紧；传奇(原始信号的，的去噪信号，“位置”，“西北”）;
指定间隔数
创建一个1khz采样的信号。信号由一系列不同宽度的凸起组成。
T = [0.1 0.13 0.15 0.23 0.25 0.40 0.44 0.65 0.76 0.78 0.81];H = [4 -5 3 -4 5 -4.2 2.1 4.3 -3.1 5.1 -4.2];H = abs(H);Len = 1000;W = 0.01*[0.5 0.5 0.6 1 1 3 1 1 0.5 0.8 0.5];Tt = linspace(0,1,len);X = 0 (1,len);为j = 1:11 x = x + (h (j)。/ (1 + ((tt-t (j)) / w (j)) ^ 4));结束
将不同方差的高斯白噪声加到信号的两个不相交的片段上。将方差为2的零均值高斯白噪声加到0 ~ 0.3秒的信号段中。在0.3秒到1秒的信号段中加入单位方差的零均值高斯白噪声。将随机数生成器设置为可重现结果的默认设置。
rng默认的；Nv1 = sqrt(2).*randn(size(tt)).*(tt<=0.3);Nv2 = randn(size(tt)).*(tt>0.3);Xx = x+nv1+nv2;Sigden = cmddenoise(xx，“sym5”5,“年代”2);
应用区间相关的去噪，使用Daubechies的最小不对称小波与5个消失矩下降到3级。设置间隔数为2。将噪声信号、原始信号和去噪信号绘制成图进行比较。
Sigden = cmddenoise(xx，“sym5”3,“年代”2);次要情节(211)情节(tt, xx);标题(噪声信号的）;次要情节(212)情节(tt, x,“k -”。，“线宽”2);持有在；情节(tt, sigden“r”，“线宽”2);传奇(原始信号的，的去噪信号，“位置”，“东南”）;
指定间隔和阈值
加载示例信号nbumpr1.mat．加性噪声的方差在三个不相交区间内不同。
负载nbumpr1.mat；
使用5级多分辨率分析。创建一个长度为5的单元格数组，由3 × 3矩阵组成。每行的前两个元素包含区间的开始和结束索引，每行的最后一个元素是相应的阈值。
wname =“sym4”；Level = 5;sorh =“年代”；thrParamsIn = {.．.［.．.1 207 1.0482;.．.207 613 2.5110;.．.613 1024 1.0031;.．.];.．.［.．.1 207 1.04824;.．.207 613 3.8718;.．.613 1024 1.04824;.．.];.．.［.．.1 207 1.04824;.．.207 613 1.99710;.．.613 1024 1.65613;.．.];.．.［.．.1 207 1.04824;.．.207 613 2.09117;.．.613 1024 1.04824;.．.];.．.［.．.1 207 1.04824;.．.207 613 1.78620;.．.613 102 1.04824;.．.];.．.};
使用阈值设置和Daubechies最小不对称小波与4个消失矩去噪信号。使用软阈值规则。画出噪声信号和去噪信号进行比较。
wname =“sym4”；Level = 5;sorh =“年代”；Sigden = cmd降噪(nbumpr1,wname,level,sorh，.．.南,thrParamsIn);情节(nbumpr1);持有在；情节(sigden“r”，“线宽”2);轴紧；传奇(噪声信号的，的去噪信号，“位置”，“东北”）;
返回去噪小波系数
加载示例信号nblocr1.mat．使用Haar小波将信号分解到2级。得到离散小波变换，对信号进行去噪。返回有噪声信号和去噪信号的小波系数。
负载nblocr1.mat；[sigden,coefs] = cmddenoise(nblocr1，“db1”2);[C,L] = wavedec(nblocr1,2，“db1”）;
基于2级近似和噪声信号的2级和1级细节系数的图重建。
App = wrcoef(“一个”C L“db1”2);次要情节(1,1);情节(应用);标题(“近似系数”）;为n = 1:2 det = wrcoef(' d 'C L“db1”、神经网络);次要情节(3、1,nn + 1)情节(依据);标题([“噪声小波系数-水平”.．.num2str (nn)]);结束
图重建基于近似和细节系数的降噪信号在相同水平。
