小波间隔依赖的去噪
这个例子展示了如何使用区间相关阈值去噪信号。
小波GUI工具通过允许我们微调信号去噪所需的参数，提供了一个精确的去噪过程。然后保存去噪后的信号、小波分解和所有去噪参数。
使用相同的去噪设置来处理多个信号可能会很乏味，有时甚至不可能。使用命令行的批处理模式效率更高。这个例子展示了如何在命令行中工作来简化和解决这个问题。
在这个例子中，我们执行六次试验以发现电信号Nelec.使用这些程序：
使用一个间隔，最小阈值：4.5
使用一个间隔，最大阈值：19.5
手动选择三个间隔和三个阈值，并使用
withresh.函数阈值系数。使用
utthrset_cmd功能自动找到间隔和阈值。使用
cmddenoise.功能自动执行所有进程。使用
cmddenoise.函数带有附加参数。
单间隔去噪
加载耗电信号Nelec.．
负载nelec.matsig = nelec;
现在我们用离散小波分析5级与之符号4.小波。我们将阈值类型设置为“年代”（柔软的）。
wname ='符号4'；水平= 5;索赫=“年代”；
使用该功能去噪WDENCMP.阈值集合4．5，这是GUI工具提供的最小值。
用力推= 4.5;[sigden_1, ~, ~, perf0 perfl2] = wdencmp ('GBL'、团体、wname水平,用力推,sorh, 1);res = sig-sigden_1;次要情节(1,1)情节(团体,“r”）轴紧的标题（'原始信号'次要情节(3、1、2)情节(sigden_1,'B'）轴紧的标题（'去噪'）子图（3,1,3）绘图（RES，'K'）轴紧的标题（'剩余的'）
perf0，perfl2.
perf0 = 66.6995.
perfl2 = 99.9756.
得到的结果并不好。在信号的开始和结束时，去噪是非常有效的，但在100和1100之间，噪声没有被去除。请注意,perf0值给出设置为零的系数的百分比和perfl2.价值给出了保存能量的百分比。
现在，我们用GUI工具为阈值提供的最大值去噪信号，19.5
用力推= 19.5;[sigden_2, cxd lxd、perf0 perfl2] = wdencmp ('GBL'、团体、wname水平,用力推,sorh, 1);res = sig-sigden_2;次要情节(1,1)情节(团体,“r”）轴紧的标题（'原始信号'）子图（3,1,2）绘图（Sigden_2，'B'）轴紧的标题（'去噪'）子图（3,1,3）绘图（RES，'K'）轴紧的标题（'剩余的'）
perf0，perfl2.
perf0 = 94.7860.
perfl2 = 99.9564.
去噪信号非常光滑。它似乎非常好，但如果我们在1100后看剩余剩余，我们可以看到潜在噪声的方差不是恒定的。信号的一些组件可能仍然存在于残余物中，例如靠近位置1300和位置1900和2000之间。
使用间隔相关阈值（IDT）的去噪
现在我们将使用与间隔相关的阈值，就像去噪GUI工具中那样。
执行信号的离散小波分析。
[系数,多头]= wavedec(团体,水平,wname);
使用GUI工具执行信号的间隔依赖性阈值Nelec.，并在三个中设置间隔数，我们得到了内容丹麦可变，可以解释如下：
I1 = [1 94]凭借门槛thr1 = 5.9I2 = [94 1110]凭借门槛thr2 = 19.5I3 = [1110 2000]凭借门槛thr3 = 4.5
定义与间隔相关的阈值。
denpar = {[1 94 5.9;94 1110 19.5;1110 2000 4.5]};ThrParams = Cell（1，级别）;thrparams（:) =丹麦;
显示信号的小波系数和离散分析的每个级别的间隔相关阈值。
％复制系数CFS_BEG = WREPCOEF（COEFS，WHORS）;％显示分解的系数图形子图（6,1,1）plot（sig，“r”）轴紧的标题（'原始信号和细节系数从1到5'）ylabel（“年代”，“旋转”，0）为k = 1：级别子图（6,1，k + 1）绘图（CFS_BEG（k，:)，'颜色'，[0.5 0.8 0.5]）Ylabel（['D'int2str (k)),“旋转”，0）轴紧的持有在马克西= max (abs (cfs_beg (k,:)));持有在par = thrparams {k};plotpar = {'颜色'，'M'，'linestyle'，' - 。'};为j = 1:尺寸(par, 1) 1块(((j, 2), par (j, 2)]、[马克西马克西],plotPar {:})结束为j = 1:尺寸(par, 1)情节((par (j, 1),票面(j, 2)]、[par (j, 3)票面(j, 3)], plotPar{:})图((par (j, 1),票面(j, 2)), - - - - - - (par (j, 3)票面(j, 3)], plotPar {:})结束ylim（[ - maxi * 1.05 maxi * 1.05]）％抵消结束子图（6,1，级+ 1）XLabel（“时间和空间”）
