В этом примере показано, как применить три различных метода шумоподавления к сигналу с шумом. Это сравнивает результаты с графиками и пороговыми значениями, произведенными каждым методом.

Во-первых, чтобы гарантировать воспроизводимость результатов, установите seed, который будет использоваться, чтобы сгенерировать случайный шум.

rng('default')

Создайте сигнал, состоящий из синусоиды на 2 Гц с переходными процессами в 0,3 и 0,72 секунды. Добавьте случайным образом сгенерированный шум в сигнал и постройте результат.

N = 1000;
t = linspace(0,1,N);
x = 4*sin(4*pi*t);
x = x - sign(t-0.3) - sign(0.72-t);
sig = x + 0.5*randn(size(t));
plot(t,sig)
title('Signal')
grid on

Используя sym8 вейвлет, выполните разложение вейвлета уровня 5 сигнала и denoise это путем применения трех различных пороговых правил выбора к коэффициентам вейвлета: НЕСОМНЕННО, минимакс и универсальный порог Донохо и Джонстона с зависимой уровнем оценкой шума. В каждом случае примените трудную пороговую обработку.

lev = 5;
wname = 'sym8';
[dnsig1,c1,l1,threshold_SURE] = wden(sig,'rigrsure','h','mln',lev,wname);
[dnsig2,c2,l2,threshold_Minimax] = wden(sig,'minimaxi','h','mln',lev,wname);
[dnsig3,c3,l3,threshold_DJ] = wden(sig,'sqtwolog','h','mln',lev,wname);

Постройте и сравните три сигнала denoised.

subplot(3,1,1)
plot(t,dnsig1)
title('Denoised Signal - SURE')
grid on
subplot(3,1,2)
plot(t,dnsig2)
title('Denoised Signal - Minimax')
grid on
subplot(3,1,3)
plot(t,dnsig3)
title('Denoised Signal - Donoho-Johnstone')
grid on

Сравните пороги, примененные на каждом уровне детализации для трех методов шумоподавления.

threshold_SURE

threshold_SURE = 1×5

    0.9592    0.6114    1.4734    0.7628    0.4360

threshold_Minimax

threshold_Minimax = 1×5

    1.1047    1.0375    1.3229    1.1245    1.0483

threshold_DJ

threshold_DJ = 1×5

    1.8466    1.7344    2.2114    1.8798    1.7524

Этот пример denoises сигнал с помощью DWT и MODWT. Это сравнивает результаты с графиками и пороговыми значениями, произведенными каждым методом.

Во-первых, чтобы гарантировать воспроизводимость результатов, установите seed, который будет использоваться, чтобы сгенерировать случайный шум.

rng('default')

Создайте сигнал, состоящий из синусоиды на 2 Гц с переходными процессами в 0,3 и 0,72 секунды. Добавьте случайным образом сгенерированный шум в сигнал и постройте результат.

N = 1000;
t = linspace(0,1,N);
x = 4*sin(4*pi*t);
x = x - sign(t-0.3) - sign(0.72-t);
sig = x + 0.5*randn(size(t));
plot(t,sig)
title('Signal')
grid on

Используя db2 вейвлет, выполните разложение вейвлета уровня 3 сигнала и denoise это с помощью универсального порога Донохо и Джонстона с зависимой уровнем оценкой шума. Получите denoised версии с помощью DWT и MODWT, обоих с мягкой пороговой обработкой.

wname = 'db2';
lev = 3;
[xdDWT,c1,l1,threshold_DWT] = wden(sig,'sqtwolog','s','mln',lev,wname);
[xdMODWT,c2,threshold_MODWT] = wden(sig,'modwtsqtwolog','s','mln',lev,wname);

Постройте и сравните результаты.

subplot(2,1,1)
plot(t,xdDWT)
grid on
title('DWT Denoising')
subplot(2,1,2)
plot(t,xdMODWT)
grid on
title('MODWT Denoising')

Сравните пороги, примененные в каждом случае.

threshold_DWT

threshold_DWT = 1×3

    1.7783    1.6876    2.0434

threshold_MODWT

threshold_MODWT = 1×3

    1.2760    0.6405    0.3787

Этот пример denoises массивный сигнал с помощью вейвлета Хаара с DWT и шумоподавлением MODWT. Это сравнивает результаты с графиками и метриками для исходных и denoised версий.

Во-первых, чтобы гарантировать воспроизводимость результатов, установите seed, который будет использоваться, чтобы сгенерировать случайный шум.

rng('default')

Сгенерируйте сигнал и шумную версию с квадратным корнем из отношения сигнал-шум, равного 3. Постройте и сравните каждого.

[osig,nsig] = wnoise('blocks',10,3);
plot(nsig,'r')
hold on
plot(osig,'b')
legend('Noisy Signal','Original Signal')

Используя вейвлет Хаара, выполните разложение вейвлета уровня 6 сигнала с шумом и denoise это с помощью универсального порога Донохо и Джонстона с зависимой уровнем оценкой шума. Получите denoised версии с помощью DWT и MODWT, обоих с мягкой пороговой обработкой.

wname = 'haar';
lev = 6 ;
[xdDWT,c1,l1] = wden(nsig,'sqtwolog','s','mln',lev,wname);
[xdMODWT,c2] = wden(nsig,'modwtsqtwolog','s','mln',lev,wname);

Постройте и сравните исходную, бесшумную версию сигнала с двумя denoised версиями.

figure
plot(osig,'b')
hold on
plot(xdDWT,'r--')
plot(xdMODWT,'k-.')
legend('Original','DWT','MODWT')
hold off

Вычислите L2 и L-нормы-по-бесконечности различия между исходным сигналом и двумя denoised версиями.

L2norm_original_DWT = norm(abs(osig-xdDWT),2)

L2norm_original_DWT = 36.1194

L2norm_original_MODWT = norm(abs(osig-xdMODWT),2)

L2norm_original_MODWT = 14.5987

LInfinity_original_DWT = norm(abs(osig-xdDWT),Inf)

LInfinity_original_DWT = 4.7181

LInfinity_original_MODWT = norm(abs(osig-xdMODWT),Inf)

LInfinity_original_MODWT = 2.9655