thselect

阈值选择去噪

折叠所有页面

语法

用力推= thselect (X, TPTR)

用力推= thselect (X，TPTR）返回适应于一维信号的阈值X使用指定的选择规则TPTR．可用的选择规则有:

打开生活的脚本

生成高斯白噪声信号。为了重现性，将随机种子设置为默认值。

rng默认的x = randn (1000);

找到每个选择规则的阈值。

thrRig = thselect (x,“rigrsure”）;disp ([“确定(“rigrsure”)阈值:”num2str (thrRig)]);

SURE ('rigrsure')阈值:2.0518

thrSqt = thselect (x,“sqtwolog”）;disp ([通用(“sqtwolog”)阈值:num2str (thrSqt)]);

通用('sqtwolog')阈值:3.7169

thrHeu = thselect (x,“heursure”）;disp ([启发式变异(“启发式”)阈值:num2str (thrHeu)]);

启发式变量('启发式')阈值:3.7169

thrMin = thselect (x,“minimaxi”）;disp ([“Minimax(”minimaxi”)阈值:num2str (thrMin)]);

Minimax ('minimaxi')阈值:2.2163

当信号的小细节位于噪声范围附近时，Minimax和SURE阈值选择规则更保守，更方便。

输入数据，指定为实值向量。

数据类型:双

阈值选择规则，指定:

“rigrsure”—软阈值估计基于SURE(二次损失函数)的阈值选择规则。从对特定阈值的风险估计开始，t，算法使风险最小化t产生一个阈值。
“heursure”-混合“rigrsure”和“sqtwolog”．如果信噪比很小，则SURE估计是有噪声的。在这种情况下，使用固定形式的阈值。
“sqtwolog”-一个固定形式的(通用的)阈值，产生极小极大的性能乘以一个小的因子日志(长度(X))．
“minimaxi”-选择一个固定的阈值，对理想程序的均方误差产生极小极大的性能。在统计学中，极小极大原理被用来设计估计量。去噪后的信号可以被同化为未知回归函数的估计量。因此，极大极小估计实现了给定集合中最坏函数得到的最大均方误差的最小值。