每一个层次的k，变量thrparams {k}包含去噪过程的间隔和相应的阈值。
对小波系数逐级阈值，并逐段阈值，使用包含的值thrParams多变的。
使用功能withresh.，通过用零替换它们，我们将小波系数值阈值替换为水平线，而其他值会减少SORH ='s'或保持不变sorh = ' h '．
第一次= cumsum(多头)+ 1;第一= (end-2: 1:1);tmp =多头(end-1: 1:2);=第一+ tmp-1;为k = 1：级别thr_par = thrparams {k};如果〜isempty（thr_par）cfs = cofs（first（k）：last（k））;nbcfs = longs（eN-K）;nb_int = size（thr_par，1）;x = [thr_par（：，1）;thr_par（nb_int，2）];alf =（nbcfs-1）/（x（end）-x（1））;bet = 1 - alf * x（1）;X =圆形（ALF * x + BET）;x（x <1）= 1;x（x> nbcfs）= nbcfs; thr = thr_par(:,3);为j = 1：nb_int如果d_beg = 0;别的d_beg = 1;结束j_beg = x（j）+ d_beg;j_end = x (j + 1);j_ind = (j_beg: j_end);慢性疲劳综合症(j_ind) = wthresh (cfs (j_ind) sorh,刺(j));结束COEFS（第一（k）：最后（k））= CFS;结束结束
显示信号的阈值小波系数。
%复制系数。CFS_BEG = WREPCOEF（COEFS，WHORS）;％显示分解系数。图形子图（6,1,1）plot（sig，“r”）轴紧的标题（'原始信号和细节系数从1到5'）ylabel（“年代”，“旋转”，0）为k = 1：级别子图（6,1，k + 1）绘图（CFS_BEG（k，:)，'颜色'，[0.5 0.8 0.5]）Ylabel（['D'int2str (k)),“旋转”，0）轴紧的持有在马克西= max (abs (cfs_beg (k,:)));％坚持，稍等par = thrparams {k};plotpar = {'颜色'，'M'，'linestyle'，' - 。'};为j = 1:尺寸(par, 1) 1块(((j, 2), par (j, 2)]、[马克西马克西],plotPar {:})结束为j = 1：大小（par，1）绘图（[par（j，1），par（j，2）]，[par（j，3）par（j，3）]，plotpar {：}）绘图（[par（j，1），par（j，2）]， - [par（j，3）par（j，3）]，plotpar {：}）结束ylim（[ - maxi * 1.05 maxi * 1.05]）保持离开结束子图（6,1，级+ 1）XLabel（“时间和空间”）
重构去噪信号。
sigddden = waverec（cofs，wongs，wname）;res = sig - sigden;
显示原始，去噪和残余信号。
图次要情节(3、1、1)的阴谋(团体,“r”） 抓住在情节(sigden'B'）轴紧的标题（'原始和去噪的信号'）子图（3,1,2）绘图（SIGDEN，'B'）轴紧的标题（'去噪'）子图（3,1,3）绘图（RES，'K'）轴紧的标题（'剩余的'）
比较信号的三个去噪版本。
图绘图（sigden_1，'G'） 抓住在情节(sigden_2“r”剧情（SIGDEN，'K'）轴紧的持有离开传奇（'去世分钟'，'denoised max'，'去世idt'，'地点'，“北”）
看着信号的前半部分，很明显使用阈值的最小值的去噪并不好。现在，我们缩放了信号结束以获取更多细节。
XLIM（[1200 2000]）ylim（[180 350]）
我们可以看出，当使用最大阈值时，Denoised信号被平滑太多，信息丢失。
通过基于间隔依赖的阈值化方法使用阈值，根据我们将立即显示，通过使用阈值来给出最佳结果。
自动计算间隔相关阈值
我们可以使用该函数而不是手动设置每个级别的间隔和阈值utthrset_cmd自动计算每个间隔的间隔和阈值。然后，我们通过应用阈值，重建和显示信号来完成该过程。
％小波分析。[系数,多头]= wavedec(团体,水平,wname);siz = size（cofs）;thrparams = Utthret_cmd（cofs，wongs）;第一次= cumsum(多头)+ 1;第一= (end-2: 1:1);tmp =多头(end-1: 1:2);=第一+ tmp-1;为k = 1：级别thr_par = thrparams {k};如果〜isempty（thr_par）cfs = cofs（first（k）：last（k））;nbcfs = longs（eN-K）;nb_int = size（thr_par，1）;x = [thr_par（：，1）;thr_par（nb_int，2）];alf =（nbcfs-1）/（x（end）-x（1））;bet = 1 - alf * x（1）;X =圆形（ALF * x + BET）;x（x <1）= 1;x（x> nbcfs）= nbcfs; thr = thr_par(:,3);为j = 1：nb_int如果j == 1 d_beg = 0;别的d_beg = 1;结束j_beg = x (j) + d_beg;j_end = x (j + 1);j_ind = (j_beg: j_end);慢性疲劳综合症(j_ind) = wthresh (cfs (j_ind) sorh,刺(j));结束COEFS（第一（k）：最后（k））= CFS;结束结束sigddden = waverec（cofs，wongs，wname）;图次要情节(2,1,1)情节(团体,“r”）轴紧的持有在情节(sigden'K'） 标题（'原始和去噪的信号'）子图（2,1,2）绘图（SIGDEN，'K'）轴紧的持有离开标题（'去噪'）
自动Interval-Dependent去噪
在命令行模式下，我们可以使用该功能cmddenoise.根据依赖于间隔的去噪方法自动计算去噪信号和系数。该方法仅使用该方法执行全部去噪，该功能包括在该示例中前面描述的所有步骤。
[sigddden，〜，thrparams] = cmddenoise（sig，wname，水平）;thrParams {1}级别1级的百分比参数。
ans =.2×310.3.×0.0010 1.1100 0.0176 1.1100 2.0000 0.0045
自动过程查找两种用于去噪的间隔：
I1 = [1 1110]凭借门槛thr1 = 17.6.I2 = [1110 2000]凭借门槛thr2 = 4.5．
我们可以显示去噪的结果，并看到结果是好的。
图次要情节(2,1,1)情节(团体,“r”）轴紧的持有在情节(sigden'K'） 标题（'原始和去噪的信号'） 抓住离开子图（2,1,2）绘图（SIGDEN，'K'）轴紧的标题（'去噪'）
先进的自动间隔依赖性去噪
现在，我们看看自动去噪的更完整的例子。
而不是使用输入参数的默认值，我们可以在调用函数时指定它们。这里，选择阈值的类型年代（软）和间隔数设定为3。
负载nelec.mat；sig = nelec;分析％信号。wname ='符号4'；%小波分析。水平= 5;小波分解的％级别。索赫=“年代”；％阈值类型。nb_Int = 3;阈值的百分比数。[sigddden，cofs，thrparams，int_depthr_cell，bestnbofint] =......cmddenoise（sig，wname，level，sorh，nb_int）;
对于输出参数，变量thrParams {1}例如，从1到5中给出级别的去噪参数。这里是1级的去噪参数。
thrParams {1}
ans =.3×310.3.×0.0010 0.0940 0.0059 0.0940 1.1100 0.0195 1.1100 2.0000 0.0045
我们发现此示例前面设置的相同值。它们对应于我们在输入参数中将间隔数定位为三个的选择：nb_int = 3.．
自动程序表明2为去噪的最佳间隔数。这个输出值Bestnbofint = 2与此示例的前一步中使用的相同。
BestNbOfInt
Bestnbofint = 2
变量int_DepThr_Cell包含间隔位置和从1到6的若干间隔的阈值。
int_DepThr_Cell
INT_DEPTHR_CELL =.1×6个单元阵列列1到4 {[1 2000 8.3611]} {2x3 double} {3x3 double} {4x3 double}列5到6 {5x3 double} {6x3 double}
最后，我们查看对应于5个间隔的位置和阈值的值。
int_DepThr_Cell {5}
ans =.5×310.3.×0.0010 0.0940 0.0059 0.0940 0.5420 0.0184 0.5420 0.5640 0.0056 0.5640 1.1100 0.0240 1.1100 2.0000 0.0045
概括
此示例显示如何使用命令行模式以实现与用于去噪的GUI工具相同的功能，同时为您提供更好的参数值以获得更好的结果。
另请参阅
相关话题
您还可以从以下列表中选择一个网站：