图;App = wrcoef(“一个”系数,L,“db1”2);次要情节(1,1);情节(应用);标题(“近似系数”）;为n = 1:2 det = wrcoef(' d '系数,L,“db1”、神经网络);次要情节(3、1,nn + 1)情节(依据);标题([“阈值小波系数-水平”.．.num2str (nn)]);结束
噪声信号和去噪信号的近似系数是相同的，但去噪信号的大部分细节系数接近于零。
输出间隔和阈值
创建一个1khz采样的信号。信号由一系列不同宽度的凸起组成。
T = [0.1 0.13 0.15 0.23 0.25 0.40 0.44 0.65 0.76 0.78 0.81];H = [4 -5 3 -4 5 -4.2 2.1 4.3 -3.1 5.1 -4.2];H = abs(H);Len = 1000;W = 0.01*[0.5 0.5 0.6 1 1 3 1 1 0.5 0.8 0.5];Tt = linspace(0,1,len);X = 0 (1,len);为j = 1:11 x = x + (h (j)。/ (1 + ((tt-t (j)) / w (j)) ^ 4));结束情节(tt, x);标题(原始信号的）;持有在；
将不同方差的高斯白噪声加到信号的两个不相交的片段上。将方差为2的零均值高斯白噪声加到0 ~ 0.3秒的信号段中。在0.3秒到1秒的信号段中加入单位方差的零均值高斯白噪声。将随机数生成器设置为可重现结果的默认设置。
rng默认的；Nv1 = sqrt(2).*randn(size(tt)).*(tt<=0.3);Nv2 = randn(size(tt)).*(tt>0.3);Xx = x+nv1+nv2;情节(tt, xx);标题(噪声信号的）;
应用区间相关的去噪，使用Daubechies的最小不对称小波与4个消失矩下降到5级。自动选择间隔数并输出结果。
[sigden,coefs,thrParamsOut] = cmddenoise(xx，“sym4”5);thrParamsOut {1}
ans =2×3103.× 0.0010 0.2930 0.0036 0.2930 1.0000 0.0028
cmdnoise在定义两个区间的第一级细节系数中确定一个方差变化点。第一个区间包含样本1到293。第二个区间包含293到1000个样本。这接近真实的方差变化点，发生在样本299。
用阈值将信号分割成越来越多的区间
加载示例信号，nbumpr1.mat．将信号划分为1到6个区间，假设0到5个变化点。计算每个间隔的阈值。利用Daubechies最小不对称小波带4个消失矩返回区间和相应的阈值。显示结果。
负载nbumpr1.mat；[sigden，~，~，int_DepThr_Cell] = cmddenoise(nbumpr1，“sym4”1);格式银行；disp (“开始结束阈值”）;
开始结束阈值
cellfun (@disp int_DepThr_Cell,“UniformOutput”、假);
1.00 1024.00 1.00 207.00 613.00 1.00 207.00 597.00 2.52 597.00 627.00 1.00 207.00 613.00 1.05 207.00 613.00 1.20 207.00 613.00 725.00 0.59 725.00 1024.00 1.05 207.00 597.00 2.52 597.00 627.00 1.19 695.00 725.00 0.59 725.00 1024.00 1.05
检测变更点的数量
加载示例信号，nbumpr1.mat．该信号有两个方差变化点，结果为三个区间。使用cmddenoise检测变更点的数量。
负载nbumpr1.mat；thrParamsOut [sigden, ~, ~, bestNbofInt] =.．.cmddenoise (nbumpr1“sym4”1);流('已找到%d个更改点。\n', bestNbofInt-1);
找到2个改变点。
输入参数
输出参数
参考文献
[1] Donoho, D.和Johnstone, I.“小波收缩的理想空间适应”，生物统计学， 1994,81,3,425 - 455。
[2] Lavielle, M.“检测因变量序列中的多个变化”，随机过程及其应用， 1999, 83,79 - 102。
版本历史
在R2010a中引入
您也可以从以下列表中选择一个网站: